基于料斗秤的定量裝車系統(tǒng)算法

董秀明，李麗宏，韓芝星

(太原理工大學(xué)信息工程學(xué)院，山西太原030024)

0 引言

料斗秤［1］以其擁有較高的計量效率、適用于非粘性散狀物料的稱量等優(yōu)點和特點，在交通運輸、工業(yè)生產(chǎn)等部門尤其在以煤炭為原材料的企業(yè)中得到廣泛應(yīng)用。經(jīng)研究分析，在定量裝車系統(tǒng)中存在兩方面的問題:1)在料倉卸料過程中，由于物料的下落沖擊和卸料閥門開啟/閉合的沖擊，造成稱重傳感器輸出信號中含有較多的噪聲信號;2)在長期使用過程中，稱重傳感器還會產(chǎn)生不同程度的老化，甚至損壞造成嚴(yán)重的稱量誤差或?qū)е孪到y(tǒng)故障。針對上述問題，首先，替代傳統(tǒng)的滑動平均濾波處理方法［2］，利用小波變換［3］算法對稱量信號中的噪聲信號進行降噪處理;其次，針對傳感器老化、故障的問題，利用徑向基(RBF)神經(jīng)網(wǎng)絡(luò)［4］算法逼近多路稱重傳感器之間的關(guān)系，預(yù)測各傳感器的輸出，進行故障傳感器的判斷，并在某一只稱重傳感器失效情況下給出估算值替代其信號，得到校正稱量數(shù)據(jù)，并給出傳感器故障信號。

1 料斗式定量裝車系統(tǒng)

定量裝車系統(tǒng)主要由歐姆龍PLC、高性能工業(yè)控制儀表、液壓動力控制單元、上位機控制軟件、料斗秤等組成。

本文對料斗秤的動態(tài)稱重過程進行研究，提出了應(yīng)用Donoho軟閾值小波算法［5］進行降噪處理，同時采用徑向基神經(jīng)網(wǎng)絡(luò)算法對故障稱重傳感器信號進行處理。

如圖1所示，定量裝車系統(tǒng)中，在對車輛車型、裝載量等信息收集后，將車輛放行至固定裝載區(qū)，車輛位置調(diào)整準(zhǔn)確后，開始裝車。裝車方式可以選擇手動或是自動。

如圖2所示，物料從筒倉落料口進入料斗秤，落料速度由落料口處的平板閥控制，當(dāng)落料量達到設(shè)定值時關(guān)閉平板閥。稱重料斗由4只安裝于支撐框架上的稱重傳感器支撐。物料下落到料斗后，其重量經(jīng)料斗傳遞到稱重傳感器，傳感器產(chǎn)生與重量呈正比例的電信號輸入二次儀表，儀表將物料重量上傳給上位機與設(shè)定裝載量進行實時比對，控制進行多次裝載，當(dāng)達到設(shè)定裝載量后停止裝車，車輛駛離裝載區(qū)。

2 動態(tài)稱重數(shù)據(jù)濾波處理

圖1 定量裝車系統(tǒng)流程圖Fig 1 Flow chart of quantitative loading system

圖2 料斗秤結(jié)構(gòu)示意圖Fig 2 Structure diagram of Hopper scale

料斗秤上傳感器采集到的稱重信號存在一定的噪聲信號，為了得到光滑、平穩(wěn)的信號，需要對采集到的信號進行降噪處理。由于小波變換對非平穩(wěn)的噪聲信號具有很好的濾波效果，而在處理料斗秤稱重傳感器信號的過程中不能產(chǎn)生附加震蕩，故本文采用小波變換中的Donoho軟閾值法對4路稱重傳感器信號進行濾波，得到平穩(wěn)的稱重信號。

小波軟閾值函數(shù)為

其中，wi為小波系數(shù)，wi為降噪后的小波系數(shù)，a為閾值。

原始信號長度為N，噪聲方差為σ2，此處選擇全局統(tǒng)一閾值，選取公式為

本文以山西某煤礦定量裝車料斗秤某一路稱重傳感器采樣數(shù)據(jù)為例，通過小波分解后，對處理后的信號進行重構(gòu)。為驗證算法有效性，采用Matlab中的wavedec()和waverec()函數(shù)對實際稱重信號進行分解和重構(gòu)。此處選用db3小波基，對信號做5層分解，先對細(xì)節(jié)系數(shù)成分進行抑制，通過抑制后的系數(shù)重建小波。原始信號如圖3所示。

對攜帶噪聲信號的原始信號小波5級分解后的第1～5層細(xì)節(jié)系數(shù)，如圖4所示。

經(jīng)過5層分解后，測量序號被劃分為0～32，33～233，234～280三個區(qū)間，對應(yīng)于向料斗秤中裝料前、裝料中和裝料完成三個過程。對稱量信號降噪后，得到降噪后有效信號，如圖5所示。

圖3 含噪聲信號的原始信號Fig 3 Original signal containing noise signal

圖4 用db3小波進行5層分解后的第1～5層細(xì)節(jié)系數(shù)Fig 4 The 1～5 layer detail coefficient produced by db3 wavelet 5 level decomposition

圖5 降噪后有效信號Fig 5 Effective signals after noise reduction

3 故障稱重傳感器診斷

利用徑向基神經(jīng)網(wǎng)絡(luò)對料斗秤稱重傳感器故障進行診斷，是利用徑向基神經(jīng)網(wǎng)絡(luò)逼近4路傳感器之間的函數(shù)關(guān)系，從而預(yù)測出各傳感器的輸出。通過將預(yù)測值和實際值作為輸入，建立監(jiān)測模型。

3.1 傳感器故障診斷原理

如圖6所示，基于料斗秤的定量裝車系統(tǒng)分別獨立采集4路稱重傳感器的重量內(nèi)碼向量X(x1，x2，x3，x4)。經(jīng)過預(yù)估網(wǎng)絡(luò)求得預(yù)估信號向量 Xr(x1r，x2r，x3r，x4r)，將向量 X和Xr進行比較判斷，進而判斷傳感器是否故障，如果傳感器無故障，直接用向量X計算料斗秤稱重結(jié)果;反之，設(shè)第2只傳感器故障，則由預(yù)估數(shù)據(jù)x2r替代原來重量內(nèi)碼x2，融合成新的重量內(nèi)碼向量 Xf(x1，x2r，x3，x4)，再計算出稱重結(jié)果，其他傳感器故障算法同理。

3.2 徑向基神經(jīng)網(wǎng)絡(luò)模型的建立

圖6 智能容錯判斷Fig 6 Intelligent fault tolerant judgment

料斗秤的4路稱重傳感器的輸出之間存在某種函數(shù)關(guān)系，第i(取1，2，...，4)路稱重傳感器的輸出是其他3路的函數(shù)，即

利用徑向基神經(jīng)網(wǎng)絡(luò)逼近式(3)的四傳感器關(guān)聯(lián)函數(shù)，完成任一傳感器的輸出估計，廣義神經(jīng)網(wǎng)絡(luò)模型如圖7所示。

圖7 徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測輸出模型Fig 7 Predicted output model for radial basis neural network

預(yù)估輸出向量為 Xr(x1r，x2r，x3r，x4r)，其計算公式為

其中，b為輸出層偏置值，w為徑向基神經(jīng)網(wǎng)絡(luò)的權(quán)值向量，且 w=［w1，w2，w3，…，wm］T，w0=1，u 為徑向基函數(shù)向量。

人工神經(jīng)網(wǎng)絡(luò)中，權(quán)值表示神經(jīng)元節(jié)點中間的關(guān)聯(lián)強度，神經(jīng)網(wǎng)絡(luò)將知識存儲在調(diào)整后的權(quán)值中。所以，實際應(yīng)用中，計算預(yù)估輸出向量的關(guān)鍵是權(quán)值的求取。

本文中隱含層基函數(shù)選取為高斯函數(shù)

其中，|xk-xj|為歐幾里德距離

σ為標(biāo)準(zhǔn)差，其計算公式為

式中 dmax為所選取的中心最大距離，n為隱含節(jié)點的個數(shù)。

用偽逆法求得輸出權(quán)值w，在這里期望輸出為原始數(shù)據(jù)中d={xij}。xij為第i個輸入向量在第j處的期望輸出值。wij，i=1，2，3…I;j=1，2…J 為第 i個隱藏節(jié)點導(dǎo)第 j個輸出節(jié)點的權(quán)值，則輸出權(quán)值可用下式求出［6］

其中，G+={gkj}，矩陣 w=wij

徑向基函數(shù)中心確定方法有4種［7］，隨機選取固定中心，自組織選取中心，有監(jiān)督選取中心，正交最小二乘法。此處選擇隨機選取固定中心的方式進行網(wǎng)絡(luò)訓(xùn)練，這種方法的好處是避免徑向基函數(shù)出現(xiàn)過尖或過平的情況。

3.3 稱重傳感器的融合故障判斷

該方法只考慮在同一時刻，料斗秤上的4路傳感器中只有1路傳感器數(shù)據(jù)異常。設(shè)xn，k為標(biāo)準(zhǔn)重量的物料加載在料斗里的不同位置時稱重傳感器n的輸出信號，^xn，k是通過上述模型得到的該傳感器的預(yù)測值，設(shè)εn為該傳感器的監(jiān)測閾值，當(dāng)該傳感器發(fā)生故障時，滿足

其中，xn_r為稱重傳感器的量程。連續(xù)采樣m次，如果每次都滿足上式，則判斷該傳感器故障。

本文采用多組歷史檢測數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。每次訓(xùn)練時，徑向基神經(jīng)網(wǎng)絡(luò)的輸入向量為3個，輸出向量為4個。該神經(jīng)網(wǎng)絡(luò)共有4個輸入節(jié)點，隱含層有20個節(jié)點。設(shè)定均方誤差(MSE)目標(biāo)值為0，學(xué)習(xí)率為0.005，設(shè)定所有的遺忘因子均為0.85。經(jīng)多次訓(xùn)練，在隱含層神經(jīng)元個數(shù)為10時，預(yù)測模型的效果最好。

以該煤礦定量裝車料斗秤稱重傳感器內(nèi)碼為例，由于煤料下落位置偏向3#，4#傳感器一側(cè)，故1#，2#傳感器內(nèi)碼偏小如表1所示。

表1 各路稱重傳感器內(nèi)碼Tab 1 Each path weighing sensor ISN

4 結(jié)束語

本文針對基于料斗秤的定量裝車系統(tǒng)中的動態(tài)稱量信號分析，采用小波變換中的Donoho軟閾值法對稱量信號進行降噪處理;之后利用徑向基神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，進行故障傳感器的判別并給出估算值替代測量值。通過實踐證明:該方法具有較強的實用性，減小了噪聲對稱重數(shù)據(jù)的影響，提高了系統(tǒng)的稱量精度，去除了傳感器故障對系統(tǒng)可靠性的影響。

［1］鄭 娟.料斗秤控制系統(tǒng)［J］.信息技術(shù)，2006，29(10):145-147.

［2］胡 松，江小煒，楊 光，等.滑動平均濾波在微弱脈沖信號檢測中的應(yīng)用［J］.計算機與數(shù)字工程，2007，35(10):169-171.

［3］龍 洋，游勇華，于偉臣，等.基于Matlab小波去噪方法及應(yīng)用研究［J］.數(shù)字技術(shù)與應(yīng)用，2012(8):51-52.

［4］籍晉鵬，李 麗.基于智能容錯算法的多傳感器皮帶秤［J］.傳感器與微系統(tǒng)，2014，33(11):41-43，47.

［5］方 勇，戚飛虎.基于軟閾值的小波圖像增強方法［J］.計算機工程與應(yīng)用，2002，38(23):16-19.

［6］楊 靜，李麗宏.基于專家系統(tǒng)的汽車衡故障傳感器判別［J］.傳感器與微系統(tǒng)，2014，33(11):34-36.

［7］周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其 Matlab仿真程序設(shè)計［M］.北京:清華大學(xué)出版社，2005.