基于料斗秤的定量裝車系統算法

董秀明，李麗宏，韓芝星

(太原理工大學信息工程學院，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點和特點，在交通運輸、工業生產等部門尤其在以煤炭為原材料的企業中得到廣泛應用。經研究分析，在定量裝車系統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，稱重傳感器還會產生不同程度的老化，甚至損壞造成嚴重的稱量誤差或導致系統故障。針對上述問題，首先，替代傳統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)神經網絡［4］算法逼近多路稱重傳感器之間的關系，預測各傳感器的輸出，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，得到校正稱量數據，并給出傳感器故障信號。

1 料斗式定量裝車系統

定量裝車系統主要由歐姆龍PLC、高性能工業控制儀表、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稱重過程進行研究，提出了應用Donoho軟閾值小波算法［5］進行降噪處理，同時采用徑向基神經網絡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，車輛位置調整準確后，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，當落料量達到設定值時關閉平板閥。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，其重量經料斗傳遞到稱重傳感器，傳感器產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定裝載量進行實時比對，控制進行多次裝載，當達到設定裝載量后停止裝車，車輛駛離裝載區。

2 動態稱重數據濾波處理

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

圖2 料斗秤結構示意圖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，得到平穩的稱重信號。

小波軟閾值函數為

其中，wi為小波系數，wi為降噪后的小波系數，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據為例，通過小波分解后，對處理后的信號進行重構。為驗證算法有效性，采用Matlab中的wavedec()和waverec()函數對實際稱重信號進行分解和重構。此處選用db3小波基，對信號做5層分解，先對細節系數成分進行抑制，通過抑制后的系數重建小波。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層細節系數，如圖4所示。

經過5層分解后，測量序號被劃分為0～32，33～233，234～280三個區間，對應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層細節系數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

利用徑向基神經網絡對料斗秤稱重傳感器故障進行診斷，是利用徑向基神經網絡逼近4路傳感器之間的函數關系，從而預測出各傳感器的輸出。通過將預測值和實際值作為輸入，建立監測模型。

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分別獨立采集4路稱重傳感器的重量內碼向量X(x1，x2，x3，x4)。經過預估網絡求得預估信號向量 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計算料斗秤稱重結果;反之，設第2只傳感器故障，則由預估數據x2r替代原來重量內碼x2，融合成新的重量內碼向量 Xf(x1，x2r，x3，x4)，再計算出稱重結果，其他傳感器故障算法同理。

3.2 徑向基神經網絡模型的建立

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關系，第i(取1，2，...，4)路稱重傳感器的輸出是其他3路的函數，即

利用徑向基神經網絡逼近式(3)的四傳感器關聯函數，完成任一傳感器的輸出估計，廣義神經網絡模型如圖7所示。

圖7 徑向基神經網絡預測輸出模型Fig 7 Predicted output model for radial basis neural network

預估輸出向量為 Xr(x1r，x2r，x3r，x4r)，其計算公式為

其中，b為輸出層偏置值，w為徑向基神經網絡的權值向量，且 w=［w1，w2，w3，…，wm］T，w0=1，u 為徑向基函數向量。

人工神經網絡中，權值表示神經元節點中間的關聯強度，神經網絡將知識存儲在調整后的權值中。所以，實際應用中，計算預估輸出向量的關鍵是權值的求取。

本文中隱含層基函數選取為高斯函數

其中，|xk-xj|為歐幾里德距離

σ為標準差，其計算公式為

式中 dmax為所選取的中心最大距離，n為隱含節點的個數。

用偽逆法求得輸出權值w，在這里期望輸出為原始數據中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個隱藏節點導第 j個輸出節點的權值，則輸出權值可用下式求出［6］

其中，G+={gkj}，矩陣 w=wij

徑向基函數中心確定方法有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絡訓練，這種方法的好處是避免徑向基函數出現過尖或過平的情況。

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路傳感器數據異常。設xn，k為標準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測值，設εn為該傳感器的監測閾值，當該傳感器發生故障時，滿足

其中，xn_r為稱重傳感器的量程。連續采樣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據進行神經網絡訓練。每次訓練時，徑向基神經網絡的輸入向量為3個，輸出向量為4個。該神經網絡共有4個輸入節點，隱含層有20個節點。設定均方誤差(MSE)目標值為0，學習率為0.005，設定所有的遺忘因子均為0.85。經多次訓練，在隱含層神經元個數為10時，預測模型的效果最好。

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

表1 各路稱重傳感器內碼Tab 1 Each path weighing sensor ISN

4 結束語

本文針對基于料斗秤的定量裝車系統中的動態稱量信號分析，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網絡建立預測模型，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據的影響，提高了系統的稱量精度，去除了傳感器故障對系統可靠性的影響。

［1］鄭 娟.料斗秤控制系統［J］.信息技術，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用［J］.計算機與數字工程，2007，35(10):169-171.

［3］龍 洋，游勇華，于偉臣，等.基于Matlab小波去噪方法及應用研究［J］.數字技術與應用，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，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］.計算機工程與應用，2002，38(23):16-19.

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

［7］周開利，康耀紅.神經網絡模型及其 Matlab仿真程序設計［M］.北京:清華大學出版社，2005.