基于動態扭矩傳感器的荷重檢測

喬愛民,何博俠,黃迎輝,王艷春,羅少軒

(1.蚌埠學院電子與電氣工程學院,安徽 蚌埠 233000;2.南京理工大學機械工程學院,南京 210094)

?

基于動態扭矩傳感器的荷重檢測

喬愛民1*,何博俠2,黃迎輝1,王艷春1,羅少軒1

(1.蚌埠學院電子與電氣工程學院,安徽 蚌埠 233000;2.南京理工大學機械工程學院,南京 210094)

動態扭矩傳感器直接連接于旋轉動力設備和荷重裝置之間,可以輸出與實際負載相關聯的力矩信號。為了從動態扭矩傳感器輸出的力矩信號中得到實際負載,在荷重模型建立階段,通過給荷重裝置施加不同的負載,并對動態扭矩傳感器輸出力矩信號對應的AD轉換值進行灰色關聯校正,得到趨于穩定的AD轉換校正值,在此基礎上,利用移動最小二乘回歸(MLSR)實現對荷重裝置實際負載的非線性回歸,得到實際負載與AD轉換校正值間的非線性模型。在荷重檢測階段,進一步利用灰色關聯校正并結合實際負載回歸模型,得到荷重裝置最終的實際負載。試驗結果表明,結合灰色關聯校正及移動最小二乘回歸模型,荷重檢測誤差低于±0.3%。

動態扭矩傳感器;荷重檢測;灰色關聯分析;移動最小二乘回歸

動態扭矩傳感器又稱旋轉扭矩傳感器,廣泛應用于電動機、旋轉動力等設備的輸出扭矩及功率檢測。根據扭矩信號的傳輸方式,其類型可分為接觸式和非接觸式,其中非接觸式動態扭矩傳感器由于其非接觸及使用壽命長等特點而得到廣泛的應用[1-7],非接觸式動態扭矩傳感器主要利用光電耦合、磁耦合或無線等方式將力矩電信號對外傳輸[3,5-6]。

目前,在采用電動機驅動的起吊設備如閘門啟閉機、提升機等,一般采用常規的傳感器進行荷重檢測,傳感器通常為旁壓式、柱銷式或軸承座式等電阻應變式傳感器[8-9]。當采用旁壓式傳感器進行荷重檢測時,需要將傳感器緊固于繩索上,除了對繩索具有一定的破壞作用外,重物提升時會造成繩索擺動,使得荷重檢測誤差較大,而對于采用柱銷式或軸承座式傳感器進行荷重檢測時,對于重型起吊設備,傳感器的安裝及維護極其不便。而如果采用動態扭矩傳感器檢測荷重,安裝及維護將非常方便,可將動態扭矩傳感器與電動機直接連接,一方面可以起到聯軸器的作用,另一方面,動態扭矩傳感器輸出與實際負載有較大關聯的力矩信號,可通過對力矩信號實現實際負載的回歸。

采用動態扭矩傳感器的荷重檢測系統,由于傳感器安裝在旋轉動力設備的輸出軸上,包括實際負載及產生于荷重裝置機構內部的附加力同時施加于動態扭矩傳感器,由于除了實際負載外,附加力矩有較大的隨機性及波動性,從而造成傳感器的力矩輸出信號同樣具有隨機性和波動性,在實際的荷重檢測過程中,需要對該隨機性及波動性進行必要的抑制。

1 基于動態扭矩傳感器的荷重檢測方法

1.1 荷重信號的獲取方式

荷重信號的獲取方式如圖1所示。將動態扭矩傳感器與旋轉動力設備如電動機的輸出軸直接連接,實際負載引起的負載力矩及荷重裝置與變速機構等引起的附件力矩共同作用于動態扭矩傳感器,動態扭矩傳感器輸出與力矩對應的電信號,將動態扭矩傳感器的輸出信號變換為0～5 V的電壓變送信號,并通過靜態標定,2.5 V對應空載,5 V對應動態扭矩傳感器受到的正向最大扭矩,0 V對應負向最大扭矩。

圖1 采用動態扭矩傳感器的荷重檢測裝置

1.2 荷重檢測需要解決的問題

由于動態扭矩傳感器和旋轉動力設備的輸出軸直接連接,其輸出信號既包括實際負載引起的負載力矩,同時也包括了機構本身如變送機構的摩擦力、振動等產生的附加力矩成分,雖然由固定實際負載引起的負載力矩在其中占據主要比例成分且理論上是固定不變的,但由于附加力矩具有一定的隨機性及波動性,導致動態扭矩傳感器的輸出信號也具有一定的波動性和隨機性,同時,當實際負載變化時,基于動態扭矩傳感器的荷重系統應能辨識實際負載的變化,因此,從力矩信號中得到實際負載大小是基于動態扭矩傳感器的荷重檢測系統需要解決的關鍵問題。

1.3 荷重檢測系統

1.3.1 荷重檢測系統硬件

荷重檢測系統的硬件如圖2所示,將動態扭矩傳感器0～5 V的電壓信號經低通濾波等處理后送入24位的Σ-Δ型AD轉換器AD7190進行模數轉換[10],硬件系統的核心采用基于ARM Cortex M4核的高性能STM32F427微控制器[11],系統硬件還包括如圖所示的其他電路,便于荷重檢測系統實現必需的實際應用功能。

圖2 荷重檢測系統硬件簡圖

圖3 荷重檢測軟件流程圖

1.3.2 荷重檢測系統軟件

從動態扭矩傳感器的輸出力矩信號中得到實際負載大小是系統軟件的關鍵。一般來說,在基于動態扭矩傳感器的荷重檢測系統中,通過力矩值直接實現對實際負載的標定比較困難,可通過對力矩信號對應的AD轉換值進行回歸獲得實際負載的大小。由于動態扭矩傳感器的輸出信號中既包含了由于實際負載引起的負載力矩,也包含了波動性及隨機性較大的附加力矩成分,其對應的AD轉換值波動性及隨機性也較大,為了提高負載回歸精度,在基于動態扭矩傳感器的荷重回歸模型建立過程中,不宜直接對傳感器輸出信號對應的AD轉換值進行實際負載回歸。

在具體的系統軟件設計過程中,荷重檢測采取分階段的方法實現,在荷重模型建立階段建立負載回歸模型,在荷重檢測階段實現荷重裝置的實際負載檢測。在荷重模型建立階段,為抑制和削弱動態扭矩傳感器輸出信號的波動性及隨機性,采用基于灰色關聯分析的校正環節對傳感器輸出力矩對應的AD轉換值進行校正,通過給荷重裝置施加不同的負載,得到不同負載對應的AD轉換校正值,并采用移動最小二乘法實施對實際負載的回歸,得到負載的回歸模型。在實際的荷重檢測階段,利用模型建立階段建立的負載回歸模型,進一步結合灰色關聯校正環節,得到最終的實際負載輸出,具體的荷重檢測軟件流程圖如圖3所示。

2 基于動態扭矩傳感器的荷重檢測模型

2.1 結合灰色關聯校正的荷重檢測原理

結合灰色關聯校正的荷重檢測原理如圖4所示。

圖4 結合灰色關聯校正的荷重檢測原理

在荷重模型建立階段,給荷重裝置施加k個不同的負載,{Q}k×1為不同負載對應的AD轉換值期望輸出序列,{Qr}k×1為對應不同負載的灰色關聯校正值序列,{Qc}k×1為常規預處理如低通濾波等模式下的輸出量,{Qo}k×1為不同負載對應的經灰色關聯校正后的AD轉換校正值序列,將{Qo}k×1的集合平均值作為自變量,對應的不同固定負載為因變量,利用移動最小二乘法建立負載的回歸模型M=f(Qo)。在荷重檢測階段,將荷重裝置工作時傳感器輸出力矩對應的ADC轉換值Dadc作為輸入變量,通過負載回歸模型得到實際負載回歸值Mi,將起始工作時一定數量Mi的集合平均作為期望輸出,進一步采用灰色關聯校正,其校正量為Mr,得到最終的實際負載輸出Mo。

2.2 荷重檢測的灰色關聯校正模型

灰色關聯分析可以定量反映系統與各影響要素間的關聯度大小,通過對因變因子數據序列對應的幾何曲線的幾何形狀接近水平來判別其關聯程度[12-16]。采用動態扭矩傳感器構建的荷重檢測系統,當動態扭矩傳感器旋轉時,通過輔助裝置如輥筒等帶動負載升降,由于荷重裝置自身存在著諸如各位置摩擦力不相同等因素,導致即使荷重裝置的負載固定,動態扭矩傳感器的輸出力矩也具有隨機性和波動性。在荷重模型建立階段,當荷重裝置負載固定時,采用灰色關聯校正環節,讓系統的輸出具有跟蹤一常值期望輸出的功能,可以使得兩者之間的誤差降低,從而可以降低和抑制傳感器輸出的隨機波動性。

在荷重模型建立階段,給荷重裝置施加k個不同的固定負載,理想狀況下,每個固定負載引起的力矩是恒定不變的,因此,在對動態扭矩傳感器輸出力矩對應的AD轉換值進行灰色關聯校正時,將元素為固定值的數據序列作為期望輸出數據序列,某時間域內的實時AD轉換值序列作為實際輸出數據序列,計算兩者之間的灰色關聯度,如果兩個數據序列越接近,則兩者之間的灰色關聯度就越高,灰色關聯校正環節的校正量Qr就越小,反之則越大。

給荷重裝置施加第p(0

(1)

式中:

灰色關聯校正的強度由校正系數a決定,灰色關聯分辨系數β通常情況下其值取為0.5,權重系數η1一般大于η2,且η1及η2需根據實際補償結果進行調整,符號函數sgn(Qp-Yp)決定補償量的方向,維數m的選擇需要結合實際的補償效果進行選擇。

(2)

(3)

在實際的荷重檢測階段,其灰色關聯校正模型和式(1)類似,但不同于荷重模型建立階段給荷重裝置施加的不同負載皆為固定值,在荷重檢測階段,灰色關聯校正模型除了對實際荷重檢測過程中傳感器輸出力矩的隨機波動性進行抑制外,還需要對實際負載變化有跟蹤功能,因此,在荷重檢測階段,其期望數據序列及維數的選取有別于荷重模型建立階段。荷重檢測階段的期望數據序列應隨時間域t不同而有所改變,其目的是為了系統輸出能跟隨實際負載變化,選取方法為:將當前時間域t前一個等時長的時間域內的負載回歸輸出集合平均值作為期望數據序列的元素,維數的選取應能滿足該階段灰色關聯校正的功能需要,維數過小,對系統輸出波動性及隨機性的校正效果減弱,而維數過大,則導致跟蹤負載變化的功能降低,其合理的維數需要經過反復測試。

2.3 基于移動最小二乘法的負載回歸模型

由于其他因素引起的力矩存在,在荷重模型建立階段輸出的AD轉換校正值的集合平均不完全由荷重裝置的實際負載引起的,導致AD轉換校正值與負載之間一般不為線性關系,同時,基于動態扭矩傳感器的荷重檢測系統,難以通過對其扭矩輸出值進行常規的標定得到荷重裝置的實際負載,需要通過對AD轉換校正值回歸實際負載。

目前,有很多回歸方法在系統特性的模型重構、數據的擬合及逼近等應用領域得到廣泛應用,如常用的最小二乘回歸(LSR)。移動最小二乘回歸(MLSR)對傳統的最小二乘回歸進行了一定的改進:①MLSR模型由系數向量及基函數構成,同時系數向量的元素為自變量坐標的函數。②引入緊支概念,自變量離散節點處的取值只受該節點附近子域內節點影響,而不受子域外的節點影響[17-20],利用這一點,通過在子域內定義一恰當的權函數,可以使得具有隨機波動的離散數據集的擬合結果具有很好的去除噪點作用,荷重模型建立步驟如下:

①設自變量x為經灰色關聯校正后的AD轉換集合平均值,在其子域內,荷重預測模型為

(4)

式中:a(x)=[a1(x),a2(x),…,an(x)]T,p(x)=[p1(x),p2(x),…,pn(x)]T,a(x)為待求系數向量且是坐標X的函數,p(x)為基函數。

②選取基函數

p(x)=(1,x1/2,x,x3/2,x2)T(n=5)

(5)

③設在AD轉換校正值集合平均的子域內有m個離散節點,定義

(6)

式中:ωi(x)為節點的高斯權函數,y(xi)為節點處的值。

④求J對a(x)的偏導數且令其值為0,并寫成矩陣形式,可得

a(x)=A-1(x)B(x)Y

(7)

(8)

MLSR模型建立過程中,節點的子域及支持域半徑選取需要根據實際的擬合效果進行選擇。

在荷重檢測階段,利用模型建立階段得到的荷重MLSR模型獲取荷重裝置的實際負載值時,需要進一步利用灰色關聯校正,期望數據序列及維數選取的方法見前文所述,通過灰色關聯校正結合荷重回歸模型得到最終的實際負載輸出Mo。

圖5 基于動態扭矩傳感器的荷重檢測試驗平臺

3 結果分析

采用直連式螺桿啟閉機作為試驗平臺,其荷重滿量程為8 000 kg,升降滿行程為4 m,將動態扭矩傳感器直接連接于電動機軸和螺桿啟閉機的動力輸入軸之間,具體見圖5。目前,螺桿式啟閉機廣泛應用于農田水利工程中,但螺桿式啟閉機的荷重檢測一直是難以解決的問題,這里利用動態扭矩傳感器采集力矩信息,并結合文中所述方法對螺桿啟閉機上升滿行程范圍內的荷重檢測精度進行驗證,下降過程中的處理方法與上升過程類似。

試驗前調節動態扭矩傳感器的輸出,5 V對應傳感器受正向最大扭矩為,2.5 V對應空載,傳感器受負向最大扭矩時輸出為0 V,設置AD轉換速率、工作極性及選取的實際位數分別為60次/s左右、雙極性及15位。給試驗裝置施加均勻間隔為1 000 kg的0～8 000 kg共9種固定負載,并分別記錄不同固定負載情況下實際負載上升時對應的AD轉換值及其校正值。

以實際負載為5 000 kg時為例,在荷重模型建立階段,取灰色關聯校正系數α等于0.5,權重系數η1等于0.9,η2等于0.1,期望輸出數據序列及實際輸出數據序列維數m取12,期望數據序列的元素選定為常數,且其值取實際負載上升時前20個離散的AD轉換值累加和平均,AD轉換值及其校正值的變化曲線如圖6所示。

圖6 實際負載為5 000 kg時AD轉換值及其校正值

在試驗裝置的全上升行程內,AD輸出值及其校正值的波動情況見圖7。

圖7 荷重模型建立階段輸出值波動

從圖6及圖7可以看出,在試驗裝置的上升滿行程范圍內,即使試驗裝置的實際負載為恒定值,動態扭矩傳感器輸出力矩對應的AD轉換值也具有較大的波動性及隨機性。在荷重模型建立階段,通過增加灰色關聯校正模型,利用校正模型可以使實際輸出數據序列具有追蹤期望數據輸出序列的特性,通過將期望輸出數據序列的元素設置為有效常數,AD轉換值經校正后其波動性及隨機性得到顯著的抑制,這可以有效提高實際負載回歸模型的回歸精度。

將離散的AD轉換校正值的集合平均作為輸入變量,對應的固定實際負載作為輸出變量,分別利用MLSR及LSR建立荷重回歸模型,其中MLSR的支持域半徑為10,LSR回歸多項式與MLSR的基函數相同。在實際荷重檢測階段,經反復試驗,選取灰色關聯校正環節的數據序列維數為20,期望輸出數據序列選取方法見前文所述,首個時間域t內的期望數據序列的元素為負載上升時前20個離散的負載回歸值的集合平均,得到試驗裝置在上升滿行程范圍內部分荷重檢測偏差如表1所示,圖8為上升滿行程范圍內分別采用MLSR及LSR結合灰色關聯校正的偏差分布。

表1 滿上升行程內結合灰色關聯校正的荷重檢測最大偏差值 單位:kg

由表1及圖8可知,結合荷重檢測階段的灰色關聯校正環節,以試驗裝置的荷重滿量程8 000 kg計算,MLSR的實際負載回歸誤差不超過±0.3%,而LSR回歸誤差在±0.9%左右,利用MLSR的回歸精度比LSR的回歸精度要高,這是由于MLSR不同于LSR,MLSR回歸函數中系數項ai(x)隨自變量離散節點位置變化而變化,即其回歸擬合函數是隨著自變量離散點位置變化而變化的曲線,因此,在其支持域半徑選擇合理的情況下,可以得到比LSR更高的擬合精度。

圖8 結合灰色關聯校正的荷重檢測偏差

通過上述分析,基于灰色關聯分析的校正模型可以有效地抑制動態扭矩傳感器輸出的波動性及隨機性,當采用荷重回歸模型獲取荷重裝置的實際負載時,采用文中所述的荷重檢測階段的灰色關聯校正仍然非常必要,如圖9所示,在實際的荷重檢測時,未結合灰色關聯校正而直接采用MLSR模型獲取荷重裝置的實際負載時,在荷重滿量程范圍內,實際負載檢測誤差由原來的不超過±0.3%增加為±1.8%左右。

圖9 未結合灰色關聯校正的荷重檢測偏差

在某些荷重檢測應用領域,尤其是常規的荷重檢測傳感器不便于使用及安裝不便的情況下,當驅動源為旋轉動力設備時,可以選用動態扭矩傳感器獲取力矩信息,通過對傳感器輸出力矩信號進行相關的處理,最終獲取實際負載。利用灰色關聯校正原理中實際輸出跟隨期望輸出的特性,在系統誤差要求控制在一定范圍內時,通過將灰色關聯校正結合荷重回歸模型可得到滿足系統精度的實際負載值。

4 結論

①研究了一種基于動態扭矩傳感器的荷重檢測方法,當荷重檢測裝置的動力源為旋轉動力設備時,將動態扭矩傳感器直接連接于動力設備與荷重設備之間,獲取荷重設備工作時的力矩。

②在荷重回歸模型建立階段及荷重檢測階段,通過灰色關聯校正環節有效抑制了傳感器及荷重系統輸出的隨機波動性,為符合精度要求的荷重回歸模型建立及獲取荷重裝置的實際負載提供了必要的前提條件。

③通過試驗裝置試驗表明,結合灰色關聯校正模型,在荷重滿量程范圍內,采用MLSR方法的實際負載回歸誤差小于±0.3%。

[1] 段翔兮,佃松宜,向國菲,等. 采用動態扭矩傳感器的雙電機同步性能檢測系統[J]. 測控技術,2016,35(1):43-45.

[2] 柴繼新,王恩鋒,范小燕,等. 幾種常見的電阻應變片式旋轉扭矩傳感器[J]. 計量、測試與校準,2010,30(2):34-36.

[3] 石延平,周慶貴,臧勇. 環形差動壓磁式非接觸動態扭矩傳感器的研究與設計[J]. 中國機械工程,2011,22(17):2026-2030.

[4] 楊大志,胡光忠,柳忠彬. 一種閥門驅動器扭矩試驗臺設計方案[J]. 化工自動化及儀表,2011,38(12):1464-1466.

[5] 趙浩. 一種基于霍爾效應的扭矩傳感器[J]. 傳感技術學報,2016,29(10):1505-1508.

[6] Umbach F,Acker H,Kluge J V,et al. Contactless Measurement of Torque[J]. Mechatronics,2002,12(8):1023-1033.

[7] Hirzinger G,Albu-Sch?ffer A,H?hnle M,et al. On a New Generation of Torque Controlled Light-Weight Robots[C]//Conference on Robotics and Automation,Korea,IEEE,2001:3354-3363.

[8] 王德堂,何森,深慶彬,等. 單繩提升機運行動態載荷在線監測方法研究[J]. 煤礦現代化,2016(5):89-91.

[9] 羅少軒,喬愛民. 基于MC9S08JM16和AD7780的一體式旁壓起重量限制器設計[J]. 蚌埠學院學報,2012,1(2):11-15.

[10] Analog Devices. AD7190 24bit Sigma-Delta ADC for Bridge Sensors[EB/OL]. www.analog.com,2016.

[11] ST Microelctronics. High Performance MCU STM32F4 Serials[EB/OL]. www.st.com,2016.

[12] 朱堅民,雷靜桃,黃之文,等. 基于灰色關聯補償控制的氣動位置伺服控制系統[J]. 機械工程學報,2012,48(20):159-166.

[13] 劉思峰,蔡華,楊英杰,等. 灰色關聯分析模型研究進展[J]. 系統工程理論與實踐,2013,33(8):2041-2046.

[14] 朱雙,周建中,孟長青,等. 基于灰色關聯分析的模糊支持向量機方法在徑流預報中的應用研究[J]. 水力發電學報,2015,34(6):1-6.

[15] Zhang X R,Zhang Q L.Study on One New Grey Similarity Correlation Degree Model and Its Applications[J]. Journal of Chemical and Pharmaceutical Research,2014,6(6):1406-1411.

[16] Wang Z X. Correlation Analysis of Sequences With Interval Grey Numbers Based on the Kernel and Greyness Degree[J]. Kybernetes,2013,42(2):309-317.

[17] 宋紹民,王敏,王耀南,等. 傳感器數據的精確重構方法及其性能研究[J]. 傳感技術學報,2010,23(1):52-56.

[18] 楊武,劉莉,周思達,等. 移動最小二乘法的時變結構模態參數辨識[J]. 機械工程學報,2016,52(3):79-85.

[19] Zhang Y,Lai J,Du X. Vision-Related MLS Image Deformation Using Saliency Map[C]//Image and Graphics(ICIG),2011 Sixth International Conference on USA:IEEE,2011:193-198.

[20] 韓有昂,張英杰. 基于移動最小二乘法測量數據的數控刀軌生成[J]. 計算機集成制造系統,2011,17(3):638-642.

The Load Detection Based on Dynamic Torque Sensor

QIAO Aimin1*,HE Boxia2,HUANG Yinghui1,WANG Yanchun1,LUO Shaoxuan1

(1.School of Electronic and Electrical Engineering,Bengbu University,Bengbu Anhui 233000,China;2.School of Mechanical Engineering,Nanjing University of Science and Technology,Nanjing 210094,China)

Directly connected the load equipment to the rotary power one,the dynamic torque sensor could output the torque signal caused by both the actual load and the other factors such as frictional force of the load equipment. The actual load could be extracted from the sensor’s output signal of the torque to use two phases shown as fellows. In load modeling phase,a kind of corrected model based on gray correlation analysis was established to adjust the respective analog-to-digital converter(ADC)value caused by different actual loads. The corrected model could effectively decrease the fluctuation and random for the ADC value. The load model was gotten by moving least square regress(MLSR)through taking the corrected ADC values as the input variables and the individual actual load as the output ones. After the load regress model was founded,the actual load for the load equipment would be attained by combining the load regress model with the gray correlation corrected one in the load detection phrase. Experiment showed that the error of the load detection based on dynamic torque sensor was less than ±0.3%.

dynamic torque sensor;load detection;gray correlation analysis;moving least square regression

喬愛民(1970-),男,副教授,主要從事數據采集系統、微機控制及其自動化、嵌入式系統、機器視覺等方面的研究,aimin_qiao@163.com;

何博俠(1972-),男,博士,副教授,碩士生導師,2009年于東南大學獲得博士學位,主要從事光電測試技術、微納米測量技術、機械動力學及先進制造技術研究。

項目來源:國家自然科學基金項目(51175267,51575281);安徽省高校自然科學研究重點基金項目(KJ2017A565,KJ20160A452);安徽省高校優秀青年人才支持計劃項目(gxyq2017098)

2016-12-04 修改日期:2017-01-26

TH823

A

1004-1699(2017)06-0886-07

C:7220

10.3969/j.issn.1004-1699.2017.06.014