散狀物料連續(xù)累計稱重系統(tǒng)精度補償研究.pdf

1、隨著中國經濟的高速發(fā)展，各種散狀物料尤其是大宗工業(yè)原、燃料的貿易運輸量急劇上升，使得散料貿易中動態(tài)稱量的要求越來越高。目前，如何長期保持≤0.1％的計量精度已成為國內外諸多散料貿易中動態(tài)計量專家和科技工作者亟需解決的難題。機器學習的發(fā)展給傳統(tǒng)行業(yè)帶來了不一樣的色彩，隨著“互聯(lián)網+”戰(zhàn)略計劃的提出，傳統(tǒng)衡器行業(yè)將面臨新的轉型升級。本文以目前應用最廣泛的散狀物料連續(xù)累計稱重設備——電子皮帶秤為研究對象，結合各種機器學習方法，對其累計計量精度

2、所涉及到的“皮帶效應”、局部性故障、輸送帶跑偏、溫度變化等問題展開研究。
　　在電子皮帶秤結構組成和稱重原理基礎上，結合以往的實驗經驗，以累計計量的測量信號流程為研究脈絡，對其累計計量精度的誤差源和耐久性問題進行了深入討論研究，對影響精度最主要誤差源以及耐久性誤差源進行了總結。通過研究總結發(fā)現(xiàn)，需對運行中電子皮帶秤的多個誤差因素以及各個故障狀態(tài)進行實時在線監(jiān)測，并針對這些誤差因素變化以及不同故障狀態(tài)的不同程度建立一個具有較好泛化性

3、能和魯棒性的精度補償模型，以真正提高累計計量的耐久性。
　　針對“皮帶效應”，從梁理論出發(fā)對稱重力誤差進行了機理研究，對陣列式皮帶秤“內力理論”的理論公式進行了推導。然后，以“內力理論”對QPS皮帶秤全性能試驗中心的4撐皮帶秤進行精度補償試驗。通過試驗分析得出:無故障時，精度可達OIML R502014(E)中的0.2級精度等級，即累計稱重誤差±≤0.1％;但當存在輸送帶跑偏、稱重架卡料等一些故障時，精度很不理想，需對故障狀態(tài)進行

4、實時在線監(jiān)測，并加以補償。
　　針對皮帶秤稱重區(qū)域內的故障對稱重精度的影響，對故障的在線監(jiān)測方法進行了研究。首先針對皮帶秤不同流量稱重數(shù)據(jù)密度的不均勻，分別提出改進型DENCLUE和改進型DBSCAN，并都應用于的稱重區(qū)域故障在線檢測，其中改進型DENCLUE采用動態(tài)閾值法替代爬山法大大降低了算法復雜度，相比較于改進型DBSCAN具有更好的聚類精度和更快的聚類速度;然后采用BRNN和改進型BTSVM對檢測出來的故障進行在線識別，最

5、后將識別出來故障碼、故障位置（即哪個稱重單元）、當前托輥傳感器數(shù)據(jù)以及同一時刻正常數(shù)據(jù)的平均值作為故障特征。陣列式皮帶秤故障試驗表明:“基于改進型DENCLUE的在線檢測+基于改進型BTSVM在線識別”模型具有更好的稱重區(qū)域故障在線監(jiān)測性能。
　　針對皮帶秤輸送帶跑偏故障對稱重精度的影響，對輸送帶跑偏的在線監(jiān)測方法進行了研究。研究引入流形學習和深層神經網絡，分別建立了基于LTSA+GRNN+SVM和基于CDBN+SVM的在線跑偏監(jiān)

6、測模型，模型能產生顯性非線性映射將原始稱重數(shù)據(jù)壓縮成3維的跑偏特征。二者的訓練結果以及試驗測試結果表明，皆具有很好的跑偏識別精度，可取代傳統(tǒng)硬件檢測設備，但適合于不同工作場合，LTSA+GRNN+SVM很適用于皮帶秤稱重標定較為頻繁、跑偏檢測實時性要求不是很高的情況，而CDBN+SVM非常適用于標定不是很頻繁、但實時性和識別精度要求很高的情況。
　　最后依據(jù)散狀物料連續(xù)稱重累計流量累加法計量原理，引入過程神經網絡建立累計計量精度綜