基于智能容错算法的多传感器皮带秤

2014-09-25籍晋鹏李丽宏

传感器与微系统 2014年11期

籍晋鹏，李丽宏

(太原理工大学信息工程学院，山西太原 030024)

0 引言

在现行皮带秤重量信息的采集中，由接线盒中将多路称重传感器并联连接，获得多路传感器信号之和,这种方式割裂了传感器之间的联系和相关性。由于称重传感器容易受使用环境的影响而损坏[1],所以,任何一路传感器出现故障都将导致称重系统失效。

根据传感器的对称分布提出了用对应传感器值代替故障传感器的方法[2],但由于皮带秤物料加载时物料下落位置的随机性和流量大小存在不确定性，难以保证物料在皮带秤上的对称分布，所以,这种方法也有着明显的缺陷。径向基函数神经网络(radial basis function neural network,RBFNN)[3]由于具有很强的逼近性非线性函数能力,利用对称分布的传感器之间存在着某种非线性函数关系[4,5]，本文提出以RBFNN为核心建立预估网络，模拟故障传感器的正常输出，完成在称重传感器失效情况下的皮带秤称量[6]。

1 皮带秤称重原理

全悬浮式秤架与非自动平台秤类似，称重平台由4只称重传感器支撑，称重托辊装在平台上。皮带秤结构与受力曲线如图1。

图1 皮带秤称重结构

在现行使用的皮带秤中，重量计量方法基本上可以分为两类，通常采用积分法或累加法来计算瞬时流量和累计重量。以下简述两种不同方法。

1)积分法

当皮带输送物料时，连续测量称重托辊上代表单位皮带长度上的载重值q(kg/m)，并将q值与同一时刻的皮带速度值v(m/s)相乘，则所得的乘积等于物料的瞬时流量

Q=qv,

(1)

式中Q为物料的瞬时流量值，kg/s。

T时间内的累计值Q(t)是瞬时流量Q对时间的积分值，即

(2)

式中q(t)为瞬时载重值；v(t)为瞬时皮带速度值。

2)累积法

累积计量法，是以采样时刻称重值和采样时刻皮带速度，估算整个采样周期内的累计量,即

(3)

将累计量对时间微分，可求出瞬时流量,即

(4)

受限于单片机无法进行复杂的积分运算，所以,采用累加法近似计算瞬时流量值和累计重量值。称重显示控制器将获得的传感器mV级电压信号由A/D转换为无量纲的数字量，即重量内码D。

在现行的皮带秤中采取信号简单的相加法来计算总重量内码D，即

(5)

由式(5)可以看出,任何一路传感器故障所导致的信号缺失、信号异常都会对称量值产生严重影响。

2 RBFNN智能容错算法

故障传感器的判断方法有很多种。根据文献[7]中所提到的传感器容错算法，设计了如图2的智能容错算法。

图2 智能容错判断

由图2可知，皮带秤系统分别独立采集m路称重传感器的重量内码X(x1,x2,x3,…,xm)。首先经过估计网络求得预估信号Xc(x1c,x2c,x3c,…,xmc)，并将2路信号X和Xc用于传感器故障判断[8]。若传感器无故障，直接由X计算得出称重结果；如果传感器故障，设第i只传感器故障，由预估信号xic代替原重量内码xi融合成新的重量内码X(x1,x2，…xi-1,xic,xi+1，…，xm)，再得出称重结果。

2.1 多传感器的相关性

多传感器的相关性是进行神经网络预估的基础。皮带秤多路传感器按一定的拓扑结构分布在皮带秤承载架下方，构成典型的多传感器系统，各只传感器相互关联，存在某种函数关系[9]

(6)

由式(6)表明：传感器xi的输出是其他m-1路传感器的输出函数。

2.2 预估网络

利用RBFNN逼近式(6)的多传感器关联函数，从而完成任一传感器的输出估计，广义神经网络模型如图3所示。

图3 广义神经网络模型

在人工神经网络中，节点对应图中的节点，权值表示节点之间的相互关联强度。网络将知识存储在调整后的各权值中，所以,权值的求取是整个神经网络的关键[10]。

预估计输出Xc(x1c,x2c,x3c,…,xmc)，其值为

(7)

隐含层基函数为高斯函数

(8)

其中,‖xk-xj‖为欧几里德距离，且

‖xk-xj‖2=

(9)

式中W为RBFNN的权重，W=[w1,w2,w3,…,wm]T，其中，w0=1。标准差σ按照下式选取

(10)

式中dmax为所选取的中心最大距离，n为隐含节点的个数。

用伪逆法求得输出权值W，在这里期望输出为原始数据中d={xij}。xij为第i个输入向量在第j处的期望输出值。wij(i=1,2,3,…,I;j=1,2,…,J)为第i个隐含节点到第j个输出节点的权值，则输出权值可用下式求出

W=G+d.

(11)

其中,G+={gkj},矩阵W=wij

(12)

2.3 故障判断

该诊断率只考虑在同一时刻只有一只传感器故障的情况,当n只传感器均正常时满足

(xi-xic)/xi<ε,i∈[1.n]，

(13)

式中ε为检测阈值。当任一传感器故障时，预测输出与自身输入有较大的误差

(xi-xic)/xi>ε.

(14)

连续采样k次后,如果仍然满足上式，则假设成立;否则，判定第i只传感器失效。本文以第3路称重传感器为实验对象，其他称重传感器用同样的方法。根据实验经验获得检测阈值ε为0.01，检测次数k为5。

3 预估网络训练和模拟

RBFNN采用有监督学习方式。每一个样本都对应一个教师信号作为期望输出，训练时计算实际输出与期望输出之间的误差，再根据误差的大小和方向对网络权值进行调整。误差可以使用各输出节点的误差均方值来衡量。这样就建立了一个以网络权值为自变量，最终误差性能为函数值的性能函数，网络训练转换为求解函数最小值的问题。

本文利用Matlab神经网络工具箱中的NEWRB函数自动构建的神经网络[11],结构如图4所示。