基于扩展卡尔曼滤波的气力输送动态称重系统

王秦越, 钱振华, 贺关丽, 蔡志端, 许宇翔, 陈礼群

(1. 湖州职业技术学院 机电与汽车工程学院, 浙江 湖州 313000;2. 浙江管工智能机械设备有限公司， 浙江 湖州 313000; 3.湖州师范学院 工学院， 浙江 湖州 313000)

1 引 言

气力输送是粉料输送过程中的重要环节,如常见的火力发电厂中粉煤灰的输送、锂电池生产过程中浆料的混合以及药品生产过程中各药粉的配比等,都离不开气力输送系统来保证粉料输送的安全性、高效率和低损耗。气力输送系统是根据固气两相流的原理,以普通空气或惰性气体为载体,利用压缩气体的静压或动压,使干燥粉末和颗粒物料按照指定的路径在管道中进行连续运送的一种现代物流系统,由于其具有输送效率高、占地少、经济而无污染、易于实现自动化等优点,成为清洁生产的一个重要内容[1～3]。该传输方式传输时是全封闭状态,即采用密封式输送管道代替传统的机械输送粉料,这样不仅能保证粉料在运送过程中仍然能保持原有特性,大大提高了粉料回收或传输的效率,而且能达到良好的环境保护效果,同时具有成本低、经济效益高等优点,在提高粉料输送的安全性和环保性能方面有重要意义[4,5]。其中,气力输送粉料因其流动特性复杂多变,粉料质量的称重精度对于锂电池、医药等行业的生产过程的运行和控制显得尤为重要。

传统的气力输送系统称重精度不高,其主要原因一方面是由于气力输送系统中气源压力和流量这2个关键变量之间相互耦合,难以得到很好的控制[6];另一方面在粉料称重的精度控制上,现在一般采用的是开环的动态测量方式,该方法具有稳态误差大的缺点,而采用输送机变频控制加料和提前停机相结合的静态计量方式,则存在无法兼顾精度和输送效率的问题。目前对气力输送过程中粉料称重计量的研究主要集中在粉料质量流量的精确检测、差压和风量等条件对粉体质量流量、固气比的变化规律的影响和自动化控制等几个方面。文献[7]采用的是神经网络与机理分析结合的软测量方法,并通过实验验证了这种混合软测量方法的有效性。文献[8]利用人工神经网络优良的非线性映射能力,建立了一个基于BP网络固相质量流量软测量模型,训练结果较好。文献[9]提出了基于神经网络的称重传感器蠕变误差自动补偿模型,减小了称重传感器的蠕变误差。文献[10]提出将过程神经网络引入动态称重神经误差的补偿中,经试验测试误差可减小至1%。但该类软测量方法都过于依赖神经网络的模型,而模型的精度会直接受到测量数据精度的影响,一旦测量的称重传感器本身精度不高，最终建模的精确性必然受到影响。文献[11] 采用超声波衰减检测和重量平衡法来对粉体质量进行称重。采用麦克伦茨模型和布格-朗伯特-比尔定律模型,建立了固气两相流的超声衰减特性,从而得到固气比。再根据每秒气源增加量可以得到粉体的质量。但这种方法需要有稳定的气源供给,否则测量结果会产生较大的波动和误差,在工业生产中成本较高。文献[12]在稀相气力输送系统引入了一种新型带有控制阀的称重仓,采用了增重计量法,可以明显提高称重配料精度。但增重计量法需要的料仓容积比减重计量法的更大且对称重传感器精度要求也更高。文献[13]采用双平面电容层析成像系统,对输送管道内的粉体质量进行监测,从而获取管道内粉体质量数据。这种方法测得平均误差较小,在1%以内,但电容层析成像系统中,测量投影数据的任何微小干扰都可能导致测量值发生变化,另外有限的信息量,也使得系统重建图像变得难以稳定。文献[14]研究了粉料输送过程中系统摩擦力的非线性变化,采用PI模糊逻辑控制与自适应增益补偿相结合的控制策略,改善了负荷扰动抑制等控制参数的对称重结果影响,称量精度较之前提升了34%。但该方法对于不同物料及不同输送速度下系统摩擦力的变化对称重结果的影响还有待于进一步研究。文献[15]研究了称量物体速度、加速度、振动对称重精度的影响,建立了相应的动态称重有限元仿真数学模型。其基于速度、重量参数补偿后的仿真结果,表明该方法可以提高物体动态称重的精度和效率。但该方法前期训练和仿真的样本数较少,模型的泛化性能还有待提升。文献[16] 利用脉动流动工况下差压式流量计理论模型,通过双路差压计算瞬时脉动流量的算法,用FLUENT软件对文丘里管内流场进行仿真计算。实验结果证明,相比单路差压计算,双路差压计算可以提高脉动流量测量精度。但差压式流量计对于粉体输送过程中质量的测量还有待于在理论和实验方面进一步研究。以上文献都能从一定的角度提出提高气力输送过程中粉料质量测量精度的方法,但同时也存在着些许不足。

本文提出了一种基于扩展卡尔曼滤波算法的气力输送过程中动态称重方法,通过扩展卡尔曼滤波算法,对多个称重传感器的测量数据进行滤波处理,从而得到和实际值拟合的较为精确结果。

2 气力输送装置与称重系统

本文研究的气力输送装置结构示意图如图1所示,采用的是下出料式发送罐,当一定质量的粉体物料在被送入发送罐后,从出料阀经管道输送至计量仓内,输送方式采用正压输送。气泵气源压力大小为1 MPa,经输送进气阀和底部进气阀进入输送管道,部分进入发送罐的气体则将会从发送罐顶部的排气阀和喷射进气阀返回气泵。

图1 气力输送装置结构示意图Fig.1 Structure diagram of pneumatic conveying device

计量仓上装有多个称重传感器,传感器数据可被传输到控制器进行数据的分析处理,并将运算结果通过相应控制器来控制阀的开关调节。系统采用减重计量法,即对计量仓内剩余粉料进行称重,通过计算计量仓内剩余粉料的质量,即可获知已进入目标仓内粉料的质量。通常目标仓内需要对多种物料在一定的配比下进行搅拌等处理,卸料控制阀由控制器操控,当进入目标仓的粉料达到要求重量且和其他物料成相应配比时,及时进行关断。本系统动态称重技术框图如图2所示。

图2 动态称重计量技术框图Fig.2 Technical block diagram of dynamic weighing

系统计量仓上安装有4个压电式称重传感器对粉进行计量,当重量实际值与目标值相差较大时,开大阀门以实现快速出料,接近目标值时调小阀门减少出料。另外,动态称重过程中的粉料残留重量和粉料速度、加速度等参数难以用精确的数学模型表达,因此对称重传感器输出数据采用了卡尔曼滤波算法进行处理,并通过模糊PID控制器对阀门进行智能控制,从而满足称重的快速性及精度要求。

3 扩展卡尔曼滤波算法

传统的卡尔曼滤波算法在处理线性系统时具有良好的表现,但在进行非线性数据处理时,其估计结果往往与原始信号不能完全拟合。而气力输送过程中,粉料的动态称重,往往会受到气源压力、温度、物料粉体颗粒大小等多个耦合因素的影响。因此,采用减重计量法时,计量仓内剩余粉料的重量变化属于非线性变化,传统的卡尔曼滤波算法无法满足需求,需要使用如扩展卡尔曼滤波等算法进行数据的处理。

同时,考虑到单个传感器在数据测量过程中难免存在粉料输送加速度变化、管道振动等干扰导致数据出现较大偏差,因而采用多传感器融合,以实现比使用单一传感器更好的系统状态估计。

传统卡尔曼滤波算法的线性模型为:

(1)

预测方程为:

(2)

状态更新方程为:

(3)

在基于多传感器的非线性模型当中,扩展卡尔曼滤波算法状态方程的测量系数c将被测量系数矩阵C所替代。

(4)

状态方程将更改为:

(5)

预测方程为:

(6)

状态更新后方程为:

(7)

此时需将原线性方程中的A进行一阶泰勒展开,用状态转移函数f的雅可比矩阵F来代替,Z(k)为多传感器状态测量值矩阵,R为测量方差矩阵,h为测量函数(此处为一个非线性函数),H为测量系数矩阵。

4 实验结果与分析

4.1 数据未经任何处理

实验使用的是二氧化硅粉末, 它是工业生产中使用较为广泛的粉体,具有一定现实意义。实验过程中,粉料经发送罐由气力输送装置送往计量仓,计量仓充满时可容纳30 kg粉料,经卸料阀开始卸料后,每10 s读取1次称重传感器数据,并称取目标仓增长重量作为实际卸料质量(实验时为保证数据准确,称取目标仓质量时需暂时关断卸料阀等待至读数不再发生改变)。实验结果如图3所示。

图3 未经任何数据处理的结果Fig.3 Results without any data processing

4.2 数据经传统线性卡尔曼滤波处理

在实验开始前,通过若干次简单的测量,求得传感器测量值与实际重量偏差平均值约为0.8 kg,即标准差为0.8,那么方差即为0.8×0.8=0.64。因此处为单模型系统,由于R为一阶矩阵,可得到对于测量噪声方差R=[0.64]。

图4 传统卡尔曼滤波处理后结果Fig.4 Result of traditional Kalman filter

4.3 数据经多传感器融合的扩展卡尔曼滤波处理

(8)

图5为其中1次测量过程中实验结果,图5(a)～图5 (d)是4个传感器各自按照扩展卡尔曼滤波算法滤波后所获得的结果图,可以看到,结果大致和实际值相吻合,稍有偏差,但比之前的未经任何数据处理的结果和经线性卡尔曼滤波后的结果,仍要改善不少。图5(e)是经过多传感器融合后的结果图,可以发现估计值更加收敛于实际数据,如表1所示。由表1可以看到,在经过多传感器融合,并经扩展卡尔曼算法滤波后,该气力输送装置的动态称重平均误差约为0.3%,最大不超过0.5%,最大偏差值不超过0.1 kg。可见,采用扩展卡尔曼滤波算法,确实可以有效提高气力输送过程中粉料动态称重的精确性,从而提高生产效率和产品质量。

图5 多传感器经扩展卡尔曼滤波后测量结果Fig.5 Results of multi sensors after extended Kalman filter

表1 多传感器融合滤波后测量值与实际值对比Tab.1 Comparison of measured value and actual value after multi-sensor fusion filtering kg

5 结 论

本文讨论了传统卡尔曼滤波算法在气力输送过程中粉料动态称重方面的局限性,并针对性地提出了一种基于扩展卡尔曼滤波的算法来解决该问题。该方法在多传感器融合的基础上,使用扩展卡尔曼算法对采集的动态粉料重量数据进行滤波,并经控制器实时调节卸料阀开关度,以提高动态称重的精度。实验结果表明,得到的数学模型能较好地拟合实际过程,有效地提高了气力输送过程中粉料的称重精度。但实验未曾对不同的输送气源压力、不同颗粒大小的粉料进行对比性研究,得到的模型尚未推广于多种不同的生产环境,仍需要对不同固气比下粉料的气力输送情况进行进一步研究,这也是课题组下一阶段的主要工作。