皮带伸缩机动态称重数据处理优化算法研究.pdf

仪 表 技 术 与 传 感 器Instrument Technique and Sensor2023 年第 8 期基金项目:国家自然科学基金项目(61903352);浙江省自然科学基金项目(LY23F030004)收稿日期:2023-01-12皮带伸缩机动态称重数据处理优化算法研究章 玉,杨其华,何雨辰,李锐鹏(中国计量大学机电工程学院,浙江杭州 310018)摘要:针对皮带伸缩机包裹传输过程中设备振动干扰等问题,提出利用粒子群(PSO)算法优化径向基(RBF)神经网络的动态称重数据处理算法。使用倾角传感器检测到的称重段三轴加速度信号,与称重传感器检测到的包裹动态质量信号一起作为特征变量,通过低通滤波处理后,分别输入到 RBF 以及优化的 PSO-RBF 预测模型中。与前述各阶段数据处理结果相比,优化后的 PSO-RBF 算法的预测结果相对误差更小。在验证中,分别取 1、5、10 kg 等载荷下的测量数据进行预测,该优化算法预测结果的误差均在 0.9%以内。关键词:动态称重;信号处理;RBF 神经网络;PSO 算法;预测中图分类号:TH715 文献标识码:A 文章编号:1002-1841(2023)08-0114-06Research on Optimization Algorithm of Dynamic Weighing DataProcessing for Belt Telescopic ConveyorZHANG Yu,YANG Qihua,HE Yuchen,LI Ruipeng(School of Mechanical and Electrical Engineering,China Jiliang University,Hangzhou 310018,China)Abstract:Aiming at problems such as equipment vibration interference during the parcel transmission process of the belt tel-escopic conveyor,a dynamic weighing data processing algorithm using the particle swarm optimization(PSO)algorithm to optimize the radial basis(RBF)neural network was proposed.The three-axis acceleration signal of the weighing section detected by the in-clination sensor was used as the characteristic variable together with the package dynamic quality signal detected by the load cell.After low-pass filtering,they were input into the RBF and the optimized PSO-RBF prediction model respectively.Compared with the data processing results of the previous stages,the prediction results of the optimized PSO-RBF algorithm had smaller relative errors.In the verification,the measured data under loads of 1 kg,5 kg,10 kg and so on were respectively used for prediction,and the errors of the prediction results of the optimization algorithm were all within 0.9%.Keywords:dynamic weighing;signal processing;RBF neural network;PSO algorithm;prediction0 引言质量检测在物流业中发挥着重要作用1。在目前的大型电商处理中心以及第三方物流企业中,广泛采用皮带伸缩机进行货物装卸,为了兼容后续的分拣系统2,准确和快速的动态称重技术是伸缩机输送过程中的挑战3。但由于皮带伸缩机工业现场环境复杂、电机振动以及货物运动,采集的动态质量信号存在各种随机干扰4,造成称重精度不高,需要对采集系统与称重算法进行优化5。针对采集信号中的低频噪声,常用数字滤波器进行去除。诸多学者提出了一系列数字滤波器,如低通滤波器(LPF)6、有限长单位冲激响应滤波器(FIR)和无 限 脉 冲 响 应 滤 波 器(IIR)、卡 尔 曼 滤 波 器(EKF)7等。虽然以上方法可以滤除一定程度的噪声信号、修正误差,但由于动态称重系统的时变特性,单一的数字滤波易受环境影响8。近年来,随着神经网络理论进入工业控制中,部分学者提出采用神经网络根据输入特征量对输出量进行预测,从而优化称重精度。文献9研究了基于误差反向传播算法(BP)的皮带秤称重误差补偿,将误差降低至 0.5%,对皮带张力及速度有一定的泛化能力,但样本数据体量小,其代表性还有待提高;文献10基于支持向量机(SVM)和经验小波变换对奶牛的动态称重进行分类和分析,将奶牛分类错误率降低至 1%,但仍然存在个别错误率较大的情况;辛宇等11针对车辆称重系统,利用小波变化去噪重构,采用遗传-粒子群混合优化算法(GA-PSO),拟合动态与静411 第 8 期章玉等:皮带伸缩机动态称重数据处理优化算法研究 态称重的非线性关系,降低了环境对称重信号获取的影响;文献12建立了可以自动称重并避免人工干预的称重系统,采用混合改进的限幅滤波算法和 BP 算法,将误差从 6%降低到 3%。因此,为了更好地提高动态称重的精度,本文针对连续包裹加载下的皮带伸缩机,建立动态称重力学模型,分析误差来源;对传感器采集的动态信号进行数字滤波;通过观测设备瞬时状态的三轴位姿变化,将设备三轴倾角与动态信号作为神经网络输入,比较传统 RBF 以及 PSO 优化 RBF 算法的预测结果,在此基础上对算法进一步进行验证,从而实现对动态称重信号的高精度处理。1 动态称重模型及误差分析1.1 动态称重系统结构本文研究的皮带伸缩机动态称重系统结构如图 1所示。图 1 动态称重系统结构示意图悬臂梁式称重传感器、倾角传感器、控制器水平安装在输送平台称重段下方,实时采集输送平台与货物的称重信号与倾角信号。当货物经皮带输送至称重段,传感器的悬臂梁在物体重力的作用下产生微弱形变,利用外部电路转化为与被测物体的质量成正比的模拟电压信号,再经 24位 ADC 转换为高精度的数字信号;同时,倾角传感器实时获取设备称重段三轴倾角信号,这些数据通过通信协议传输至控制器中,再经串口外设上传至 PC 端Qt 上位机中,进行显示和储存。1.2 动态称重模型的建立皮带伸缩机输送带以一定速度运行,货物从非称重段运行到称重段,称重系统的受力模型可以表示为(M+m)d2xdt2+cdxdt+kx=mgcos(t)(1)式中:M 为输送台质量;m 为输送货物的质量;c 为传感器阻尼系数;k 为传感器刚度系数;x 为质量相当于静态值零点的传感器相对等效位移;g 为重力加速度;为输送货物谐振频率。等效二阶系统示意图如图 2 所示,令:图 2 等效二阶系统示意图20=kM+m=c2(M+m)f=mgM+m式中:20对应系统振动的固有圆频率;为系统阻尼系数;f 为系统驱动力力幅。则式(1)可转换为受迫振动的微分方程:d2xdt2+2dxdt+20 x=fcos(t)(2)该微分方程的通解为x=A1e-tcos(20-2t+)+A2cos(t+)(3)式(3)中第 1 项为阻尼振动引起的齐次解,考虑到货物通过称重段时间短,故该项振幅衰减可忽略;第2 项为受外力谐振的特解,从零增强至稳定状态,故可视为常数 x0,因此式(3)可简化为x=A0cos(20-2t+)+x0(4)x0是输送货物重力引起的称重系统形变,故 kx0=mg;由于货物在一定时间内通过称重段,所以要对误差进行积分,此时引起的绝对误差为e=10edt=10(x-x0)dt(5)式中:为时间,=l/v;l 为连续输送货物的间隔;v 为物流伸缩机输送带带速。取=/2,令=20-2,故相对误差为=emg=kA0vlmgcoslv=Cvlmcoslv(6)从式(6)中推断出动态称重的相对误差与输送带带速 v、连续输送货物的间距 l 以及策动力频率 相关,而 在位移共振时是取决于初始状态的固定常数,所以在对系统进行运动分析时,可假设设备处于等速、货物处于等间距条件下。1.3 三轴振动误差分析基于上述建立的力学模型,货物对输送带不仅只有重力带来的外力冲击,还有因摩擦带来的阻力、运511 仪 表 技 术 与 传 感 器第 8 期行振动等影响。这些作用力可以分为横向力、纵向力和竖向力13,因此实际上动态称重系统还需要考虑到其多自由度特性。动态称重系统在空间上具有俯仰(pitch)、偏摆(yaw)、翻滚(roll)3 个自由度,考虑货物与输送带接触面的相互作用,用 O 表示货物与输送带接触的等效受力点,表示输送平台绕 X 轴旋转的角度,表示输送平台绕 Y 轴旋转的角度,表示输送平台绕 Z 轴旋转的角度。图 3 所示为一个简化的多自由度动力学模型。图 3 多自由度动力学模型当系统发生不同方向上的运动时,系统的地理坐标系也将从 OXYZ 从变换到 OXYZ。根据旋转坐标转换,可以得到三维坐标旋转矩阵 R14,在这里不进行详细推导。R=1-+1-+1(7)由于振动带来的转动角度都较小,因此可以忽略二次项与三次项,对矩阵进行线性化,可得 R1:R1=1-1-1(8)因此可得到受力点在 X、Y、Z 三轴上产生的位移为L=xOyOzO+R1xO-xOyO-yOzO-zO-xOyOzO(9)位移矩阵通过计算可得到:L=(zO-zO)-(yO-yO)-(zO-zO)-(xO-xO)(yO-yO)-(xO-xO)(10)因此由三轴振动引起的额外的形变量如式(10)所示。式(10)中,各轴位移量均与三轴倾角有一定的相关性,从而三轴倾角可作为误差分析的有效变量。2 动态称重数据处理算法2.1 RBF 神经网络径向基(radial basis function,RBF)神经网络是一种单隐层前馈神经网络,其拓扑结构图如图 4 所示。图 4 RBF 神经网络结构框图RBF 神经网络由 3 层构成:输入层、隐含层及输出层。输入层负责将输入样本直接传递到隐含层神经元,输入样本一般为经标准化处理后的 m 维列向量x=(x1x2xm)T;隐含层采用径向基函数对输入矢量进行非线性变换,隐含层神经元个数 n 根据具体问题设置;输出层通过连接权值对隐含层各层输出结果进行线性组合,学习速度较快15。因此 RBF 网络的输出可以表示为y=ni=1ii(x-ci)(11)式中:i(i=1,2,n)为第 i 个隐层节点与输出层之间的权值;i(x-ci)为隐层激活函数,使用标准高斯函数的 RBF 神经网络,具体表达式为式(12)。i(x-ci)=exp(-x-ci222i)(12)式中:2i为第 i 个隐含层节点的宽度;ci为第 i 个隐含层节点的中心;x-ci为欧式范数,即 x 与隐层节点中心的距离。2.2 基于 PSO 算法优化的 RBF 神经网络模型粒子群(particle swarm optimization,PSO)算法是一种并行机制的智能算法,通过模拟鸟群飞行过程中的觅食协作行为,使群体达到最优。PSO 算法提出后在优化神经网络方面得到很多应用。RBF 神经网络具有一定的收敛能力、泛化性能以及鲁棒性能,PSO 算法具有较强的全局收敛能力。利用 PSO 算法优化 RBF 神经网络,不仅能保持径向基的泛化性能与鲁棒性能,还能提高神经网络的学习能力及收敛高效性16。PSO 算法优化 RBF 神经网络的过程就是获取最优参数的过程,RBF 需要优化的参数对应 PSO 算法每个粒子的位置,每次迭代,粒子位置都被映射到 RBF611 第 8 期章玉等:皮带伸缩机动态称重数据处理优化算法研究 神经网络中,得到的训练误差用来计算该粒子的适应度值,输出一般可以表示为f=1NJj=1(Yj-YjYj)2(13)式中:Yj为网络的第 j 个输出值;Yj为第 j 个训练样本的实际值;j 为样本容量。PSO 算法优化 RBF 神经网络的迭代过程如图 5所示。图 5 改进 PSO 算法流程图(1)初始化种群个数及迭代次数,随机设定种群中每个粒子的速度和位置;(2)把每个粒子的位置映射到 RBF 神经网络中,构建径向基神经网络结构;(3)训练 RBF 神经网络,计算各粒子的适应度值;(4)更新粒子的个体极值 ptm,如果该粒子当前的适应度值优于历史迭代中的适应度值,则将当前位置作为新的个体极值;(5)更新粒子的全局极值 gt,如果 gt对应的适应度值优于历史迭代中的适应度值,则将当前迭代的全局极值作为新发全局极值;(6)更新粒子的位置和速度,按照下面公式对每个粒子的速度和位置分别进行更新:Vt+1m=Vtm+c1r1(ptm-Ltm)+c2r2(gt-Ltm)(14)Lt+1m=Ltm+Vt+1m(15)(7)判断种群是否满足结束条件,若不满足则返回步骤(2),否则进入步骤(8);(8)记录全局极值 gt,并结束 PSO 算法;(9)将 gt的每维映射到 RBF 神经网络中,并训练网络。3 实验结果与分析3.1 实验数据采集进行数据采集前,首先要进行传感器初始标定校准。安装传感器后,在设备空载状态下通过调整放大比例,使其零点输出值为零;调整零点后,在设备上加负载(砝码),调整其增益比例,使其输出值为相应的砝码质量;重复校准 23 次后,参数调整完毕。在静态标定后采集实验数据,选取 0.5、1、5、10 kg等 10 种质量载荷,分别采集 100 组。每组数据经转置后记为矩阵:Qij=(wij xij yij zij)T(16)式中:i 分别对应 10 种载荷,1i10;j 为采样数据的序号,1j100;wij为动态称重值;xij、yij、zij分别为 X、Y、Z 三轴加速度信号,由此组成了输入到模型中进行训练的数据集 Qij。3.2 数据滤波处理由于动态称重过程时间较短,动态称重信号趋于稳态的时间更短,且在称重过程中存在一些不可预料的高频分量,与有用信号叠加,对称重取值产生影响。因此可以先采用数字滤波的方式进行一定的滤除。截取一段 10 kg 砝码下采集的动态称重信号,对其进行低通滤波(LPF),设置通带截止频率为 25 Hz。滤波前后信号如图 6 所示,滤波后的信号较原始信号波动更小,曲线更平滑且有一段趋于稳态,适用于后续信号分析与算法处理。图 6 滤波前后信号由于 4 个采集变量具有不同的量纲和数量级,为了保证结果的可靠性,对滤波后的各传感器数据进行归一化处理。采用区间化方法将所有变量值变化范围限定在区间0,1。xnorm=x-xminxmax-xmin(17)式中:xnorm为归一化后的数据;x 为原始数据;xmax、xmin711 仪 表 技 术 与 传 感 器第 8 期分别为原始数据集的最大值与最小值。选取动态称重预测值作为神经网络输出,采集的X、Y、Z 三轴加速度信号与动态称重值共同作为神经网络输入;每种载荷的模型中,划定 20 组数据为测试集,80 组为训练集进行模型训练。RBF 神经网络模型中使用 newrb 函数训练,扩散因子 spread 为1,最大神经元数为25;PSO 算法中学习因子 c1=c2=1.494 45,粒子数为 10,粒子维度为 6,隐节点数为 2,训练次数为 1 200。3.3 算法分析算法处理后,对 RBF 神经网络、PSO 优化算法预测结果进行对比分析,图 7 为截取数据的相对误差曲线,RBF-PSO 模型的输出结果相对误差明显小于单一的数字滤波与 RBF 神经网络。图 7 模型预测值对比图为了更好地说明模型预测效果,引入 MSE 作为RBF-PSO 模型评价指标。MSE 是指参数估计值与参数真值之差平方的期望值,其值越小,说明预测模型描述实验数据具有更好的精确度。RBF-PSO 神经网络的适应度曲线如图 8 所示,可以看到预测模型在迭代 100 次后有较好的精度。图 8 RBF-PSO 神经网络适应度曲线为进一步验证优化的 RBF-PSO 算法的预测效果,增强训练样本的代表性,对各载荷下数据进行了多次采集,进行模型训练,预测结果如表 1 所示,在随机载荷区间内,称重误差均在 0.9%以内,说明了该算法具有一定的普适性。表 1 算法预测结果对比序号静态质量/kg动态称重质量/kgRBF-PSO预测值/kg误差/%10.50.522 10.498 50.30211.048 31.005 50.55322.127 12.010 70.54444.099 04.023 40.59555.119 95.030 10.60666.135 26.052 70.88777.172 37.050 90.73888.151 67.987 10.16999.202 79.058 40.65101010.252 810.024 00.244 结束语本文针对皮带伸缩机动态称重技术,提出了基于LPF 的 RBF-PSO 动态称重数据处理算法,通过对系统进行模型分析提取特征变量,使用 RBF 及 PSO 算法进行迭代预测,有效克服了输送平台的振动干扰。结果表明所用模型能有效地将动态称重误差控制在0.9%以内,对工业现场有一定的普适性作用。参考文献:1 余晓鑫.智能物流设备发展现状和趋势研究J.全国流通经济,2020(33):27-29.2 吕联林.物流包裹动态测量与分拣系统D.福州:福州大学,2018.3 郝晓娴,牛昱光,韩芝星,等.基于小波和 BP 神经网络的车载动态称重算法J.仪表技术与传感器,2017(8):110-113.4SROKA R,GAJDA J,BURNOS P,et al.Information fusion in weigh in motion systemsC.2015 IEEE Sensors Applica-tions Symposium(SAS).IEEE,2015:13-15.5 唐思豪.动态检重神经网络预估与管理系统设计D.长沙:湖南大学,2021.6 BOSCHETTI G,CARACCIOLO R,RICHIEDEI D,et al.Model-based dynamic compensation of load cell response in weighing machines affected by environmental vibrations J.Mechanical Systems and Signal Processing,2013,34(1/2):116-130.7 KOODTALANG W,THONG-UN N.The comparison of meth-ods for mass measurement on the continuing movement con-811 第 8 期章玉等:皮带伸缩机动态称重数据处理优化算法研究 veyor using digital processorC/2021 Research,Inven-tion,and Innovation Congress:Innovation Electricals and E-lectronics(RI2C)proceedings,2021.8 向思铭,王沈辉.动态秤称重干扰的量化评估方法研究J.计量与测试技术,2021,48(8):83-86.9 LI B Y,LI Y X,WANG H T,et al.Compensation of automat-ic weighing error of belt weigher based on BP neural network J.Measurement,2018,129:625-632.10 FENG N N,KANG X,HAN H Y,et al.Research on a dy-namic algorithm for cow weighing based on an SVM and empirical wavelet transform J.Sensors,2020,20(18):5363.11 辛宇,陈兴,许素安,等.基于 GA-PSO-BP 的车辆动态称重算法研究J.中国测试,2021,47(7):26-30.12MA W,LI Q,LI J,et al.A method for weighing broiler chickens using improved amplitude-limiting filtering algo-rithm and BP neural networks J.Information Processing in Agriculture,2021,8(2):299-309.13 BOSCHETTI G,CARACCIOLO R,RICHIEDEI D,et al.Multi-accelerometer-based method for environmental vibra-tion compensation in load cell measurements J.2013 IEEE International Conference on Mechatronics(ICM).IEEE,2013:162-167.14 YU Z Z,ZHAO Q H,YANG J,et al.Effect of different seat pan angles and feet-floor interactions on human body re-sponse using a biodynamic modelJ.SAE Technical Pa-pers,2019,4(1):169-181.15 魏赫,陈新.基于改进的 RBF 神经网络车辆动态称重研究J.兵器装备工程学报,2021,42(9):219-224.16 李达,郭晨霞,杨瑞峰.基于改进 PSO-BP 算法的动态称重数据处理J.电子测量技术,2021,44(20):132-136.作者简介:章玉(1998),硕士研究生,主要研究领域为测控技术、嵌入式软件及应用。E-mail:杨其华(1962),教授,主要研究领域为试验技术与仪器、机电一体化、汽车电子与传感器。E-mail:kingtai (上接第 55 页)3 JOSEPH D,JOSIE H,MATTEO D,et al.A wearable smart glove and its application of pose and gesture detection to sign language classificationJ.IEEE Robotics and Automation Letters,2022,7(4):10589-10596.4ZHU M L,SUN Z D,ZHANG Z X,et al.Haptic-feedback smart glove as a creative human-machine interface(HMI)for virtual/augmented reality applicationsJ.Science Advances,2020,6(19):8693.5LAZAZZERA R,LAGUNA P,GIL E,et al.Proposal for a home sleep monitoring platform employing a smart gloveJ.Sensors,2021,21(23):7976.6 YU X S,LIU S Y,FANG W Y,et al.Research and discovery of smart dumb glovesC.Journal of Physics:Conference Series,2021:042054.7 PAN J M,LI Y D,LUO Y X,et al.Hybrid-flexible bimodal sensing wearable glove system for complex hand gesture rec-ognitionJ.ACS Sensors,2021,6(11):4156-4166.8 LUO J J,WANG Z L.Recent advances in triboelectric nano-generator based self-charging power systems J.Energy Storage Materials,2019,23:617-628.9 ZHANG Y L,LUO A X,WANG Y F,et al.Rotational elec-tromagnetic energy harvester for human motion application at low frequency J.Applied Physics Letters,2020,116(5):53902.10 CHIU C M,CHEN S W,PAO Y P,et al.A smart glove with integrated triboelectric nanogenerator for self-powered ges-ture recognition and language expressionJ.Science and Technology of Advanced Materials,2019,20(1):964-971.11 GAO C Q,LONG Z H,ZHONG T Y,et al.A self-powered intelligent glove for real-time human-machine gesture inter-action based on piezoelectric effect of T-ZnO/PVDF filmJ.Journal of Physics D:Applied Physics,2022,55(19):194004.12LI K L,HE Q S,WANG J C,et al.Wearable energy har-vesters generating electricity from low-frequency human limb movement J.Microsystems&Nanoengineering,2018,4(1):24.作者简介:董泽宇(1999),硕士研究生,研究领域为传感器应用。E-mail:13122163389 沙东勇(1996),博士研究生,研究领域为柔性可穿戴。通信作者:凌小峰(1983),副教授,研究领域为微弱信号处理和智能计算。E-mail:xfling 911