1動態稱重方法

對動態稱重的改進包括兩方麵內容，首先是對稱重信號中的噪聲進行處理，以改善稱重係統的抗幹擾能力提高稱重精度；另一方麵是提高稱重速度,在稱重係統未穩定前迅速獲得真實質量值。
目前對測量信號中幹擾噪聲的處理方法有很多，如數字平均濾波法，IIR和FIR數字濾波器，小波分析，遺傳算法等。在動態稱重中常用的抗幹擾處理方法包括平均濾波方法，小波變換方法，以及IIR和FIR數字濾波方法.單片機為核心的稱重儀表通常采用數字平均濾波法，對周期幹擾濾波明顯，也可用於減小係統隨機幹擾。但對較大的脈衝如尖峰脈衝幹擾抑製能力弱以及對低頻噪聲抑製能力差。目前，國內的工業用稱重儀表均釆用這種處理方法.小波變換卩刖是近年來得到迅速發展的一種新的信號處理方法，它的多分辨率特性使其在許多領域得到了重要的應用。小波濾波利用不同頻率的信號和噪聲在各尺度下的小波變換係數有所不同的特點，來對它們進行分離，從而達到去除噪聲和頻帶分離目的.在小波分析的許多應用中，都可以歸結為信號處理問題.在實際應用中，適用於非穩定信號的工具就是小波分析。但其比較複雜，運算量大，目前基本上處於實驗和仿真階段數字濾波器的特點是，通過一個合適的濾波器，將占有不同的頻帶的輸入信號有效成分和噪聲頻率成分進行分離，從而達到濾波目的。無限脈衝響應(IIR)濾波器保留典型濾波器優良的幅度特性，但相位特性和穩定性差。有限脈衝響應(FIR)濾波器在保證幅度特性的同時，很容易做到有嚴格的線性相位特性。常用的設計方法：窗函數法、頻率采樣法和切比雪夫等波紋逼近法。
提高動態稱重的速度主要有兩種思路.一條思路-就是釆取縮短過渡時間，使係統較快地趨於穩定.目前采用的方法是動態補償法1911,011111.即在測量係統輸出端串連一個動態補償環節，改善整個係統的動態性能，加快係統的響應速度，待係統趨於穩態時，得到被測量參數的值.另一條思路是通過係統動態過渡過程的信息，來提取被測量參數的值。當被測物料施加於係統上時，稱重係統自身特征也發生了改變，特征量改變的大小與物料重量存在著一定的數量關係。通過係統的過渡過程包含特征量的改變，來間接進行測量。把動態測量作為一個參數估計和預測問題來處理，即首先根據有關稱重係統的先驗知識,推導出一個含有未知參數的模型，然後用該模型去擬合稱重過渡過程信號1,211,511141.參數估計法和神經網絡辨識法等屬於後種思路。
一.動態補償法
稱重傳感器具有二階低通特性。目前測量用的稱重傳感器阻尼比不理想，固有諧振頻率不高，難以滿足快速測量的要求。因此，改善稱重傳感器動態性能，擴大應用範圍具有非常重要的意義。動態補償法即可用軟件實現，也可用硬件實現。用軟件方法補償時參數設置靈活，使用方便，主要問題是數據處理的實時性問題。硬件補償時實時性好，但電路參數調整麻煩。動態補償器的設計要基於傳感器的動態模型。在測量中，所測重量成為傳感器參數的一部分。傳感器的動態模型隨著被測重量而變化叫.在傳感器後串接一個補償器即構成一個動態補償模型和傳感器儀器構成一個理想的動態測試係統，從而實現對傳感器的動態特性補償。
該補償器特點除具有一般數字電路穩定性好、不存在阻抗匹配等優點外，還具有調節準確度高，穩定性好的特點，可使傳感器獲得較理想的頻率補償.體積小、質量輕、便於實現小型化、集成化、標準化，算法簡單，適合嵌入式稱重儀表硬件平台。
二係統辨識法
根據關於稱重裝置的先驗知識推到出一個含有未知參數的模型，用這一模型去擬合稱重過渡過程信號也就是階躍響應，從而獲得最小平方誤差意義上的參數估計°因為稱重係統的動態響應特性是係統固有的，可以在係統還沒有穩定、稱重信號還處在動態變化之中就預測出被稱的重量值來。將被稱質量看作稱重過程的終值，因此，可以用模型參數加以估計或者預測出來.該類方法主要包括狀態估計方法如Kalman濾波、自適應濾波時，係統辨識與參數估計方法如最小二乘法等方法。
三智能算法
神經網絡辨識法。將動態稱重係統等效為二階係統，推導出動態數學模型，根據ARMA模型，采用神經網絡不斷在線辨識係統參數，從而使係統始終工作在最佳參數狀態下.首先，分析稱重係統工作原理，建立係統的數學模型，得出含有未知參數的模型。然後，采用具有結構、K8凯发大酒店天生赢家算法明確和有逼近任意非線性函數的神經網絡結構在線辨識出模型的參數，根據參數與重量之間的函數關係計算出重量值"氣基於徑向基神經網絡辨識的模型預測拉製法.以徑向基神經網絡作為預測器和控製器的模型預測控製係統.實踐證明，該係統可以改進被控對象的性能岡.專家係統法主要是引入知識模型而構成專家係統，即把優秀稱重測力專家的思維過程固化到測量程序中，並與計算機修正程序結合起來,進而提高計量儀器的測試能力和故障檢測能力網。例如，通過對高速公路上以地感線圈為傳感器而采集到的大量車輛樣本行數據分析和特征提取，提出以數據中的某些特征值作為識別依據，用隸屬度函數充當知識庫的識別方法對車輛進行分類，並將識別結果用於稱重結果的校正㈣.
2配料控製方法
在建築、水泥、醫藥、玻璃、建材、化工等行業中，配料是生產過程的重要組成部分。通常采用的配料控製方法有PID控製、模糊控製、自適應控製、專家控製、神經網絡控製和迭代K8凯发大酒店天生赢家控製等。
根據控製對象情況需要，基於計算機的PID控製主要有：PID基本算法、PID增量式算法、PID位置式、PID微分先行、帶死區的PID算法和神經網絡PID控製法等.PID控製器，存在參數修改不方便，不能進行自整定等缺點。模糊PID控製法。利用模糊控製規則對P1D控製器的三個參數進行在線調整。該算法具有良好的跟蹤性能和抗擾動，性能。但是，該算法依賴於技術工人的豐富配料經驗，以及要采用調速控製等，要增加很多硬件設備成本。主要用於大型設備及要求精度特別高的場合。其他諸如神經網絡PID控製法可以實現常規控製參數的自動調整，但參數難於自動調整以適應外界環境變化的缺點16711761.此類算法處於研究仿真實驗階段，尚未投入實際生產中使用。
模糊控製是把操作人員經過長期積累得到的知識，用包含有模糊集合的規則進行記錄，並通過模糊推理來確定控製量的一種智能控製方法.模糊控製方法能有效處理大量的不確定性信息，效果好於一般的控製方式顧。日本的鋼管公司福山鋼鐵廠將模糊邏輯引入到返礦量控製，控製效果超過最熟練的操作者，返礦槽位的偏差大大降低四。
專家控製是從專家和熟練員工處獲得知識進行推理控製的一種方式.主要適於變量較多，機理複雜的過程控製。具有知識全麵性、無時空限製性和穩定性等優點。
自適應控製中將每次配料的實際配料量、喂料提前量、下料K8凯发登录入口和點動次數等數據記錄下來，作為以後修改喂料提前量的原始經驗數據。以稱重配料控製喂料提前量為自適應的模型，設計喂料提前量自適應算法，結論實例驗證說明該算法能夠很好地解決現有係統的不足叫。
人工神經網絡是由大量神經元相互連接而成的自適應非線性動力係統，具有大規模並行處理、知識分布式存儲、自K8凯发大酒店天生赢家能力強的特點，適合於實時控製係統18511861.在確定網絡結構，功能函數和K8凯发大酒店天生赢家算法以後，對於給定樣本的K8凯发大酒店天生赢家，知識就表示為閥值和權重，分布於整個網絡之中。能夠超過設計者的知識水平，是其突出優點.
迭代自K8凯发大酒店天生赢家的基本思想是對於周期性的動態過程，在控製過程中記錄前個周期的控製輸入和控製誤差，即被控係統的實際輸出與期望輸出之差，並根據這兩個量決定當前周期的控製輸出量,使係統誤差逐漸衰減，係統輸出最終達到期望值。它與傳統的自適應控製不同。傳統的自適應控製是利用前個時刻或前幾個時刻的數據來確定當前時刻的控製量，含有逐點修正的意思。迭代K8凯发大酒店天生赢家算法具有記憶功能，它是根據前個周期某時刻的控製輸人量和誤差來確定本周期同一時刻的控製量，含有逐周期修正的意思。因此迭代K8凯发大酒店天生赢家算法非常適合於具有某種重複運行（運動）性質的被控對象，可實現完全跟蹤而不是漸近跟蹤。可在沒有精確已知（甚至未知）被控對象動力學特性的情況下設計控製器，因此它適用於非線性對象的控製。另外，迭代K8凯发大酒店天生赢家控製具有在線計算量小的特點，適合於快速運動控製而它的記憶功能可使得在遇到類似控製任務時，能根據記憶係統中的信息迅速調整控製信號。由於在在稱重配料過程中，一定的時間段內每次振動下料的重量是相同的，每次下料過程具有很強的重複性，迭代K8凯发大酒店天生赢家法控製應用於配料過程的思想是合理的問。
一般情況，配料控製還會結合落差控製一起運用落差控製方法主要有落差修正法、變速控製法、定值補償法、多料門上料法、超量扣稱法和多料門上料法.落差修正方法是目前配料中比較常見的一種落差修正方法，可單獨采用，但大部分情況和其他方法同時存在.主要適用於落差比較穩定的情況，即當設備定型和物流性質比較穩定後，落差在一定範圍內隨意波動的情況.即釆用每次落差值保存，累計到一定數量後再加權求平均值。逐次修正法在配方變化頻率較低和落差變化不大的情況非常有效。變速控製法適用於螺旋配料或皮帶配料的結構，有效地調節控製電機轉速就可提高配料速度和精度。但調節速度需要增加很多硬件成本，目前沒有市場競爭力，是一種有發展潛力的控製方式，這種控製方式運用在大型設備或精度要求非常高的環境中"七定值補償法適用於單鬥對整個批次影響不大的情況，落差值的不穩定可通過下一次或多次修改局部配方以達到整批穩定在標準範圍內，此種方法可適用於部分場合，適應麵不是很廣"氣多料門上料法是目前常用的一種配料方法，適用於用量比較大的顆粒狀物料，也同時適用於粉狀或液體料。從機械角度來說是最應該考慮的配料方式。為兼顧上料速度和精度矛盾，采用設置兩個或者多個料倉控製係統根據設定值的多少和落差的差值來確定打開多個料倉還是其中一個料倉門設定值小於一定量是可選擇單門配料，或某個料門。多料門上料法采用可有效減小由落差不穩定帶來的誤差，並且使係統的冗餘度加強，控製係統設計更為靈活。超量扣稱法上料超差時，在卸料時提前關門扣住多餘的料。此種方法不好控製留住的料量，精度相對較低，隻適用於差別很大的情況，對機械的損壞也較大.有些機械結構不適用提前關門，或者不起作用。當配料到一定範圍之後常用點動補償法自動點動配料，點動配料的精度很高，不過頻繁點動對機械設備磨損較大，適用於精度要求高的場合。
高爐煉鐵配料的方法有容積配料法、重量配料法和化學成分配料。容積配料法是在假定物料堆積密度一定的情況下，控製配料的容積。由於各種原料的堆積密度隨料粒和濕度不同發生波動，導致配料量產生較大誤差，一般在5%以上。重量配料法是按原料的重量來配料，比容積配料法準確，其配料精度在1.0%左
右，對配比量較小的燃料，就更加明顯。化學成分配料是一種目前最為理想的配料方法，它采用先進的在線檢測技術，隨時測出原料混合料成分並輸入微機進行分析、判斷、調整，獲得最理想的原料配比闞目前，國外對這種方法也處於開發階段，我國的寶鋼、首鋼已具備開發這種水平的條件。

本文源於網絡轉載，如有侵權，請聯係刪除