基于智能容错算法的多传感器皮带秤.pdf

2014年第33卷第11期
传感器与微系统( Transducer and Microsystem Technologies
41
DOI:10.13873/J.10009787(2014)11-0041-03
基于智能容错算法的多传感器皮带秤
籍晋鵰,李丽宏
(太原理工大学信息工程学院,山西太原030024)
摘要;传统的多传感器电子皮带秤不具有故障传感器容错功能。针对上述缺陷,提出一种新方法,该方
法根据多路传感器之间的相关性,利用径向基函数神经网络(RBFN)建立故障传感器的预估网络,并将
预估信号与其他几路正常传感器信号组合,完成任一传感器在故障状态下的皮带秤称重。经模拟数据仿
真,这种方法可有效避免由于传感器故障而产生的计量误差。
关键词:智能容错算法;径向基函数神经?络;传感器故障判断;皮带秤
中图分类号:TP302
文献标识码
文章编号:1000-9787(2014)11-0041-03
Multi-sensor belt scale based on intelligent
fault-tolerant algorithm
JI Jin-pe
LI li-hong
(College of Information Engineering, Taiyuan University of Technology, Taiyuan 030024, China
Abstract: Traditional electronic multi-sensor electronic belt scale has no unction of fault-tolerance. Aiming at the
disadvantage, put forward a new method, which according to correlation among multiple path sensors, build up
forecast network of fault sensors use radial basis function(RBF)neural network and combines the forecast signal
with several other paths normal signals of sensors to complete belt scale weighting in condition that anyone sensor
s in fault. Through simulation for simulated data, this method can effectively avoid measurement error produced by
sensors
Key words: intelligent fault-tolerant algorithm; radial basis function neural network(RBFNN); sensor fault
judgement belt scale
0引言
1皮带秤称重原理
在现行皮带秤重量信息的采集中,由接线盒中将多路
全悬浮式秤架与非自动平台秤类似,称重平台由4只
称重传感器并联连接,获得多路传感器信号之和,这种方式称重传感器支撑,称重托辊装在平台上。皮带秤结构与受
割裂了传感器之间的联系和相关性。由于称重传感器容易
力曲线如图1。
受使用环境的影响而损坏,所以,任何一路传感器出现
传感器受力曲线
故障都将导致称重系统失效
皮带运行方向
根据传感器的对称分布提出了用对应传感器值代替故
い継?疆?9?
障传感器的方法2,但由于皮带秤物料加载时物料下落位
称重秤架称重传感器
置的随机性和流量大小存在不确定性,难以保证物料在皮
传输皮带
带秤上的对称分布,所以,这种方法也有着明显的缺陷。径
图1皮带狎称重结构
向基函数神经网络( radial basis function neural network
Fig 1 Belt scale weighing structure
RBNN)3由于具有很强的逼近性非线性函数能力,利用
在现行使用的皮带秤中,重量计量方法基本上可以分
对称分布的传感器之间存在着某种非线性函数关系(5
为两类,通常采用积分法或累加法来计算瞬时流量和累计
本文提出以 RBENN为核心建立预估网络,模拟故障传感重量。以下简述两种不同方法。
器的正常输出,完成在称重传感器失效情况下的皮带秤称
1)积分法
量
当皮带输送物料时,连续测量称重托辊上代表单位皮
收稿日期:2014-03-12
传感器与微系统
第33卷
带长度上的载重值g(kg/m),并将q值与同一时刻的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
速度值m/s)相乘,则所得的乘积等于物料的瞬时流量
方,构成典型的多传感器系统,各只传感器相互关联,存在
Q=qu
某种函数关系?
式中Q为物料的瞬时流量值,kg/s。
x1=1(x2,x3,…,x
T时间内的累计值Q(t)是瞬时流量Q对时间的积分
2(
1y39
值,即
(6)
Q()=Qd=.q(2)()dr
(2
xn=中n(x1,x2,,xm-1)
式中gt)为瞬时载重值;()为瞬时皮带速度值。
由式(6)表明:传感器x的输出是其他m一1路传感器
2)累积法
的输出函数。
累积计量法,是以采样时刻称重值和采样时刻皮带速
2.2预估网络
度,估算整个采样周期内的累计量,即
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
Q=∑(4+2+Q+…+Q)?
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
?X
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AD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
输人层
隐含层
输出层
量内码D,即
图3广义神经网络模型
D=∑(x1+2+%+x1)
(5
Fig 3 Generalized neural network mode!
在人工神经网络中,节点对应图中的节点,权值表示节
由式(5)可以看出,任何一路传感器故障所导致的信点之间的相互关联强度。网络将知识存储在调整后的各权
号缺失、信号异常都会对称量值产生严重影响。
值中,所以,权值的求取是整个神经网络的关鍵?。
2 RBFNN智能容错算法
预估计输出X(x1,x2:,x3。,…,xn),其值为
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。
=L0b+
隐含层基函数为高斯函数
路传感器信号
选
x。-x2).(8)
预佔
故障
择
重
网络「x.判断x.络X果
其中
为欧几里德距离,且
图2智能容错