籍晉鵬， 李麗宏

(太原理工大學 信息工程學院，山西 太原 030024)

0 引 言

在現行皮帶秤重量信息的采集中，由接線盒中將多路稱重傳感器并聯連接，獲得多路傳感器信號之和,這種方式割裂了傳感器之間的聯系和相關性。由于稱重傳感器容易受使用環(huán)境的影響而損壞[1],所以,任何一路傳感器出現故障都將導致稱重系統失效。

根據傳感器的對稱分布提出了用對應傳感器值代替故障傳感器的方法[2],但由于皮帶秤物料加載時物料下落位置的隨機性和流量大小存在不確定性，難以保證物料在皮帶秤上的對稱分布，所以,這種方法也有著明顯的缺陷。徑向基函數神經網絡(radial basis function neural network,RBFNN)[3]由于具有很強的逼近性非線性函數能力,利用對稱分布的傳感器之間存在著某種非線性函數關系[4,5]，本文提出以RBFNN為核心建立預估網絡，模擬故障傳感器的正常輸出，完成在稱重傳感器失效情況下的皮帶秤稱量[6]。

1 皮帶秤稱重原理

全懸浮式秤架與非自動平臺秤類似，稱重平臺由4只稱重傳感器支撐，稱重托輥裝在平臺上。皮帶秤結構與受力曲線如圖1。

圖1 皮帶秤稱重結構

在現行使用的皮帶秤中，重量計量方法基本上可以分為兩類，通常采用積分法或累加法來計算瞬時流量和累計重量。以下簡述兩種不同方法。

1)積分法

當皮帶輸送物料時，連續(xù)測量稱重托輥上代表單位皮帶長度上的載重值q(kg/m)，并將q值與同一時刻的皮帶速度值v(m/s)相乘，則所得的乘積等于物料的瞬時流量

Q=qv,

(1)

式中Q為物料的瞬時流量值，kg/s。

T時間內的累計值Q(t)是瞬時流量Q對時間的積分值，即

(2)

式中q(t)為瞬時載重值；v(t)為瞬時皮帶速度值。

2)累積法

累積計量法，是以采樣時刻稱重值和采樣時刻皮帶速度，估算整個采樣周期內的累計量,即

(3)

將累計量對時間微分，可求出瞬時流量,即

(4)

受限于單片機無法進行復雜的積分運算，所以,采用累加法近似計算瞬時流量值和累計重量值。稱重顯示控制器將獲得的傳感器mV級電壓信號由A/D轉換為無量綱的數字量，即重量內碼D。

在現行的皮帶秤中采取信號簡單的相加法來計算總重量內碼D，即

(5)

由式(5)可以看出,任何一路傳感器故障所導致的信號缺失、信號異常都會對稱量值產生嚴重影響。

2 RBFNN智能容錯算法

故障傳感器的判斷方法有很多種。根據文獻[7]中所提到的傳感器容錯算法，設計了如圖2的智能容錯算法。

圖2 智能容錯判斷

由圖2可知，皮帶秤系統分別獨立采集m路稱重傳感器的重量內碼X(x1,x2,x3,…,xm)。首先經過估計網絡求得預估信號Xc(x1c,x2c,x3c,…,xmc)，并將2路信號X和Xc用于傳感器故障判斷[8]。若傳感器無故障，直接由X計算得出稱重結果；如果傳感器故障，設第i只傳感器故障，由預估信號xic代替原重量內碼xi融合成新的重量內碼X(x1,x2，…xi-1,xic,xi+1，…，xm)，再得出稱重結果。

2.1 多傳感器的相關性

多傳感器的相關性是進行神經網絡預估的基礎。皮帶秤多路傳感器按一定的拓撲結構分布在皮帶秤承載架下方，構成典型的多傳感器系統，各只傳感器相互關聯，存在某種函數關系[9]

(6)

由式(6)表明：傳感器xi的輸出是其他m-1路傳感器的輸出函數。

2.2 預估網絡

利用RBFNN逼近式(6)的多傳感器關聯函數，從而完成任一傳感器的輸出估計，廣義神經網絡模型如圖3所示。

圖3 廣義神經網絡模型

在人工神經網絡中，節(jié)點對應圖中的節(jié)點，權值表示節(jié)點之間的相互關聯強度。網絡將知識存儲在調整后的各權值中，所以,權值的求取是整個神經網絡的關鍵[10]。

預估計輸出Xc(x1c,x2c,x3c,…,xmc)，其值為

(7)

隱含層基函數為高斯函數

(8)

其中,‖xk-xj‖為歐幾里德距離，且

‖xk-xj‖2=

(9)

式中W為RBFNN的權重，W=[w1,w2,w3,…,wm]T，其中，w0=1。標準差σ按照下式選取

(10)

式中dmax為所選取的中心最大距離，n為隱含節(jié)點的個數。

用偽逆法求得輸出權值W，在這里期望輸出為原始數據中d={xij}。xij為第i個輸入向量在第j處的期望輸出值。wij(i=1,2,3,…,I;j=1,2,…,J)為第i個隱含節(jié)點到第j個輸出節(jié)點的權值，則輸出權值可用下式求出

W=G+d.

(11)

其中,G+={gkj},矩陣W=wij

(12)

2.3 故障判斷

該診斷率只考慮在同一時刻只有一只傳感器故障的情況,當n只傳感器均正常時滿足

(xi-xic)/xi<ε,i∈[1.n]，

(13)

式中ε為檢測閾值。當任一傳感器故障時，預測輸出與自身輸入有較大的誤差

(xi-xic)/xi>ε.

(14)

連續(xù)采樣k次后,如果仍然滿足上式，則假設成立;否則，判定第i只傳感器失效。本文以第3路稱重傳感器為實驗對象，其他稱重傳感器用同樣的方法。根據實驗經驗獲得檢測閾值ε為0.01，檢測次數k為5。

3 預估網絡訓練和模擬

RBFNN采用有監(jiān)督學習方式。每一個樣本都對應一個教師信號作為期望輸出，訓練時計算實際輸出與期望輸出之間的誤差，再根據誤差的大小和方向對網絡權值進行調整。誤差可以使用各輸出節(jié)點的誤差均方值來衡量。這樣就建立了一個以網絡權值為自變量，最終誤差性能為函數值的性能函數，網絡訓練轉換為求解函數最小值的問題。

本文利用Matlab神經網絡工具箱中的NEWRB函數自動構建的神經網絡[11],結構如圖4所示。

圖4 徑向基神經網絡結構

RBFNN有不同的中心確定方法，在此處采用隨機選取固定中心進行網絡訓練[12],能防止徑向基函數出現太平或太尖的情況。

在隨機選取固定中心的方法中，基函數的中心和標準差都是固定的，唯一需要訓練的參數就是隱含層與輸出層之間的權值。

在本文中采集20組檢測數據用于神經網絡訓練。此時，RBFNN為一個4輸入，4輸出的廣義RBFNN，該神經網絡共有4個輸入節(jié)點，隱含層有20個節(jié)點。模擬四路傳感器稱重量內碼X[4,20]，數據如表1。

經數據預處理后，得到X=[x1,x2,x3,x4]。其中設定第3路傳感器為故障傳感器，并且以x3為目標輸出進行神經網絡的擬合檢驗。

表1 模擬數據

由訓練結果可見隱含神經節(jié)點的個數和MSE下降的過程。NEWRB,neurons=20,MSE=6.824 24×10-24,誤差性能曲線如圖5所示。

圖5 性能誤差曲線

從圖6可以看出:當傳感器正常時的稱重數據和傳感器發(fā)生故障后的稱重結果有著明顯的誤差。用RBFNN預估計值xic擬合預故障傳感器完成稱重，以達到減少稱重誤差的作用。

4 結 論

基于神經網絡的信息融合技術應用于故障傳感器的診斷，目的是將神經網絡的非線性擬合能力與多傳感器系統中相關傳感器之間的信息冗余特性有效結合起來，準確地判斷出傳感器的故障，并對故障傳感器的信號進行模擬恢復。本文將RBFNN應用于電子皮帶秤能有效地解決在生產中由于傳感器故障發(fā)現不及時而導致的稱重誤差。

參考文獻:

[1] 王傳文.稱重傳感器的工作原理及故障檢測[J].化學分析計量,2002,11(4):40-41.

[2] 林海軍,滕召勝,遲 海，等.基于多傳感器相關性的汽車衡智能容錯方法[J].儀器儀表學報,2009,30(11):2336-2341.

[3] 林海軍,滕召勝,遲 海，等.基于RBF神經網絡的汽車衡誤差補償[J].湖南大學學報:自然科學版,2010,37(5):40-44.

[4] 安百旺,葛方遠.淺談稱量臺式電子皮帶秤稱重傳感器的選型及其安裝位置[J].科技信息,2011(10):I0315-I0315.

[5] 張婭玲,陳偉民,章 鵬,等.傳感器故障診斷技術概述[J].傳感器與微系統,2009,28(1):4-6.

[6] 唐家德.基于Matlab的非線性曲線擬合[J].計算機與現代化,2008(6):15-19.

[7] 房 方,魏 樂.傳感器故障的神經網絡信息融合診斷方法[J].傳感技術學報,2000,13(4):272-276.

[8] 許秀玲,汪曉東.傳感器故障診斷方法研究[J].佛山科學技術學院學報:自然科學版,2004,22(3):18-22.

[9] 林海軍,滕召勝,劉讓周,等.基于自適應加權融合的汽車衡故障傳感器預估[J].儀器儀表學報,2010(7):1509-1513.

[10] 陳 明.Matlab神經網絡原理與實例精解[M].北京：清華出版社，2013：196-242.

[11] 張秀玲,張志強.四種確定RBFNN中心的新算法[J].工業(yè)儀表與自動化裝置,2007(2):6-9.

[12] 李 萍,曾令可,稅安澤,等.基于 Matlab 的 BP 神經網絡預測系統的設計[J].計算機應用與軟件,2008,25(4):149-150.