王秦越, 錢振華, 賀關麗, 蔡志端, 許宇翔, 陳禮群

(1. 湖州職業(yè)技術學院 機電與汽車工程學院, 浙江 湖州 313000;2. 浙江管工智能機械設備有限公司， 浙江 湖州 313000; 3.湖州師范學院 工學院， 浙江 湖州 313000)

1 引 言

氣力輸送是粉料輸送過程中的重要環(huán)節(jié),如常見的火力發(fā)電廠中粉煤灰的輸送、鋰電池生產過程中漿料的混合以及藥品生產過程中各藥粉的配比等,都離不開氣力輸送系統(tǒng)來保證粉料輸送的安全性、高效率和低損耗。氣力輸送系統(tǒng)是根據固氣兩相流的原理,以普通空氣或惰性氣體為載體,利用壓縮氣體的靜壓或動壓,使干燥粉末和顆粒物料按照指定的路徑在管道中進行連續(xù)運送的一種現(xiàn)代物流系統(tǒng),由于其具有輸送效率高、占地少、經濟而無污染、易于實現(xiàn)自動化等優(yōu)點,成為清潔生產的一個重要內容[1～3]。該傳輸方式傳輸時是全封閉狀態(tài),即采用密封式輸送管道代替?zhèn)鹘y(tǒng)的機械輸送粉料,這樣不僅能保證粉料在運送過程中仍然能保持原有特性,大大提高了粉料回收或傳輸?shù)男?而且能達到良好的環(huán)境保護效果,同時具有成本低、經濟效益高等優(yōu)點,在提高粉料輸送的安全性和環(huán)保性能方面有重要意義[4,5]。其中,氣力輸送粉料因其流動特性復雜多變,粉料質量的稱重精度對于鋰電池、醫(yī)藥等行業(yè)的生產過程的運行和控制顯得尤為重要。

傳統(tǒng)的氣力輸送系統(tǒng)稱重精度不高,其主要原因一方面是由于氣力輸送系統(tǒng)中氣源壓力和流量這2個關鍵變量之間相互耦合,難以得到很好的控制[6];另一方面在粉料稱重的精度控制上,現(xiàn)在一般采用的是開環(huán)的動態(tài)測量方式,該方法具有穩(wěn)態(tài)誤差大的缺點,而采用輸送機變頻控制加料和提前停機相結合的靜態(tài)計量方式,則存在無法兼顧精度和輸送效率的問題。目前對氣力輸送過程中粉料稱重計量的研究主要集中在粉料質量流量的精確檢測、差壓和風量等條件對粉體質量流量、固氣比的變化規(guī)律的影響和自動化控制等幾個方面。文獻[7]采用的是神經網絡與機理分析結合的軟測量方法,并通過實驗驗證了這種混合軟測量方法的有效性。文獻[8]利用人工神經網絡優(yōu)良的非線性映射能力,建立了一個基于BP網絡固相質量流量軟測量模型,訓練結果較好。文獻[9]提出了基于神經網絡的稱重傳感器蠕變誤差自動補償模型,減小了稱重傳感器的蠕變誤差。文獻[10]提出將過程神經網絡引入動態(tài)稱重神經誤差的補償中,經試驗測試誤差可減小至1%。但該類軟測量方法都過于依賴神經網絡的模型,而模型的精度會直接受到測量數(shù)據精度的影響,一旦測量的稱重傳感器本身精度不高，最終建模的精確性必然受到影響。文獻[11] 采用超聲波衰減檢測和重量平衡法來對粉體質量進行稱重。采用麥克倫茨模型和布格-朗伯特-比爾定律模型,建立了固氣兩相流的超聲衰減特性,從而得到固氣比。再根據每秒氣源增加量可以得到粉體的質量。但這種方法需要有穩(wěn)定的氣源供給,否則測量結果會產生較大的波動和誤差,在工業(yè)生產中成本較高。文獻[12]在稀相氣力輸送系統(tǒng)引入了一種新型帶有控制閥的稱重倉,采用了增重計量法,可以明顯提高稱重配料精度。但增重計量法需要的料倉容積比減重計量法的更大且對稱重傳感器精度要求也更高。文獻[13]采用雙平面電容層析成像系統(tǒng),對輸送管道內的粉體質量進行監(jiān)測,從而獲取管道內粉體質量數(shù)據。這種方法測得平均誤差較小,在1%以內,但電容層析成像系統(tǒng)中,測量投影數(shù)據的任何微小干擾都可能導致測量值發(fā)生變化,另外有限的信息量,也使得系統(tǒng)重建圖像變得難以穩(wěn)定。文獻[14]研究了粉料輸送過程中系統(tǒng)摩擦力的非線性變化,采用PI模糊邏輯控制與自適應增益補償相結合的控制策略,改善了負荷擾動抑制等控制參數(shù)的對稱重結果影響,稱量精度較之前提升了34%。但該方法對于不同物料及不同輸送速度下系統(tǒng)摩擦力的變化對稱重結果的影響還有待于進一步研究。文獻[15]研究了稱量物體速度、加速度、振動對稱重精度的影響,建立了相應的動態(tài)稱重有限元仿真數(shù)學模型。其基于速度、重量參數(shù)補償后的仿真結果,表明該方法可以提高物體動態(tài)稱重的精度和效率。但該方法前期訓練和仿真的樣本數(shù)較少,模型的泛化性能還有待提升。文獻[16] 利用脈動流動工況下差壓式流量計理論模型,通過雙路差壓計算瞬時脈動流量的算法,用FLUENT軟件對文丘里管內流場進行仿真計算。實驗結果證明,相比單路差壓計算,雙路差壓計算可以提高脈動流量測量精度。但差壓式流量計對于粉體輸送過程中質量的測量還有待于在理論和實驗方面進一步研究。以上文獻都能從一定的角度提出提高氣力輸送過程中粉料質量測量精度的方法,但同時也存在著些許不足。

本文提出了一種基于擴展卡爾曼濾波算法的氣力輸送過程中動態(tài)稱重方法,通過擴展卡爾曼濾波算法,對多個稱重傳感器的測量數(shù)據進行濾波處理,從而得到和實際值擬合的較為精確結果。

2 氣力輸送裝置與稱重系統(tǒng)

本文研究的氣力輸送裝置結構示意圖如圖1所示,采用的是下出料式發(fā)送罐,當一定質量的粉體物料在被送入發(fā)送罐后,從出料閥經管道輸送至計量倉內,輸送方式采用正壓輸送。氣泵氣源壓力大小為1 MPa,經輸送進氣閥和底部進氣閥進入輸送管道,部分進入發(fā)送罐的氣體則將會從發(fā)送罐頂部的排氣閥和噴射進氣閥返回氣泵。

圖1 氣力輸送裝置結構示意圖Fig.1 Structure diagram of pneumatic conveying device

計量倉上裝有多個稱重傳感器,傳感器數(shù)據可被傳輸?shù)娇刂破鬟M行數(shù)據的分析處理,并將運算結果通過相應控制器來控制閥的開關調節(jié)。系統(tǒng)采用減重計量法,即對計量倉內剩余粉料進行稱重,通過計算計量倉內剩余粉料的質量,即可獲知已進入目標倉內粉料的質量。通常目標倉內需要對多種物料在一定的配比下進行攪拌等處理,卸料控制閥由控制器操控,當進入目標倉的粉料達到要求重量且和其他物料成相應配比時,及時進行關斷。本系統(tǒng)動態(tài)稱重技術框圖如圖2所示。

圖2 動態(tài)稱重計量技術框圖Fig.2 Technical block diagram of dynamic weighing

系統(tǒng)計量倉上安裝有4個壓電式稱重傳感器對粉進行計量,當重量實際值與目標值相差較大時,開大閥門以實現(xiàn)快速出料,接近目標值時調小閥門減少出料。另外,動態(tài)稱重過程中的粉料殘留重量和粉料速度、加速度等參數(shù)難以用精確的數(shù)學模型表達,因此對稱重傳感器輸出數(shù)據采用了卡爾曼濾波算法進行處理,并通過模糊PID控制器對閥門進行智能控制,從而滿足稱重的快速性及精度要求。

3 擴展卡爾曼濾波算法

傳統(tǒng)的卡爾曼濾波算法在處理線性系統(tǒng)時具有良好的表現(xiàn),但在進行非線性數(shù)據處理時,其估計結果往往與原始信號不能完全擬合。而氣力輸送過程中,粉料的動態(tài)稱重,往往會受到氣源壓力、溫度、物料粉體顆粒大小等多個耦合因素的影響。因此,采用減重計量法時,計量倉內剩余粉料的重量變化屬于非線性變化,傳統(tǒng)的卡爾曼濾波算法無法滿足需求,需要使用如擴展卡爾曼濾波等算法進行數(shù)據的處理。

同時,考慮到單個傳感器在數(shù)據測量過程中難免存在粉料輸送加速度變化、管道振動等干擾導致數(shù)據出現(xiàn)較大偏差,因而采用多傳感器融合,以實現(xiàn)比使用單一傳感器更好的系統(tǒng)狀態(tài)估計。

傳統(tǒng)卡爾曼濾波算法的線性模型為:

(1)

預測方程為:

(2)

狀態(tài)更新方程為:

(3)

在基于多傳感器的非線性模型當中,擴展卡爾曼濾波算法狀態(tài)方程的測量系數(shù)c將被測量系數(shù)矩陣C所替代。

(4)

狀態(tài)方程將更改為:

(5)

預測方程為:

(6)

狀態(tài)更新后方程為:

(7)

此時需將原線性方程中的A進行一階泰勒展開,用狀態(tài)轉移函數(shù)f的雅可比矩陣F來代替,Z(k)為多傳感器狀態(tài)測量值矩陣,R為測量方差矩陣,h為測量函數(shù)(此處為一個非線性函數(shù)),H為測量系數(shù)矩陣。

4 實驗結果與分析

4.1 數(shù)據未經任何處理

實驗使用的是二氧化硅粉末, 它是工業(yè)生產中使用較為廣泛的粉體,具有一定現(xiàn)實意義。實驗過程中,粉料經發(fā)送罐由氣力輸送裝置送往計量倉,計量倉充滿時可容納30 kg粉料,經卸料閥開始卸料后,每10 s讀取1次稱重傳感器數(shù)據,并稱取目標倉增長重量作為實際卸料質量(實驗時為保證數(shù)據準確,稱取目標倉質量時需暫時關斷卸料閥等待至讀數(shù)不再發(fā)生改變)。實驗結果如圖3所示。

圖3 未經任何數(shù)據處理的結果Fig.3 Results without any data processing

4.2 數(shù)據經傳統(tǒng)線性卡爾曼濾波處理

在實驗開始前,通過若干次簡單的測量,求得傳感器測量值與實際重量偏差平均值約為0.8 kg,即標準差為0.8,那么方差即為0.8×0.8=0.64。因此處為單模型系統(tǒng),由于R為一階矩陣,可得到對于測量噪聲方差R=[0.64]。

圖4 傳統(tǒng)卡爾曼濾波處理后結果Fig.4 Result of traditional Kalman filter

4.3 數(shù)據經多傳感器融合的擴展卡爾曼濾波處理

(8)

圖5為其中1次測量過程中實驗結果,圖5(a)～圖5 (d)是4個傳感器各自按照擴展卡爾曼濾波算法濾波后所獲得的結果圖,可以看到,結果大致和實際值相吻合,稍有偏差,但比之前的未經任何數(shù)據處理的結果和經線性卡爾曼濾波后的結果,仍要改善不少。圖5(e)是經過多傳感器融合后的結果圖,可以發(fā)現(xiàn)估計值更加收斂于實際數(shù)據,如表1所示。由表1可以看到,在經過多傳感器融合,并經擴展卡爾曼算法濾波后,該氣力輸送裝置的動態(tài)稱重平均誤差約為0.3%,最大不超過0.5%,最大偏差值不超過0.1 kg。可見,采用擴展卡爾曼濾波算法,確實可以有效提高氣力輸送過程中粉料動態(tài)稱重的精確性,從而提高生產效率和產品質量。

圖5 多傳感器經擴展卡爾曼濾波后測量結果Fig.5 Results of multi sensors after extended Kalman filter

表1 多傳感器融合濾波后測量值與實際值對比Tab.1 Comparison of measured value and actual value after multi-sensor fusion filtering kg

5 結 論

本文討論了傳統(tǒng)卡爾曼濾波算法在氣力輸送過程中粉料動態(tài)稱重方面的局限性,并針對性地提出了一種基于擴展卡爾曼濾波的算法來解決該問題。該方法在多傳感器融合的基礎上,使用擴展卡爾曼算法對采集的動態(tài)粉料重量數(shù)據進行濾波,并經控制器實時調節(jié)卸料閥開關度,以提高動態(tài)稱重的精度。實驗結果表明,得到的數(shù)學模型能較好地擬合實際過程,有效地提高了氣力輸送過程中粉料的稱重精度。但實驗未曾對不同的輸送氣源壓力、不同顆粒大小的粉料進行對比性研究,得到的模型尚未推廣于多種不同的生產環(huán)境,仍需要對不同固氣比下粉料的氣力輸送情況進行進一步研究,這也是課題組下一階段的主要工作。