新闻资讯

您当前的位置:主页 > 新闻资讯 >

装载机称重系统设计

  装载机称重系统设计_计算机硬件及网络_IT/计算机_专业资料。装载机称重系统设计

  装载机称重系统设计 [摘 要 ] 轮式装载机称重技术在工程中非常重要, 准确地称重系统保证了货物的装卸过程 快速而高效, 其典型的应用 就是卡车和货车的货物装载。 称重仪表通过认证之后, 货物的称重数据表格甚至可以直接作 为发票, 使得买卖双方的 交易更加公平。 [关键词 ] 轮式装载机; 称重; 神经网络 随着列车的提速, 铁路运输对货车装载精度的要求更加严格, 而在铁路货物运输中, 散 堆装货物运输占有很大的比重, 其运输量约为总货运量的 80% 。为了确保散堆装货物运输 的安全, 铁道部、铁路局、铁路分局和站段投入了大量的人力和物力, 建立健全了一系列规 章制度, 制定了一整套措施。同时在装备上, 必须提供精确的测重装置。w66, 由于装载机结构复杂, 操作程序多, 动作时间短, 工作状态恶劣, 要在动态情况下瞬时 准确地测量负荷量难度很大。 国内外同类现状: ( 1) 国外情况 : 国外该技术应用较早 , 其产品自 2002 年相继进入中国 , 主要有英国 Thermo E lectron Corporation 公司的 ( ML 310 型 )、德国普福瑞英德 Pfreundt Mobille weighing systems 公司的 ( WR50- S 型 )、芬兰坦创 Tam tron 公司的 ( PKV 系列 ) 等。 ( 2) 国内情况: 国内也进行了研制和开发, 而且 2003 年末推出产品, 但因误差过大而不 便装载机使用。 在实际的使用过程中 , 由于国外产品的资料和人机界面均是外文 , 司机操作难度很大, 在国内的推广受到了明显的制约。 而国内的产品需要从精度、 可靠性及稳定性等方面进行研 究和完善, 以满足正常工作要求, 在这种情况下, 开发装载机称重系统更显得重要和急迫。 1 总体设计 装载机称重装置由压力传感器、位置传感器与智能仪器等组成。 1.1 重量信号的获取 目前, 在装载机称重系统的信号测量方法有 3 种:( 1) 直接在装载机铲斗的承重处安装 力传感器测定, 即采用机械轴式传感器测力; ( 2) 在动臂上用应变仪测重; ( 3) 在动臂油缸上安装压力传感器测定。 第一种方案, 在承重轴上加装测重传感器 , 有很多的弊端 , 比如, 故障率高, 测量误差 较大, 因此,在装载机称重上, 基本上不考虑这种测量方法。 第二种方案, 在动臂上采用应变片, 由于应变的离散性, 造成系统调试的困难和非一致 性。 第三种方案, 通过力学、数学模型的建立, 以利用油缸压力计算出铲斗内货物重量载荷, 由于不同型号的装载机及同型号的装载机的模型差异, 且油缸的油压信号的不稳定, 就造成 了同一模型下测量重量载荷的误差较大。 1.2 最佳的称重信号 当装载机的起升机构起升重物时, 同一重物在不同的举升高度, 机械轴上的力是不同的, 因此必须找出最佳采样位置, 将此位置作为计算机理想的信号采集高度, 在此位置安装一个 位置传感器。 为了采集到有效的采样值, 测量装置在装载机提升的过程中设定了一个采样区 域, 在这个采样区域中要求压力信号相对稳定, 以保证所采集到的数据只有较小的偏离度。 采样区域的设定是通过调整两个位置传感器的位置来完成的。 1.3 信号的智能处理 影响信号真实性的因素很多, 最主要的是提升加速度, 据测试, 由于装载机在操作过程 中受到提升时加速度的影响, 传感器上的压力信号会产生波动, 有时这种波动还很大。在实 测中可以看到, 若装载机在提升状态中分别以高速和慢速上升, 同一路压力信号的采样值可 以分别是中速上升时的 1036% 和 86% ,因此, 如何鉴别信号的真实性, 对精度的影响显得 更为重要。 通过位置传感器, 不但可以在最佳的采样区域采集到重量信号, 而且, 还可以测量出动 臂通过采样区域的时间, 换算出在这段采样时间内提升的平均速度, 为数据的智能化处理提 供依据。 2 基于神经网络的智能处理 基于上述的称重测量装置, 虽然采用了 24bit 分辨率的 A /D 转换, 采用了数字滤波技 术和最佳的位置区域采样限制, 但由于提升速度对称重信号的影响非常严重, 而且很难用数 学方法描述。因此, 我们采用了神经网络技术, 对称重信号进行处理。 在人工神经网络的实际应用中,80% ~ 90% 的人工神经网络模型是采用 BP 网络或它的 变化形式, 它也是前向网络的核心部分, 体现了人工神经网络最精华的部分。它以其强大的 非线性映射能力, 在模式识别和分类领域得到了广泛的应用。因此, 本装载机称重系统采用 BP 网络。 2.1 神经网络的结构 数据的处理采用了三层 BP 网络, 其中, 输入层为二神经元结构, 输入信号分别为动臂 通过采样区的时间和在采样区得到的重量信号 ; 中间层由三个神经元构成 ; 输出层为单神 经元, 输出信号为货物的重量。其结构示意图如图 2。 2.2 神经网络的训练 使用以上的硬件结构的测量装置装载在 ZL 轮式装载机上, 采用标准砝码对其标定和 测试, 表 1 为 006 年 9 月在石家庄东货场的数据。 网络设计完成后, 要应用设计值进行训练。 训练时对所有样本正向运行一轮并反向修改 权值一次称为一次训练。 在训练过程中要反复使用样本集数据, 但每一轮最好不要按固定的 顺序取数据。 采用 /提前停止 0 的方法对神经网络进行训练,即训练样本集在训练之前被划分为训练 集、验证集和测试集。训练集用于对神经网络进行训练, 验证集用于在神经网络训练的同时 监控网络的训练过程。 在训练初始阶段, 验证集形成的验证误差通常会随着网络训练误差的 减小而减小, 但当网络开始进入 / 过度训练 0 时, 验证误差就会逐渐增大, 当验证误差增 大到一定程度时, 网络训练会提前停止, 这时训练函数会返回当验证误差取最小值时的网络 对象。测试集形成的测试误差在网络训练时未被使用, 但它可以用来评价网络训练结果和样 本集划分的合理性。若测试误差与验证误差分别达到最小值时的训练步数差别很大,或两者 曲线的变化趋势差别较大, 则说明样本集的划分不是很合理, 需要重新划分。 在装载机称重系统中 , 训练样本、验证样本和测试样本均是从原样本数据中均匀选取 1/3 而生成的。通过用 MATLAB 绘制的训练误差、验证误差和测试误差的变化曲线可看出, 测试误差与验证误差的变化趋势基本一致, 说明样本集的划分基本合理; 由训练误差曲线可 得, 训练误差结果也是比较满意的, 如图 3 所示。图中横轴表示训练步数, 纵轴表示样本集 形成的误差。其中点划线表示的是训练误差, 虚线表示的是验证误差, 实线表示的是测试误 差。 2.3 网络仿线 的误差变化曲线可见, 样本集的划分基本合理, 训练误差结果也比较满意。 为 了进一步检验训练后网络的性能, 利用 MATLAB 中的 postreg 函数可以对网络仿真的输出 结果和目标输出作线性回归分析, 并得到两者的相关系数, 从而可以作为网络训练结果优劣 的判别依据。 图 4 给出了网络输出的线性回归分析结果曲线。 此外, 为了对训练后网络的性 能有一个定量的判断, 采用网络实际输出和目标输出的均方误差函数 m se 作为依据。 网络的性能好坏主要看其是否具有很好的泛化能力 , 而对泛化能力的测试不能用训练 集的数据进行, 而要用训练集以外的测试数据来进行检验。 图 5 给出了对神经网络进行检验 时输出的线性回归分析结果曲线 的纵轴表示了通过网络计算的输出结果, 横轴表示理想的目标输出。图中 的圆圈代表样本数据点, 实线代表最佳拟合曲线 回归分析结果可见, 货物重量的检测结果是十分满意的, 仿真结果表明经神经 网络计算后的货物重量的结果与理想目标输出的相关系数达到了 1。 训练后网络的均方误差 -4 为 210320 @ 10 , 结果很好。 由图 5 的回归分析结果可见, 利用样本集之外的数据对网络进行检验, 网络输出的货 物重量的检测结果与理想目标输出的相关系数达到了 1, 说明在实际应用中网络的性能良 好。实际输出和理想输出的均方误差为 314782@ 10- 4, 此误差是可以满足称重要求的。 3 应用效果 采用上述原理设计的装载机称重装置, 在柳工 -50 型装载机、厦工 - 50 等型装载机上 的使用表明,其动态称重精度高, 达到了动态三级秤的标准。 [参考文献 ] [ 1] 吴云虎, 等 1 开发利用装载机称重装置确保运输安全[ J] 1 铁道货运, 2004 (6):31331 [ 2] 王亚东 1 智能型装载机测重仪的研制 [ J] 1 铁道运输与经济,2003 ( 12):55- 561 [ 3] 穆润生, 等 1 装载机智能称量装置[ J] 1 工程机械,1998 ( 8):16- 181 [ 4] 张建奇, 等 1 提高装载机自动测重装置测量精度的设计[ J] 1 计算机测量与控制, 2003 ( 11):406- 4081 [ 5] 白瑞林 1 基于神经网络技术的动态定量称重控制方法的研究 [ J] 1 自动化仪 表,2000 ( 07):8- 101 [编辑: 薛敏 ]