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。

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MA TLAB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。