金钻衡器:检重秤，滚筒秤厂家

由振动引起的低频干扰一直存在于动态检重秤设备中，研究认为其主要源自于机械框架内部及外部弹性体的振动，从而导致检重秤有用信号被振动噪声所淹没。此外，检重秤的非静止测量模式，以及被测物体在检重秤秤台的快速移动产生的冲击，使得检重秤的称重准确度大幅降低。 在运动状态下，检重秤的运动部件与机械设备之间的相对运动造成的振动干扰，致使此时的测量信号并非一个恒定值，且振动噪声与有用信号的频率特性 非常接近，导致简单低通滤波难以还原有用信号， 同时低通滤波的时滞性会对信号造成时延，缩短有效 称量时间，造成高速运行状态下的动态称重系统无法满足快速分拣。

为改进传统低通滤波器对称重传感器响应校正的局限性，国内外学者提出各种改进方 法: 如基于单自由度弹簧质量系统模型设计的自适应 滤波技术，基于人工神经 网 络、递归最小二乘法对 称重系统进行系统辨识的方法。但上述方法都是 针对单一称重传感器信号进行处理或建模分析，间接去除机身振动带来的噪声，测量准确度低。动态环境下器械本身的振动干扰是测量噪声的主要来源，由于振动干扰与设备运行速度紧密相关，因此上述方法 在实际应用中易受到检重秤的传送带速度影响，有效 性降低。从检重秤振动源出发，消除振动干扰引起的称重误差，是提高检重秤性能的关键。为此，Tiboni等，提出使用多加速度传感器采集检重秤振动，结合刚体力学知识，建立振动矢量坐标系，在笛卡尔坐标系下对称重传感器振动进行估计，得到称重传感器垂直方向振动，通过结合检重秤二阶模型对振动干扰下的称重传感器输出误差进行估计，实现振动补偿。

虽在不同速度区间，基于此二 阶模型的振动补偿可实现振动干扰误差消除，但在实际 应用中发现，加速度传感器安装位置的差异会严重影响 振动矢量合成值的准确度，因此难以取得满意的补偿结果。此外，Niedz ＇ wiecki 等的研究指出，基于数据驱动 的神经网络训练，可以得到更加准确的振动干扰模型，实现更好的振动补偿。 静态BP神经网络具有极强的非线性映射能力，可通 过对输入、输出数据进行训练得到非线性系统的函数模型，因此在系统辨识中得到大量应用。但静态 BP 神 经网络缺乏动态特性，网络输出仅依靠当前输入，不具有 记忆功能，辨识动态系统能力有限，与结合基于外部输入 非线性自回归 (nonlinear auto regressive with exogenous inputs，NAＲX) 模型的神经网络相比较，NAＲX 网络由于 内部各层设置有数字时延加抽头延迟线( tapped delay line，TDL) 的时延层，可以动态调整网络，因此具有更好 的非线性映射能力。

因此，为提高辨识模型的准确度，本文提出一种结合 NAＲX 模型和 BP 神经网络的 NAＲX 网络对振动干扰进 行系统辨识建模的方法，当网络输入为空载振动和空载 输出误差时，使用 NAＲX 网络进行系统辨识，得到检重秤 振动干扰模型进行振动补偿。同时将本文方法与常规检 重秤信号处理方法、基于传统 BP 神经网络系统辨识的振 动模型补偿方法进行对比，实验和仿真结果证明了本文方法的有效性和优越性。进一步构建 5 通道同步采样电 路，同步采集称重传感器、4 路加速度传感器信号，进行 实际测试，验证了本文方法在检重秤称重信号处理上运 用的有效性与准确性。