基于多自由度智能阻尼的烟梗动态称重方法及装置与流程
本发明涉及卷烟设备配套计量,具体地涉及一种基于多自由度智能阻尼的烟梗动态称重方法及装置。
背景技术:
1、目前,在烟草工业的卷接包环节,gf2型烟梗分离装置是与高速卷烟机配套使用的关键设备,主要承担卷制过程中烟梗的风选、分离与输送任务,其运行稳定性与计量精度直接影响烟支质量控制、烟梗回用率及生产成本管控。现有gf2装置的配套动态称重环节,计量精度与稳定性难以满足当前精细化生产管理的要求。如专利cn115077670a仅采用单方向被动减振结构,未针对三轴耦合振动环境设计;专利cn113819985a仅能单独处理单一干扰引起的称重误差,未实现振动与流量误差的耦合补偿;而行业通用方案则普遍存在减振方式单一、补偿机制缺失的问题。
2、gf2装置在运行过程中,自身机械振动与卷烟机及上下游设备激励叠加,形成复杂的多方向耦合振动。一方面,gf2装置内部风机、输送机构的高速运转会产生固有振动,其振动频率与称重平台固有频率接近,易引发共振;另一方面,高速卷烟机的高速旋转部件、卷接动作产生的周期性冲击,以及下游烟梗输送设备的振动,会通过机架、地面传递至gf2装置,进一步加剧称重平台的多方向振动。现有单轴建模与减振方式仅针对垂直方向振动进行被动隔振,无法覆盖水平与垂直方向的耦合干扰,也无法有效抑制不同频率的多源振动叠加,导致称重平台振动加速度长期处于较高水平,实测数据显示,其振动加速度峰值可达0.5g以上,振动引起的称重误差最高可达5.2%,严重影响计量结果的准确性。
3、同时,烟梗来料的物理特性波动与输送过程的动态变化,导致进料流量频繁变化。在卷烟机运行过程中,烟梗来料的含水率、密度、颗粒度存在天然差异,加上风选过程中烟梗分离的不稳定性,会造成进料流量出现瞬时波动,波动幅度可达±10%以上。此外,gf2装置的输送皮带速度受负载、设备磨损等因素影响,也会出现小幅波动,进一步加剧流量扰动。现有装置未将流量扰动与振动控制进行协同设计,仅能通过事后的简单平均或固定补偿系数降低误差,无法实现流量扰动的实时预测与提前补偿,复合干扰带来的称重偏差难以从根源消除。实际生产中,流量波动引起的称重误差可达4.5%,与振动误差叠加后,综合称重误差通常在±5.0%左右,远高于卷烟设备对计量精度的控制要求。
4、此外,现有系统缺少多维度振动采集、流量实时预测及自适应阻尼控制的一体化结构。在振动采集方面,现有方案多采用单一垂直方向加速度传感器,无法全面捕捉三轴耦合振动信号,导致振动误差评估不完整;在流量预测方面,多采用简单的滑动平均滤波,无法有效分离有效波动信号与噪声,预测精度低、滞后时间长;在控制方面,缺乏主动阻尼控制机制,被动隔振方式无法根据实时振动状态调整减振效果,也无法与流量补偿形成协同。同时,现有装置的参数标定流程不完善,多依赖人工经验调试,缺乏标准化的多工况标定方法,导致参数适配性差,现场调试周期长、难度大。硬件方面,部分方案采用非标准化定制部件,与gf2装置的机械接口、电气接口兼容性差,改造部署时需要对设备进行大量改动,影响设备的原有结构与运行稳定性,增加了改造风险与成本。
5、因此,亟需一种基于多自由度智能阻尼的烟梗动态称重方法及装置,以解决现有技术存在的动态称重环节计量精度差与长期运行不稳定的问题,提升计量精度与稳定性,满足卷烟设备的实际生产需求。
技术实现思路
1、本发明实施例的目的是提供一种基于多自由度智能阻尼的烟梗动态称重方法及装置,以解决现有技术中存在的动态称重环节计量精度差与长期运行不稳定的问题。
2、为了实现上述目的,本发明实施例提供一种基于多自由度智能阻尼的烟梗动态称重方法,包括:
3、采集称重平台及设备的多维数据,构建流量预测模型,优化称重平台;
4、重新采集优化后的称重平台及设备的多维数据,所述多维数据包括称重信号数据、振动信号数据和流量信号数据;
5、采用所述流量预测模型,基于所述流量信号数据,获取流量扰动预测误差;
6、构建振动预测模型,根据所述振动信号数据获取振动误差;
7、构建振动-流量耦合误差模型,基于所述流量扰动预测误差和所述振动误差获取耦合误差;
8、基于所述振动误差、所述流量扰动预测误差和所述耦合误差,对称重信号数据进行实时修正,获取烟梗实际重量。
9、可选地,采集称重平台及设备的多维数据,构建流量预测模型,优化称重平台包括:
10、采集称重平台及设备的多维数据,所述多维数据包括流量时序信号数据和系统状态向量;
11、构建流量预测模型,基于所述流量时序信号数据获取流量扰动预测误差值;
12、基于所述流量扰动预测误差值和所述系统状态向量获取主动阻尼控制力,优化称重平台。
13、可选地,构建流量预测模型,基于所述流量时序信号数据获取流量扰动预测误差值包括:
14、基于所述流量时序信号数据,采用离散小波包分解算法,获取流量扰动分量序列;
15、构建自回归预测模型,基于所述流量扰动分量序列,获取流量扰动预测误差值。
16、可选地,构建自回归预测模型,基于所述流量扰动分量序列,获取流量扰动预测误差值包括:
17、基于所述流量扰动分量序列,构建自回归预测模型的训练数据集;
18、采用最小二乘法对所述训练数据集进行迭代拟合,以获取自回归预测模型参数标定的回归系数;
19、基于所述回归系数,构建自回归预测模型;
20、将当前时刻的流量扰动序列输入至所述自回归预测模型,获取流量扰动预测误差值。
21、可选地,基于所述回归系数,构建自回归预测模型包括:
22、根据公式(1)构建回归函数,
23、,(1)
24、其中,为流量扰动预测值,为连续历史流量扰动序列,为参数标定的回归系数,为自适应残差修正项。
25、可选地,基于所述流量扰动预测误差值和所述系统状态向量获取主动阻尼控制力,优化称重平台包括:
26、构建多自由度振动模型;
27、基于所述多自由度振动模型和所述系统状态向量,构建状态空间方程;
28、基于所述状态空间方程进行稳定性分析与控制参数标定,以获取位移反馈增益、振动抑制增益和流量补偿增益;
29、基于所述位移反馈增益、振动抑制增益和流量补偿增益构建自适应耦合控制律,根据所述流量扰动预测误差值,计算主动阻尼控制力;
30、基于所述主动阻尼控制力对称重平台进行优化。
31、可选地,基于所述位移反馈增益、振动抑制增益和流量补偿增益构建自适应耦合控制律,根据所述流量扰动预测误差值,计算主动阻尼控制力包括:
32、根据公式(2)构建自适应耦合控制律,
33、,(2)
34、其中,为主动阻尼控制力,为振动位移,为位移反馈增益,为振动速度,为振动速度抑制增益,为流量扰动预测误差补偿增益,为流量扰动预测误差。
35、可选地,构建振动预测模型,根据所述振动信号数据获取振动误差包括:
36、根据公式(3)构建振动预测模型,
37、,(3)
38、其中,为称重传感器输出值,为实际烟梗质量,为重力加速度,为称重误差系数,为垂直方向振动加速度,为测量噪声;
39、基于所述振动信号数据,采用所述振动预测模型,获取振动误差。
40、可选地,构建振动-流量耦合误差模型,基于所述流量扰动预测误差和所述振动误差获取耦合误差包括:
41、采用公式(4)构建振动-流量耦合误差模型,
42、,(4)
43、其中,为耦合误差,为动态权重耦合系数,为烟梗松散度,为实时流量变化率,为振动幅值,为瞬时振动误差,为瞬时流量误差。
44、另一方面,本发明还提供一种基于多自由度智能阻尼的烟梗动态称重装置,所述装置包括:
45、称重平台优化模块,用于采集称重平台及设备的多维数据,构建流量预测模型,优化称重平台;
46、多维信号采集模块,包括称重执行单元和数据采集单元,所述称重执行单元采用传感器四角对称安装,所述数据采集单元用于采集称重平台及设备的多维数据,所述多维数据包括称重信号数据、振动信号数据和流量信号数据;
47、流量扰动误差预测模块,用于采用所述流量预测模型,基于所述流量信号数据,获取流量扰动预测误差;
48、振动预测模块,用于构建振动预测模型,根据所述振动信号数据获取振动误差;
49、耦合误差获取模块,用于构建振动-流量耦合误差模型,基于所述流量扰动预测误差和所述振动误差获取耦合误差;
50、称重补偿模块,用于基于所述振动误差、所述流量扰动预测误差和所述耦合误差,对称重信号数据进行实时修正,获取烟梗实际重量。
51、本发明的有益效果:
52、本发明通过在采集实际数据前预先优化称重平台,减小流量扰动引起的交叉耦合误差,有效提高称重精度。通过构建流量预测模型、振动预测模型和振动-流量耦合模型,突破传统单一振动建模的局限,精准捕捉动态称重的复合干扰误差,有效解决传统烟梗动态称重装置振动干扰强、流量波动影响大、称重精度低等问题,适配工业实际场景。
53、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com