一种称重系统的非线性误差校正方法与流程

本发明涉及称重误差校正，具体为一种称重系统的非线性误差校正方法。

背景技术：

1、称重系统广泛应用于工业制造、物流运输、商业贸易、医疗卫生等领域，其测量精度直接影响产品质量、贸易公平和生产安全。称重系统的核心部件为称重传感器，其输入-输出特性理论上应保持严格的线性关系，然而在实际工程应用中，受传感器自身材质、制造工艺、结构设计等因素的限制，以及外界环境温度变化、振动冲击、载荷偏载等干扰因素的影响，称重系统的实际输入-输出特性不可避免地存在非线性误差。

2、现有称重系统非线性误差校正技术主要存在以下不足：

3、（1）缺乏对多源误差的精细化区分与针对性校正，现有方法多将称重系统的非线性误差作为一个整体进行统一处理，未对误差来源进行精细化区分；事实上，称重系统的非线性误差来源多样，包括传感器本体非线性、温度漂移非线性、偏载非线性、动态冲击非线性等，不同来源的误差具有不同的物理机理和变化规律，统一处理难以达到最优校正效果。

4、（2）校正模型多为离线固定模型，缺乏在线自适应能力；现有方法多基于预先采集的样本数据进行离线训练或拟合，校正模型一经确定便固定不变；称重传感器在长期运行中会因材料老化、蠕变、环境变化等产生性能漂移，固定模型难以适应这种时变特性，导致校正精度随时间推移显著下降。

5、因此，亟需一种基于多源误差分析和自适应调整的称重系统非线性误差校正方法。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本技术提供了一种称重系统的非线性误差校正方法。

3、（二）技术方案

4、为解决上述问题，本技术提供如下技术方案：

5、一种称重系统的非线性误差校正方法，包括：

6、获取称重系统的原始称重信号和同步采集的环境信号，并根据所述环境信号对所述原始称重信号进行分解，得到多维度误差特征向量；

7、基于所述原始称重信号和多维度误差特征向量构建自适应校正模型，进行初步校正；

8、将初步校正的结果与所述环境信号输入至非线性映射模型中，利用所述非线性映射模型预测多环境因素耦合作用下的残余非线性误差，输出残余误差预测值；

9、根据当前运行工况类型确定所述多维度误差特征向量中各误差分量对应的第一权重以及所述残余误差预测值对应的第二权重，并进行融合，生成综合校正量；

10、利用所述综合校正量对所述原始称重信号进行修正，输出校正后的称重结果。

11、优选的，所述获取称重系统的原始称重信号和同步采集的环境信号，并根据所述环境信号对所述原始称重信号进行分解，得到多维度误差特征向量，具体包括：

12、获取称重系统原始输出的重量数字信号作为所述原始称重信号，同时通过传感器组同步采集环境信号，所述环境信号包括环境温度信号、振动信号和姿态角信号；

13、根据所述温度信号提取温度漂移误差分量；

14、根据所述振动信号提取动态冲击误差分量；

15、根据所述姿态角信号提取偏载误差分量；

16、根据所述原始称重信号扣除所述温度漂移误差分量、动态冲击误差分量和偏载误差分量后的残余量，作为传感器本体误差分量；

17、将所述温度漂移误差分量、动态冲击误差分量、偏载误差分量和传感器本体误差分量组合成所述多维度误差特征向量。

18、优选的，所述基于所述原始称重信号和多维度误差特征向量构建自适应校正模型，进行初步校正，具体包括：

19、将所述多维度误差特征向量作为所述自适应校正模型当前时刻的观测输入矩阵，其中，为温度漂移误差分量，为动态冲击误差分量，为偏载误差分量，为传感器本体误差分量；

20、构建线性回归的所述自适应校正模型的数学表达式为：

21、  （1）

22、在公式（1）中，为误差估计值，为与所述多维度误差特征向量中各分量一一对应的补偿系数向量；

23、计算当前时刻的原始称重信号数据与误差估计值之间的残差；

24、当所述残差的绝对值超过预设阈值时，更新补偿系数向量，得到更新后的补偿系数向量；

25、通过对下一时刻的所述原始称重信号进行初步校正，得到初步校正结果的数学表达式为：

26、  （2）

27、在公式（2）中，为初步校正结果。

28、优选的，所述预设阈值根据称重系统的量程和精度等级动态设定，所述预设阈值的数学表达式为：

29、  （3）

30、在公式（3）中，为预设阈值，为比例系数，为称重系统的额定量程；

31、当所述残差的绝对值未超过所述预设阈值时，保持当前补偿系数不变，所述自适应校正模型不进行参数更新。

32、优选的，所述将初步校正的结果与所述环境信号输入至非线性映射模型中，利用所述非线性映射模型预测多环境因素耦合作用下的残余非线性误差，输出残余误差预测值，具体包括：

33、获取所述初步校正结果、环境温度信号、振动信号和姿态角信号；

34、构建具有分层输入结构的前向神经网络作为所述非线性映射模型，所述分层输入结构为：将所述前向神经网络的输入层按信号来源划分为多个独立子组，所述多个独立子组包括第一输入子组、第二输入子组、第三输入子组和第四输入子组，分别对应所述初步校正结果、温度信号、振动信号和姿态角信号；

35、各输入子组分别连接至各自独立的特征提取层进行特征变换，将各特征提取层提取的特征向量拼接后输入至共享的隐含层进行交叉耦合映射，所述共享的隐含层的输出经输出层映射后得到所述残余误差预测值；

36、所述前向神经网络的前向传播过程的数学表达式为：

37、  （4）

38、  （5）

39、  （6）

40、在公式（4）、（5）、（6）中，为第

k个特征提取层输出的特征向量，为第

k个特征提取层的激活函数，和为第

k个特征提取层的权值矩阵和偏置向量，为第

k个输入子组的输入向量，

f为激活函数，和为共享隐含层的权值矩阵和偏置向量，为共享隐含层输出的融合特征向量，和为输出层的权值矩阵和偏置向量，为所述残余误差预测值。

41、优选的，所述根据当前运行工况类型确定所述多维度误差特征向量中各误差分量对应的第一权重以及所述残余误差预测值对应的第二权重，并进行融合，生成综合校正量，具体包括：

42、根据当前时刻的所述环境温度信号、振动信号和姿态角信号，识别称重系统的当前运行工况类型；

43、根据当前运行工况类型，确定所述多维度误差特征向量中各误差分量对应的第一权重以及所述残差误差预测值对应的第二权重，所述第一权重和所述第二权重满足归一化约束；

44、根据当前运行工况类型确定自适应融合策略，基于所述自适应融合策略对各误差分量对应的分量校正量和所述残余误差预测值进行自适应融合，生成综合校正量；所述自适应融合策略至少包括以下方式中的一种：

45、a、加权融合生成综合校正量的数学表达式为：

46、  （7）

47、在公式（7）中，为分量校正量，且，为比例系数，为综合校正量，为第一权重，为第二权重，且；

48、滤波融合，将分量校正量和所述残余误差预测值输入至卡尔曼滤波器或互补滤波器，通过滤波融合输出所述综合校正量。

49、优选的，所述利用所述综合校正量对所述原始称重信号进行修正，输出校正后的称重结果，具体包括：

50、基于当前时刻的原始称重信号数据和综合校正量，计算当前时刻的校正结果的数学表达式为：

51、  （8）

52、在公式（8）中，为校正后的称重结果；

53、输出校正后的称重结果作为称重系统的最终输出值。

54、（三）有益效果

55、与现有技术相比，本技术提供了一种称重系统的非线性误差校正方法，具备以下有益效果：

56、1、该申请通过同步采集称重系统的原始称重信号及环境温度信号、振动信号和姿态角信号，根据环境信号对原始称重信号进行物理机理分解，将总非线性误差精细化为温度漂移误差分量、动态冲击误差分量、偏载误差分量和传感器本体误差分量，构建多维度误差特征向量；在此基础上，各误差分量分别参与后续自适应校正模型的参数辨识和动态权重融合，使不同来源的误差能够得到针对性处理；由于不同误差来源具有不同的物理机理和变化规律，克服了现有技术将各类误差混为一谈、统一处理难以达到最优校正效果的缺陷。

57、2、该申请基于原始称重信号和多维度误差特征向量构建参数可在线递推更新的自适应校正模型，将多维度误差特征向量作为观测输入矩阵、原始称重信号作为目标输出，通过计算当前时刻称重数据与模型估计值之间的残差，在残差超过预设阈值时触发对补偿系数向量的递推更新；该机制使校正模型能够随传感器性能漂移和环境变化自动调整，使称重系统在长期运行中始终保持较高的校正精度。

58、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。