一种基于自适应动态演化的智能称重测量方法及系统与流程

本发明涉及智能称重测量，特别是涉及一种基于自适应动态演化的智能称重测量方法及系统。

背景技术：

1、在智能中药干燥设备的生产过程中，动态称重系统对于监测药材实时含水率变化至关重要。受热风扰动、滚筒翻料、机械振动等影响，称重传感器难以持续稳定工作，需要停机进行静态测量，导致生产不连续。高温高湿环境加速传感器老化，引发腐蚀和绝缘问题，降低传感器寿命和测量精度。滚筒翻料造成物料分布不均，产生局部压力差异，影响传感器读数一致性。外部碰撞可能损坏传感器，电磁干扰导致数据丢失或错误。现有测量方法依赖停机静态称重，导致生产不连续、传感器寿命短、小样本下预测精度低。因此，亟需一种能在极少有效样本下，具备强抗噪、自适应、实时漂移校正能力的高可靠称重测量模型。

2、现有测量误差控制方法包括：线性回归模型、时间序列分析、卡尔曼滤波器以及神经网络模型等。1、线性回归模型通过建立输入变量与输出结果之间的线性关系，从而预测和校正测量值，提高数据的准确性和一致性，具有技术简单，计算效率高等优点。2、时间序列分析模型通过分析历史数据中的时间依赖性模式，预测未来的测量值并检测异常，从而提高系统的准确性和稳定性，它适合处理具有时间依赖性的数据。3、卡尔曼滤波器用于实时估计和校正传感器数据，通过融合多源信息和减少噪声干扰，提供更精确和平滑的测量结果，优点是擅长处理含有噪声的数据。4、神经网络模型通过学习复杂的非线性关系，自动适应和校正测量数据中的误差，从而提高预测精度和系统的鲁棒性，优点是具有强大的非线性映射能力，自适应学习能力强。

3、现有技术的缺点：1、线性回归模型适用于线性关系，对于非线性关系的数据，预测精度会显著下降，对异常值和噪声敏感，依赖大量输入数据，难以适应动态变化的系统。2、时间序列分析模型通常需要大量历史数据、对非平稳和非线性数据处理能力有限，并且模型选择和参数调整较为复杂。3、卡尔曼滤波器需要假设系统的动态行为和观测误差是线性的且服从高斯分布，这限制了其在非高斯噪声环境中的应用。4、神经网络模型需要大量高质量数据进行训练，容易过拟合，并且模型内部运作缺乏透明性，难以解释。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于自适应动态演化的智能称重测量方法及系统，用于解决现有测量方法依赖停机静态称重，导致生产不连续、传感器寿命短、小样本下预测精度低的问题。

2、为实现上述目的及其他相关目的，本发明提供如下技术方案：

3、一种基于自适应动态演化的智能称重测量方法，包括以下步骤：获取n组对角布置的称重传感器在极短时间内快速采集的在中药生产过程中关于药材的原始重量数据序列以及多源扰动变量，对所述原始重量数据序列进行预处理，并根据预处理结果得到关于所述原始重量数据序列的异常数据点；采用自适应邻近加权法并根据前序数据波动率动态生成加权基准序列，根据所述加权基准序列、预处理后的原始重量数据序列以及多源扰动变量构建多变量动态演化模型，并估计所述多变量动态演化模型中的未知参数；

4、根据已建立的多变量动态演化模型求解方程的解析表达式，并根据所述解析表达式得到任意时刻累加序列的预测值，再根据所述任意时刻累加序列的预测值确定所述异常数据点对应的原始重量预测值；确定模型重量预测值与实际重量测量值之间的残差，根据所述残差评估所述多变量动态演化模型的当前精度，并根据评估结果确认是输出完整且经过校验的称重数据序列以及预测区间内的重量值，还是按照预设的优先级顺序触发自适应修正策略。

5、于本发明的一实施例中，述对所述原始重量数据序列进行预处理，并根据预处理结果得到关于所述原始重量数据序列的异常数据点，包括：确定当前采样时刻的重量值与上一采样时刻的重量值之间的重量变化率，并获取对应所述重量变化率的预设阈值；确认所述重量变化率与预设阈值之间的关系，根据确认结果判定是否标记当前采样时刻的重量值为错误数据，并将所述错误数据标记为错误异常数据点，同时也将所述原始重量数据序列中的缺失数据标记为缺失异常数据点。

6、于本发明的一实施例中，所述采用自适应邻近加权法并根据前序数据波动率动态生成加权基准序列，包括：根据以下公式生成加权基准序列：；其中，为第  个点的加权基准值，所述加权基准值是后续构建动态演化方程的基础；为加权系数，，为数据波动率，是调节因子，控制 对波动率的敏感度；表示当前采样时刻的累积值，表示上一个采样时刻的累积值。

7、于本发明的一实施例中，所述根据所述加权基准序列、预处理后的原始重量数据序列以及多源扰动变量构建多变量动态演化模型，并估计所述多变量动态演化模型中的未知参数，包括：将预处理后的原始重量数据序列转化为单调增长序列，并根据所述单调增长序列和加权基准序列构建用于描述序列动态演化规律的一阶微分方程；引入环境温度、相对湿度以及振动数据作为多源扰动变量，从而将所述一阶微分方程扩展为多变量动态演化模型，并估计所述多变量动态演化模型中的未知参数，其中，采用最小二乘参数估计所述多变量动态演化模型中的未知参数。

8、于本发明的一实施例中，所述引入环境温度、相对湿度以及振动数据作为多源扰动变量，从而将所述一阶微分方程扩展为多变量动态演化模型，包括：根据以下公式确定多变量动态演化模型：

9、其中，为累加序列随时间的变化率，反映重量的增长速度；为前 个原始重量值的一阶累加和；为系统发展系数，控制累加序列自身对变化率的影响；是灰色作用量，代表系统内部固有的驱动项；为环境温度的累加序列；为相对湿度的累加序列；为振动加速度的累加序列； 分别是关于温度、湿度和振动的扰动系数。

10、于本发明的一实施例中，述根据已建立的多变量动态演化模型求解方程的解析表达式，并根据所述解析表达式得到任意时刻累加序列的预测值，再根据所述任意时刻累加序列的预测值确定所述异常数据点对应的原始重量预测值，包括：根据以下公式求解方程的解析表达式和确定所述异常数据点对应的原始重量预测值：，；

11、其中，是第  个采样时刻的累加序列预测值；是第1个采样点的累加值；是累加序列的稳态值；是指数衰减/增长因子，表示从第一个采样时刻到第  个采样时刻经过的时间步数；表示第 个采样时刻的原始重量预测值；是上一采样时刻的累加预测值。

12、于本发明的一实施例中，所述确定模型重量预测值与实际重量测量值之间的残差，根据所述残差评估所述多变量动态演化模型当前精度，并根据评估结果确认是输出完整且经过校验的称重数据序列以及预测区间内的重量值，还是按照预设的优先级顺序触发自适应修正策略，包括：采用滑动窗口计算模型重量预测值与实际重量测量值之间的残差，并根据所述残差计算残差的均值和标准差；

13、根据所述残差的标准差和原始重量数据序列的标准差确定模型精度，判断所述模型精度和残差均值是否满足合格率判定条件；若是，则输出完整且经过校验的称重数据序列以及预测区间内的重量值；若否，则按照预设的优先级顺序触发自适应修正策略，修正后返回采用自适应邻近加权法并根据前序数据波动率动态生成加权基准序列步骤，一直循环迭代直至满足合格率判定条件。

14、于本发明的一实施例中，所述合格率判定条件包括：和；其中，为模型精度；为残差均值；残差均值允许阈值，由工艺要求决定；所述自适应修正策略包括：第一优先级：调整基准序列加权系数；第二优先级：更新外部输入变量，重新计算关联度；第三优先级：增加建模数据量；第四优先级：清除历史残差，重新采集数据并运行模型。

15、一种基于自适应动态演化的智能称重测量系统，包括：数据获取模块，用于获取n组对角布置的称重传感器在极短时间内快速采集的在中药生产过程中关于药材的原始重量数据序列以及多源扰动变量；数据预处理模块，用于对所述原始重量数据序列进行预处理，并根据预处理结果得到关于所述原始重量数据序列的异常数据点；动态演化分析模块，用于采用自适应邻近加权法并根据前序数据波动率动态生成加权基准序列，根据所述加权基准序列、预处理后的原始重量数据序列以及多源扰动变量构建多变量动态演化模型，并估计所述多变量动态演化模型中的未知参数；

16、预测与校验模块，用于根据已建立的多变量动态演化模型求解方程的解析表达式，并根据所述解析表达式得到任意时刻累加序列的预测值，再根据所述任意时刻累加序列的预测值确定所述异常数据点对应的原始重量预测值；自适应修正模块，用于确定模型重量预测值与实际重量测量值之间的残差，根据所述残差评估所述多变量动态演化模型的当前精度，并根据评估结果确认是输出完整且经过校验的称重数据序列以及预测区间内的重量值，还是按照预设的优先级顺序触发自适应修正策略。

17、如上所述，本发明的一种基于自适应动态演化的智能称重测量方法及系统，具有以下有益效果：本发明通过快速采集极短时间内的原始重量及温湿度、振动数据，利用累加变换将含噪序列转化为单调增长序列，在累积过程中相互削弱高频随机干扰；随后根据数据波动率自适应生成加权基准序列，使模型能动态跟随翻料、塌落等瞬态过程；同时，将温湿度、振动作为多源扰动变量引入动态演化方程，利用最小二乘法估计参数，实现对环境漂移的实时补偿；对标记的缺失或错误数据，通过模型解析解进行精准预测与修复；最后采用滑动窗口残差滚动校验，若精度下降则按优先级在线调整加权系数、更新扰动变量或扩充数据量，无需停机重训练；由此形成“采集—变换—补偿—预测—自校正”的闭环，在极少有效样本下实现连续、抗噪、自适应的称重数据输出，显著提升中药干燥过程含水率控制的可靠性。