一种搅拌船称重系统优化算法技术方案

本申请提供一种搅拌船称重系统优化算法，包括以下步骤：首先建立称重系统模型，然后对参数进行初始化，通过卡尔曼滤波对含噪信号进行预处理，消除系统中的随机误差，然后通过变分模态分解对信号进行分解，计算各分量的皮尔逊相关系数，并根据相关系数阈值对各分量进行筛选重构，最后对采用变分模态分解后的重构信号进一步进行奇异谱分析，利用奇异值差分谱理论，进一步去除系统中低频周期性噪声

【技术实现步骤摘要】
一种搅拌船称重系统优化算法


[0001]本专利技术涉及混凝土生产
，具体地指一种搅拌船称重系统优化算法
。

技术介绍

[0002]随着我国基础设施建设的发展，船载式混凝土搅拌站得到了广泛的应用
。
对于船载式混凝土搅拌站来说，配料计量是其精度要求最高的核心功能，但其在海浪的激励下会产生升沉
、
横摇
、
纵摇
、
横荡
、
纵荡的复合运动，从而导致称重系统产生偏差
。
[0003]对于不同物料的称重，称重过程主要分为静态称重和动态称重
。
在早期的称重系统中，针对静态称重时多采用一些基础的数据处理方法，如均值滤波
、
中位值滤波；但对于船载式混凝土搅拌站而言，船舶在江河海洋中由于波浪的激励会产生晃动，在波浪激励的作用下时，会使称重传感器检测到由于波浪激励而产生的升沉加速度
、
横荡加速度
、
纵荡加速度
、
横摇角加速度和纵摇角加速度，即被称物与称重传感器之间会发生相对运动，进而导致称重传感器检测到的被称物的重量会实时发生变化
。
在上述过程中，称重传感器的称重精度无法满足混凝土生产相关规范的要求
。
本专利技术给出了一种基于融合卡尔曼变分模态分解及奇异谱分析的称重系统优化算法，该算法能够有效消除由于周期性波浪激励所造成的周期性误差，从而提高称重精度，保证混凝土配料计量精度
。
[0004]在中国专利文献
CN116160551A
中记载了一种消除波浪激励误差的混凝土搅拌船计量方法，实验结果证实本专利技术中的方法相对该对比文献中的方法效果上有明显提升，误差更小
。

技术实现思路

[0005]本专利技术的目的是解决上述
技术介绍
中，混凝土搅拌船在波浪激励下计量系统失准的问题，提出了一种搅拌船称重系统优化算法
。
包括以下步骤：
[0006]S1、
建立称重系统模型；
[0007]S2、
对参数进行初始化；
[0008]S3、
通过卡尔曼滤波对含噪信号进行预处理，消除系统中的随机误差；
[0009]S4、
通过变分模态分解对信号进行分解，计算各分量的皮尔逊相关系数，并根据相关系数阈值对各分量进行筛选重构；
[0010]S5、
对采用变分模态分解后的重构信号进一步进行奇异谱分析，利用奇异值差分谱理论，进一步去除系统中低频周期性噪声
。
[0011]优选的方案中，步骤
S1
中的称重系统的状态方程为：
[0012]X(t)
＝
AX(t
‑
1)+R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]Z(t)
＝
CX(t)+W
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0014]式中，
X(t),X(t
‑
1)
分别为
t
时刻和
t
‑1时刻的状态量，
Z(t)
为
t
时刻的观测量，
R
为过程噪声向量，
W
为观测噪声向量，
R
和
W
都是高斯白噪声，且满足
R
～
(0,Q)
，
W
～
(0,E)
，其中
Q
为过程噪声向量
R
的协方差矩阵，
E
为观测噪声向量
W
的协方差矩阵
。
[0015]优选的方案中，步骤
S2
中所述的参数包括：卡尔曼滤波中
X(0)、P(0)、Q(0)、E(0)、
变分模态分解中的分解层数和惩罚因子和奇异谱分析中的窗口宽度
。
[0016]优选的方案中，步骤
S3
中传统的卡尔曼滤波过程可分为预测阶段和更新阶段
。
[0017]优选的方案中，步骤
S3
中传统的卡尔曼滤波过程的预测阶段的实现过程为：
[0018]状态预测：
[0019]X(t|t
‑
1)
＝
AX(t
‑
1)
ꢀꢀꢀ
(3)
[0020]误差协方差预测：
[0021]P(t|t
‑
1)
＝
AP(t
‑
1)A
T
+Q
ꢀꢀꢀ
(4)
[0022]更新阶段的实现过程为：
[0023]卡尔曼增益更新：
[0024][0025]误差协方差更新：
[0026]P(t)
＝
(I
‑
K(t)C)P(t|t
‑
1)
ꢀꢀꢀ
(6)
[0027]状态更新：
[0028]X(t)
＝
X(t|t
‑
1)+K(t)(Z(t)
‑
CX(t|t
‑
1))
ꢀꢀꢀ
(7)
[0029]在式
(4)
至式
(8)
中，
X(t)
是
t
时刻的状态值，
Z(t)
是
t
时刻的观测值，
X(t|t
‑
1)
是根据
t
‑1时刻计算出的
t
时刻的状态估计值，
P(t)
是
t
时刻的误差协方差矩阵，
P(t|t
‑
1)
是根据
t
‑1时刻计算出的
t
时刻的误差协方差矩阵估计值，
K(t)
是
t
时刻的卡尔曼增益
。
[0030]优选的方案中，步骤
S4
中还包括以下步骤：
[0031]通过变分模态分解将卡尔曼滤波处理后的信号分解为多个本征模态函数：
[0032]u
k
(t)
＝
A
k
(t)cos(
φ
(t))
ꢀꢀꢀ
(8)
[0033]式中，
A
k
(t)
表示
t
时刻的幅值，
φ
(t)
表示
t
时刻的频率；
[0034]对
u
k
(t)
进行
Hilbert
变换得到单边谱：
...

【技术保护点】

【技术特征摘要】
1.
一种搅拌船称重系统优化算法，其特征是包括以下步骤：
S1、
建立称重系统模型；
S2、
对参数进行初始化；
S3、
通过卡尔曼滤波对含噪信号进行预处理，消除系统中的随机误差；
S4、
通过变分模态分解对信号进行分解，计算各分量的皮尔逊相关系数，并根据相关系数阈值对各分量进行筛选重构；
S5、
对采用变分模态分解后的重构信号进一步进行奇异谱分析，利用奇异值差分谱理论，进一步去除系统中低频周期性噪声
。2.
根据权利要求1所述一种搅拌船称重系统优化算法，其特征是：步骤
S1
中的称重系统的状态方程为：
X(t)
＝
AX(t
‑
1)+R
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)Z(t)
＝
CX(t)+W
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
式中，
X(t),X(t
‑
1)
分别为
t
时刻和
t
‑1时刻的状态量，
Z(t)
为
t
时刻的观测量，
R
为过程噪声向量，
W
为观测噪声向量，
R
和
W
都是高斯白噪声，且满足
R
～
(0,Q)
，
W
～
(0,E)
，其中
Q
为过程噪声向量
R
的协方差矩阵，
E
为观测噪声向量
W
的协方差矩阵
。3.
根据权利要求1所述一种搅拌船称重系统优化算法，其特征是：步骤
S2
中所述的参数包括：卡尔曼滤波中
X(0)、P(0)、Q(0)、E(0)、
变分模态分解中的分解层数和惩罚因子和奇异谱分析中的窗口宽度
。4.
根据权利要求1所述一种搅拌船称重系统优化算法，其特征是：步骤
S3
中传统的卡尔曼滤波过程可分为预测阶段和更新阶段
。5.
根据权利要求4所述一种搅拌船称重系统优化算法，其特征是：步骤
S3
中传统的卡尔曼滤波过程的预测阶段的实现过程为：状态预测：
X(t|t
‑
1)
＝
AX(t
‑
1) (3)
误差协方差预测：
P(t|t
‑
1)
＝
AP(t
‑
1)A
T
+Q (4)
更新阶段的实现过程为：卡尔曼增益更新：误差协方差更新：
P(t)
＝
(I
‑
K(t)C)P(t|t
‑
1)
ꢀꢀ
(6)
状态更新：
X(t)
＝
X(t|t
‑
1)+K(t)(Z(t)
‑
CX(t|t
‑
1))
ꢀꢀ
(7)
在式
(4)
至式
(8)
中，
X(t)
是
t
时刻的状态值，
Z(t)
是
t
时刻的观测值，
X(t|t
‑
1)
是根据
t
‑1时刻计算出的
t
时刻的状态估计值，
P(t)
是
t
时刻的误差协方差矩阵，
P(t|t
‑
1)
是根据
t
‑1时刻计算出的
t
时刻的误差协方差矩阵估计值，
K(t)
是
t
时刻的卡尔曼增益
。6.
根据权利要求1所述一种搅拌船称重系统优化算法，其特征是：步骤
S4
中还包括以下步骤：
通过变分模态分解将卡尔曼滤波处理后的信号分解为多个本征模态函数：
...

【专利技术属性】
技术研发人员：胡守增，程茂林，肖浩，程雪聪，张益鹏，夏昊，李冬冬，程雪斌，潘道辉，杨俊雅，董奇峰，纪晓宇，
申请(专利权)人：中交第二航务工程局有限公司，
类型：发明
国别省市：