乔爱民,何博侠,黄迎辉,王艳春,罗少轩
(1.蚌埠学院电子与电气工程学院,安徽 蚌埠 233000;2.南京理工大学机械工程学院,南京 210094)
基于动态扭矩传感器的荷重检测
乔爱民1*,何博侠2,黄迎辉1,王艳春1,罗少轩1
(1.蚌埠学院电子与电气工程学院,安徽 蚌埠 233000;2.南京理工大学机械工程学院,南京 210094)
动态扭矩传感器直接连接于旋转动力设备和荷重装置之间,可以输出与实际负载相关联的力矩信号。为了从动态扭矩传感器输出的力矩信号中得到实际负载,在荷重模型建立阶段,通过给荷重装置施加不同的负载,并对动态扭矩传感器输出力矩信号对应的AD转换值进行灰色关联校正,得到趋于稳定的AD转换校正值,在此基础上,利用移动最小二乘回归(MLSR)实现对荷重装置实际负载的非线性回归,得到实际负载与AD转换校正值间的非线性模型。在荷重检测阶段,进一步利用灰色关联校正并结合实际负载回归模型,得到荷重装置最终的实际负载。试验结果表明,结合灰色关联校正及移动最小二乘回归模型,荷重检测误差低于±0.3%。
动态扭矩传感器;荷重检测;灰色关联分析;移动最小二乘回归
动态扭矩传感器又称旋转扭矩传感器,广泛应用于电动机、旋转动力等设备的输出扭矩及功率检测。根据扭矩信号的传输方式,其类型可分为接触式和非接触式,其中非接触式动态扭矩传感器由于其非接触及使用寿命长等特点而得到广泛的应用[1-7],非接触式动态扭矩传感器主要利用光电耦合、磁耦合或无线等方式将力矩电信号对外传输[3,5-6]。
目前,在采用电动机驱动的起吊设备如闸门启闭机、提升机等,一般采用常规的传感器进行荷重检测,传感器通常为旁压式、柱销式或轴承座式等电阻应变式传感器[8-9]。当采用旁压式传感器进行荷重检测时,需要将传感器紧固于绳索上,除了对绳索具有一定的破坏作用外,重物提升时会造成绳索摆动,使得荷重检测误差较大,而对于采用柱销式或轴承座式传感器进行荷重检测时,对于重型起吊设备,传感器的安装及维护极其不便。而如果采用动态扭矩传感器检测荷重,安装及维护将非常方便,可将动态扭矩传感器与电动机直接连接,一方面可以起到联轴器的作用,另一方面,动态扭矩传感器输出与实际负载有较大关联的力矩信号,可通过对力矩信号实现实际负载的回归。
采用动态扭矩传感器的荷重检测系统,由于传感器安装在旋转动力设备的输出轴上,包括实际负载及产生于荷重装置机构内部的附加力同时施加于动态扭矩传感器,由于除了实际负载外,附加力矩有较大的随机性及波动性,从而造成传感器的力矩输出信号同样具有随机性和波动性,在实际的荷重检测过程中,需要对该随机性及波动性进行必要的抑制。
1.1 荷重信号的获取方式
荷重信号的获取方式如图1所示。将动态扭矩传感器与旋转动力设备如电动机的输出轴直接连接,实际负载引起的负载力矩及荷重装置与变速机构等引起的附件力矩共同作用于动态扭矩传感器,动态扭矩传感器输出与力矩对应的电信号,将动态扭矩传感器的输出信号变换为0~5 V的电压变送信号,并通过静态标定,2.5 V对应空载,5 V对应动态扭矩传感器受到的正向最大扭矩,0 V对应负向最大扭矩。
图1 采用动态扭矩传感器的荷重检测装置
1.2 荷重检测需要解决的问题
由于动态扭矩传感器和旋转动力设备的输出轴直接连接,其输出信号既包括实际负载引起的负载力矩,同时也包括了机构本身如变送机构的摩擦力、振动等产生的附加力矩成分,虽然由固定实际负载引起的负载力矩在其中占据主要比例成分且理论上是固定不变的,但由于附加力矩具有一定的随机性及波动性,导致动态扭矩传感器的输出信号也具有一定的波动性和随机性,同时,当实际负载变化时,基于动态扭矩传感器的荷重系统应能辨识实际负载的变化,因此,从力矩信号中得到实际负载大小是基于动态扭矩传感器的荷重检测系统需要解决的关键问题。
1.3 荷重检测系统
1.3.1 荷重检测系统硬件
荷重检测系统的硬件如图2所示,将动态扭矩传感器0~5 V的电压信号经低通滤波等处理后送入24位的Σ-Δ型AD转换器AD7190进行模数转换[10],硬件系统的核心采用基于ARM Cortex M4核的高性能STM32F427微控制器[11],系统硬件还包括如图所示的其他电路,便于荷重检测系统实现必需的实际应用功能。
图2 荷重检测系统硬件简图
图3 荷重检测软件流程图
1.3.2 荷重检测系统软件
从动态扭矩传感器的输出力矩信号中得到实际负载大小是系统软件的关键。一般来说,在基于动态扭矩传感器的荷重检测系统中,通过力矩值直接实现对实际负载的标定比较困难,可通过对力矩信号对应的AD转换值进行回归获得实际负载的大小。由于动态扭矩传感器的输出信号中既包含了由于实际负载引起的负载力矩,也包含了波动性及随机性较大的附加力矩成分,其对应的AD转换值波动性及随机性也较大,为了提高负载回归精度,在基于动态扭矩传感器的荷重回归模型建立过程中,不宜直接对传感器输出信号对应的AD转换值进行实际负载回归。
在具体的系统软件设计过程中,荷重检测采取分阶段的方法实现,在荷重模型建立阶段建立负载回归模型,在荷重检测阶段实现荷重装置的实际负载检测。在荷重模型建立阶段,为抑制和削弱动态扭矩传感器输出信号的波动性及随机性,采用基于灰色关联分析的校正环节对传感器输出力矩对应的AD转换值进行校正,通过给荷重装置施加不同的负载,得到不同负载对应的AD转换校正值,并采用移动最小二乘法实施对实际负载的回归,得到负载的回归模型。在实际的荷重检测阶段,利用模型建立阶段建立的负载回归模型,进一步结合灰色关联校正环节,得到最终的实际负载输出,具体的荷重检测软件流程图如图3所示。
2.1 结合灰色关联校正的荷重检测原理
结合灰色关联校正的荷重检测原理如图4所示。
图4 结合灰色关联校正的荷重检测原理
在荷重模型建立阶段,给荷重装置施加k个不同的负载,{Q}k×1为不同负载对应的AD转换值期望输出序列,{Qr}k×1为对应不同负载的灰色关联校正值序列,{Qc}k×1为常规预处理如低通滤波等模式下的输出量,{Qo}k×1为不同负载对应的经灰色关联校正后的AD转换校正值序列,将{Qo}k×1的集合平均值作为自变量,对应的不同固定负载为因变量,利用移动最小二乘法建立负载的回归模型M=f(Qo)。在荷重检测阶段,将荷重装置工作时传感器输出力矩对应的ADC转换值Dadc作为输入变量,通过负载回归模型得到实际负载回归值Mi,将起始工作时一定数量Mi的集合平均作为期望输出,进一步采用灰色关联校正,其校正量为Mr,得到最终的实际负载输出Mo。
2.2 荷重检测的灰色关联校正模型
灰色关联分析可以定量反映系统与各影响要素间的关联度大小,通过对因变因子数据序列对应的几何曲线的几何形状接近水平来判别其关联程度[12-16]。采用动态扭矩传感器构建的荷重检测系统,当动态扭矩传感器旋转时,通过辅助装置如辊筒等带动负载升降,由于荷重装置自身存在着诸如各位置摩擦力不相同等因素,导致即使荷重装置的负载固定,动态扭矩传感器的输出力矩也具有随机性和波动性。在荷重模型建立阶段,当荷重装置负载固定时,采用灰色关联校正环节,让系统的输出具有跟踪一常值期望输出的功能,可以使得两者之间的误差降低,从而可以降低和抑制传感器输出的随机波动性。
在荷重模型建立阶段,给荷重装置施加k个不同的固定负载,理想状况下,每个固定负载引起的力矩是恒定不变的,因此,在对动态扭矩传感器输出力矩对应的AD转换值进行灰色关联校正时,将元素为固定值的数据序列作为期望输出数据序列,某时间域内的实时AD转换值序列作为实际输出数据序列,计算两者之间的灰色关联度,如果两个数据序列越接近,则两者之间的灰色关联度就越高,灰色关联校正环节的校正量Qr就越小,反之则越大。
给荷重装置施加第p(0
(1)
式中:
灰色关联校正的强度由校正系数a决定,灰色关联分辨系数β通常情况下其值取为0.5,权重系数η1一般大于η2,且η1及η2需根据实际补偿结果进行调整,符号函数sgn(Qp-Yp)决定补偿量的方向,维数m的选择需要结合实际的补偿效果进行选择。
(2)
(3)
在实际的荷重检测阶段,其灰色关联校正模型和式(1)类似,但不同于荷重模型建立阶段给荷重装置施加的不同负载皆为固定值,在荷重检测阶段,灰色关联校正模型除了对实际荷重检测过程中传感器输出力矩的随机波动性进行抑制外,还需要对实际负载变化有跟踪功能,因此,在荷重检测阶段,其期望数据序列及维数的选取有别于荷重模型建立阶段。荷重检测阶段的期望数据序列应随时间域t不同而有所改变,其目的是为了系统输出能跟随实际负载变化,选取方法为:将当前时间域t前一个等时长的时间域内的负载回归输出集合平均值作为期望数据序列的元素,维数的选取应能满足该阶段灰色关联校正的功能需要,维数过小,对系统输出波动性及随机性的校正效果减弱,而维数过大,则导致跟踪负载变化的功能降低,其合理的维数需要经过反复测试。
2.3 基于移动最小二乘法的负载回归模型
由于其他因素引起的力矩存在,在荷重模型建立阶段输出的AD转换校正值的集合平均不完全由荷重装置的实际负载引起的,导致AD转换校正值与负载之间一般不为线性关系,同时,基于动态扭矩传感器的荷重检测系统,难以通过对其扭矩输出值进行常规的标定得到荷重装置的实际负载,需要通过对AD转换校正值回归实际负载。
目前,有很多回归方法在系统特性的模型重构、数据的拟合及逼近等应用领域得到广泛应用,如常用的最小二乘回归(LSR)。移动最小二乘回归(MLSR)对传统的最小二乘回归进行了一定的改进:①MLSR模型由系数向量及基函数构成,同时系数向量的元素为自变量坐标的函数。②引入紧支概念,自变量离散节点处的取值只受该节点附近子域内节点影响,而不受子域外的节点影响[17-20],利用这一点,通过在子域内定义一恰当的权函数,可以使得具有随机波动的离散数据集的拟合结果具有很好的去除噪点作用,荷重模型建立步骤如下:
①设自变量x为经灰色关联校正后的AD转换集合平均值,在其子域内,荷重预测模型为
(4)
式中:a(x)=[a1(x),a2(x),…,an(x)]T,p(x)=[p1(x),p2(x),…,pn(x)]T,a(x)为待求系数向量且是坐标X的函数,p(x)为基函数。
②选取基函数
p(x)=(1,x1/2,x,x3/2,x2)T(n=5)
(5)
③设在AD转换校正值集合平均的子域内有m个离散节点,定义
(6)
式中:ωi(x)为节点的高斯权函数,y(xi)为节点处的值。
④求J对a(x)的偏导数且令其值为0,并写成矩阵形式,可得
a(x)=A-1(x)B(x)Y
(7)
(8)
MLSR模型建立过程中,节点的子域及支持域半径选取需要根据实际的拟合效果进行选择。
在荷重检测阶段,利用模型建立阶段得到的荷重MLSR模型获取荷重装置的实际负载值时,需要进一步利用灰色关联校正,期望数据序列及维数选取的方法见前文所述,通过灰色关联校正结合荷重回归模型得到最终的实际负载输出Mo。
图5 基于动态扭矩传感器的荷重检测试验平台
采用直连式螺杆启闭机作为试验平台,其荷重满量程为8 000 kg,升降满行程为4 m,将动态扭矩传感器直接连接于电动机轴和螺杆启闭机的动力输入轴之间,具体见图5。目前,螺杆式启闭机广泛应用于农田水利工程中,但螺杆式启闭机的荷重检测一直是难以解决的问题,这里利用动态扭矩传感器采集力矩信息,并结合文中所述方法对螺杆启闭机上升满行程范围内的荷重检测精度进行验证,下降过程中的处理方法与上升过程类似。
试验前调节动态扭矩传感器的输出,5 V对应传感器受正向最大扭矩为,2.5 V对应空载,传感器受负向最大扭矩时输出为0 V,设置AD转换速率、工作极性及选取的实际位数分别为60次/s左右、双极性及15位。给试验装置施加均匀间隔为1 000 kg的0~8 000 kg共9种固定负载,并分别记录不同固定负载情况下实际负载上升时对应的AD转换值及其校正值。
以实际负载为5 000 kg时为例,在荷重模型建立阶段,取灰色关联校正系数α等于0.5,权重系数η1等于0.9,η2等于0.1,期望输出数据序列及实际输出数据序列维数m取12,期望数据序列的元素选定为常数,且其值取实际负载上升时前20个离散的AD转换值累加和平均,AD转换值及其校正值的变化曲线如图6所示。
图6 实际负载为5 000 kg时AD转换值及其校正值
在试验装置的全上升行程内,AD输出值及其校正值的波动情况见图7。
图7 荷重模型建立阶段输出值波动
从图6及图7可以看出,在试验装置的上升满行程范围内,即使试验装置的实际负载为恒定值,动态扭矩传感器输出力矩对应的AD转换值也具有较大的波动性及随机性。在荷重模型建立阶段,通过增加灰色关联校正模型,利用校正模型可以使实际输出数据序列具有追踪期望数据输出序列的特性,通过将期望输出数据序列的元素设置为有效常数,AD转换值经校正后其波动性及随机性得到显著的抑制,这可以有效提高实际负载回归模型的回归精度。
将离散的AD转换校正值的集合平均作为输入变量,对应的固定实际负载作为输出变量,分别利用MLSR及LSR建立荷重回归模型,其中MLSR的支持域半径为10,LSR回归多项式与MLSR的基函数相同。在实际荷重检测阶段,经反复试验,选取灰色关联校正环节的数据序列维数为20,期望输出数据序列选取方法见前文所述,首个时间域t内的期望数据序列的元素为负载上升时前20个离散的负载回归值的集合平均,得到试验装置在上升满行程范围内部分荷重检测偏差如表1所示,图8为上升满行程范围内分别采用MLSR及LSR结合灰色关联校正的偏差分布。
表1 满上升行程内结合灰色关联校正的荷重检测最大偏差值 单位:kg
由表1及图8可知,结合荷重检测阶段的灰色关联校正环节,以试验装置的荷重满量程8 000 kg计算,MLSR的实际负载回归误差不超过±0.3%,而LSR回归误差在±0.9%左右,利用MLSR的回归精度比LSR的回归精度要高,这是由于MLSR不同于LSR,MLSR回归函数中系数项ai(x)随自变量离散节点位置变化而变化,即其回归拟合函数是随着自变量离散点位置变化而变化的曲线,因此,在其支持域半径选择合理的情况下,可以得到比LSR更高的拟合精度。
图8 结合灰色关联校正的荷重检测偏差
通过上述分析,基于灰色关联分析的校正模型可以有效地抑制动态扭矩传感器输出的波动性及随机性,当采用荷重回归模型获取荷重装置的实际负载时,采用文中所述的荷重检测阶段的灰色关联校正仍然非常必要,如图9所示,在实际的荷重检测时,未结合灰色关联校正而直接采用MLSR模型获取荷重装置的实际负载时,在荷重满量程范围内,实际负载检测误差由原来的不超过±0.3%增加为±1.8%左右。
图9 未结合灰色关联校正的荷重检测偏差
在某些荷重检测应用领域,尤其是常规的荷重检测传感器不便于使用及安装不便的情况下,当驱动源为旋转动力设备时,可以选用动态扭矩传感器获取力矩信息,通过对传感器输出力矩信号进行相关的处理,最终获取实际负载。利用灰色关联校正原理中实际输出跟随期望输出的特性,在系统误差要求控制在一定范围内时,通过将灰色关联校正结合荷重回归模型可得到满足系统精度的实际负载值。
①研究了一种基于动态扭矩传感器的荷重检测方法,当荷重检测装置的动力源为旋转动力设备时,将动态扭矩传感器直接连接于动力设备与荷重设备之间,获取荷重设备工作时的力矩。
②在荷重回归模型建立阶段及荷重检测阶段,通过灰色关联校正环节有效抑制了传感器及荷重系统输出的随机波动性,为符合精度要求的荷重回归模型建立及获取荷重装置的实际负载提供了必要的前提条件。
③通过试验装置试验表明,结合灰色关联校正模型,在荷重满量程范围内,采用MLSR方法的实际负载回归误差小于±0.3%。
[1] 段翔兮,佃松宜,向国菲,等. 采用动态扭矩传感器的双电机同步性能检测系统[J]. 测控技术,2016,35(1):43-45.
[2] 柴继新,王恩锋,范小燕,等. 几种常见的电阻应变片式旋转扭矩传感器[J]. 计量、测试与校准,2010,30(2):34-36.
[3] 石延平,周庆贵,臧勇. 环形差动压磁式非接触动态扭矩传感器的研究与设计[J]. 中国机械工程,2011,22(17):2026-2030.
[4] 杨大志,胡光忠,柳忠彬. 一种阀门驱动器扭矩试验台设计方案[J]. 化工自动化及仪表,2011,38(12):1464-1466.
[5] 赵浩. 一种基于霍尔效应的扭矩传感器[J]. 传感技术学报,2016,29(10):1505-1508.
[6] Umbach F,Acker H,Kluge J V,et al. Contactless Measurement of Torque[J]. Mechatronics,2002,12(8):1023-1033.
[7] Hirzinger G,Albu-Schäffer A,Hähnle M,et al. On a New Generation of Torque Controlled Light-Weight Robots[C]//Conference on Robotics and Automation,Korea,IEEE,2001:3354-3363.
[8] 王德堂,何森,深庆彬,等. 单绳提升机运行动态载荷在线监测方法研究[J]. 煤矿现代化,2016(5):89-91.
[9] 罗少轩,乔爱民. 基于MC9S08JM16和AD7780的一体式旁压起重量限制器设计[J]. 蚌埠学院学报,2012,1(2):11-15.
[10] Analog Devices. AD7190 24bit Sigma-Delta ADC for Bridge Sensors[EB/OL]. www.analog.com,2016.
[11] ST Microelctronics. High Performance MCU STM32F4 Serials[EB/OL]. www.st.com,2016.
[12] 朱坚民,雷静桃,黄之文,等. 基于灰色关联补偿控制的气动位置伺服控制系统[J]. 机械工程学报,2012,48(20):159-166.
[13] 刘思峰,蔡华,杨英杰,等. 灰色关联分析模型研究进展[J]. 系统工程理论与实践,2013,33(8):2041-2046.
[14] 朱双,周建中,孟长青,等. 基于灰色关联分析的模糊支持向量机方法在径流预报中的应用研究[J]. 水力发电学报,2015,34(6):1-6.
[15] Zhang X R,Zhang Q L.Study on One New Grey Similarity Correlation Degree Model and Its Applications[J]. Journal of Chemical and Pharmaceutical Research,2014,6(6):1406-1411.
[16] Wang Z X. Correlation Analysis of Sequences With Interval Grey Numbers Based on the Kernel and Greyness Degree[J]. Kybernetes,2013,42(2):309-317.
[17] 宋绍民,王敏,王耀南,等. 传感器数据的精确重构方法及其性能研究[J]. 传感技术学报,2010,23(1):52-56.
[18] 杨武,刘莉,周思达,等. 移动最小二乘法的时变结构模态参数辨识[J]. 机械工程学报,2016,52(3):79-85.
[19] Zhang Y,Lai J,Du X. Vision-Related MLS Image Deformation Using Saliency Map[C]//Image and Graphics(ICIG),2011 Sixth International Conference on USA:IEEE,2011:193-198.
[20] 韩有昂,张英杰. 基于移动最小二乘法测量数据的数控刀轨生成[J]. 计算机集成制造系统,2011,17(3):638-642.
The Load Detection Based on Dynamic Torque Sensor
QIAO Aimin1*,HE Boxia2,HUANG Yinghui1,WANG Yanchun1,LUO Shaoxuan1
(1.School of Electronic and Electrical Engineering,Bengbu University,Bengbu Anhui 233000,China;2.School of Mechanical Engineering,Nanjing University of Science and Technology,Nanjing 210094,China)
Directly connected the load equipment to the rotary power one,the dynamic torque sensor could output the torque signal caused by both the actual load and the other factors such as frictional force of the load equipment. The actual load could be extracted from the sensor’s output signal of the torque to use two phases shown as fellows. In load modeling phase,a kind of corrected model based on gray correlation analysis was established to adjust the respective analog-to-digital converter(ADC)value caused by different actual loads. The corrected model could effectively decrease the fluctuation and random for the ADC value. The load model was gotten by moving least square regress(MLSR)through taking the corrected ADC values as the input variables and the individual actual load as the output ones. After the load regress model was founded,the actual load for the load equipment would be attained by combining the load regress model with the gray correlation corrected one in the load detection phrase. Experiment showed that the error of the load detection based on dynamic torque sensor was less than ±0.3%.
dynamic torque sensor;load detection;gray correlation analysis;moving least square regression
乔爱民(1970-),男,副教授,主要从事数据采集系统、微机控制及其自动化、嵌入式系统、机器视觉等方面的研究,aimin_qiao@163.com;
何博侠(1972-),男,博士,副教授,硕士生导师,2009年于东南大学获得博士学位,主要从事光电测试技术、微纳米测量技术、机械动力学及先进制造技术研究。
项目来源:国家自然科学基金项目(51175267,51575281);安徽省高校自然科学研究重点基金项目(KJ2017A565,KJ20160A452);安徽省高校优秀青年人才支持计划项目(gxyq2017098)
2016-12-04 修改日期:2017-01-26
TH823
A
1004-1699(2017)06-0886-07
C:7220
10.3969/j.issn.1004-1699.2017.06.014