[发明专利]一种自动加料称重系统的交互式多模型滤波方法

说明书

本发明涉及一种自动加料称重系统的交互式多模型滤波方法，包括：构建称重结构的物理模型及其状态方程和量测方程；构建状态方程和量测方程的参数的交互式多模型；根据交互式多模型对应的状态方程，计算每个模型的混合状态估计值与混合协方差估计值；对输入每个模型进行无迹卡尔曼滤波，输出当前时刻每个模型对应的状态估计值和协方差估计值；计算各模型的适用权重值，最终更新每个模型的概率矩阵；根据模型概率对每个模型的滤波结果加权合并，输出当前时刻的最优状态估计值和对应的状态估计协方差；多模型间切换可以准确地估计出物料的真实重量，进而能准确地切换粗细加料和切断加料，以此达到提高打包效率的同时，保证称重精度的要求。

技术领域

本发明涉及自动加料称重领域，尤其涉及一种自动加料称重系统的交互式多模型滤波方法。

背景技术

目前，在食品、工业原料、药品和金属五金等领域，许多生产线的后端都有自动加料称重包装这一环节，称重的速度和精度是这一环节的保障。而研究如何快速地从非稳态的动态称重信号中估计出被称物的真实重量，以减少干扰噪声对动态称重精度的影响，是这个环节的难点。有很多学者提出了提高称重精度的方法，主要有经验模拟分解法、卡尔曼滤波法、神经网络与噪声模型辨识法和小波滤波法等方法，每种方法不同程度地提高了称重精度，但是都有各自的不足。经验模态分解法易于实现，但设计者的经验知识对辨识参数有很大的影响，神经网络与噪声模型参数的结合，提高数据处理精度，该方法需要的测量样本大，且速度慢，小波变换滤波只能滤除部分的噪声，不能满足满足动态称重高精度的需求。

目前，最为常见的动态称重滤波方法是基于卡尔曼的改进算法,扩展卡尔曼，无迹卡尔曼和蒙特卡罗卡尔曼等都采用不同的方法计算均值和均方差，实现动态状态的最有估计，卡尔曼滤波堪称经典，但是在自动加料称重系统中，为了满足称重的速度和精度要求，加料过程分为粗加、粗细切换和细加三个阶段，通过单一模型卡尔曼滤波，与实际的自动加料称重模型不吻合。

发明内容

本发明针对现有技术中存在的技术问题，提供一种自动加料称重系统的交互式多模型滤波方法，解决现有技术中模型不吻合的问题。

本发明解决上述技术问题的技术方案如下：一种自动加料称重系统的交互式多模型滤波方法，所述方法包括：

步骤1，构建称重结构的物理模型及其状态方程和量测方程；

步骤2，构建所述状态方程和量测方程的参数的交互式多模型；

步骤3，根据所述交互式多模型对应的状态方程，将前一时刻的最优状态估计值、模型概率以及状态转移概率作为输入，计算每个模型的混合状态估计值与混合协方差估计值；

步骤4，对输入每个模型的混合状态估计值、混合协方差估计值和测量值进行无迹卡尔曼滤波，输出当前时刻每个模型对应的状态估计值和协方差估计值；

步骤5，采用极大似然函数来计算各模型的适用权重值，最终更新每个模型的概率矩阵；

步骤6，根据模型概率对每个模型的滤波结果加权合并，输出当前时刻的最优状态估计值和对应的状态估计协方差；

步骤7，将所述步骤6得到的最优状态估计值分别粗细加料切换值和包装值比较，如果所述最优状态估计值和粗细加料切换值的差在阈值范围之内，通过控制系统分别调整加料流量或者切断加料；如果所述最优状态估计值和所述包装纸的差在阈值范围之内，则结束该流程；重复执行所述步骤3-步骤7。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1构建的所述物理模型为:

[M(t)-M_d+m]x″+cx′+Kx＝[M(t)-M_d]g+F(t)；