喬愛民,何博俠,黃迎輝,王艷春,羅少軒

(1.蚌埠學(xué)院電子與電氣工程學(xué)院,安徽 蚌埠 233000;2.南京理工大學(xué)機械工程學(xué)院,南京 210094)

?

基于動態(tài)扭矩傳感器的荷重檢測

喬愛民1*,何博俠2,黃迎輝1,王艷春1,羅少軒1

(1.蚌埠學(xué)院電子與電氣工程學(xué)院,安徽 蚌埠 233000;2.南京理工大學(xué)機械工程學(xué)院,南京 210094)

動態(tài)扭矩傳感器直接連接于旋轉(zhuǎn)動力設(shè)備和荷重裝置之間,可以輸出與實際負載相關(guān)聯(lián)的力矩信號。為了從動態(tài)扭矩傳感器輸出的力矩信號中得到實際負載,在荷重模型建立階段,通過給荷重裝置施加不同的負載,并對動態(tài)扭矩傳感器輸出力矩信號對應(yīng)的AD轉(zhuǎn)換值進行灰色關(guān)聯(lián)校正,得到趨于穩(wěn)定的AD轉(zhuǎn)換校正值,在此基礎(chǔ)上,利用移動最小二乘回歸(MLSR)實現(xiàn)對荷重裝置實際負載的非線性回歸,得到實際負載與AD轉(zhuǎn)換校正值間的非線性模型。在荷重檢測階段,進一步利用灰色關(guān)聯(lián)校正并結(jié)合實際負載回歸模型,得到荷重裝置最終的實際負載。試驗結(jié)果表明,結(jié)合灰色關(guān)聯(lián)校正及移動最小二乘回歸模型,荷重檢測誤差低于±0.3%。

動態(tài)扭矩傳感器;荷重檢測;灰色關(guān)聯(lián)分析;移動最小二乘回歸

動態(tài)扭矩傳感器又稱旋轉(zhuǎn)扭矩傳感器,廣泛應(yīng)用于電動機、旋轉(zhuǎn)動力等設(shè)備的輸出扭矩及功率檢測。根據(jù)扭矩信號的傳輸方式,其類型可分為接觸式和非接觸式,其中非接觸式動態(tài)扭矩傳感器由于其非接觸及使用壽命長等特點而得到廣泛的應(yīng)用[1-7],非接觸式動態(tài)扭矩傳感器主要利用光電耦合、磁耦合或無線等方式將力矩電信號對外傳輸[3,5-6]。

目前,在采用電動機驅(qū)動的起吊設(shè)備如閘門啟閉機、提升機等,一般采用常規(guī)的傳感器進行荷重檢測,傳感器通常為旁壓式、柱銷式或軸承座式等電阻應(yīng)變式傳感器[8-9]。當(dāng)采用旁壓式傳感器進行荷重檢測時,需要將傳感器緊固于繩索上,除了對繩索具有一定的破壞作用外,重物提升時會造成繩索擺動,使得荷重檢測誤差較大,而對于采用柱銷式或軸承座式傳感器進行荷重檢測時,對于重型起吊設(shè)備,傳感器的安裝及維護極其不便。而如果采用動態(tài)扭矩傳感器檢測荷重,安裝及維護將非常方便,可將動態(tài)扭矩傳感器與電動機直接連接,一方面可以起到聯(lián)軸器的作用,另一方面,動態(tài)扭矩傳感器輸出與實際負載有較大關(guān)聯(lián)的力矩信號,可通過對力矩信號實現(xiàn)實際負載的回歸。

采用動態(tài)扭矩傳感器的荷重檢測系統(tǒng),由于傳感器安裝在旋轉(zhuǎn)動力設(shè)備的輸出軸上,包括實際負載及產(chǎn)生于荷重裝置機構(gòu)內(nèi)部的附加力同時施加于動態(tài)扭矩傳感器,由于除了實際負載外,附加力矩有較大的隨機性及波動性,從而造成傳感器的力矩輸出信號同樣具有隨機性和波動性,在實際的荷重檢測過程中,需要對該隨機性及波動性進行必要的抑制。

1 基于動態(tài)扭矩傳感器的荷重檢測方法

1.1 荷重信號的獲取方式

荷重信號的獲取方式如圖1所示。將動態(tài)扭矩傳感器與旋轉(zhuǎn)動力設(shè)備如電動機的輸出軸直接連接,實際負載引起的負載力矩及荷重裝置與變速機構(gòu)等引起的附件力矩共同作用于動態(tài)扭矩傳感器,動態(tài)扭矩傳感器輸出與力矩對應(yīng)的電信號,將動態(tài)扭矩傳感器的輸出信號變換為0～5 V的電壓變送信號,并通過靜態(tài)標(biāo)定,2.5 V對應(yīng)空載,5 V對應(yīng)動態(tài)扭矩傳感器受到的正向最大扭矩,0 V對應(yīng)負向最大扭矩。

圖1 采用動態(tài)扭矩傳感器的荷重檢測裝置

1.2 荷重檢測需要解決的問題

由于動態(tài)扭矩傳感器和旋轉(zhuǎn)動力設(shè)備的輸出軸直接連接,其輸出信號既包括實際負載引起的負載力矩,同時也包括了機構(gòu)本身如變送機構(gòu)的摩擦力、振動等產(chǎn)生的附加力矩成分,雖然由固定實際負載引起的負載力矩在其中占據(jù)主要比例成分且理論上是固定不變的,但由于附加力矩具有一定的隨機性及波動性,導(dǎo)致動態(tài)扭矩傳感器的輸出信號也具有一定的波動性和隨機性,同時,當(dāng)實際負載變化時,基于動態(tài)扭矩傳感器的荷重系統(tǒng)應(yīng)能辨識實際負載的變化,因此,從力矩信號中得到實際負載大小是基于動態(tài)扭矩傳感器的荷重檢測系統(tǒng)需要解決的關(guān)鍵問題。

1.3 荷重檢測系統(tǒng)

1.3.1 荷重檢測系統(tǒng)硬件

荷重檢測系統(tǒng)的硬件如圖2所示,將動態(tài)扭矩傳感器0～5 V的電壓信號經(jīng)低通濾波等處理后送入24位的Σ-Δ型AD轉(zhuǎn)換器AD7190進行模數(shù)轉(zhuǎn)換[10],硬件系統(tǒng)的核心采用基于ARM Cortex M4核的高性能STM32F427微控制器[11],系統(tǒng)硬件還包括如圖所示的其他電路,便于荷重檢測系統(tǒng)實現(xiàn)必需的實際應(yīng)用功能。

圖2 荷重檢測系統(tǒng)硬件簡圖

圖3 荷重檢測軟件流程圖

1.3.2 荷重檢測系統(tǒng)軟件

從動態(tài)扭矩傳感器的輸出力矩信號中得到實際負載大小是系統(tǒng)軟件的關(guān)鍵。一般來說,在基于動態(tài)扭矩傳感器的荷重檢測系統(tǒng)中,通過力矩值直接實現(xiàn)對實際負載的標(biāo)定比較困難,可通過對力矩信號對應(yīng)的AD轉(zhuǎn)換值進行回歸獲得實際負載的大小。由于動態(tài)扭矩傳感器的輸出信號中既包含了由于實際負載引起的負載力矩,也包含了波動性及隨機性較大的附加力矩成分,其對應(yīng)的AD轉(zhuǎn)換值波動性及隨機性也較大,為了提高負載回歸精度,在基于動態(tài)扭矩傳感器的荷重回歸模型建立過程中,不宜直接對傳感器輸出信號對應(yīng)的AD轉(zhuǎn)換值進行實際負載回歸。

在具體的系統(tǒng)軟件設(shè)計過程中,荷重檢測采取分階段的方法實現(xiàn),在荷重模型建立階段建立負載回歸模型,在荷重檢測階段實現(xiàn)荷重裝置的實際負載檢測。在荷重模型建立階段,為抑制和削弱動態(tài)扭矩傳感器輸出信號的波動性及隨機性,采用基于灰色關(guān)聯(lián)分析的校正環(huán)節(jié)對傳感器輸出力矩對應(yīng)的AD轉(zhuǎn)換值進行校正,通過給荷重裝置施加不同的負載,得到不同負載對應(yīng)的AD轉(zhuǎn)換校正值,并采用移動最小二乘法實施對實際負載的回歸,得到負載的回歸模型。在實際的荷重檢測階段,利用模型建立階段建立的負載回歸模型,進一步結(jié)合灰色關(guān)聯(lián)校正環(huán)節(jié),得到最終的實際負載輸出,具體的荷重檢測軟件流程圖如圖3所示。

2 基于動態(tài)扭矩傳感器的荷重檢測模型

2.1 結(jié)合灰色關(guān)聯(lián)校正的荷重檢測原理

結(jié)合灰色關(guān)聯(lián)校正的荷重檢測原理如圖4所示。

圖4 結(jié)合灰色關(guān)聯(lián)校正的荷重檢測原理

在荷重模型建立階段,給荷重裝置施加k個不同的負載,{Q}k×1為不同負載對應(yīng)的AD轉(zhuǎn)換值期望輸出序列,{Qr}k×1為對應(yīng)不同負載的灰色關(guān)聯(lián)校正值序列,{Qc}k×1為常規(guī)預(yù)處理如低通濾波等模式下的輸出量,{Qo}k×1為不同負載對應(yīng)的經(jīng)灰色關(guān)聯(lián)校正后的AD轉(zhuǎn)換校正值序列,將{Qo}k×1的集合平均值作為自變量,對應(yīng)的不同固定負載為因變量,利用移動最小二乘法建立負載的回歸模型M=f(Qo)。在荷重檢測階段,將荷重裝置工作時傳感器輸出力矩對應(yīng)的ADC轉(zhuǎn)換值Dadc作為輸入變量,通過負載回歸模型得到實際負載回歸值Mi,將起始工作時一定數(shù)量Mi的集合平均作為期望輸出,進一步采用灰色關(guān)聯(lián)校正,其校正量為Mr,得到最終的實際負載輸出Mo。

2.2 荷重檢測的灰色關(guān)聯(lián)校正模型

灰色關(guān)聯(lián)分析可以定量反映系統(tǒng)與各影響要素間的關(guān)聯(lián)度大小,通過對因變因子數(shù)據(jù)序列對應(yīng)的幾何曲線的幾何形狀接近水平來判別其關(guān)聯(lián)程度[12-16]。采用動態(tài)扭矩傳感器構(gòu)建的荷重檢測系統(tǒng),當(dāng)動態(tài)扭矩傳感器旋轉(zhuǎn)時,通過輔助裝置如輥筒等帶動負載升降,由于荷重裝置自身存在著諸如各位置摩擦力不相同等因素,導(dǎo)致即使荷重裝置的負載固定,動態(tài)扭矩傳感器的輸出力矩也具有隨機性和波動性。在荷重模型建立階段,當(dāng)荷重裝置負載固定時,采用灰色關(guān)聯(lián)校正環(huán)節(jié),讓系統(tǒng)的輸出具有跟蹤一常值期望輸出的功能,可以使得兩者之間的誤差降低,從而可以降低和抑制傳感器輸出的隨機波動性。

在荷重模型建立階段,給荷重裝置施加k個不同的固定負載,理想狀況下,每個固定負載引起的力矩是恒定不變的,因此,在對動態(tài)扭矩傳感器輸出力矩對應(yīng)的AD轉(zhuǎn)換值進行灰色關(guān)聯(lián)校正時,將元素為固定值的數(shù)據(jù)序列作為期望輸出數(shù)據(jù)序列,某時間域內(nèi)的實時AD轉(zhuǎn)換值序列作為實際輸出數(shù)據(jù)序列,計算兩者之間的灰色關(guān)聯(lián)度,如果兩個數(shù)據(jù)序列越接近,則兩者之間的灰色關(guān)聯(lián)度就越高,灰色關(guān)聯(lián)校正環(huán)節(jié)的校正量Qr就越小,反之則越大。

給荷重裝置施加第p(0

(1)

式中:

灰色關(guān)聯(lián)校正的強度由校正系數(shù)a決定,灰色關(guān)聯(lián)分辨系數(shù)β通常情況下其值取為0.5,權(quán)重系數(shù)η1一般大于η2,且η1及η2需根據(jù)實際補償結(jié)果進行調(diào)整,符號函數(shù)sgn(Qp-Yp)決定補償量的方向,維數(shù)m的選擇需要結(jié)合實際的補償效果進行選擇。

(2)

(3)

在實際的荷重檢測階段,其灰色關(guān)聯(lián)校正模型和式(1)類似,但不同于荷重模型建立階段給荷重裝置施加的不同負載皆為固定值,在荷重檢測階段,灰色關(guān)聯(lián)校正模型除了對實際荷重檢測過程中傳感器輸出力矩的隨機波動性進行抑制外,還需要對實際負載變化有跟蹤功能,因此,在荷重檢測階段,其期望數(shù)據(jù)序列及維數(shù)的選取有別于荷重模型建立階段。荷重檢測階段的期望數(shù)據(jù)序列應(yīng)隨時間域t不同而有所改變,其目的是為了系統(tǒng)輸出能跟隨實際負載變化,選取方法為:將當(dāng)前時間域t前一個等時長的時間域內(nèi)的負載回歸輸出集合平均值作為期望數(shù)據(jù)序列的元素,維數(shù)的選取應(yīng)能滿足該階段灰色關(guān)聯(lián)校正的功能需要,維數(shù)過小,對系統(tǒng)輸出波動性及隨機性的校正效果減弱,而維數(shù)過大,則導(dǎo)致跟蹤負載變化的功能降低,其合理的維數(shù)需要經(jīng)過反復(fù)測試。

2.3 基于移動最小二乘法的負載回歸模型

由于其他因素引起的力矩存在,在荷重模型建立階段輸出的AD轉(zhuǎn)換校正值的集合平均不完全由荷重裝置的實際負載引起的,導(dǎo)致AD轉(zhuǎn)換校正值與負載之間一般不為線性關(guān)系,同時,基于動態(tài)扭矩傳感器的荷重檢測系統(tǒng),難以通過對其扭矩輸出值進行常規(guī)的標(biāo)定得到荷重裝置的實際負載,需要通過對AD轉(zhuǎn)換校正值回歸實際負載。

目前,有很多回歸方法在系統(tǒng)特性的模型重構(gòu)、數(shù)據(jù)的擬合及逼近等應(yīng)用領(lǐng)域得到廣泛應(yīng)用,如常用的最小二乘回歸(LSR)。移動最小二乘回歸(MLSR)對傳統(tǒng)的最小二乘回歸進行了一定的改進:①MLSR模型由系數(shù)向量及基函數(shù)構(gòu)成,同時系數(shù)向量的元素為自變量坐標(biāo)的函數(shù)。②引入緊支概念,自變量離散節(jié)點處的取值只受該節(jié)點附近子域內(nèi)節(jié)點影響,而不受子域外的節(jié)點影響[17-20],利用這一點,通過在子域內(nèi)定義一恰當(dāng)?shù)臋?quán)函數(shù),可以使得具有隨機波動的離散數(shù)據(jù)集的擬合結(jié)果具有很好的去除噪點作用,荷重模型建立步驟如下:

①設(shè)自變量x為經(jīng)灰色關(guān)聯(lián)校正后的AD轉(zhuǎn)換集合平均值,在其子域內(nèi),荷重預(yù)測模型為

(4)

式中:a(x)=[a1(x),a2(x),…,an(x)]T,p(x)=[p1(x),p2(x),…,pn(x)]T,a(x)為待求系數(shù)向量且是坐標(biāo)X的函數(shù),p(x)為基函數(shù)。

②選取基函數(shù)

p(x)=(1,x1/2,x,x3/2,x2)T(n=5)

(5)

③設(shè)在AD轉(zhuǎn)換校正值集合平均的子域內(nèi)有m個離散節(jié)點,定義

(6)

式中:ωi(x)為節(jié)點的高斯權(quán)函數(shù),y(xi)為節(jié)點處的值。

④求J對a(x)的偏導(dǎo)數(shù)且令其值為0,并寫成矩陣形式,可得

a(x)=A-1(x)B(x)Y

(7)

(8)

MLSR模型建立過程中,節(jié)點的子域及支持域半徑選取需要根據(jù)實際的擬合效果進行選擇。

在荷重檢測階段,利用模型建立階段得到的荷重MLSR模型獲取荷重裝置的實際負載值時,需要進一步利用灰色關(guān)聯(lián)校正,期望數(shù)據(jù)序列及維數(shù)選取的方法見前文所述,通過灰色關(guān)聯(lián)校正結(jié)合荷重回歸模型得到最終的實際負載輸出Mo。

圖5 基于動態(tài)扭矩傳感器的荷重檢測試驗平臺

3 結(jié)果分析

采用直連式螺桿啟閉機作為試驗平臺,其荷重滿量程為8 000 kg,升降滿行程為4 m,將動態(tài)扭矩傳感器直接連接于電動機軸和螺桿啟閉機的動力輸入軸之間,具體見圖5。目前,螺桿式啟閉機廣泛應(yīng)用于農(nóng)田水利工程中,但螺桿式啟閉機的荷重檢測一直是難以解決的問題,這里利用動態(tài)扭矩傳感器采集力矩信息,并結(jié)合文中所述方法對螺桿啟閉機上升滿行程范圍內(nèi)的荷重檢測精度進行驗證,下降過程中的處理方法與上升過程類似。

試驗前調(diào)節(jié)動態(tài)扭矩傳感器的輸出,5 V對應(yīng)傳感器受正向最大扭矩為,2.5 V對應(yīng)空載,傳感器受負向最大扭矩時輸出為0 V,設(shè)置AD轉(zhuǎn)換速率、工作極性及選取的實際位數(shù)分別為60次/s左右、雙極性及15位。給試驗裝置施加均勻間隔為1 000 kg的0～8 000 kg共9種固定負載,并分別記錄不同固定負載情況下實際負載上升時對應(yīng)的AD轉(zhuǎn)換值及其校正值。

以實際負載為5 000 kg時為例,在荷重模型建立階段,取灰色關(guān)聯(lián)校正系數(shù)α等于0.5,權(quán)重系數(shù)η1等于0.9,η2等于0.1,期望輸出數(shù)據(jù)序列及實際輸出數(shù)據(jù)序列維數(shù)m取12,期望數(shù)據(jù)序列的元素選定為常數(shù),且其值取實際負載上升時前20個離散的AD轉(zhuǎn)換值累加和平均,AD轉(zhuǎn)換值及其校正值的變化曲線如圖6所示。

圖6 實際負載為5 000 kg時AD轉(zhuǎn)換值及其校正值

在試驗裝置的全上升行程內(nèi),AD輸出值及其校正值的波動情況見圖7。

圖7 荷重模型建立階段輸出值波動

從圖6及圖7可以看出,在試驗裝置的上升滿行程范圍內(nèi),即使試驗裝置的實際負載為恒定值,動態(tài)扭矩傳感器輸出力矩對應(yīng)的AD轉(zhuǎn)換值也具有較大的波動性及隨機性。在荷重模型建立階段,通過增加灰色關(guān)聯(lián)校正模型,利用校正模型可以使實際輸出數(shù)據(jù)序列具有追蹤期望數(shù)據(jù)輸出序列的特性,通過將期望輸出數(shù)據(jù)序列的元素設(shè)置為有效常數(shù),AD轉(zhuǎn)換值經(jīng)校正后其波動性及隨機性得到顯著的抑制,這可以有效提高實際負載回歸模型的回歸精度。

將離散的AD轉(zhuǎn)換校正值的集合平均作為輸入變量,對應(yīng)的固定實際負載作為輸出變量,分別利用MLSR及LSR建立荷重回歸模型,其中MLSR的支持域半徑為10,LSR回歸多項式與MLSR的基函數(shù)相同。在實際荷重檢測階段,經(jīng)反復(fù)試驗,選取灰色關(guān)聯(lián)校正環(huán)節(jié)的數(shù)據(jù)序列維數(shù)為20,期望輸出數(shù)據(jù)序列選取方法見前文所述,首個時間域t內(nèi)的期望數(shù)據(jù)序列的元素為負載上升時前20個離散的負載回歸值的集合平均,得到試驗裝置在上升滿行程范圍內(nèi)部分荷重檢測偏差如表1所示,圖8為上升滿行程范圍內(nèi)分別采用MLSR及LSR結(jié)合灰色關(guān)聯(lián)校正的偏差分布。

表1 滿上升行程內(nèi)結(jié)合灰色關(guān)聯(lián)校正的荷重檢測最大偏差值 單位:kg

由表1及圖8可知,結(jié)合荷重檢測階段的灰色關(guān)聯(lián)校正環(huán)節(jié),以試驗裝置的荷重滿量程8 000 kg計算,MLSR的實際負載回歸誤差不超過±0.3%,而LSR回歸誤差在±0.9%左右,利用MLSR的回歸精度比LSR的回歸精度要高,這是由于MLSR不同于LSR,MLSR回歸函數(shù)中系數(shù)項ai(x)隨自變量離散節(jié)點位置變化而變化,即其回歸擬合函數(shù)是隨著自變量離散點位置變化而變化的曲線,因此,在其支持域半徑選擇合理的情況下,可以得到比LSR更高的擬合精度。

圖8 結(jié)合灰色關(guān)聯(lián)校正的荷重檢測偏差

通過上述分析,基于灰色關(guān)聯(lián)分析的校正模型可以有效地抑制動態(tài)扭矩傳感器輸出的波動性及隨機性,當(dāng)采用荷重回歸模型獲取荷重裝置的實際負載時,采用文中所述的荷重檢測階段的灰色關(guān)聯(lián)校正仍然非常必要,如圖9所示,在實際的荷重檢測時,未結(jié)合灰色關(guān)聯(lián)校正而直接采用MLSR模型獲取荷重裝置的實際負載時,在荷重滿量程范圍內(nèi),實際負載檢測誤差由原來的不超過±0.3%增加為±1.8%左右。

圖9 未結(jié)合灰色關(guān)聯(lián)校正的荷重檢測偏差

在某些荷重檢測應(yīng)用領(lǐng)域,尤其是常規(guī)的荷重檢測傳感器不便于使用及安裝不便的情況下,當(dāng)驅(qū)動源為旋轉(zhuǎn)動力設(shè)備時,可以選用動態(tài)扭矩傳感器獲取力矩信息,通過對傳感器輸出力矩信號進行相關(guān)的處理,最終獲取實際負載。利用灰色關(guān)聯(lián)校正原理中實際輸出跟隨期望輸出的特性,在系統(tǒng)誤差要求控制在一定范圍內(nèi)時,通過將灰色關(guān)聯(lián)校正結(jié)合荷重回歸模型可得到滿足系統(tǒng)精度的實際負載值。

4 結(jié)論

①研究了一種基于動態(tài)扭矩傳感器的荷重檢測方法,當(dāng)荷重檢測裝置的動力源為旋轉(zhuǎn)動力設(shè)備時,將動態(tài)扭矩傳感器直接連接于動力設(shè)備與荷重設(shè)備之間,獲取荷重設(shè)備工作時的力矩。

②在荷重回歸模型建立階段及荷重檢測階段,通過灰色關(guān)聯(lián)校正環(huán)節(jié)有效抑制了傳感器及荷重系統(tǒng)輸出的隨機波動性,為符合精度要求的荷重回歸模型建立及獲取荷重裝置的實際負載提供了必要的前提條件。

③通過試驗裝置試驗表明,結(jié)合灰色關(guān)聯(lián)校正模型,在荷重滿量程范圍內(nèi),采用MLSR方法的實際負載回歸誤差小于±0.3%。

[1] 段翔兮,佃松宜,向國菲,等. 采用動態(tài)扭矩傳感器的雙電機同步性能檢測系統(tǒng)[J]. 測控技術(shù),2016,35(1):43-45.

[2] 柴繼新,王恩鋒,范小燕,等. 幾種常見的電阻應(yīng)變片式旋轉(zhuǎn)扭矩傳感器[J]. 計量、測試與校準,2010,30(2):34-36.

[3] 石延平,周慶貴,臧勇. 環(huán)形差動壓磁式非接觸動態(tài)扭矩傳感器的研究與設(shè)計[J]. 中國機械工程,2011,22(17):2026-2030.

[4] 楊大志,胡光忠,柳忠彬. 一種閥門驅(qū)動器扭矩試驗臺設(shè)計方案[J]. 化工自動化及儀表,2011,38(12):1464-1466.

[5] 趙浩. 一種基于霍爾效應(yīng)的扭矩傳感器[J]. 傳感技術(shù)學(xué)報,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-Sch?ffer A,H?hnle 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,深慶彬,等. 單繩提升機運行動態(tài)載荷在線監(jiān)測方法研究[J]. 煤礦現(xiàn)代化,2016(5):89-91.

[9] 羅少軒,喬愛民. 基于MC9S08JM16和AD7780的一體式旁壓起重量限制器設(shè)計[J]. 蚌埠學(xué)院學(xué)報,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] 朱堅民,雷靜桃,黃之文,等. 基于灰色關(guān)聯(lián)補償控制的氣動位置伺服控制系統(tǒng)[J]. 機械工程學(xué)報,2012,48(20):159-166.

[13] 劉思峰,蔡華,楊英杰,等. 灰色關(guān)聯(lián)分析模型研究進展[J]. 系統(tǒng)工程理論與實踐,2013,33(8):2041-2046.

[14] 朱雙,周建中,孟長青,等. 基于灰色關(guān)聯(lián)分析的模糊支持向量機方法在徑流預(yù)報中的應(yīng)用研究[J]. 水力發(fā)電學(xué)報,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] 宋紹民,王敏,王耀南,等. 傳感器數(shù)據(jù)的精確重構(gòu)方法及其性能研究[J]. 傳感技術(shù)學(xué)報,2010,23(1):52-56.

[18] 楊武,劉莉,周思達,等. 移動最小二乘法的時變結(jié)構(gòu)模態(tài)參數(shù)辨識[J]. 機械工程學(xué)報,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] 韓有昂,張英杰. 基于移動最小二乘法測量數(shù)據(jù)的數(shù)控刀軌生成[J]. 計算機集成制造系統(tǒng),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

喬愛民(1970-),男,副教授,主要從事數(shù)據(jù)采集系統(tǒng)、微機控制及其自動化、嵌入式系統(tǒng)、機器視覺等方面的研究,aimin_qiao@163.com;

何博俠(1972-),男,博士,副教授,碩士生導(dǎo)師,2009年于東南大學(xué)獲得博士學(xué)位,主要從事光電測試技術(shù)、微納米測量技術(shù)、機械動力學(xué)及先進制造技術(shù)研究。

項目來源:國家自然科學(xué)基金項目(51175267,51575281);安徽省高校自然科學(xué)研究重點基金項目(KJ2017A565,KJ20160A452);安徽省高校優(yōu)秀青年人才支持計劃項目(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