一种塑料配料称重方法及系统

技术领域

本发明涉及塑料加工技术领域，具体为一种塑料配料称重方法及系统。

背景技术

目前，称重设备在各行各业中随处可见，广泛应用于饲料喂养、包装称重、塑料设备配料等设备中。由于塑料行业中各种塑料设备的种类较多，如注塑机、吹瓶机、吹膜机、流延膜机和挤出机等设备，称重配料在塑料行业的推广也越来越普遍，需求越来越多。由于塑料行业的产品对生产速度要求快、批量比例要求高，一旦配料的重量不达标或比例超出公差范围，生产出来的产品即为废品，这种要求在电子3C行业和医疗行业尤为严格。相对其他行业，塑料称重设备的精度要求和响应速度要求更高，因此，具有批量生产、方便调试、精度要求高的配料称重方法及系统尤为重要。

CN201710109032.9公开了一种塑料行业的称重配料设备，包括有控制器、模数转换器、称重传感器、原料斗、称重装置、第一阀门、第二阀门、多路开关、多路开关量输出模块、第一料位传感器、第二料位传感器、搅拌仓、电机驱动模块、电机和挤出机。本发明设备针对塑料行业的称重配料的复杂环境，通过控制器、多路开关量输出模块和电机驱动模块等结合，实现对电压波动、布线串扰、低频噪声、数模混合走线干扰等内部噪声干扰的抑制；此外，还通过金属屏蔽体实现对高温、潮湿、振动、电磁辐射等环境噪声干扰的抑制，从整体上增强控制器的可靠性。该技术方案中只是通过优化硬件抑制环境对系统的干扰，减小对称重结果的影响，没有从称重方法进行优化，不能实质提高配料称重的准确性。

发明内容

本发明的目的在于提供一种塑料配料称重方法及系统，解决常规通过优化硬件抑制环境对系统的干扰，减小对称重结果的影响，没有从称重方法进行优化，不能实质提高配料称重的准确性的问题，以克服现有技术的不足。

本发明通过以下技术方案，提供了一种塑料配料称重方法，通过气缸驱动配料斗的阀门，将配料斗内的塑料放下到称重传感器上，对下料的时间与重量的关系进行分解，得到配料的模型为：

Y＝a

其中：Y是阀门最终下料重量，a

还包括以上数学模型为基础，采用基于称重影响因素建立的神经元的迭代计算方法得到系数i，并使用系数i进行a

进一步的，基于称重影响因素与下料重量之间的关系，通过筛选称重影响因素而得到系数i的矩阵线性方程为：

i＝A

其中：A是空中待料延时，B是否回收料，C是设备震动，D是称重模块的零点漂移，E是室内温度补偿，F是料斗料位；K0、K1、K2、K3、K4和K5所述各称重影响因素的影响权重系数赋值；n是所述各称重影响因素的向量数。

进一步的，所述n范围为0～10000，所述矩阵线性方程采用有限幅滤波，所述i、K0、K1、K2、K3、K4和K5的数值范围为[0,1)。

进一步的，所述神经元的迭代计算过程包括离线学习和在线学习。

进一步的，所述离线学习包括系统启动以及自校准时，以少量多次方式进行配料称重并获取相关数据，计算确定a

进一步的，所述在线学习与系统运行同步进行，计算更新系数i,并根据系数i修正a

本发明还提供一种塑料配料称重系统，包括控制主机，所述控制主机连接有至少一个称重配料机；所述控制主机包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述所述方法。

本发明具有以下有益效果：建立了下料的时间与重量的数学模型，并基于称重影响因素的神经元的迭代计算系数i，使用系数i进行数学模型的修正更新，提高了适应性，在各种工作场景下都能满足非常高的精度需求。

附图说明

图1为本发明所述一种塑料配料称重方法的时间-重量关系曲线图。

图2为本发明所述一种塑料配料称重方法的迭代矩阵方程。

图3为本发明所述一种塑料配料称重方法的运行步骤示意图。

具体实施方式

下面参照图1-图3描述根据本申请一些实施例所述的一种塑料配料称重方法及系统。

目前市场上大部分的塑料称重配料都是通过气缸驱动阀门，实现把塑料下到具有称重传感器的称重盘上。

在实际生产中，这个过程会由于各种各样的原因引起误差，造成每次配料的不均匀，其中主要包括以下几种原因：

①称重传感器本身引起的随机误差，包括重复误差、非线性误差、零点漂移以及安装误差；

②配料过程物料下落对称重盘造成的冲击，造成读数的脉冲干扰；

③由于下料口与称重盘之间有一段距离，阀门关闭后，空中还会有一部分料有待下落，造成读数的延时，并且该延时时间跟不同的物料也有关系；

④实际生产中使用回收料，会有物料密度不均匀以及下料速度变慢的情况；

⑤料斗上料位的高低，不同的料位高低由于重力的影响下料的速度不一样。

其中，对称重误差影响最大的是空中待料和回收料。因此，在称重配料过程中必须把空中待料和回收料的称重影响考虑进去。

如附图1所示，以放料闸门的称重过程，采用固定时间打开阀门来测试下料重量的方法，通过多次测试数据拟合出来的时间-重量曲线，并估算出配料的数学模型：

Y＝a

其中：Y是阀门最终下料重量，a

此外，塑料颗粒下料配重的时间-重量关系具有以下几个特点：

①由于料仓的压力，无论下料时间多少，料阀下的料都有一个最小值。

②随着秤盘中下的料越来越多，料斗中的塑料颗粒也越来越少；由于重力的作用，开始的时候下料速度比较快，随着下料时间越长，下料速度越来越平缓。

③物料重量与时间的关系曲线是非线性的，但存在区域性的线性关系。

④前期下料时下料速度较急，速度平稳性较差；到了后期下料速度低了后，下料速度的平稳性相对前期好。

⑤随着称重盘中下的料越来越多，料斗中的物料与称重盘的落差越来越小，阀门关闭后空中待料被检测出来的时间差越短。也就是说，称重盘下料的目标重量越大，检测空中待料的延时越短，对塑料称重配料的误差就越小。

⑥不同材料密度的塑料下料速度不一样，这就导致时间-重量曲线的斜率不一样，相同时间内不同材料的重量的有所区别。

因此，通过筛选确定了A、B、C、D、E和F这6个主要的称重影响因素，A是空中待料延时，B是否回收料，C是设备震动，D是称重模块的零点漂移，E是室内温度补偿，F是料斗料位，并基于这6个称重影响因素建立了数学模型修正系数i的矩阵线性方程：

i＝A

其中，K0、K1、K2、K3、K4和K5所述各称重影响因素的影响权重系数赋值，范围在0～1,一般根据经验值预先在系统内设定；n是所述各称重影响因素的向量，范围为0～10000，；同时所述矩阵线性方程采用有限幅滤波，所述i的数值范围为[0,1)。

计算获得系数i后，使用系数i对数学模型中的a

塑料颗粒的称重配料的过程是非线性、不确定、不断重复的过程；由此，传统的开环控制方法或PID控制方法都很难对它进行精确控制。而迭代控制算法，是一种将自动控制与人工智能相结合的新型控制算法，它适用于具有某种重复运动特性的控制对象；可用于不确定甚至未知被控系统对象，同时该对象可以是非线性控制系统；具备自主学习记忆功能，可以在遇到类似或重复控制任务时迅速调取存储系统的信息，调整控制信号。即使不知道系统的准确模型，经过重复性的训练学习，系统也能达到较好的学习效果。在迭代学习过程中，选择学习增益非常重要，学习增益越大，收敛越快，波动越大；学习增益越小，收敛越慢，越稳定。

神经元网络是一个多输入、多输出的自学习非线性系统，但它并不是一个精确的数学模型，而是根据输入输出样本，通过结构的改变和参数的调整来不断地逼近实际系统。神经元网络具有逼近任意非线性系统、自适应、自学习和容错的能力，使得控制不需要被控对象精确的数学模型，可处理包含不确定性、不精确性和有噪声影响的问题。

神经元网络过程分学习期和工作期，而学习期又分为离线学习和在线学习，在线学习和工作期是同时进行的。在线学习是在系统运行过程中边工作边进行的，在线学习实时性高，但由于其输入输出训练集不能很快地覆盖系统所有可能的工作范围，所以它的收敛性慢。为了克服该缺点，需先进行离线学习，以便加快在线学习的过程。同时，在对象系统运行过程中特性变化的情况下，神经元网络能通过不断的在线学习，自适应地跟踪系统的变化。

迭代学习控制在刚开始的时候误差较大，但经过迭代后，系统能够趋于稳定状态；为了尽量降低这个缺点的影响，我们把神经元网络中的离线学习数据和在线学习数据引进迭代控制的初始化数据中，以此让迭代控制尽快收敛。

而神经元网络的离线学习也跟迭代控制一样，由于不知道目标对象的初始结构，存在收敛时间慢的问题。因此，如附图3所示，引起塑料颗粒称重配料的数学模型，让系统在此数学模型基础上进行离线学习，以缩短神经元网络的离线学习时间。

本发明还提供包括控制主机，所述控制主机连接有至少一个称重配料机；所述控制主机包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述所述方法。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。