专利名称：：基于灰色理论的称重传感器故障预测方法
技术领域：
：本发明涉及一种对传感器故障预测方法，尤其是涉及一种基于灰色理论的称重传感器故障预测方法。
背景技术：
：在现有的称重系统中，传感器的故障基本上分大两大类一类为硬故障；一类为软故障。由于硬故障是随机发生，是无法提前或很难提前知道并也很难采取相应的措施。而软故障则是因称重传感器性能缓慢变化，如零点漂移或灵敏度发生变化而引起最终失效。虽然人们能得到一些传感器的历史数据，但目前还没有一种能通过对这些历史数据进行处理，来判断传感器系统何时会发生故障，提前预报传感器系统工作故障的方法。所以，通常的作法也只能等传感器出现故障后，临时对出故障的传感器进行更换或处理，而无法达到提前预报进行控制的目的，使得称重系统的工作可靠性很难进一步提高。
发明内容本发明所要解决的技术问题是提供一种基于灰色理论的称重传感器故障预测方法，利用传感器输出的零点或灵敏度历史数据，建立动态模型的时间响应方程，通过计算得出预报值，准确地预见传感器将要发生的故障，实现预先控制，从而提高称重系统的工作可靠性。本发明为达到上述目的的技术方案是一种基于灰色理论的称重传感器故障预测方法，(1)、检测、记录相同条件下，传感器输出的零点原始数据或灵敏度原始数据X(0)(i)；(2)、对原始数据至少进行一次累加，生成序列值X(1)(i)；(3)、依序列值用最小二乘法来计算估计常数值和其数学表达式<math><mrow><mover><mi>U</mi><mo>^</mo></mover><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mover><mi>a</mi><mo>^</mo></mover></mtd></mtr><mtr><mtd><mover><mi>u</mi><mo>^</mo></mover></mtd></mtr></mtable></mfenced><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi></mrow></math>其中B、Y是以序列值和原始数据建立矩阵式，其数学表达式<math><mrow><mi>B</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>N</mi><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>N</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced></mrow></math>Y＝(x(0)(2)，x(0)(3)，...，x(0)(N))T(4)、建立时间响应微分方程的动态模型，并计算序列估计值，其数学表达式<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mover><mi>a</mi><mo>^</mo></mover><mi>k</mi></mrow></msup><mo>+</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac></mrow></math>当k＝1，2，...，N-1时，序列估计值为拟合值；当K≥N时，序列估计值为预报值，K——取样时刻；(5)、再用序列估计值累减还原得模型估计值(6)、将模型估计值与设定超差值进行对比判断，预报何时将会发生故障。本发明采用上述技术方案后的优点在于本发明利用传感器零点输出原始数据或灵敏度输出原始数据，利用灰色理论，建立时间响应方程的动态模型，对获取的原始数据作累加处理，利用生成序列值作为样本值，确定时间响应方程的系数，用时间响应方程计算出称重传感器输出的拟合和预报的序列估计值，通过对序列估计值进行累减还原成模型估计值，该值与设定超差值相比，来判断传感器是否有可能失效，或何时有可能失效，由于能预见传感器将要发生的故障，因此能提前发出警告，实现预先控制，从而提高称重系统的工作可靠性。本发明的预测方法是通过对称重传感器零点漂移以及灵敏度的变化进行检测及计算，预告传感器零点及灵敏度的变化以提高系统的运行可靠性，实施方便，具有很好的应用前景。本发明解决了测试传感器工作状态的系统中，需检测传感器的灵敏度实施性差的问题，通过采集一组传感器的输出与系统中其余传感器的输出和之比或该传感器与相邻传感器的输出之比，为比例因子来模拟表示传感器灵敏度原始数据，检测是否有传感器灵度发生变化，简化了检测手段，可操作性强。下面结合附图对本发明的实施例作进一步的详细描述。图1是本发明的流程图。图2是本发明传感器零点的模型估计值与原始数据比较图。图3是本发明传感器比例因子的模型估计值与原始数据比较图。图4是本发明传感器零点经残差修正后模型估计值与原始数据比较图。具体实施例方式本发明基于灰色理论的称重传感器故障预测方法见图1所示，具体步骤如下(1)、测量、记录相同条件下传感器输出的原始数据，传感器输出原始数据是零点原始数据或灵敏度原始数据，零点原始数据是称重传感器间隔相同时间内，检测记录的四个或四个以上的零点原始数据；而灵敏度原始数据则是通过采集一组称重传感器的输出与系统中其余传感器的输出和之比，或该传感器的输出与相邻传感器输出之比为比例因子来模拟表示传感器灵敏度原始数据，且检测、记录的灵敏度原始数据在四个或四个以上，其数学表达式为x(0)(i)＝{x(0)(1)，x(0)(2)，...x(0)(N)}其中N——取样数，X(0)(i)—原始数据。(2)、对原始数据至少进行一次累加生成序列值，数学表达式为<math><mrow><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>i</mi></munderover><msup><mi>x</mi><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></math>其中X(0)(i)——原始数据，且i≥1；X(1)(i)——序列值。(3)、用最小二乘法对序列值计算估计常数值和数学表达式为<math><mrow><mover><mi>U</mi><mo>^</mo></mover><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mover><mi>a</mi><mo>^</mo></mover></mtd></mtr><mtr><mtd><mover><mi>u</mi><mo>^</mo></mover></mtd></mtr></mtable></mfenced><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi><mo>,</mo></mrow></math>其中B、Y是以序列值和原始数据建立矩阵式，其数学表达式<math><mrow><mi>B</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>N</mi><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>N</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced></mrow></math>Y＝(x(0)(2)，x(0)(3)，...，x(0)(N))T。(4)、建立时间响应微分方程的动态模型，并计算序列估计值，①、用生成的序列值建立微分方程型的动态模型，<math><mrow><mfrac><msup><mi>dx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mi>dt</mi></mfrac><mo>+</mo><mi>a</mi><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>=</mo><mi>u</mi></mrow></math>其中α——常系数，u——对系统的常定输入，上述动态模型写为<math><mrow><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><msub><mi>t</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>-</mo><mfrac><mi>u</mi><mi>a</mi></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mi>a</mi><mrow><mo>(</mo><mi>t</mi><mo>-</mo><msub><mi>t</mi><mn>0</mn></msub><mo>)</mo></mrow></mrow></msup><mo>+</mo><mfrac><mi>u</mi><mi>a</mi></mfrac><mo>,</mo></mrow></math>当对等间隔取样的离散值则为<math><mrow><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mi>u</mi><mi>a</mi></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mi>ak</mi></mrow></msup><mo>+</mo><mfrac><mi>u</mi><mi>a</mi></mfrac></mrow></math>②把估计常数值和代入上述方程，即得到时间响应方程的动态模型<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mover><mi>a</mi><mo>^</mo></mover><mi>k</mi></mrow></msup><mo>+</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac></mrow></math>其中——序列估计值；当k＝1，2，…，N-1时，序列估计值为拟合值；当K≥N时，序列估计值为预报值，K——取样时刻。(5)、再用模型估计值进行累减运算得模型值，数学表达式<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>2.3</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>N</mi></mrow></math>本发明用后减还原时，还可是直接用序列值x(1)(i-1)替代上述中的序列估计值使还原后计算的模型估计值更接近于原始数据。(6)、模型估计值与设定超差值进行对比，预报将要在何时会发生故障，预见传感器将要发生的故障，因此能提前发出警告，实现预先控制，从而提高称重系统的工作可靠性。在上述的建模过程中，本发明可采用平均相对误差来检查时间响应微分方程的模型精度，其数学表达式<math><mrow><msub><mi>e</mi><mi>a</mi></msub><mo>=</mo><mfrac><mn>1</mn><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>2</mn></mrow><mi>N</mi></munderover><mo>|</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>/</mo><mo>|</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo></mrow></math>其中N——取样次数，x(0)(i)——原始数据，——模型估计值，本发明还可用均方根误差进行对模型精度进行检查，当模型精度小于给定精度时，用时间响应微分方程作外推预测。若误差较大，模型精度不够，可以采用以下措施进行改进一种是对原始数据进行多次累加生成序列值，可对原始数据进行3～20次的累加，一般视误差情况决定，用该序列值建立微分方程型的动态模型。另一种则是采用残差建立模型以修正原模型，对残差进行修正时，用序列值与序列估计值之差作新的残差序列其数学表达式<math><mrow><msup><mi>&epsiv;</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo></mrow></math>1＝2，3，....N，用上述建模步骤建立新的微分方程型的动态模型，再把这残差模型的估计值加到序列估计值上去，对时间响应微分方程进行修正，以提高提高动态模型的精度。若进行一次残差修正后精度仍不够，还可对修正后的模型作第二次、第三次或更多的修正，直到满意为止。实施例1原始数据是称重传感器间隔相同时间内所采集的零点原始数据。对称重系统的传感器零点进行跟踪测试，开始安装的传感器每隔两月采集一次零点。具体过程如下选择一台试验用3t料斗秤，其中传感器1的零点输出如下(1)、测量、记录传感器输出零点原始数据，原始数据见表1表1序号1234X(0)2341214322422876(2)、对原始数据至少进行一次累加生成序列值，见表2，表2序号1234X(1)2341448467269602(3)、计算估计常数值和建立数据矩阵B，Y<math><mrow><mi>B</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn><mo>.</mo></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mn>3412.5</mn></mtd><mtd></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>-</mo><mn>5605</mn></mtd><mtd><mn>1</mn></mtd><mtd></mtd></mtr><mtr><mtd><mo>-</mo><mn>8164</mn></mtd><mtd><mn>1</mn></mtd><mtd></mtd></mtr></mtable></mfenced></mrow></math>Y＝(x(0)(2)，x(0)(3)，...，x(0)(N))T＝(2143，2242，2876)T求得<math><mrow><mover><mi>U</mi><mo>^</mo></mover><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mover><mi>a</mi><mo>^</mo></mover></mtd></mtr><mtr><mtd><mover><mi>u</mi><mo>^</mo></mover></mtd></mtr></mtable></mfenced><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mn>0.156851</mn></mtd></mtr><mtr><mtd><mn>1522.021606</mn></mtd></mtr></mtable></mfenced></mrow></math>(4)、时间响应微分方程的动态模型，并计算序列估计值，<math><mrow><mfrac><msup><mi>dx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mi>dt</mi></mfrac><mo>-</mo><mn>0.156851</mn><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>=</mo><mn>1522.021606</mn></mrow></math><math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mover><mi>a</mi><mo>^</mo></mover><mi>k</mi></mrow></msup><mo>+</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>=</mo><mn>12044.61528</mn><msup><mi>e</mi><mrow><mo>-</mo><mn>0.156851</mn><mi>k</mi></mrow></msup><mo>-</mo><mn>9703.61528</mn></mrow></math>(5)、再用序列估计值进行累减运算得计算后模型估计值，<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>2.3</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>N</mi></mrow></math>计算值见表3，表3从表3的模型效果验证可以得出该时间响应方程的误差小于10％，精度基本达到要求，不用进行残差修正，此时间响应微分方程既为建立的模型<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mn>12044.61528</mn><msup><mi>e</mi><mrow><mo>-</mo><mn>0.156851</mn><mi>k</mi></mrow></msup><mo>-</mo><mn>9703.61528</mn></mrow></math>用此模型预测后每隔两个月零点为<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></msup><mo>=</mo><mo>{</mo><mn>3274,3830,4481,5242</mn><mo>}</mo></mrow></math>见图2所示，本发明采用上述方法，传感器零点计算后还原后的模型值与仪表中设定零点超差的指标进行比较，那么，就可以预先知道传感器即将超差及相应的超差时间，从而达到预告的目的并采取相应的措施。实施例2原始数据是称重传感器间隔相同时间内所采集的比例因子来模拟灵敏度原始数据。此比例因子为称重传感器的输出与系统中其余传感器的输出和之比或该传感器的输出与相邻传感器输出之比。具体过程如下某传感器1在六个传感器组成的系统中，用时间响应微分方程建立其变化趋势的模型，并用此模型预测其发展趋势，如果其比例因子变化量占原来比例因子的35％，则系统发出警报，表明该传感器将破坏系统的称重精度。(1)、测量传感器输出的原始数据，原始数据见表4表4序号1234X(0)0.1980.2310.2450.258(2)、对原始数据至少进行一次累加生成序列值，见表5表5序号1234X(1)0.1980.4290.6740.932(3)、计算估计常数值和<math><mrow><mover><mi>U</mi><mo>^</mo></mover><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mover><mi>a</mi><mo>^</mo></mover></mtd></mtr><mtr><mtd><mover><mi>u</mi><mo>^</mo></mover></mtd></mtr></mtable></mfenced><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi><msub><mo>=</mo><mo>=</mo></msub><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mn>0.21480185</mn></mtd></mtr><mtr><mtd><mn>0.055126</mn></mtd></mtr></mtable></mfenced></mrow></math>(4)、建立响应微分方程的动态模型，并计算估计值，<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mmultiscripts><mover><mi>a</mi><mo>^</mo></mover></mmultiscripts></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mover><mi>a</mi><mo>^</mo></mover><mi>k</mi></mrow></msup><mo>+</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>=</mo><mn>4.080352</mn><msup><mi>e</mi><mrow><mn>0.055126</mn><mi>k</mi></mrow></msup><mo>-</mo><mn>3.882352</mn></mrow></math>用序列估计值进行累减运算得计算后模型估计值，<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>2.3</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>N</mi></mrow></math>计算后还原后模型估计值见表6，表6此时间响应微分方程既为建立的模型<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mn>4.080352</mn><msup><mi>e</mi><mrow><mn>0.055126</mn><mi>k</mi></mrow></msup><mo>-</mo><mn>3.882352</mn><mo>,</mo></mrow></math>预测下一时刻的比例因子为0.272占原来比例因子的百分率为(0.272-0.198)/0.198＝37.4％本发明见图3所示，估计值与原始数据进行比较，用此模型预测其发展趋势，如果其比例系数变化量占原来比例系数的35％，则系统发出警报，表明该传感器将破坏系统的称重精度。从图3中可以看出该模型相对误差均小于0.3％，说明其精度很高，它预测的下一次的比例因子将变化到0.272，变化量占原比例因子的37.4，大于设定的35％，系统发出警告，提前预告用户该传感器可能会在下一时刻左右的时候破坏整个系统称量精度。实施例3选择一台试验用3t料斗秤，其中传感器1的零点输出的原始数据(每隔两月测试)如下(1)、测量、记录传感器输出零点原始数据，原始数据见表7表7序号1234X(0)2341282652996790(2)、对原始数据至少进行一次累加生成序列值，见表8，表8序号1234X(1)234151671046617256(3)、计算估计常数值和<math><mrow><mover><mi>U</mi><mo>^</mo></mover><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mover><mi>a</mi><mo>^</mo></mover></mtd></mtr><mtr><mtd><mover><mi>u</mi><mo>^</mo></mover></mtd></mtr></mtable></mfenced><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi><msub><mo>=</mo><mo>=</mo></msub><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mn>0.380969</mn></mtd></mtr><mtr><mtd><mn>1742.13130</mn></mtd></mtr></mtable></mfenced></mrow></math>(4)、时间响应微分方程的动态模型，并计算估计值，<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mover><mi>a</mi><mo>^</mo></mover><mi>k</mi></mrow></msup><mo>+</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>=</mo><mn>6913.895182</mn><msup><mi>e</mi><mrow><mn>0.380969</mn><mi>k</mi></mrow></msup><mo>-</mo><mn>4572.895182</mn></mrow></math>(5)、估计值进行累减运算得计算后模型值，见表9表9该响应微分方程误差＞10％，进行残差修正(6)、残差修正，残差序列值计算见表10表10序号1234ε(1)0-379228150(7)、对残差序列值的数据进行处理<math><mrow><msup><mi>&epsiv;</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>&epsiv;</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mo>|</mo><msubsup><mi>&epsiv;</mi><mi>min</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msubsup><mo>|</mo><mo>+</mo><mn>1</mn><mo>,</mo></mrow></math>处理值见表11表11序号1234ε(1)3801608530(8)、残差的时间指数响应函数<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mover><mi>a</mi><mo>^</mo></mover><mi>k</mi></mrow></msup><mo>+</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>=</mo><mn>350.049149</mn><msup><mi>e</mi><mrow><mn>0.510843</mn><mi>k</mi></mrow></msup><mo>-</mo><mn>29.950851</mn></mrow></math>(9)、修正数据见表12<math><mrow><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>&epsiv;</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mn>1</mn><mo>=</mo><mn>2,3</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mi>N</mi></mrow></math>表12相对误差小于10％，模型可以进行预测。用此模型预测后两个月零点为X(2)＝{10053}如果在仪表中设定零点超差的指标，那么，则可以预先知道将要超差的传感器及相应的时间，从而达到预告并采取相应的措施。本发明用灰色理论来进行传感器故障预报，通过预报称重传感器的零点及灵敏度漂移，提前通知系统即将失效的传感器从而提高智能称重系统的可靠性。权利要求1、一种基于灰色理论的称重传感器故障预测方法，其特征在于(1)、检测、记录相同条件下，传感器输出的零点原始数据或灵敏度原始数据x(0)(i)；(2)、对原始数据至少进行一次累加，生成序列值x(1)(i)；(3)、依序列值用最小二乘法来计算估计常数值和其数学表达式<math><mrow><mover><mi>U</mi><mo>^</mo></mover><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mover><mi>a</mi><mo>^</mo></mover></mtd></mtr><mtr><mtd><mover><mi>u</mi><mo>^</mo></mover></mtd></mtr></mtable></mfenced><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi></mrow></math>其中B、Y是以序列值和原始数据建立矩阵式，其数学表达式<math><mrow><mi>B</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mn>2</mn><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo></mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo></mtd><mtd></mtd></mtr><mtr><mtd><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>N</mi><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>N</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>)</mo></mrow></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced></mrow></math>Y＝(x(0)(2)，x(0)(3)，...，x(0)(N))T(4)、建立时间响应微分方程的动态模型，并计算序列估计值，其数学表达式<math><mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mover><mi>a</mi><mo>^</mo></mover><mi>k</mi></mrow></msup><mo>+</mo><mfrac><mover><mi>u</mi><mo>^</mo></mover><mover><mi>a</mi><mo>^</mo></mover></mfrac></mrow></math>当k＝1，2，…，N-1时，序列估计值为拟合值；当K≥N时，序列估计值为预报值，K——取样时刻；(5)、再用估计值累减还原得模型估计值(6)、将模型估计值与设定超差值进行对比判断，预报何时将会发生故障。2、根据权利要求1所述的基于灰色理论的称重传感器故障预测方法，其特征在于所述的零点原始数据是称重传感器间隔相同时间内，检测、记录的四个或四个以上的零点原始数据。3、根据权利要求1所述的基于灰色理论的称重传感器故障预测方法，其特征在于所述的灵敏度原始数据则是通过采集一组称重传感器的输出与系统中其余传感器的输出和之比，或该传感器的输出与相邻传感器输出之比，为比例因子来模拟表示传感器灵敏度原始数据，且检测、记录的灵敏度原始数据在四个或四个以上。4、根据权利要求1所述的基于灰色理论的称重传感器故障预测方法，其特征在于用平均相对误差检查时间响应微分方程的精度，其数学表达式<math><mrow><msub><mi>e</mi><mi>a</mi></msub><mo>=</mo><mfrac><mn>1</mn><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>2</mn></mrow><mi>N</mi></munderover><mo>|</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>/</mo><mo>|</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo></mrow></math>其中N——取样次数x(0)(i)——原始数据；——模型估计值；5、根据权利要求1所述的基于灰色理论的称重传感器故障预测方法，其特征在于在计算还原模型估计值时，还可用序列估计值替代模型估计值。6、根据权利要求1所述的基于灰色理论的称重传感器故障预测方法，其特征在于可对零点原始数据或灵敏度原始数据进行3～20次累加，生成序列值，对时间响应微分方程进行修正，以提高动态模型的精度。7、根据权利要求1所述的基于灰色理论的称重传感器故障预测方法，其特征在于用序列值与序列估计值之差作新的残差序列其数学表达式<math><mrow><msup><mi>&epsiv;</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mn>1</mn><mo>=</mo><mn>2,3</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mi>N</mi><mo>,</mo><mo>,</mo></mrow></math>并将该差值加到原序列估计值上，对时间响应微分方程进行修正，以提高提高动态模型的精度。全文摘要本发明涉及一种基于灰色理论的称重传感器故障预测方法，首先检测、记录相同条件下，传感器输出的零点原始数据或灵敏度原始数据；对原始数据至少进行一次累加，生成序列值；依序列值用最小二乘法来计算常数值和；建立时间响应微分方程的动态模型，并计算序列估计值，；再用序列估计值累减计算得模型估计值；将模型估计值与设定超差值进行对比判断，预报何时将会发生故障。本发明的预测方法，通过对称重传感器系统缓慢变化时的零点漂移以及灵敏度的变化进行控制，准确地预见传感器将要发生的故障，发出警告，实现预先控制，提高称重系统的可靠性，实施方便、可靠，具有很好的应用前景。文档编号G01G23/00GK1601239SQ200410065098公开日2005年3月30日申请日期2004年10月22日优先权日2004年10月22日发明者朱子健申请人:梅特勒-托利多(常州)称重设备系统有限公司,梅特勒-托利多(常州)精密仪器有限公司