摘要：该文对矿山动态轻轨衡系统称重信号的处理进行了研究，重量数据经预处理后，提取出有效轮重信号并计算矿车重量。重量计算时对比了均值法、小波变换（WT）算法和经验模态分解（EMD）算法，对比试验结果表明，经验模态分解（EMD）算法获得的测量精度最高、算法综合性能最好。

关键词：动态轻轨衡；测量精度；小波变换；经验模态分解

中图分类号：P391 文献标识码：A 文章编号：1009-3044（2015）12-0255-03

Research on the Weighing Signal Processing of Mine's Dynamic Weighing Bridge System

ZHENG Chuan-xing

（Guizhou University of Finance and Economics， Guiyang 550025， China）

Abstract： The weighing signal processing methods of mine's dynamic weighing bridge system are studied in this paper. The useful weight signal is collected for weighing from weight data after preprocessing. Three methods of average， Wavelet Transform （WT） and Empirical Mode Decomposition （EMD） are compared for weight calculation. Comparative experimental results show that EMD method has best comprehensive performance which can obtain the highest measurement accuracy.

Key words： dynamic weighing bridge； measurement accuracy； Wavelet Transform （WT）； error； Empirical Mode Decomposition （EMD）

矿山动态轻轨衡系统1[1]的核心功能是：在矿山的出矿口安装称重装置，对煤矿企业的产量数据进行现场采集与计算，计量结果传送至地方税务部门，作为煤矿企业税费征收的依据。与传统轨道衡系统[1]不同的是：传统轨道衡产品[2]通常是在火车站、卸货场等地实现标准列车与标准铁轨的静态称重；而矿山动态轻轨衡是要在野外矿山环境下针对非标准的矿山轻轨实现不停车状态下的动态称重，因此要保证稳定精确的测量难度非常大。

1 矿山动态轻轨衡系统原理

贵州财经大学从2009年开始与成都瑞宝博通科技有限公司联合研发矿山动态轻轨衡系统，该系统搭建了集称重和监控为一体的物联网体系，结构见图1：

该系统的核心是煤矿产量的称重计量：矿车重量数据通过前端的数据采集器进行采集与预处理后，经RS485总线传送到计量控制器，在计量控制器中对数据信号进行去噪、分解以及重量计算，计算结果通过光纤网络最终传送到地税局。

2 重量数据预处理

在对称重数据采集的过程中采取了32点均值滤波的方法对数据进行初步处理。即连续采集的34个点，将去除最大最小值后剩下的32个点的平均值作为采样值。这样既能抑制尖脉冲噪声，也能大大减少数据存储量。车轮在上衡之前传感器的输出为零，连续采集时间T内若未检测到车轮上衡，则将该采集数据的平均值作为新零点，并清除在此之前的数据。

如图2所示，某车轮通过重量传感器得到的数据波形为阶跃信号。为判断矿车的上下衡，设置阈值参数[h]，将采集到的轮重数据值与[h]比较，若大于[h]则判断车轮上衡，系统开始记录重量数据。连续记录到数据值小于[h]时判断车轮下衡并停止记录。在图2所示的数据波形中设[h]=30，则A、B分别代表着车轮的上衡点与下衡点，A、B段为反映重量的平稳信号。

阈值h的选取对测量结果的影响较大，经过理论研究结合大量实测论证，系统测量中将h值设定为标准空矿车重量的1/5。从图2中截取出的车轮上下衡之间的信号波形见图3。

为了便于对矿车行进方向进行判别，两个称重传感器采取了交错式安装方法，即两个传感器错位安装，如图4所示。在图中1号传感器上衡后的[L]段和2号传感器下衡前[L]段，属于两传感器的非重叠区域，该区域内矿车同一轴上的两轮处于单轮上衡状态，采集到的数据不能用于称重。而只有两传感器重叠的中间区域采集到的数据才能用于重量的计算。

在产品的安装使用中错位距离[L]取为传感器长度的1/4，而采集到的上下衡之间数据进行了简化处理，首尾各截去1/4，剩下中间的1/2作为有效轮重信号进行下一步处理。图3中上下衡间信号经首尾处理后得到的有效轮重信号见图5。

3 称重算法的对比研究

3.1 均值法

对图5所示的有效轮重信号求取平均值，即可得到矿车该车轮上的重量，将四个轮上重量相加即得整车重量，这就是均值称重算法。这是一种传统算法，该算法运算简单、计算速度快、计算机资源耗费小。但由于重量信号中还含有不少高频噪声，甚至一些低频非重量信号的干扰成分，因此计算精度上受到较大的影响。

3.2 小波变换（WT）算法

小波变换（wavelet transform，WT）3[3]是一种比傅立叶变换更具有优势的时-频信号分析方法。它的主要特点是通过变换能够对信号进行时间-频率的局部化分析，通过伸缩平移对信号进行多尺度细化，最终达到信号在低频段的频率细分、在高频段的时间细分，从而将信号在某方面的特征充分突出地显示出来。

基于WT的轮重计重原理为：首先选择合适的小波函数以及小波分解尺度，对轮重信号进行小波变换；因为反映真实轮重的是小波变换得到的低频分量，因此求取低频分量的平均值即可得到对应单轮重量。

对于图5中的轮重信号，选取“db3”小波函数进行5层分解，最终得到分层后的波形如图6所示。图中所示[x]为矿车轮重信号，经小波分解后的低频分量[a5]反映了真实轮重，求取[a5]波形的平均值即可得到车轮的重量。将四个车轮上的重量相加即可得到整车重量。

3.3 经验模态分解（EMD）算法

经验模态分解（empirical mode decomposition，EMD） 4[4]是一种计算短数据序列均值非常好的方法。通过EMD分解，任何信号都可分解为若干阶本征模函数[IMF]和一个残余量[r]的叠加，其中[IMF]必须满足条件：①在整个时间范围内，函数极大、极小值数目以及它们过零点的次数必须相等，或最多相差1。②在任意时刻点，极值点的上包络线（极大值包络线）与下包络线（极小值包络线）的均值要始终为零。经EMD分解后，信号的稳态量主要由残余量[r]决定，而与各阶[IMF]无关，[IMF]仅体现了信号的固有振动特性。因此，可以根据轮重信号EMD分解得到的残余量[r]计算矿车重量，具体算法步骤如下：

（1）对于轮重信号[y（t）]，找出[y（t）]上所有的极值点，用3次样条曲线分别连接所有的极大值和极小值点，形成[y（t）]的上、下包络线。定义上、下包络线的均值为[m（t）]，[y（t）]与[m（t）]的差为[h11（t）=y（t）-m（t）]。

（2）若[h11（t）]不满足[IMF]条件，则令[y（t）=h11（t）]，然后重复步骤（1），得到[h21（t）]；经过[k] 次迭代，直至[hk1（t）]满足IMF条件，则得到[y（t）]的第一阶[IMF]分量[C1（t）=hk1（t）]。

（3）设[r1（t）=y（t）-C1（t）]，令新信号[y（t）=r1（t）]，重复（1）、（2）步骤，得到二阶[IMF]分量[C2（t）]；再令[r2（t）=y（t）-C2（t）]作为新的信号[y（t）]，重复（1）、（2）步骤继续分解，[……]，直至标准方差[SD]落在0.2～0.3之间或残余量成为单调函数，其中：

[SD=t=0T[（h1（k-1）（t）-h1k（t））2（h1（k-1）（t））2]] （1）

这样信号[y（t）]最终可表示为各阶[IMF]与残余量[rn（t）]的和，即：

[y（t）=i=1nCi（t）+rn（t）] （2）

图5中有效计重信号的EMD分解后见图7，分解得到各阶[IMF]分量（[C1]、[C2]、[C3]）和一个残余量[r] ，其中重量信号的稳态量主要由残余量[r]决定，因此求取其平均值即可得到对应车轮的重量。将四个车轮上的重量相加即可得到整车重量。

3.4 称重误差的修正

影响系统测量准确性的因素很多，除了内部电路系统以及外部测试环境带来的各种干扰外，测量的速度、坡度、甚至温度的因素都会给测量带来误差。因此需要对一些不可忽略的因素造成的误差进行修正，这样测量得到的结果才能更加准确。具体修正方法在文献5中已有详述。

3.5 几种称重算法的对比

系统称重计算最重要的指标就是测量的准确性（即测量精度）。为了对比各种算法的测量精度，我们在实验室环境下采用标准砝码进行试验。设实验中加砝码后矿车总重的真实值为[Ti]，测量值为[Ci]，则测量精度[A]可定义为：

[A=（1-Ci- TiTi）×100%] （3）

试验中向矿车里添加不同数目的标准砝码，并让矿车匀速通过称重传感器进行测试。具体参数为：矿车净重116.5kg，标准砝码30.7kg/个，矿车速度1m/s。实验中先在矿车中加入6个标准砝码，并让矿车匀速通过称重传感器，重复10次实验并对其重量数据进行采集。然后每次增加一个砝码进行试验，直至砝码增加到10个。对于总共5个不容重量的矿车分别进行10次重复测试采集到的数据，采取前面介绍的预处理方法截取出各自有效轮重信号。分别采用均值法、小波变换（WT）算法、经验模态分解（EMD）算法对矿车重量进行计算，并利用式（3）计算测量精度，其比较结果如表1所示。

从表1中可看出，测量精度是最低的是均值法，原因在于该算法未能将重量信号中的干扰成分进一步剔除。WT或EMD算法都很好地将轮重信号中的高频信号进行了分离，并能有效防止矿车在上下衡时产生的冲力对有效重量信号的影响，也避免了矿车自身振动产生的噪声波的影响，很好地提升了系统的计量精度。经过进一步的对比研究发现，除了8砝码试验中EMD算法精度略低于WT算法外，其他重量的测量中EMD算法精度均高过WT算法。原因在于一方面EMD算法能较好地保留信号的相位信号，而WT算法在信号分解过程中没能很好地抑制住相位信号，造成了一定的信号相位失真。另一方面EMD算法通过寻找本征模函数极值的均值方法来对轮重信号进行截取操作，有效地抑制了车轮的重力冲击干扰。综合以上因素，研究发现在对轮重信号进行分解以及消除低频信号干扰中，EMD算法是三种算法中最优的，其得到的测量值最接近于真实重量值。

另外，从算法的其他性能上进行对比。很显然地，均值法算法简单、计算量小、速度快，因此该算法常常应用于一些测量精度要求较低、但测量的速度与实时性要求较高的数据采集与处理领域。WT和EMD算法的复杂度明显高于均值法。WT算法因为要确定合适的小波函数以及分解尺度，这些分解参数选择不同，其测量结果会有差异。而EMD算法计算中不需要自定义参数，因此算法具有较强的自适应性，在这一点上要优于WT算法。但是EMD算法的计算中要用到三次样条插值，相比WT算法，计算量更大、耗时更多。

4 结论

对比结果表明，在各种称重算法中EMD算法综合性能是最优的，该算法获得的测量精度最高，但计算量也较大。考虑到系统最重要的是测量结果的准确性，加上现代数字信号处理芯片飞速发展，数据运算速度问题已能得到很好解决，因此实际系统中最终选择了EMD算法进行重量计算。在整个称重数据的处理过程中，前期的数据预处理是在数据采集器里完成的，通过数据采集器采集并处理得到的有效计重信号，传送到计量控制器中，实现基于EMD算法的重量计算以及误差的软件算法修正。为了实现EMD算法的高速运算，在计量控制器中使用了性能优越的ARM微处理器。具体型号为ARM9系列的S3C2440，它是韩国三星公司推出的16/32位RISC处理器，具有强大的数据处理能力和极低功耗，能运行Linux操作系统，该微处理器的应用有效解决了EMD算法复杂的问题。

参考文献：

[1] 丁跃清，王东，许涛，等. 动态（矿用）轻轨衡的动态校准方法探讨[J]. 中国计量，2012 （3）： 89-91.

[2] 许光悦. 微机控制动态轨道衡的模拟量判别车型法[J]. 传感器应用技术，1989， 7（1）： 11-16.

[3] 郭彤颖，吴成东， 曲道奎. 小波变换理论应用进展[J]. 信息与控制，2004，33（1）： 67-71.

[4] 刘慧婷，倪志伟，李建洋. 经验模态分解方法及其实现[J]. 计算机工程与应用，2006（32） ： 44-47.

[5] 郑传行，陈建. 矿山动态轻轨衡系统称重误差分析及其对策[J]. 矿山机械，2014，42（490）.