CN102636245A - 一种物料的称重测量方法、装置及称重测量系统 - Google Patents
一种物料的称重测量方法、装置及称重测量系统 Download PDFInfo
- Publication number
- CN102636245A CN102636245A CN2012101184751A CN201210118475A CN102636245A CN 102636245 A CN102636245 A CN 102636245A CN 2012101184751 A CN2012101184751 A CN 2012101184751A CN 201210118475 A CN201210118475 A CN 201210118475A CN 102636245 A CN102636245 A CN 102636245A
- Authority
- CN
- China
- Prior art keywords
- weight
- input
- mapping relations
- weight signal
- weighing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 85
- 239000000463 material Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 70
- 238000005259 measurement Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 210000005036 nerve Anatomy 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Sorting Of Articles (AREA)
- Weight Measurement For Supplying Or Discharging Of Specified Amounts Of Material (AREA)
Abstract
本发明公开了一种物料的称重测量方法、装置及称重测量系统,所述物料的称重测量系统,包括称重传感器和控制设备,其中,所述称重传感器,用于采集物料的重量信息,并根据预先存储的重量信息与重量信号之间的输入-输出映射关系输出重量信号给所述控制设备;所述控制设备,连接所述称重传感器,用于根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。本发明物料的称重测量系统的称重结果信息等于物料的重量信息,对比于现有技术中强制将称重传感器的传输特性的非线性部分进行直线拟合而导致的误差,称重结果准确度大大提高。
Description
技术领域
本发明涉及工程机械测控技术领域,特别是涉及一种物料的称重测量方法、装置及称重测量系统。
背景技术
在工程机械测控技术领域,称量系统的误差直接影响到测控系统的性能和测量准确度。例如,在混凝土搅拌站的称重测量系统中,通常由称重传感器采集骨料、粉料等的重量信息并输出重量信号;由信号变送器对该重量信号进行调理,输出与重量信息相对应的电压模拟信号(电压模拟信号的幅值与重量信息相对应);PLC(Programmable Logic Controller,可编程逻辑控制器,简称PLC)的模数转换设备将该电压模拟信号转换为数字信号;PLC的处理器根据输入的数字信号,通过转换算法处理,调用校称程序,得到称重测量结果,并将该称重测量结果的信号输出。
由于环境因素的存在,称重传感器实际的输入-输出特性(即传输特性)通常是非线性的,而且,由于其弹性体的阻尼比较小,传感器达到稳态的时间较长,这使得以传感器为核心的称重测量系统存在着较大的静态非线性误差。
在现有的称重测量系统中,PLC的处理器所采用的转换算法多是将称重传感器的输入-输出特性的非线性部分进行直线拟合,视其为理想的线性模型进行处理,最终得到称重测量结果。现有技术存在的缺陷在于,由于称重传感器静态非线性误差的实际存在,强制将非线性部分进行直线拟合将导致整个称重测量系统的输入和输出存在较大误差,称重测量结果准确度较低。
发明内容
本发明提供了一种物料的称重测量方法、装置及称重测量系统,用以解决现有物料的称重测量系统的输入和输出存在较大误差,称重测量结果准确度较低的技术问题。
本发明物料的称重测量方法包括:
获得称重传感器输出的重量信号,其中,所述重量信号是称重传感器根据采集的物料的重量信息及预先存储的重量信息与重量信号之间的输入-输出映射关系获得;
根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
本发明物料的称重测量装置,包括:
获得设备,用于获得称重传感器输出的重量信号,其中,所述重量信号是称重传感器根据采集的物料的重量信息及预先存储的重量信息与重量信号之间的输入-输出映射关系获得;
输出设备,用于根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
本发明物料的称重测量系统,包括称重传感器和控制设备,其中,
所述称重传感器,用于采集物料的重量信息,并根据预先存储的重量信息与重量信号之间的输入-输出映射关系输出重量信号给所述控制设备;
所述控制设备,连接所述称重传感器,用于根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
在本发明技术方案中,由于所述控制设备,可根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息,该称重结果信息等于物料的重量信息,对比于现有技术中强制将称重传感器的传输特性的非线性部分进行直线拟合而导致的误差,称重结果准确度大大提高。
附图说明
图1为本发明物料的称重测量系统结构示意图;
图2为本发明物料的称重测量方法流程示意图;
图3为称重传感器的输入-输出特性曲线图;
图4为本发明物料的称重测量系统的输入-输出关系示意图;
图5为本发明物料的称重测量装置结构示意图。
具体实施方式
为了解决现有物料的称重测量系统的输入和输出存在较大误差,称重测量结果准确度较低的技术问题,本发明提供了一种物料的称重测量方法、装置及称重测量系统。
如图1所示,本发明物料的称重测量系统,包括称重传感器11和控制设备12,其中,
所述称重传感器11,用于采集物料的重量信息,并根据预先存储的重量信息与重量信号之间的输入-输出映射关系输出重量信号给所述控制设备12;
所述控制设备12,连接所述称重传感器11,用于根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
在本发明中,称重传感器所采集的物料的重量信息为物料的实际重量,即称重测量系统的输入重量(也是称重传感器的输入重量);称重传感器所输出的重量信号对应于称重传感器的输出重量,由于环境因素的存在,称重传感器的输出重量与称重传感器的输入重量并不相等,而是呈非线性关系;控制设备所输出的物料的称重结果信息为称重测量系统的输出重量,检测人员可根据该称重结果信息得知物料的称重重量。预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,是指称重传感器的输入重量与输出重量之间的输入-输出映射关系的逆向映射关系。
本发明物料的称重测量系统,可进一步包括:信号变送器,用于对称重传感器所输出的重量信号进行调理,放大重量信号幅值;所述控制设备(例如PLC)可具体包括模数转换设备和处理设备,所述模数转换设备用于将经信号变送器调理后的电压模拟信号转换为数字信号,所述处理设备用于根据该数字信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息;本发明物料的称重测量系统还可进一步包括显示设备,用于将控制设备所输出的称重结果信息显示于屏幕上,便于检测人员获得该重量信息。
本发明物料的称重测量系统的输入-输出关系请参照图4所示。在本发明技术方案中,由于所述控制设备,可根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息,该称重结果信息等于物料的重量信息,对比于现有技术中强制将称重传感器的传输特性的非线性部分进行直线拟合而导致的误差,称重结果准确度大大提高。
如图2所示,本发明物料的称重测量方法,包括:
步骤101、获得称重传感器输出的重量信号,其中,所述重量信号是称重传感器根据采集的物料的重量信息及预先存储的重量信息与重量信号之间的输入-输出映射关系获得;
步骤102、根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
下面进一步将本发明物料的称重测量方法与现有技术作详细对比说明。
如图3所示,称重传感器的实际输入-输出特性为非线性。现有技术中,转换算法处理的基本原则是将该非线性函数强制拟合为线性函数,视输入-输出特性为理想的线性映射关系,根据线性函数求反函数,求得称重结果重量。
该理想的线性映射关系可以表示为:
y=f(x)=ax+b
其中,y为称重传感器的输出重量,x为称重传感器的输入重量,a为转换率,b为零点偏移量。
根据线性函数求反函数得出:
z=f-1(y)=(y-b)/a=x
其中,z为称重结果重量。
而在实际中,受环境因素的影响,称重传感器的输入-输出特性为非线性,其映射关系可以表示为:
y=f(x,t)
该映射关系为已知函数,其中,y为称重传感器的输出重量,x为称重传感器的输入重量,t为环境参数。
请继续参照图3所示,假设称重传感器的实际输入重量为x0,实际输出重量为y0,根据现有技术的转换算法得出的称重结果重量z1与实际输入重量x0之间存在较大的误差。
而本发明技术方案则是依据称重传感器实际的传输特性规律来求得称重结果重量。所述预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系可以表示为:
z=f-1(y,t)=f-1〔f(x,t),t〕=x
可以看出,根据称重传感器传输特性的非线性函数求反函数所得出的称重结果重量z等于实际的传感器输入重量,而与环境参数t无关,称重结果的准确度大大提高。
所述预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系(即f-1(y,t)),根据重量信息与重量信号之间的输入-输出映射关系(即f(x,t))和智能控制算法获得。
其中,所述智能控制算法可以为神经网络的智能控制算法、模糊控制算法、专家控制算法或学习控制算法等。实际系统通常存在复杂性、非线性、时变性等特性,一般无法获得其精确的数学模型,采用传统的控制方法无法求解,而智能控制算法通过在学习过程中不断加以辨识、整理和更新,以知识表示的非数学广义模型和以数学模型表示的混合控制过程,通过推理,以启发式策略和智能算法来引导求解过程。
神经网络的智能控制算法具有很强的逼近任意连续非线性函数的能力;优选的,所述神经网络的智能控制算法为三层前馈神经网络的智能控制算法;三层前馈神经网络,亦即单隐层前馈神经网络,包括输入层、隐层和输出层,其特点是:各层节点仅与相邻层节点之间相互连接,同层内节点之间无连接,各层节点之间无反馈连接,构成具有层次结构的前馈型神经网络系统,具有以任意准确度逼近任意非线性函数的能力和较好的泛化能力。
所述根据重量信息与重量信号之间的输入-输出映射关系和智能控制算法获得所述重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,包括:
通过三层前馈神经网络的智能控制算法逼近重量信息与重量信号之间的输入-输出映射关系的逆向映射关系(即f-1(y,t)),并利用自学习控制的在线学习算法,对三层前馈神经网络的权值和阈值进行优化。此时,能够达到较高的计量准确度。
采用三层前馈神经网络的智能控制算法逼近f-1(y,t)的具体过程包括:
一、从y=f(x,t)中提取输入、输出样本点,作为训练样本,即从输入重量x中提取输出样本点,从输出重量y中提取输入样本点。
二、构建三层前馈神经网络模型,设置模型隐层节点,通过Matlab(MatrixLaboratory,由美国Mathworks公司出品的商业数学软件,是一种用于算法开发、数据可视化、数据分析及数值计算的高级技术计算语言和交互式环境)语言进行编程,获得三层前馈神经网络系统,通过训练样本对该神经网络系统进行训练,同时,利用自学习控制的在线学习算法,对该神经网络系统的权值和阈值进行优化,逼近f-1(y,t)。
自学习控制算法能够处理具有不确定性和非线性的过程,并能保证良好的适应性和足够快的收敛性。自学习控制能够按照运行过程中的“经验”和“教训”来不断改进算法,增长知识,以便更广泛地模拟高级推理、决策和识别。它具有四个主要功能:搜索、识别、记忆和推理,分为在线学习和离线学习。在神经网络系统中,权值和阈值的选取是至关重要的,如何在短时间内迅速得到收敛并获得优化值,可以通过自学习控制的在线学习算法来实现。
三、对该神经网络系统进行泛化。
神经网络泛化是指经训练后的神经网络对未在训练集中出现的样本作出正确反应的能力。也就是说,神经网络的学习不是单纯的记忆已学习的输入,而是通过训练样本学习到隐层在样本的有关环境本身的内在规律性,从而对未来的输入也能给出正确的反应。
提高其泛化能力,一般对现有样本进行相应处理,即在样本中加入噪声训练,对样本进行聚类或选择抽样进行主动学习。也可以采用结构优化算法和正则化方法。
如图5所示,本发明物料的称重测量装置,包括:
获得设备13,用于获得称重传感器输出的重量信号,其中,所述重量信号是称重传感器根据采集的物料的重量信息及预先存储的重量信息与重量信号之间的输入-输出映射关系获得;
输出设备14,用于根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种物料的称重测量方法,其特征在于,包括:
获得称重传感器输出的重量信号,其中,所述重量信号是称重传感器根据采集的物料的重量信息及预先存储的重量信息与重量信号之间的输入-输出映射关系获得;
根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
2.如权利要求1所述的称重测量方法,其特征在于,所述预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,根据重量信息与重量信号之间的输入-输出映射关系和智能控制算法获得。
3.如权利要求2所述的称重测量方法,其特征在于,所述智能控制算法为神经网络的智能控制算法、模糊控制算法、专家控制算法或学习控制算法。
4.如权利要求3所述的称重测量方法,其特征在于,所述神经网络的智能控制算法为三层前馈神经网络的智能控制算法。
5.如权利要求4所述的称重测量方法,其特征在于,所述根据重量信息与重量信号之间的输入-输出映射关系和智能控制算法获得所述重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,包括:
通过三层前馈神经网络的智能控制算法逼近重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,并利用自学习控制的在线学习算法,对三层前馈神经网络的权值和阈值进行优化。
6.如权利要求5所述的称重测量方法,其特征在于,所述通过三层前馈神经网络的智能控制算法逼近重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,并利用自学习控制的在线学习算法,对三层前馈神经网络的权值和阈值进行优化,具体包括:
从重量信息与重量信号之间的输入-输出映射关系中提取重量信号样本点作为输入样本点,提取重量信息样本点作为输出样本点;
构建三层前馈神经网络模型,设置模型隐层节点,通过Matlab语言进行编程,获得三层前馈神经网络系统,通过输入样本点和输出样本点对所述神经网络系统进行训练,并利用自学习控制的在线学习算法,对所述神经网络系统的权值和阈值进行优化,逼近重量信息与重量信号之间的输入-输出映射关系的逆向映射关系;
对所述神经网络系统进行泛化。
7.一种物料的称重测量装置,其特征在于,包括:
获得设备,用于获得称重传感器输出的重量信号,其中,所述重量信号是称重传感器根据采集的物料的重量信息及预先存储的重量信息与重量信号之间的输入-输出映射关系获得;
输出设备,用于根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
8.如权利要求7所述的称重测量装置,其特征在于,所述预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,根据重量信息与重量信号之间的输入-输出映射关系和智能控制算法获得。
9.如权利要求8所述的称重测量装置,其特征在于,所述智能控制算法为神经网络的智能控制算法、模糊控制算法、专家控制算法或学习控制算法。
10.如权利要求9所述的称重测量装置,其特征在于,所述神经网络的智能控制算法为三层前馈神经网络的智能控制算法。
11.一种物料的称重测量系统,其特征在于,包括称重传感器和控制设备,其中,
所述称重传感器,用于采集物料的重量信息,并根据预先存储的重量信息与重量信号之间的输入-输出映射关系输出重量信号给所述控制设备;
所述控制设备,连接所述称重传感器,用于根据输入的重量信号及预先存储的重量信息与重量信号之间的输入-输出映射关系的逆向映射关系,输出所述物料的称重结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210118475 CN102636245B (zh) | 2012-04-23 | 2012-04-23 | 一种物料的称重测量方法、装置及称重测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210118475 CN102636245B (zh) | 2012-04-23 | 2012-04-23 | 一种物料的称重测量方法、装置及称重测量系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102636245A true CN102636245A (zh) | 2012-08-15 |
CN102636245B CN102636245B (zh) | 2013-11-06 |
Family
ID=46620727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210118475 Active CN102636245B (zh) | 2012-04-23 | 2012-04-23 | 一种物料的称重测量方法、装置及称重测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102636245B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107544252A (zh) * | 2017-09-19 | 2018-01-05 | 中国计量大学 | 基于机器学习的直落式物料下料机控制器 |
CN107601064A (zh) * | 2017-09-19 | 2018-01-19 | 中国计量大学 | 基于神经网络的直落失重式物料下料机及其控制器 |
CN107640609A (zh) * | 2017-09-19 | 2018-01-30 | 中国计量大学 | 基于机器学习的螺杆式物料配料机控制器 |
CN107677350A (zh) * | 2017-09-18 | 2018-02-09 | 安徽云易智能技术有限公司 | 一种在线批量自动称重的方法 |
CN107673083A (zh) * | 2017-09-19 | 2018-02-09 | 中国计量大学 | 基于变速率学习的螺杆式物料下料装置及其控制器 |
CN107697660A (zh) * | 2017-09-19 | 2018-02-16 | 中国计量大学 | 基于机器学习的螺杆式物料配料机控制方法 |
CN107720311A (zh) * | 2017-09-19 | 2018-02-23 | 中国计量大学 | 基于神经网络的螺杆失重式物料下料机及其控制器 |
CN112129386A (zh) * | 2019-06-24 | 2020-12-25 | 梅特勒-托利多(常州)测量技术有限公司 | 称重设备和称重方法 |
CN113290699A (zh) * | 2021-05-20 | 2021-08-24 | 中联重科股份有限公司 | 用于确定物料的重量的方法、处理器、装置及搅拌车 |
CN113324636A (zh) * | 2021-04-29 | 2021-08-31 | 湖南匠领科技有限公司 | 一种基于扫码的无人值守称重系统及方法 |
CN113447102A (zh) * | 2020-03-25 | 2021-09-28 | 梅特勒-托利多(常州)测量技术有限公司 | 失重秤的出料流量的控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58113723A (ja) * | 1981-12-26 | 1983-07-06 | Tokyo Electric Co Ltd | 計量方法 |
DE19648241A1 (de) * | 1995-11-28 | 1997-07-03 | Oas O A Schwimmbeck Gmbh & Co | Meßvorrichtung, insbesondere Wägeeinrichtung, sowie Meßverfahren |
CN2601395Y (zh) * | 2003-03-11 | 2004-01-28 | 梅特勒—托利多(常州)称重设备系统有限公司 | 数字化称重模块 |
CN101226377A (zh) * | 2008-02-04 | 2008-07-23 | 南京理工大学 | 沥青混凝土搅拌设备配料误差的鲁棒控制方法 |
CN101930213A (zh) * | 2009-10-22 | 2010-12-29 | 上海交通大学 | 基于模型预测控制的集结预测控制系统及其控制方法 |
-
2012
- 2012-04-23 CN CN 201210118475 patent/CN102636245B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58113723A (ja) * | 1981-12-26 | 1983-07-06 | Tokyo Electric Co Ltd | 計量方法 |
DE19648241A1 (de) * | 1995-11-28 | 1997-07-03 | Oas O A Schwimmbeck Gmbh & Co | Meßvorrichtung, insbesondere Wägeeinrichtung, sowie Meßverfahren |
CN2601395Y (zh) * | 2003-03-11 | 2004-01-28 | 梅特勒—托利多(常州)称重设备系统有限公司 | 数字化称重模块 |
CN101226377A (zh) * | 2008-02-04 | 2008-07-23 | 南京理工大学 | 沥青混凝土搅拌设备配料误差的鲁棒控制方法 |
CN101930213A (zh) * | 2009-10-22 | 2010-12-29 | 上海交通大学 | 基于模型预测控制的集结预测控制系统及其控制方法 |
Non-Patent Citations (1)
Title |
---|
严洁等: "基于BP神经网络的称重传感器静态非线性误差补偿研究", 《传感技术学报》, vol. 21, no. 6, 30 June 2008 (2008-06-30) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677350A (zh) * | 2017-09-18 | 2018-02-09 | 安徽云易智能技术有限公司 | 一种在线批量自动称重的方法 |
CN107720311B (zh) * | 2017-09-19 | 2019-09-24 | 中国计量大学 | 基于神经网络的螺杆失重式物料下料机及其控制器 |
CN107673083B (zh) * | 2017-09-19 | 2019-07-26 | 中国计量大学 | 基于变速率学习的螺杆式物料下料装置及其控制器 |
CN107601064A (zh) * | 2017-09-19 | 2018-01-19 | 中国计量大学 | 基于神经网络的直落失重式物料下料机及其控制器 |
CN107673083A (zh) * | 2017-09-19 | 2018-02-09 | 中国计量大学 | 基于变速率学习的螺杆式物料下料装置及其控制器 |
CN107640609B (zh) * | 2017-09-19 | 2019-09-24 | 中国计量大学 | 基于机器学习的螺杆式物料配料机控制器 |
CN107720311A (zh) * | 2017-09-19 | 2018-02-23 | 中国计量大学 | 基于神经网络的螺杆失重式物料下料机及其控制器 |
CN107640609A (zh) * | 2017-09-19 | 2018-01-30 | 中国计量大学 | 基于机器学习的螺杆式物料配料机控制器 |
CN107544252A (zh) * | 2017-09-19 | 2018-01-05 | 中国计量大学 | 基于机器学习的直落式物料下料机控制器 |
CN107697660A (zh) * | 2017-09-19 | 2018-02-16 | 中国计量大学 | 基于机器学习的螺杆式物料配料机控制方法 |
CN107697660B (zh) * | 2017-09-19 | 2019-11-29 | 中国计量大学 | 基于机器学习的螺杆式物料配料机控制方法 |
CN107544252B (zh) * | 2017-09-19 | 2020-08-11 | 中国计量大学 | 基于机器学习的直落式物料下料机控制器 |
CN112129386A (zh) * | 2019-06-24 | 2020-12-25 | 梅特勒-托利多(常州)测量技术有限公司 | 称重设备和称重方法 |
CN113447102A (zh) * | 2020-03-25 | 2021-09-28 | 梅特勒-托利多(常州)测量技术有限公司 | 失重秤的出料流量的控制方法 |
CN113324636A (zh) * | 2021-04-29 | 2021-08-31 | 湖南匠领科技有限公司 | 一种基于扫码的无人值守称重系统及方法 |
CN113290699A (zh) * | 2021-05-20 | 2021-08-24 | 中联重科股份有限公司 | 用于确定物料的重量的方法、处理器、装置及搅拌车 |
CN113290699B (zh) * | 2021-05-20 | 2022-05-20 | 中联重科股份有限公司 | 用于确定物料的重量的方法、处理器、装置及搅拌车 |
Also Published As
Publication number | Publication date |
---|---|
CN102636245B (zh) | 2013-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102636245B (zh) | 一种物料的称重测量方法、装置及称重测量系统 | |
Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
Yang et al. | An optimized BP neural network model for teaching management evaluation | |
CN102663495B (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
Guan et al. | A comprehensive evaluation method of sensor selection for PHM based on grey clustering | |
Vrana et al. | Introduction to NDE 4.0 | |
CN107292061A (zh) | 一种数据驱动的流程工业复杂机电系统信息建模方法 | |
Qu et al. | An integrative framework for online prognostic and health management using internet of things and convolutional neural network | |
Asnawi et al. | Development and testing of microcontroller-based learning media for the internet of things lab work | |
CN104536970A (zh) | 遥信数据设备故障判断与分类系统及方法 | |
Furizal et al. | Temperature and humidity control system with air conditioner based on fuzzy logic and internet of things | |
CN111596006A (zh) | 一种大气在线监测仪的校准方法及监测仪 | |
Jana et al. | Novel Internet of Things (IoT) for controlling indoor temperature via Gaussian type-2 fuzzy logic | |
Llopis et al. | Manufacturing Maps, a Novel Tool for Smart Factory Management Based on Petri Nets and Big Data Mini-Terms | |
Yang et al. | Post-processing of high formwork monitoring data based on the back propagation neural networks model and the autoregressive—moving-average model | |
Xiao et al. | Fault detection and isolation methods in subsea observation networks | |
Liu et al. | Using ANFIS and BPNN methods to predict the unfrozen water content of saline soil in Western Jilin, China | |
CN207516518U (zh) | 一种锂动力电池系统故障诊断装置 | |
CN102590232B (zh) | 在线微波水分仪水分检测的非线性性自动校正方法 | |
Villarroel et al. | Hardware in the Loop Simulation for Bottle Sealing Process Virtualized on Unity 3D | |
Winkler et al. | Towards model consistency representations in a multi-disciplinary engineering network | |
Gao et al. | Prediction System for Overhead Cranes Based on Digital Twin Technology | |
JP2002328702A (ja) | プロセスモデルのパラメータ調整装置、調整支援装置及び方法 | |
Velazquez et al. | Cyberphysical System Modeled with Complex Networks and Hybrid Automata to Diagnose Multiple and Concurrent Faults in Manufacturing Systems | |
CN203551096U (zh) | 钢结构厂房振动在线监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C56 | Change in the name or address of the patentee | ||
CP02 | Change in the address of a patent holder |
Address after: 415907, Hunan, Hanshou hi tech Industrial Park, Changde Huang Fu neighborhood committee, No. 1, Union Road Patentee after: ZOOMLION HEAVY INDUSTRY SCIENCE&TECHNOLOGY Co.,Ltd. Address before: 410013 Yuelu District, Hunan, silver basin Road, No. 361, No. Patentee before: ZOOMLION HEAVY INDUSTRY SCIENCE&TECHNOLOGY Co.,Ltd. |