SE524212C8

SE524212C8 - Method and device for determining the weight of load in a mining vehicle

Info

Publication number: SE524212C8
Application number: SE0301174A
Authority: SE
Inventors: Puputti Tammerfors Finland Jarmo; Savia Tammerfors Finland Mariaana; Koivo Kirkkonummi Finland Heikki; Viljamaa Lempaala Finland Pauli
Original assignee: Sandvik Tamrock Oy Pihtisulunkatu 9 Fin 33330 Tammerfors Finland
Filing date: 2003-04-23
Publication date: 2003-06-12

Description

nano: 524 212 2 orsakas av mätning under körning på trycksignalens nivå. En nackdel är an- vändningen av en fast mättid vid beräkning av medeltalet av tryckskiiinaderna fràn på olika periodlängder oscillerande mätsignaler. nano: 524 212 2 is caused by measurement while driving at the level of the pressure signal. A disadvantage is the use of a fixed measuring time when calculating the average of the pressure fluctuations from measuring signals oscillating at different period lengths.

[0006] WO-publikation WO99/09379 visar ett förfarande som utnytt- jar ett neuralt nät och oskarp logik för att bestämma vikten av ett gruvfordons last på basis av mätsignaler som mäts av sensorer. Variabler som skall mätas kan inkludera t.ex. cylindertrycket av en skopas eller tippskopas lyftcylindrar, lutningen av fordonet både i ländriktningen och i sidoriktningen samt läget av skopans lyftarmar eller läget av tippskopan. Vikten av fordonets nyttolast kan bestämmas på basis av de uppmätta variablerna samt dimensionerna och geometrin hos skopans eller tippskopans mekanik. En olinjär på ett neuralt nät och oskarp logik baserad modell ger bättre vägningsresultat än det ovanbe- skrivna linjära förfarandet, men nackdelarna med detta förfarande är maski- nens kalibrering, en stor mängd utbildningsdata som fordras för att definiera en beräkningsalgoritm samt faktumet att beräkningsalgoritmen är maskinspecifik. WO publication WO99 / 09379 discloses a method which utilizes a neural network and blurry logic to determine the weight of a mining vehicle load on the basis of measurement signals measured by sensors. Variables to be measured can include e.g. the cylinder pressure of the lifting cylinders of a bucket or tipping bucket, the inclination of the vehicle both in the lumbar direction and in the lateral direction, and the position of the lifting arms of the bucket or the position of the tipping bucket. The weight of the payload of the vehicle can be determined on the basis of the measured variables and the dimensions and geometry of the mechanics of the bucket or tipper bucket. A nonlinear on a neural network and blurry logic based model gives better weighing results than the linear method described above, but the disadvantages of this method are the calibration of the machine, a large amount of training data required to define a calculation algorithm and the fact that the calculation algorithm is machine specific .

[0007] US-publikation 4,919,222 visar ett förfarande och apparat för bestämning av vikten av en last i ett lastningsfordon. Bestämning av lastvikten baserar sig på mätning av cylindertrycket i skopans lyftcylindrar samt läget av skopans lyftarmar då skopan lyfts. En signal som representerar lastvikten defi- nieras på basis av lyftcylindrarnas cylindertryck och läget hos skopans lyftar- mar och eventuella slumptryckvarlationer i mätningarna elimineras genom an- vändning av kurvanpassning och medeltalsberäkning. Den erhållna kurvan, som representerar lastvikten, interpoleras och extrapoleras i förhållande till kurvor som definierats under apparatens kalibrering för bestämning vikten av den i skopan befintliga lasten. En nackdel med det i publikationen beskrivna förfarandet är dock att förfarandet är beroende av skopans lyfthastighet, vilken måste tas i beaktande i förfarandet. Ytterligare då lastningsfordonets bana är mycket ojämn, vilket sålunda förorsakar avsevärd lutning av fordonet, är det inte möjligt att erhålla tillräckligt noggranna vägningsresultat. U.S. Publication 4,919,222 discloses a method and apparatus for determining the weight of a load in a loading vehicle. Determination of the load weight is based on measuring the cylinder pressure in the bucket's lifting cylinders and the position of the bucket's lifting arms when the bucket is lifted. A signal representing the load weight is defined on the basis of the cylinder pressure of the lifting cylinders and the position of the bucket lifting arms and any random pressure variations in the measurements are eliminated by using curve fitting and averaging. The obtained curve, which represents the load weight, is interpolated and extrapolated in relation to curves defined during the calibration of the apparatus to determine the weight of the load present in the bucket. However, a disadvantage of the method described in the publication is that the method depends on the lifting speed of the bucket, which must be taken into account in the method. Furthermore, since the path of the loading vehicle is very uneven, which thus causes considerable inclination of the vehicle, it is not possible to obtain sufficiently accurate weighing results.

[0008] Fl-patent 94,677 visar ett förfarande baserat på mätning av deformationen hos strukturer för mätning av laster riktade på strukturer, speci- ellt vikten av ett fordons last. Förfarandet lämpar sig på beräkning av den last som förorsakas av statiska laster, som är praktiskt taget stationära i förhållan- det till strukturerna, men det kan inte användas för att beräkna lasten i ett rör- ligt fordon. F1 patent 94,677 discloses a method based on measuring the deformation of structures for measuring loads directed at structures, in particular the weight of a vehicle's load. The method is suitable for calculating the load caused by static loads, which are practically stationary in relation to the structures, but it cannot be used to calculate the load in a moving vehicle.

[0009] Föremålet med föreliggande uppfinning är att åstadkomma æaonø , . u I .c 524 212 3 ett nytt förfarande och en ny anordning för Vägning av lasten i ett gruvfordon, vilket förfarande och vilken anordning möjliggör Vägning med tillräcklig nog- grannhet även då fordonet är i rörelse. The object of the present invention is to provide æaonø,. u I .c 524 212 3 a new method and a new device for Weighing the load in a mining vehicle, which method and which device enables Weighing with sufficient accuracy even when the vehicle is in motion.

[0010] Förfarandet enligt uppfinningen kännetecknas av att ett olin- järt Kalman-filter används för att bestämma vikten av lasten. The method according to the invention is characterized in that a non-linear Kalman filter is used to determine the weight of the load.

[0011] Anordningen enligt uppfinningen kännetecknas ytterligare av att anordningen omfattar en beräkningsenhet som är anordnad att utnyttja ett olinjärt Kalman-filter. The device according to the invention is further characterized in that the device comprises a calculation unit which is arranged to use a non-linear Kalman filter.

[0012] Den grundläggande idén i uppfinningen är att vikten av ett gruvfordons last bestäms med ett olinjärt Kalman-filter som estimerar vikten av lasten i fordonet, vilken lastvikt kan inte direkt mätas, medelst från i fordonet belägna mätdon erhållna mätsignaler. The basic idea of the invention is that the weight of the load of a mining vehicle is determined with a non-linear Kalman filter which estimates the weight of the load in the vehicle, which load weight cannot be measured directly, by means of measuring signals obtained in the vehicle.

[0013] Fördelen med uppfinningen är att genom användning av ett olinjärt Kalman-filter kan ett bättre estimat erhållas för vikten av fordonets last eftersom ett olinjärt förfarande används för att lösa ett olinjärt problem, vilket även möjliggör minimering av effekten av i mätningarna inkluderat brus på den estimerade lastvikten. En andra fördel är att kalibrering av förfarandet är enkelt och att förfarandet behövs inte speciellt läras att identifiera olika massor. Ytter- ligare utförs bestämningen av lastvikten snabbare och noggrannare än i kända metoder. The advantage of the invention is that by using a non-linear Kalman filter a better estimate can be obtained for the weight of the vehicle load because a non-linear method is used to solve a non-linear problem, which also makes it possible to minimize the effect of noise included in the measurements. the estimated load weight. A second advantage is that calibration of the method is simple and that the method does not need to be specifically taught to identify different masses. Furthermore, the determination of the load weight is performed faster and more accurately than in known methods.

[0014] Uppfinningen beskrivs mera detaljerat på bifogade ritningar där figur 1 är en schematisk representation av en i gruvor använd dum- per, på vilken förfarandet enligt uppfinningen tillämpas, figur 2 är en schematisk representation av en i gruvor använd hjul- lastare, på vilken förfarandet enligt uppfinningen tillämpas, figur 3 är en exemplifierande schematisk representation av en till- lämpning av ett olinjärt Kalman-filter och en anordning som kan användas för bestämning av vikten av lasten.i t.ex. dumpern enligt figur 1, och figur 4 är en schematisk representation av det olinjära Kalman- filtrets funktionsprincip. The invention is described in more detail in the accompanying drawings, in which Figure 1 is a schematic representation of a dump truck used in mines, to which the method according to the invention is applied, Figure 2 is a schematic representation of a wheel loader used in mines, in which the method according to the invention is applied, figure 3 is an exemplary schematic representation of an application of a non-linear Kalman filter and a device which can be used for determining the weight of the load. the dumper according to Figure 1, and Figure 4 is a schematic representation of the operating principle of the non-linear Kalman filter.

[0015] Figur 1 är en schematisk representation av en dumper, som har en stomme 1 på hjul och i dess bakre ände en med leder 2 till stommen 1 fäst tippskopa 3. Till den tomma tippskopan 3 är lyftcylindrar 4 kopplade mellan densamma och stommen 1, och då tippskopan 3 sänks till sitt lägre läge, är dess framände stödd på stöd 5. Därtill har dumpern på tyngdkraften baserade n »anno , ...- ' I 524 212 4 sensorer 6 för mätning av stommens 1 lutning i förhållande till horisontalplanen både i dumperns längd- och sidoriktning. Tippskopans 3 lutning i förhållande till stommen 1 kan mätas t.ex. genom användning av vinkelsensorer i lederna 2 eller genom mätning av volymen av tryckvätska som matats till lyftcylindrarna 4 och beräkning av tippskopans 3 lutning pà basis därav och medelst geometrin mellan cylinderns 4 fästpunkter och lederna 2. Figure 1 is a schematic representation of a dumper, which has a body 1 on wheels and at its rear end a tipping bucket 3 attached to joints 2 to the body 1. , and when the tipping bucket 3 is lowered to its lower position, its front end is supported on support 5. In addition, the dumper has gravity-based n »anno, ...- 'I 524 212 4 sensors 6 for measuring the inclination of the frame 1 in relation to the horizontal plane both in the longitudinal and lateral direction of the dumper. The inclination of the tipping bucket 3 in relation to the frame 1 can be measured e.g. by using angle sensors in the joints 2 or by measuring the volume of pressure fluid fed to the lifting cylinders 4 and calculating the inclination of the tipping bucket 3 on the basis thereof and by means of the geometry between the attachment points of the cylinder 4 and the joints 2.

[0016] Figur 2 är en schematisk representation av en hjullastare, som har en stomme 1 på hjul och en skopa 9 som är fäst därtill på lyftarmar 7 genom leder 8, och skopan svänger runt leder 10 i förhållande till lyftarmarna 7. En separat lutningscylinder 11 lutar skopan 9 i förhållande till lyftarmarna 7, och en lyftcylinder 4 mellan lyftarmarna 7 och stommen 1 lyfter skopan 9. Yt- terligare har hjullastaren på det i figur 1 visade sättet på tyngdkraften baserade lutningssensorer 6 för mätning av hjullastarens lutning i förhållande till horison- talplanen på basis av jordens tyngdkraft både i hjullastarens längd- och sido- riktning. Skopans 9 läge i stommens 1 höjdriktning kan definieras genom an- vändning av t.ex. vinkelsensorer i lederna 8 och skopans 9 lyfthöjd beräknas på basis av den av vinkelsensorerna givna mätinformationen och genom an- vändning av lyftarmarnas 7 geometri då skopan är svängd i det mest uppresta läget medelst dess svängcylinder 11. Alternativt kan lyfthöjden även definieras genom mätning av den till cylindern 4 matade tryckvätskans volym, varvid det är möjligt att beräkna Iyfthöjden på basis av nämnda volym och ledernas och cylinderns 4 längd. Figure 2 is a schematic representation of a wheel loader having a body 1 on wheels and a bucket 9 attached thereto on lifting arms 7 through joints 8, and the bucket pivots around joints 10 relative to the lifting arms 7. A separate tilting cylinder 11, the bucket 9 is inclined relative to the lifting arms 7, and a lifting cylinder 4 between the lifting arms 7 and the body 1 lifts the bucket 9. the speech plan on the basis of the earth's gravity in both the longitudinal and lateral directions of the wheel loader. The position of the bucket 9 in the height direction of the frame 1 can be defined by using e.g. Angle sensors in the joints 8 and the lifting height of the bucket 9 are calculated on the basis of the measurement information given by the angle sensors and by using the geometry of the lifting arms 7 when the bucket is swung in the most upright position by its swing cylinder 11. Alternatively, the lifting height can also be defined by the cylinder 4 fed the volume of the pressure fluid, it being possible to calculate the lift height on the basis of said volume and the length of the joints and the cylinder 4.

[0017] Figur 3 är en schematisk representation av en anordning som utnyttjar ett olinjärt Kalman-filter och är lämplig för bestämning av t.ex. vik- ten av den av en dumper enligt figur 1 transporterade lasten, vilken anordning möjliggör mätning av lasten i dumpern då fordonet är antingen i rörelse eller stationärt, i vilket fall förfarandet och anordningen enligt uppfinningen kan även användas i samband med automatisk fyllning av en hjullastares skopa för att kontrollera att skopan är uppfylld. För själva mätningen används mätsensorer eller mätdon, av vilka två mätsensorer 2a och 2b är t.ex. töjningsgivare som är monterade på ett lämpligt ställe med avseende på tippskopans 3 leder 2 på båda sidorna av dumperns stomme 1. Anordningen omfattar även sensorer 4a och 4b för mätning av trycken hos lyftcylindrarnas 4 tryckvätska på båda av de sidor av lyftcylindrarna 4 där tryckvätskan matas och den sida från vilken tryckvätskan strömmar ut. Medelst dessa sensorer kan lastvikten definieras med tillräcklig noggrannhet i en i stort sett statisk situation på horisontalplanen. coon: innan , , Q n nu 524 212 Figure 3 is a schematic representation of a device utilizing a non-linear Kalman filter and is suitable for determining e.g. the weight of the load transported by a dumper according to Figure 1, which device enables measurement of the load in the dumper when the vehicle is either in motion or stationary, in which case the method and device according to the invention can also be used in connection with automatic filling of a wheel loader. bucket to check that the bucket is filled. For the measurement itself, measuring sensors or measuring devices are used, of which two measuring sensors 2a and 2b are e.g. strain gauges mounted in a suitable place with respect to the joints 2 of the tipping bucket 3 on both sides of the dumper body 1. The device also comprises sensors 4a and 4b for measuring the pressure of the pressure fluid of the lifting cylinders 4 on both sides of the lifting cylinders 4 where the pressure fluid is fed and the side from which the pressure fluid flows out. By means of these sensors, the load weight can be defined with sufficient accuracy in a largely static situation on the horizontal plane. coon: innan,, Q n nu 524 212

[0018] Mätsignaler från töjningsmätarna 2a och 2b överförs via för- stärkare 12 till en beräkningsenhet 13, som beräknar tippskopans 3 läge, som definierades såsom ovan beskrivits, och från beräkningsenheten 13 överförs parametern, som beskriver tippskopans 3 läge, till ingången hos ett block 14, som utför det olinjära Kalman-filtret. Beräkningen av tippskopans 3 läge kan även inkluderas som en del av själva Kalman-algoritmen. Blocket 14 som utför det olinjära Kalman-filtret erhåller mätsignaler även från trycksensorerna 4a och 4b, temperaturen av tryckvätskan från cylinderns 4 temperatursensorer 4c samt fordonets lutning uppmätt av lutningssensorerna 6. Blocket 14 kan utgö- ras av en mikroprocessor, signalprocessor eller annan motsvarande beräk- ningsenhet som är kapabel att utföra förprogrammerade funktioner. Measurement signals from the strain gauges 2a and 2b are transmitted via amplifier 12 to a calculation unit 13, which calculates the position of the tipping bucket 3, as defined above, and from the calculation unit 13, the parameter describing the position of the tipping bucket 3 is transmitted to the input of a block 14, which performs the non-linear Kalman filter. The calculation of the position of the tipping bucket 3 can also be included as part of the Kalman algorithm itself. The block 14 which performs the non-linear Kalman filter also receives measurement signals from the pressure sensors 4a and 4b, the temperature of the pressure fluid from the temperature sensors 4c of the cylinder 4 and the inclination of the vehicle measured by the inclination sensors 6. The block 14 may be a microprocessor, signal processor or other equivalent unit capable of performing pre-programmed functions.

[0019] Då lasten vägs medan dumpern är antingen stationär eller i rörelse, lyfter föraren tippskopan 3 på så sätt att den lösgörs från de i figur 1 visade stöden 5. Ett indikatorljus tänds då framför föraren som tecken på att endast cylindrarna 4 och lederna 2 stöder tippskopan 3. Föraren trycker sedan på knappen för vägning av lasten. Vägningen kan även starta automatiskt efter en viss tidsperiod efter det att tippskopan lyftes. Blocket 14 som utför det olin- jära Kalman-filtret estimerar vikten av den i fordonet belägna lasten pà basis av tippskopans 3 lutning som beräknades i beräkningsenheten 13, de uppmät- ta cylindertrycken, tryckvätskans temperatur samt fordonets lutning. Figur 3 vi- sar även en minnesenhet 15 för lagring av t.ex. Iastens estimerade vikt samt andra uppmätta värden, beräknade eller estimerade under lastviktens estime- ring. Även minnesenheten 15 lagrar de av det olinjära Kalman-filtret fordrade begynnelsevärdena för att starta estimeringsprocessen och som beskrevs i beskrivningen av det olinjära Kalman-filtrets funktion i figur 4. Då estimerings- processen startar, läses begynnelsevärdena från minnesenheten 15 till blocket 14 som utför det olinjära Kalman-filtret. Minnesenheten 15 kan även anordnas som en del av beräkningsenheten 14, men för klarhetens skull visas minnes- enheten 15 som en separat komponent i figur 3. When the load is weighed while the dumper is either stationary or in motion, the driver lifts the tipping bucket 3 in such a way that it is detached from the supports 5 shown in figure 1. An indicator light is then lit in front of the driver as a sign that only the cylinders 4 and joints 2 supports the tipping bucket 3. The driver then presses the load weighing button. The weighing can also start automatically after a certain period of time after the tipping bucket has been lifted. The block 14 which performs the non-linear Kalman filter estimates the weight of the load located in the vehicle on the basis of the inclination of the tipping bucket 3 calculated in the calculation unit 13, the measured cylinder pressures, the pressure fluid temperature and the inclination of the vehicle. Figure 3 also shows a memory unit 15 for storing e.g. The estimated weight of the load and other measured values, calculated or estimated during the estimation of the load weight. The memory unit 15 also stores the initial values required by the non-linear Kalman filter to start the estimation process and which was described in the description of the function of the non-linear Kalman filter in Figure 4. When the estimation process starts, the initial values are read from the memory unit 15 to block 14. nonlinear Kalman filter. The memory unit 15 can also be arranged as part of the calculation unit 14, but for the sake of clarity the memory unit 15 is shown as a separate component in figure 3.

[0020] Figur 4 visar på en generell nivå det olinjära Kalman-filtrets funktion, vilket används för estimering av vikten av den last som skall vägas.Figure 4 shows on a general level the function of the non-linear Kalman filter, which is used for estimating the weight of the load to be weighed.

Vägningssystemets modell, omfattande gruvfordonets tippskopa 3 eller skopa 9, lyftarmarna 7 och lyftcylindrarna 4 och/eller lutningscylindern 11 för förﬂytt- ning av dem samt de ovan beskrivna mätdonen, är dynamisk, olinjär och dis- kret tidsanpassad. Systemets dynamik kan beskrivas med ekvationen x(k + 1) = f[k, x(k)] + v(k), (1) :anna coon no I 524 212 6 där x(k+1) är systemets verkliga tillstånd vid tidpunkt k + 1, f( ) är en olinjär funktion som motsvarar systemets tillståndsövergångsmatris, x(k) är syste- mets verkliga tillstånd k vid en tidigare tidpunkt och vektor v(k) är vitt process- brus med nollmedelvärde, vilket beskriver ett modelleringsfel mellan det verkli- ga systemet och den av systemet gjorda modellen, varvid modelleringsfelet har förväntningsvärdet E[v(k)] = o och variansen Ejvtklvblf] = Q(k)ß,,, där Q(k) är en kovariansmatris av processbruset, dvs. modellbrus, 6,9. är Kro- neckers delta, där 6,9. =1 då k =j och annars O, och T beskriver matrisens transponeringsoperation. T.ex. då vikten m av dumperns last definieras, kan systemmodellen ta i beaktande hög- och làgtrycken py och pa av tippskopans lyftcylinder, maskinens lutning y, tippskopans läge s, samt tryckvätskans, t.ex. en hydraulisk oljas, temperatur L. En tillståndsvektor x av den olinjära tillståndmodellen av fordonets vägningssystem skulle i så fall inkludera sex element x=[m,py,pa,7,s,L]T.The model of the weighing system, comprising the mining vehicle's tipping bucket 3 or bucket 9, the lifting arms 7 and the lifting cylinders 4 and / or the tilting cylinder 11 for moving them and the measuring devices described above, is dynamic, non-linear and discrete time-adapted. The dynamics of the system can be described by the equation x (k + 1) = f [k, x (k)] + v (k), (1): anna coon no I 524 212 6 where x (k + 1) is the real state of the system at time k + 1, f () is a non-linear function corresponding to the state transition matrix of the system, x (k) is the real state k of the system at an earlier time and vector v (k) is white process noise with zero mean value, which describes a modeling error between the actual system and the model made by the system, the modeling error having the expectation value E [v (k)] = o and the variance Ejvtklvblf] = Q (k) ß ,,, where Q (k) is a covariance matrix of the process noise , i.e. model noise, 6.9. is Kro- neckers delta, where 6.9. = 1 when k = j and otherwise 0, and T describes the transposition operation of the matrix. For example. when the weight m of the dumper's load is defined, the system model can take into account the high and low pressures py and pa of the tipping bucket lifting cylinder, the inclination of the machine, the position s of the tipping bucket, and the pressure fluid, e.g. a hydraulic oil, temperature L. A state vector x of the nonlinear state model of the vehicle's weighing system would then include six elements x = [m, py, pa, 7, s, L] T.

Av dessa är alla andra utom lastens verkliga vikt m mätbara variabler. Mät- ningen av tryckvätskans temperatur L kan även uteslutas från de ovan be- skrivna mätningarna utan någon väsentlig ändring i noggrannheten hos lastvik- tens m estimat. Lastviktens m avhängighet av nämnda mätningar är olinjär, dvs. funktionen f( ) som beskriver vägningssystemets dynamik i formel (1) är olinjär. Dessutom kan andra faktorer, som inte är direkt mätbara, tas i beak- tande i funktionen f( ) som beskriver lastviktens m modell. Of these, all others except the actual weight of the load are measurable variables. The measurement of the pressure fluid temperature L can also be excluded from the measurements described above without any significant change in the accuracy of the load weight m estimate. The load weight m's dependence on said measurements is non-linear, ie. the function f () which describes the dynamics of the weighing system in formula (1) is non-linear. In addition, other factors, which are not directly measurable, can be taken into account in the function f () which describes the load weight m model.

[0021] Estimeringen av systemets tillstànd och sålunda även las- tens vikt m genom användning av ett olinjärt Kalman-ﬁlter utförs enligt följan- de. The estimation of the state of the system and thus also the weight of the load m by using a non-linear Kalman filter is performed as follows.

[0022] Vid tidpunkt k, är systemets verkliga tillstånd x(k) 20. Det verkliga tillståndet 21 vid följande tidpunkt k + 1 är enligt formel (1) x(k + 1) = f[k, x(k)] + v(k), och motsvarande mätning 22 vid tidpunkt k + 1 är z(k + 1) = h[k + 1, x(k +1)] + w(k + 1), (2) där mätfunktionen h( j är generellt en olinjär funktion, men inom ramen för denna uppfinningen kan mätfunktionen h( j även vara linjär, och w(k) är vitt 524 212 7 mätbrus med ett nollmedelvärde som beskriver felet som summerats i mät- ningarna frán mätanordningarna och mätomgivningen. Mätbrusets w(k) för- väntningsvärde är E[w(k)] = o och dess varians är E[w(k)w(j)T] = R(k)ó',g., där R(k) är mätbrusets kovariansmatris. At time k, the real state of the system is x (k) 20. The real state 21 at the following time k + 1 is according to formula (1) x (k + 1) = f [k, x (k)] + v (k), and the corresponding measurement 22 at time k + 1 is z (k + 1) = h [k + 1, x (k +1)] + w (k + 1), (2) where the measurement function h ( j is generally a non-linear function, but within the scope of this invention the measuring function h (j can also be linear, and w (k) is white measuring noise with a zero mean value describing the error summed in the measurements from the measuring devices and the measuring environment. The expected value of the measuring noise w (k) is E [w (k)] = o and its variance is E [w (k) w (j) T] = R (k) ó ', g., Where R (k) is the covariance matrix of the measuring noise.

[0023] Det verkliga tilisràndets x(k) estimat §(klk) 23 vid tidpunkt k är en approximering av det verkliga tillstàndets villkorliga förväntningsvärde, §(klk) e E[x(k)|z*], bildad på basis av mätningar Z* = {z(1),z(2),...,z(k)} ackumulerade av tidpunkt k. För att kunna uppskatta systemets tillstånd vid tidpunkt k+1, måste syste- mets olinjäriteter linjäriseras från funktionen f( ) som beskriver modellens dy- namik i närheten av tidpunktens ktillstàndsestimat §(k|k) 23. För linjäriseringen används Taylors serieutveckling och beroende av om endast första ordningens termer används eller andra ordningens termer även inkluderas, erhålls anting- en ett första eller andra ordningens filter. Linjärisering av en olinjär funktion kan även användas vid beräkning av en mätprediktion ;(k+1|k) 25. Medelst Tay- lors serieutveckling erhålls följande representation för ett andra ordningens fil- ter xpf + 1) = flit, åtal/q] + fxualxuf) _ špflrql + šêalxuf) _ âpflzalïfgzallkk) _ kila] + iom va), (3) där n, är antal tillstànd, vilket i detta fall är sex, e, är en i:nde nx-dimensionell basvektor vars i:nde komponent är en och andra komponenter är noll, KAT be- skriver högre ordningens termer som i detta fall kan exkluderas och f,(k) = [vxfuaxflï x = §(k|k) (4) ärvektorns f Jakobian 29 beräknad vid x(klk) 23, och f;;.=lv,.v:,ffllx-êtkl/f) (si är en del 29 av Hesse-matrisen som beräknas på basis av vektorns f i:nde komponent. 'anno 524 212 8 The estimate of the real state x (k) § (klk) 23 at time k is an approximation of the conditional expectation value of the real state, § (klk) e E [x (k) | z *], formed on the basis of measurements Z * = {z (1), z (2), ..., z (k)} accumulated by time k. In order to estimate the state of the system at time k + 1, the nonlinearities of the system must be linearized from the function f ( ) which describes the dynamics of the model in the vicinity of the current state estimate § (k | k) 23. For the linearization, Taylor's series development is used and depending on whether only first order terms are used or second order terms are also included, either a first or second order filter. Linearization of a nonlinear function can also be used when calculating a measurement prediction; fxualxuf) _ špflrql + šêalxuf) _ âpflzalïfgzallkk) _ kila] + iom va), (3) where n, is the number of states, which in this case is six, e, is an i: nth nx-dimensional base vector whose i: nth component is one and other components are zero, KAT describes higher order terms which in this case can be excluded and f, (k) = [vxfuaxflï x = § (k | k) (4) is the vector f Jakobian 29 calculated at x ( klk) 23, and f ;;. = lv, .v:, ffllx-êtkl / f) (si is a part 29 of the Hesse matrix which is calculated on the basis of the fin component of the vector. 'anno 524 212 8

[0024] Efter linjäriseringen erhålls tillståndets prediktion :^c(k+1|k) 24 §(k +1|k) = Ewk, Åkllqß + E{f, (k){x(k) - šytlkm + eílxut) _ šﬂtlkﬂï fx; íxnt) - §(k|k)l} i=1 (6) vid tidpunkt k för tidpunkt k+1 som ett villkorligt förväntningsvärde av ekvation (3) bildad på basis av mätningarna Z* ackumulerade vid tidpunkt k då termer av en högre än andra ordning exkluderas pga. deras låga effekt. Beräkningens noggrannhet kan dock höjas genom att man tar i beaktande termer av en hög- re än andra ordning. Eftersom den första ordningens term i genomsnitt har ett nollmedeltal på basis av x(k|k) e E[x(k)lz'°], erhålls det följande eem tllletàndepredlktlen §(k+1lk) 24 fdr tidpunkt k+1 A A 1 "X _ x(k +1|k) = flit, x(k|k)J + 5 Z e,.tr[f¿(k)1>(k|k)] , (7) í=l där tr -operationen är summan av de diagonala elementen i den kvadratiska matrisen och P(klk) 28 är tillståndets kovarians vid tidpunkt k. Tillstàndets pre- diktionsfel erhålls genom subtrahering av ekvation (7) från ekvation (3). Till- ståndets predikterade kovarians P(k+1lk) 30 erhålls genom multiplicerlng av det så erhållna prediktionsfelet med dess egen transposition och genom pro- ducering av ett villkorligt förväntningsvärde därifrån i förhållande till mätningar- na Z* Plk +1lk) = f.(k)P(klk)f.(k)f +åiieefttlfttklvtklklf;tkltltlkll+Qtt> i=1 j=l (8) After the linearization, the prediction of the state is obtained: ^ c (k + 1 | k) § 24 (k +1 | k) = Ewk, Åkllqß + E {f, (k) {x (k) - šytlkm + eílxut) _ š ﬂ tlk ﬂ ï fx; íxnt) - § (k | k) l} i = 1 (6) at time k for time k + 1 as a conditional expectation value of equation (3) formed on the basis of the measurements Z * accumulated at time k when terms of a higher than other order is excluded due to. their low power. However, the accuracy of the calculation can be increased by taking into account terms of a higher than second order. Since the first order term has on average a zero mean on the basis of x (k | k) e E [x (k) lz '°], the following eem tllletàndepredlktlen § (k + 1lk) 24 fdr time k + 1 AA 1 is obtained "X _ x (k +1 | k) = flit, x (k | k) J + 5 Z e, .tr [f¿ (k) 1> (k | k)], (7) í = l there the tr operation is the sum of the diagonal elements of the quadratic matrix and P (klk) 28 is the covariance of the state at time k. The prediction error of the state is obtained by subtracting equation (7) from equation (3). (k + 1lk) is obtained by multiplying the prediction error thus obtained by its own transposition and by producing a conditional expectation value therefrom in relation to the measurements Z * Plk + 1lk) = f. (k) P (klk) f. (k) f + åiieefttlfttklvtklklf; tkltltlkll + Qtt> i = 1 j = l (8)

[0025] På basis av den i formel (7) beräknade tillståndsprediktionen kan man beräkna vid tidpunkt k en prediktion 2(k+1|k) 25 för mätningen vid tidpunkt k + 1 2(k +1|k) = lll/t + 1, §(k + m] + å: eitrlhíxnt) + P(k +1|k)] , (9) där e. är en i:nde nz-dimensionell basvektor, och i detta exempel är n: fem, dvs. antalet mätningar. På basis av den verkliga mätningen z(k+1) 22 och mätningsprediktionen 2(k+1|k) 25 kan man beräkna mätningens residual, dvs. ozon: onani ecco :o . 524 212 9 innovation, u(k +1) 26 vid tidpunkt k + 1 u(k +1) = z(k +1)-2(k +1|k) , och innovationens relaterade kovarians S(k + 1) 31 är S(k + 11k) = 11x(k +1)1>(k +1|k)h,(k +1)T (10) + åêåqefrrlhgk +1)P(k +1|k)h¿(k +1)P(k + 1|1<)] + R(k), (1 1) däri, motsvarande formlerna (3) - (5), 11,(k+1)=[v,h(k+1,x)T]T|x=§(k+1)k) (12) och h;,(k+1)=[v,vfhf(k+1,x)]x =§(k+1|k). (13) On the basis of the state prediction calculated in formula (7), one can calculate at time k a prediction 2 (k + 1 | k) for the measurement at time k + 1 2 (k +1 | k) = lll / t + 1, § (k + m] + å: eitrlhíxnt) + P (k +1 | k)], (9) where e. Is an i: nde nz-dimensional base vector, and in this example n: five, i.e. the number of measurements. On the basis of the actual measurement z (k + 1) 22 and the measurement prediction 2 (k + 1 | k) 25, the residual of the measurement can be calculated, ie. ozone: onani ecco: o. 524 212 9 innovation, u (k +1) 26 at time k + 1 u (k +1) = z (k +1) -2 (k +1 | k), and the related covariance of innovation S (k + 1) 31 is S (k + 11k) = 11x (k +1) 1> (k +1 | k) h, (k +1) T (10) + åêåqefrrlhgk +1) P (k +1 | k) h¿ (k +1) P (k + 1 | 1 <)] + R (k), (1 1) therein, corresponding to formulas (3) - (5), 11, (k + 1) = [v, h ( k + 1, x) T] T | x = § (k + 1) k) (12) and h ;, (k + 1) = [v, vfhf (k + 1, x)] x = § (k +1 | k). (13)

[0026] Filtrets förstärkning W(k + 1) 32 kan beräknas från formeln W(k + 1) = E[x(k +1)u(k +1)T]z'“], (14) där ï(k+1) är tillståndets x(k+1) 21 prediktíonsfel, som baserar sig pä infor- mationen som är tillgänglig vid tidpunkt k. Tillståndets uppdaterade estimat, i.e. tillståndets filtrerade värde 1^<(k+1|k+1) 27 vid tidpunkt k+1, som baserar sig på informationen som är tillgänglig vid tidpunkt k + 1, är §(k+1lk+1) = š(k+1lk)+w(k+1)u(k+1) (15) och tillstàndets uppdaterade kovarians P(k +1lk +1) 33 vid tidpunkt k + 1, som baserar sig på informationen som är tillgänglig vid tidpunkt k + 1, är 1>(k + 11k + 1) = P(k +1lk)- W(k +1)s(k +1)w(k +1)T . (16) The gain of the filter W (k + 1) 32 can be calculated from the formula W (k + 1) = E [x (k +1) u (k +1) T] z '“], (14) where ï ( k + 1) is the state '(x + 1) 21 prediction error, which is based on the information available at time k. The state's updated estimate, ie the filtered value of the state 1 ^ <(k + 1 | k + 1) 27 at time k + 1, which is based on the information available at time k + 1, is § (k + 1lk + 1) = š (k + 1lk) + w (k + 1) u (k + 1) (15) and the state's updated covariance P (k + 1lk +1) 33 at time k + 1, which is based on the information available at time k + 1 , is 1> (k + 11k + 1) = P (k + 1lk) - W (k +1) s (k +1) w (k +1) T. (16)

[0027] Estimeringen av systemtillståndet, dvs. enligt föreliggande uppfinning även estimeringen av lastvikten m medelst ett Kalman-filter kan i princip delas l tre delar: prediktion av tillståndet, beräkning av flltrets förstärk- ning samt beräkning av måtningens residual, och på basis av dessa är det möjligt att beräkna ett estimat för systemtillstàndet och i detta fall i synnerhet för lastvikten m. Vägningssystemmodellens och mätanordningarnas osäkerhe- ter inverkar genom tillstàndskovariansen på filtrets förstärkning, med vilken mätresidualen vägs på så sätt att då tillståndsestimeringen uppdateras tas den information som erhålls från systemtillståndets mätningar och det tillstånd som beräknas pä basis av systemmodellen i beaktande till en lämplig grad eftersom ingendera är fullt pålitlig för sig själv, dvs. motsvarar det verkliga systemet. De erhållna uppdaterade värdena används vidare i alstring av ett estimat för föl- jande tidpunkt. Dessa beräkningscyklar upprepas tills det av filtret som sin ut- | avaol 'anv om O 524 212 gång givna tillståndet, dvs. i detta fall i synnerhet vikten m av fordonets last, har stabiliserat sig på en viss nivå, som sålunda motsvarar estimatet för vikten m av fordonets last. Estimeringen kan avslutas t.ex. då lastviktsestimeringens varians är under ett förutbestämt gränsvärde som kan ändras, dvs. det är en av algoritmens parametrar. För att starta beräkningen fordras tillståndsestima- tets begynnelsevärde í<(()|0), tillståndskovariansen P(OI0) som motsvarar be- gynnelsetillståndet samt vägningssystemsmodellens och mätanordningarnas osäkerheter, vilka alla är lagrade i minnesenheten 15 från vilken de läses till block 14 som utför det olinjära Kalman-filtret då vägningen påbörjas. På fabri- ken i nämnda fordon inställda värden kan användas som begynnelsevärden.The estimation of the system state, i.e. according to the present invention also the estimation of the load weight m by means of a Kalman filter can in principle be divided into three parts: prediction of the condition, calculation of the reinforcement of the filter and calculation of the residual of the measurement, and on the basis of these it is possible to calculate an estimate for the state of the system and in this case in particular for the load weight m. of the system model in consideration to an appropriate degree because neither is fully reliable for itself, ie. corresponds to the real system. The obtained updated values are further used in generating an estimate for the following time. These calculation cycles are repeated until the filter as its output avaol 'apply if 0 524 212 once given the condition, ie. in this case, in particular the weight m of the load of the vehicle, has stabilized at a certain level, which thus corresponds to the estimate of the weight m of the load of the vehicle. The estimation can be completed e.g. when the variance of the load weight estimation is below a predetermined limit value that can be changed, ie. it is one of the parameters of the algorithm. To start the calculation, the initial value of the state estimate í <(() | 0), the state covariance P (OI0) corresponding to the initial state, and the uncertainties of the weighing system model and measuring devices, all stored in the memory unit 15 from which they are read to block 14 executing, are required. the non-linear Kalman filter when weighing begins. Values set at the factory in the said vehicle can be used as initial values.

Den första mätningen kan också användas som begynnelsevärde för de till- stånd som skall mätas, i vilket fall den verkliga estimatberäkningen påbörjas från den andra mätningen. Orsaken till varför lastviktens m estimerade värde inte omedelbart i den första Kalman-filterberäkningscykeln ger rätt resultat är att beräkningen påbörjas från tillståndets begynnelsevärde som inte nödvän- digtvis är rätt. Dessutom finns det störningari mätsignalerna i synnerhet i bör- jan av mätningen, vilka måste först filtreras med Kalman-filtret. The first measurement can also be used as an initial value for the conditions to be measured, in which case the actual estimate calculation is started from the second measurement. The reason why the estimated weight of the load weight does not immediately give the correct result in the first Kalman filter calculation cycle is that the calculation is started from the initial value of the permit, which is not necessarily correct. In addition, there are disturbances in the measurement signals, especially at the beginning of the measurement, which must first be filtered with the Kalman filter.

[0028] För kalibrering av vägningssystemet lastas fordonet med en testlast med känd vikt. För att utföra kalibrering för en tom tippskopa eller last- ningsfordon räcker det att väga den tomma skopan och en känd testlast, men man kan även använda ett ﬂertal testlaster med olika vikter. Kalibreringen ut- förs specifikt för varje maskin. Kalibreringen kan även utföras igen under ma- skinens användning för att kompensera ändringar förorsakade av maskinens åldrande eller byte av komponenter. l samband med kalibreringen kan det olinjära Kalman-filtret även användas för att estimera parametrarna av vägningssystemets olinjära modell. For calibration of the weighing system, the vehicle is loaded with a test load of known weight. To perform calibration for an empty tipping bucket or loading vehicle, it is sufficient to weigh the empty bucket and a known test load, but you can also use a number of test loads with different weights. The calibration is performed specifically for each machine. The calibration can also be performed again during use of the machine to compensate for changes caused by the aging of the machine or replacement of components. In connection with the calibration, the non-linear Kalman filter can also be used to estimate the parameters of the non-linear model of the weighing system.

[0029] På motsvarande sätt, på det ovanbeskrivna sättet, kan vägningen utföras medelst en hjullastare, i vilket fall skopans läge och andra faktorer kan lätt tas i beaktande. Dä det gäller en hjullastare, är det i princip möjligt att använda figurens 3 mätdiagram, i vilket fall skopans 9 läge i stommens 1 höjdriktning och/eller lyftarmarnas 7 lutning tas i beaktande i vägningssystemsmodellen. Modellens tillståndsvektor x och funktionerna som representerar systemets dynamik förändras sålunda från det som beskrevs ovan, medan principen för lastviktens m estimering förblir samma. Correspondingly, in the manner described above, the weighing can be performed by means of a wheel loader, in which case the position of the bucket and other factors can be easily taken into account. In the case of a wheel loader, it is in principle possible to use the measurement diagram of the figure 3, in which case the position of the bucket 9 in the height direction of the frame 1 and / or the inclination of the lifting arms 7 is taken into account in the weighing system model. The state vector of the model x and the functions representing the dynamics of the system thus change from that described above, while the principle of estimating the load weight remains the same.

[0030] Ritningarna och beskrivningen i anslutning därtill är endast avsedda att åskådliggöra uppfinningsidén. Beträffande detaljerna kan o ø~n u »un- . non ° u 524 212 11 uppfinningen variera inom ramen för patentkraven. Följaktligen behöver gruvfordonets struktur inte vara exakt som beskrivits i figurerna 1 och 2, utan det väsentliga är att estimeringen av lastvikten baserar sig på estimering av tillstànden hos en olinjär modell av vägningssystemet medelst ett olinjärt Kalman-filter. Speciella tillämpningar av Kalman-filtret, såsom ett Wiener-filter eller liknande, kan användas på ett motsvarande sätt för bestämning av vikten av lasten i ett gruvfordon.The drawings and the description in connection therewith are only intended to illustrate the idea of the invention. Regarding the details, o ø ~ n u »un-. The invention will vary within the scope of the claims. Consequently, the structure of the mining vehicle need not be exactly as described in Figures 1 and 2, but the essential thing is that the estimation of the load weight is based on estimating the state of a non-linear model of the weighing system by means of a non-linear Kalman filter. Special applications of the Kalman filter, such as a Wiener filter or the like, can be used in a corresponding manner to determine the weight of the load in a mining vehicle.

Claims

... mi ... 10 15 20 25 30 35 524 212 ll PATENT REQUIREMENTS (AMENDED 17-03-2004)

A method for determining the weight of a load in a mining vehicle, in which method the load weight (m) is determined on the basis of measuring signals obtained from separate measuring devices, characterized in that a non-linear state model is formed by a weighing system comprising a mining vehicle tipping bucket (3) or bucket (9), lifting arms (7) and / or lifting cylinders (4) and / or tilting cylinders (11) used to move them and measuring devices arranged in connection with the mining vehicle, and in which non-linear condition model of the weighing system in at least one condition describes the load weight (m) of the mining vehicle and that the load weight (m) of the mining vehicle is determined on the basis of the measuring signals obtained from the measuring devices by estimating the condition of the nonlinear condition model with a nonlinear Kalman.

Method according to claim 1, characterized in that at least one condition of the non-linear model of the weighing system comprises the pressure (py, p,) of the pressure fluid in the lifting cylinder (4).

Method according to claim 1 or 2, characterized in that at least one condition of the non-linear model of the weighing system comprises the temperature (L) of the pressure fluid in the lifting cylinder (4).

Method according to one of the preceding claims, characterized in that at least one condition of the non-linear model of the weighing system comprises the inclination (y) of the mining vehicle in relation to the horizontal plane.

Method according to one of the preceding claims, characterized in that at least one condition of the non-linear model of the weighing system comprises the inclination of the tipping bucket (3) relative to the mining vehicle or the position of the bucket (9) of the mining vehicle and / or the inclination of the lifting arms (7) in the height direction of the mining vehicle body (1). _

Method according to one of the preceding claims, characterized in that preset values are used as values for the initial state of the nonlinear Kalman filter.

7. A method according to claim 6, characterized in that values set at the factory are used as values for the initial state of the nonlinear Kalman filter. _

Method according to one of the preceding claims, characterized in that the estimation of the load weight is completed after the load weight estimate stabilizes at a certain level. I '

A method according to any one of claims 1 to 7, characterized in that the estimation of the load weight is completed after the value of the variance of the load weight estimate is below a preset limit value.

Method according to one of the preceding claims, characterized in that the non-linear model of the weighing system is calibrated by using one or more test loads of known weight.

Device for determining the weight of a load transported by a mining vehicle, characterized in that the device comprises a calculation unit (14), which calculation unit (14) comprises a non-linear state model, which non-linear state model is arranged to describe a weighing system, formed by the tipping bucket (3) or bucket (9) of the mining vehicle, lifting arms (7) and / or lifting cylinders (4) and / or tilting cylinders (11) used to move them and measuring devices arranged in connection with the mining vehicle, and in which non-linear state model of the weighing system in at least one condition is arranged to describe the load weight (m) of the mining vehicle and that the calculation unit (14) is arranged to determine the load weight (m) of the mining vehicle on the basis of the measurement signals obtained from the measuring devices; the state of the nonlinear state model with a nonlinear Kalman filter.

Device according to claim 11, characterized in that the device comprises measuring devices (4a, 4b) for measuring the pressure (py, pa) of the pressure liquid in the lifting cylinder (4).

Device according to claim 11 or 12, characterized in that the device comprises measuring devices (4c) for measuring the temperature (L) of the pressure fluid in the lifting cylinder (4).

Device according to one of Claims 11 to 13, characterized in that the device comprises measuring devices (6) for measuring the inclination (y) of the mining vehicle in relation to the horizontal plane.

Device according to one of Claims 11 to 14, characterized in that the device comprises measuring devices for measuring the inclination of the tipping bucket (3) in relation to the mining vehicle or for measuring the position of the bucket (9) of the mining vehicle and / or the inclination of the lifting arms (7) in the height direction of the mining vehicle body (1).

Device according to one of Claims 11 to 15, characterized in that the device comprises a memory unit (15) for storing the estimated state of the state model and / or the initial values required in the estimation. .

Device according to claim 16, characterized in that the counting unit (14) for estimating the state of the nonlinear state model with a nonlinear Kalman filter comprises the memory unit (15).

Device according to one of Claims 15 to 17, characterized in that the device comprises a calculation unit (13) for determining the position of the tipping bucket (3) of the mining vehicle or the position of the bucket (9) and / or the inclination of the lifting arms (7). .

Device according to Claim 18, characterized in that the calculation unit (14) which, with the non-linear Kalman filter, estimates the state of the non-linear state model of the mining vehicle weighing system, comprises the calculation unit (13) for calculating the position of the mining vehicle or tipping bucket. (9) and / or the inclination of the lifting arms (7).