專利名稱：：基于灰色理論的稱重傳感器故障預(yù)測方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種對傳感器故障預(yù)測方法，尤其是涉及一種基于灰色理論的稱重傳感器故障預(yù)測方法。
背景技術(shù)：
：在現(xiàn)有的稱重系統(tǒng)中，傳感器的故障基本上分大兩大類一類為硬故障；一類為軟故障。由于硬故障是隨機(jī)發(fā)生，是無法提前或很難提前知道并也很難采取相應(yīng)的措施。而軟故障則是因稱重傳感器性能緩慢變化，如零點(diǎn)漂移或靈敏度發(fā)生變化而引起最終失效。雖然人們能得到一些傳感器的歷史數(shù)據(jù)，但目前還沒有一種能通過對這些歷史數(shù)據(jù)進(jìn)行處理，來判斷傳感器系統(tǒng)何時(shí)會(huì)發(fā)生故障，提前預(yù)報(bào)傳感器系統(tǒng)工作故障的方法。所以，通常的作法也只能等傳感器出現(xiàn)故障后，臨時(shí)對出故障的傳感器進(jìn)行更換或處理，而無法達(dá)到提前預(yù)報(bào)進(jìn)行控制的目的，使得稱重系統(tǒng)的工作可靠性很難進(jìn)一步提高。
發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問題是提供一種基于灰色理論的稱重傳感器故障預(yù)測方法，利用傳感器輸出的零點(diǎn)或靈敏度歷史數(shù)據(jù)，建立動(dòng)態(tài)模型的時(shí)間響應(yīng)方程，通過計(jì)算得出預(yù)報(bào)值，準(zhǔn)確地預(yù)見傳感器將要發(fā)生的故障，實(shí)現(xiàn)預(yù)先控制，從而提高稱重系統(tǒng)的工作可靠性。本發(fā)明為達(dá)到上述目的的技術(shù)方案是一種基于灰色理論的稱重傳感器故障預(yù)測方法，(1)、檢測、記錄相同條件下，傳感器輸出的零點(diǎn)原始數(shù)據(jù)或靈敏度原始數(shù)據(jù)X(0)(i)；(2)、對原始數(shù)據(jù)至少進(jìn)行一次累加，生成序列值X(1)(i)；(3)、依序列值用最小二乘法來計(jì)算估計(jì)常數(shù)值和其數(shù)學(xué)表達(dá)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是以序列值和原始數(shù)據(jù)建立矩陣式，其數(shù)學(xué)表達(dá)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)、建立時(shí)間響應(yīng)微分方程的動(dòng)態(tài)模型，并計(jì)算序列估計(jì)值，其數(shù)學(xué)表達(dá)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>當(dāng)k＝1，2，...，N-1時(shí)，序列估計(jì)值為擬合值；當(dāng)K≥N時(shí)，序列估計(jì)值為預(yù)報(bào)值，K——取樣時(shí)刻；(5)、再用序列估計(jì)值累減還原得模型估計(jì)值(6)、將模型估計(jì)值與設(shè)定超差值進(jìn)行對比判斷，預(yù)報(bào)何時(shí)將會(huì)發(fā)生故障。本發(fā)明采用上述技術(shù)方案后的優(yōu)點(diǎn)在于本發(fā)明利用傳感器零點(diǎn)輸出原始數(shù)據(jù)或靈敏度輸出原始數(shù)據(jù)，利用灰色理論，建立時(shí)間響應(yīng)方程的動(dòng)態(tài)模型，對獲取的原始數(shù)據(jù)作累加處理，利用生成序列值作為樣本值，確定時(shí)間響應(yīng)方程的系數(shù)，用時(shí)間響應(yīng)方程計(jì)算出稱重傳感器輸出的擬合和預(yù)報(bào)的序列估計(jì)值，通過對序列估計(jì)值進(jìn)行累減還原成模型估計(jì)值，該值與設(shè)定超差值相比，來判斷傳感器是否有可能失效，或何時(shí)有可能失效，由于能預(yù)見傳感器將要發(fā)生的故障，因此能提前發(fā)出警告，實(shí)現(xiàn)預(yù)先控制，從而提高稱重系統(tǒng)的工作可靠性。本發(fā)明的預(yù)測方法是通過對稱重傳感器零點(diǎn)漂移以及靈敏度的變化進(jìn)行檢測及計(jì)算，預(yù)告?zhèn)鞲衅髁泓c(diǎn)及靈敏度的變化以提高系統(tǒng)的運(yùn)行可靠性，實(shí)施方便，具有很好的應(yīng)用前景。本發(fā)明解決了測試傳感器工作狀態(tài)的系統(tǒng)中，需檢測傳感器的靈敏度實(shí)施性差的問題，通過采集一組傳感器的輸出與系統(tǒng)中其余傳感器的輸出和之比或該傳感器與相鄰傳感器的輸出之比，為比例因子來模擬表示傳感器靈敏度原始數(shù)據(jù)，檢測是否有傳感器靈度發(fā)生變化，簡化了檢測手段，可操作性強(qiáng)。下面結(jié)合附圖對本發(fā)明的實(shí)施例作進(jìn)一步的詳細(xì)描述。圖1是本發(fā)明的流程圖。圖2是本發(fā)明傳感器零點(diǎn)的模型估計(jì)值與原始數(shù)據(jù)比較圖。圖3是本發(fā)明傳感器比例因子的模型估計(jì)值與原始數(shù)據(jù)比較圖。圖4是本發(fā)明傳感器零點(diǎn)經(jīng)殘差修正后模型估計(jì)值與原始數(shù)據(jù)比較圖。具體實(shí)施例方式本發(fā)明基于灰色理論的稱重傳感器故障預(yù)測方法見圖1所示，具體步驟如下(1)、測量、記錄相同條件下傳感器輸出的原始數(shù)據(jù)，傳感器輸出原始數(shù)據(jù)是零點(diǎn)原始數(shù)據(jù)或靈敏度原始數(shù)據(jù)，零點(diǎn)原始數(shù)據(jù)是稱重傳感器間隔相同時(shí)間內(nèi)，檢測記錄的四個(gè)或四個(gè)以上的零點(diǎn)原始數(shù)據(jù)；而靈敏度原始數(shù)據(jù)則是通過采集一組稱重傳感器的輸出與系統(tǒng)中其余傳感器的輸出和之比，或該傳感器的輸出與相鄰傳感器輸出之比為比例因子來模擬表示傳感器靈敏度原始數(shù)據(jù)，且檢測、記錄的靈敏度原始數(shù)據(jù)在四個(gè)或四個(gè)以上，其數(shù)學(xué)表達(dá)式為x(0)(i)＝{x(0)(1)，x(0)(2)，...x(0)(N)}其中N——取樣數(shù)，X(0)(i)—原始數(shù)據(jù)。(2)、對原始數(shù)據(jù)至少進(jìn)行一次累加生成序列值，數(shù)學(xué)表達(dá)式為<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>Σ</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)——原始數(shù)據(jù)，且i≥1；X(1)(i)——序列值。(3)、用最小二乘法對序列值計(jì)算估計(jì)常數(shù)值和數(shù)學(xué)表達(dá)式為<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是以序列值和原始數(shù)據(jù)建立矩陣式，其數(shù)學(xué)表達(dá)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)、建立時(shí)間響應(yīng)微分方程的動(dòng)態(tài)模型，并計(jì)算序列估計(jì)值，①、用生成的序列值建立微分方程型的動(dòng)態(tài)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——常系數(shù)，u——對系統(tǒng)的常定輸入，上述動(dòng)態(tài)模型寫為<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>當(dāng)對等間隔取樣的離散值則為<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把估計(jì)常數(shù)值和代入上述方程，即得到時(shí)間響應(yīng)方程的動(dòng)態(tài)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——序列估計(jì)值；當(dāng)k＝1，2，…，N-1時(shí)，序列估計(jì)值為擬合值；當(dāng)K≥N時(shí)，序列估計(jì)值為預(yù)報(bào)值，K——取樣時(shí)刻。(5)、再用模型估計(jì)值進(jìn)行累減運(yùn)算得模型值，數(shù)學(xué)表達(dá)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>本發(fā)明用后減還原時(shí)，還可是直接用序列值x(1)(i-1)替代上述中的序列估計(jì)值使還原后計(jì)算的模型估計(jì)值更接近于原始數(shù)據(jù)。(6)、模型估計(jì)值與設(shè)定超差值進(jìn)行對比，預(yù)報(bào)將要在何時(shí)會(huì)發(fā)生故障，預(yù)見傳感器將要發(fā)生的故障，因此能提前發(fā)出警告，實(shí)現(xiàn)預(yù)先控制，從而提高稱重系統(tǒng)的工作可靠性。在上述的建模過程中，本發(fā)明可采用平均相對誤差來檢查時(shí)間響應(yīng)微分方程的模型精度，其數(shù)學(xué)表達(dá)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>Σ</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——取樣次數(shù)，x(0)(i)——原始數(shù)據(jù)，——模型估計(jì)值，本發(fā)明還可用均方根誤差進(jìn)行對模型精度進(jìn)行檢查，當(dāng)模型精度小于給定精度時(shí)，用時(shí)間響應(yīng)微分方程作外推預(yù)測。若誤差較大，模型精度不夠，可以采用以下措施進(jìn)行改進(jìn)一種是對原始數(shù)據(jù)進(jìn)行多次累加生成序列值，可對原始數(shù)據(jù)進(jìn)行3～20次的累加，一般視誤差情況決定，用該序列值建立微分方程型的動(dòng)態(tài)模型。另一種則是采用殘差建立模型以修正原模型，對殘差進(jìn)行修正時(shí)，用序列值與序列估計(jì)值之差作新的殘差序列其數(shù)學(xué)表達(dá)式<math><mrow><msup><mi>ϵ</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，用上述建模步驟建立新的微分方程型的動(dòng)態(tài)模型，再把這殘差模型的估計(jì)值加到序列估計(jì)值上去，對時(shí)間響應(yīng)微分方程進(jìn)行修正，以提高提高動(dòng)態(tài)模型的精度。若進(jìn)行一次殘差修正后精度仍不夠，還可對修正后的模型作第二次、第三次或更多的修正，直到滿意為止。實(shí)施例1原始數(shù)據(jù)是稱重傳感器間隔相同時(shí)間內(nèi)所采集的零點(diǎn)原始數(shù)據(jù)。對稱重系統(tǒng)的傳感器零點(diǎn)進(jìn)行跟蹤測試，開始安裝的傳感器每隔兩月采集一次零點(diǎn)。具體過程如下選擇一臺(tái)試驗(yàn)用3t料斗秤，其中傳感器1的零點(diǎn)輸出如下(1)、測量、記錄傳感器輸出零點(diǎn)原始數(shù)據(jù)，原始數(shù)據(jù)見表1表1序號(hào)1234X(0)2341214322422876(2)、對原始數(shù)據(jù)至少進(jìn)行一次累加生成序列值，見表2，表2序號(hào)1234X(1)2341448467269602(3)、計(jì)算估計(jì)常數(shù)值和建立數(shù)據(jù)矩陣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)、時(shí)間響應(yīng)微分方程的動(dòng)態(tài)模型，并計(jì)算序列估計(jì)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)、再用序列估計(jì)值進(jìn)行累減運(yùn)算得計(jì)算后模型估計(jì)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>計(jì)算值見表3，表3從表3的模型效果驗(yàn)證可以得出該時(shí)間響應(yīng)方程的誤差小于10％，精度基本達(dá)到要求，不用進(jìn)行殘差修正，此時(shí)間響應(yīng)微分方程既為建立的模型<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>用此模型預(yù)測后每隔兩個(gè)月零點(diǎn)為<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>見圖2所示，本發(fā)明采用上述方法，傳感器零點(diǎn)計(jì)算后還原后的模型值與儀表中設(shè)定零點(diǎn)超差的指標(biāo)進(jìn)行比較，那么，就可以預(yù)先知道傳感器即將超差及相應(yīng)的超差時(shí)間，從而達(dá)到預(yù)告的目的并采取相應(yīng)的措施。實(shí)施例2原始數(shù)據(jù)是稱重傳感器間隔相同時(shí)間內(nèi)所采集的比例因子來模擬靈敏度原始數(shù)據(jù)。此比例因子為稱重傳感器的輸出與系統(tǒng)中其余傳感器的輸出和之比或該傳感器的輸出與相鄰傳感器輸出之比。具體過程如下某傳感器1在六個(gè)傳感器組成的系統(tǒng)中，用時(shí)間響應(yīng)微分方程建立其變化趨勢的模型，并用此模型預(yù)測其發(fā)展趨勢，如果其比例因子變化量占原來比例因子的35％，則系統(tǒng)發(fā)出警報(bào)，表明該傳感器將破壞系統(tǒng)的稱重精度。(1)、測量傳感器輸出的原始數(shù)據(jù)，原始數(shù)據(jù)見表4表4序號(hào)1234X(0)0.1980.2310.2450.258(2)、對原始數(shù)據(jù)至少進(jìn)行一次累加生成序列值，見表5表5序號(hào)1234X(1)0.1980.4290.6740.932(3)、計(jì)算估計(jì)常數(shù)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)、建立響應(yīng)微分方程的動(dòng)態(tài)模型，并計(jì)算估計(jì)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>用序列估計(jì)值進(jìn)行累減運(yùn)算得計(jì)算后模型估計(jì)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>計(jì)算后還原后模型估計(jì)值見表6，表6此時(shí)間響應(yīng)微分方程既為建立的模型<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>預(yù)測下一時(shí)刻的比例因子為0.272占原來比例因子的百分率為(0.272-0.198)/0.198＝37.4％本發(fā)明見圖3所示，估計(jì)值與原始數(shù)據(jù)進(jìn)行比較，用此模型預(yù)測其發(fā)展趨勢，如果其比例系數(shù)變化量占原來比例系數(shù)的35％，則系統(tǒng)發(fā)出警報(bào)，表明該傳感器將破壞系統(tǒng)的稱重精度。從圖3中可以看出該模型相對誤差均小于0.3％，說明其精度很高，它預(yù)測的下一次的比例因子將變化到0.272，變化量占原比例因子的37.4，大于設(shè)定的35％，系統(tǒng)發(fā)出警告，提前預(yù)告用戶該傳感器可能會(huì)在下一時(shí)刻左右的時(shí)候破壞整個(gè)系統(tǒng)稱量精度。實(shí)施例3選擇一臺(tái)試驗(yàn)用3t料斗秤，其中傳感器1的零點(diǎn)輸出的原始數(shù)據(jù)(每隔兩月測試)如下(1)、測量、記錄傳感器輸出零點(diǎn)原始數(shù)據(jù)，原始數(shù)據(jù)見表7表7序號(hào)1234X(0)2341282652996790(2)、對原始數(shù)據(jù)至少進(jìn)行一次累加生成序列值，見表8，表8序號(hào)1234X(1)234151671046617256(3)、計(jì)算估計(jì)常數(shù)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)、時(shí)間響應(yīng)微分方程的動(dòng)態(tài)模型，并計(jì)算估計(jì)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)、估計(jì)值進(jìn)行累減運(yùn)算得計(jì)算后模型值，見表9表9該響應(yīng)微分方程誤差＞10％，進(jìn)行殘差修正(6)、殘差修正，殘差序列值計(jì)算見表10表10序號(hào)1234ε(1)0-379228150(7)、對殘差序列值的數(shù)據(jù)進(jìn)行處理<math><mrow><msup><mi>ϵ</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>ϵ</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>ϵ</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>處理值見表11表11序號(hào)1234ε(1)3801608530(8)、殘差的時(shí)間指數(shù)響應(yīng)函數(shù)<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)、修正數(shù)據(jù)見表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>ϵ</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相對誤差小于10％，模型可以進(jìn)行預(yù)測。用此模型預(yù)測后兩個(gè)月零點(diǎn)為X(2)＝{10053}如果在儀表中設(shè)定零點(diǎn)超差的指標(biāo)，那么，則可以預(yù)先知道將要超差的傳感器及相應(yīng)的時(shí)間，從而達(dá)到預(yù)告并采取相應(yīng)的措施。本發(fā)明用灰色理論來進(jìn)行傳感器故障預(yù)報(bào)，通過預(yù)報(bào)稱重傳感器的零點(diǎn)及靈敏度漂移，提前通知系統(tǒng)即將失效的傳感器從而提高智能稱重系統(tǒng)的可靠性。權(quán)利要求1、一種基于灰色理論的稱重傳感器故障預(yù)測方法，其特征在于(1)、檢測、記錄相同條件下，傳感器輸出的零點(diǎn)原始數(shù)據(jù)或靈敏度原始數(shù)據(jù)x(0)(i)；(2)、對原始數(shù)據(jù)至少進(jìn)行一次累加，生成序列值x(1)(i)；(3)、依序列值用最小二乘法來計(jì)算估計(jì)常數(shù)值和其數(shù)學(xué)表達(dá)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是以序列值和原始數(shù)據(jù)建立矩陣式，其數(shù)學(xué)表達(dá)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>·</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)、建立時(shí)間響應(yīng)微分方程的動(dòng)態(tài)模型，并計(jì)算序列估計(jì)值，其數(shù)學(xué)表達(dá)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>當(dāng)k＝1，2，…，N-1時(shí)，序列估計(jì)值為擬合值；當(dāng)K≥N時(shí)，序列估計(jì)值為預(yù)報(bào)值，K——取樣時(shí)刻；(5)、再用估計(jì)值累減還原得模型估計(jì)值(6)、將模型估計(jì)值與設(shè)定超差值進(jìn)行對比判斷，預(yù)報(bào)何時(shí)將會(huì)發(fā)生故障。2、根據(jù)權(quán)利要求1所述的基于灰色理論的稱重傳感器故障預(yù)測方法，其特征在于所述的零點(diǎn)原始數(shù)據(jù)是稱重傳感器間隔相同時(shí)間內(nèi)，檢測、記錄的四個(gè)或四個(gè)以上的零點(diǎn)原始數(shù)據(jù)。3、根據(jù)權(quán)利要求1所述的基于灰色理論的稱重傳感器故障預(yù)測方法，其特征在于所述的靈敏度原始數(shù)據(jù)則是通過采集一組稱重傳感器的輸出與系統(tǒng)中其余傳感器的輸出和之比，或該傳感器的輸出與相鄰傳感器輸出之比，為比例因子來模擬表示傳感器靈敏度原始數(shù)據(jù)，且檢測、記錄的靈敏度原始數(shù)據(jù)在四個(gè)或四個(gè)以上。4、根據(jù)權(quán)利要求1所述的基于灰色理論的稱重傳感器故障預(yù)測方法，其特征在于用平均相對誤差檢查時(shí)間響應(yīng)微分方程的精度，其數(shù)學(xué)表達(dá)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>Σ</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——取樣次數(shù)x(0)(i)——原始數(shù)據(jù)；——模型估計(jì)值；5、根據(jù)權(quán)利要求1所述的基于灰色理論的稱重傳感器故障預(yù)測方法，其特征在于在計(jì)算還原模型估計(jì)值時(shí)，還可用序列估計(jì)值替代模型估計(jì)值。6、根據(jù)權(quán)利要求1所述的基于灰色理論的稱重傳感器故障預(yù)測方法，其特征在于可對零點(diǎn)原始數(shù)據(jù)或靈敏度原始數(shù)據(jù)進(jìn)行3～20次累加，生成序列值，對時(shí)間響應(yīng)微分方程進(jìn)行修正，以提高動(dòng)態(tài)模型的精度。7、根據(jù)權(quán)利要求1所述的基于灰色理論的稱重傳感器故障預(yù)測方法，其特征在于用序列值與序列估計(jì)值之差作新的殘差序列其數(shù)學(xué)表達(dá)式<math><mrow><msup><mi>ϵ</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>并將該差值加到原序列估計(jì)值上，對時(shí)間響應(yīng)微分方程進(jìn)行修正，以提高提高動(dòng)態(tài)模型的精度。全文摘要本發(fā)明涉及一種基于灰色理論的稱重傳感器故障預(yù)測方法，首先檢測、記錄相同條件下，傳感器輸出的零點(diǎn)原始數(shù)據(jù)或靈敏度原始數(shù)據(jù)；對原始數(shù)據(jù)至少進(jìn)行一次累加，生成序列值；依序列值用最小二乘法來計(jì)算常數(shù)值和；建立時(shí)間響應(yīng)微分方程的動(dòng)態(tài)模型，并計(jì)算序列估計(jì)值，；再用序列估計(jì)值累減計(jì)算得模型估計(jì)值；將模型估計(jì)值與設(shè)定超差值進(jìn)行對比判斷，預(yù)報(bào)何時(shí)將會(huì)發(fā)生故障。本發(fā)明的預(yù)測方法，通過對稱重傳感器系統(tǒng)緩慢變化時(shí)的零點(diǎn)漂移以及靈敏度的變化進(jìn)行控制，準(zhǔn)確地預(yù)見傳感器將要發(fā)生的故障，發(fā)出警告，實(shí)現(xiàn)預(yù)先控制，提高稱重系統(tǒng)的可靠性，實(shí)施方便、可靠，具有很好的應(yīng)用前景。文檔編號(hào)G01G23/00GK1601239SQ200410065098公開日2005年3月30日申請日期2004年10月22日優(yōu)先權(quán)日2004年10月22日發(fā)明者朱子健申請人:梅特勒-托利多(常州)稱重設(shè)備系統(tǒng)有限公司,梅特勒-托利多(常州)精密儀器有限公司