配料系统称重数据滤波算法对比：移动平均、卡尔曼滤波与一阶滞后实战选择

引言：为什么称重数据需要滤波？

在自动配料系统的实际运行中，称重传感器采集到的原始重量信号往往伴随着各种噪声干扰——机械振动、物料冲击、电磁干扰、温度漂移都会在信号中叠加抖动成分。如果直接使用这些未经处理的原始数据进行配料控制，会导致给料阀门频繁动作、配料精度波动加大，严重时甚至引发系统振荡。

滤波算法是连接"脏数据"与"干净数据"之间的桥梁。选择合适的滤波算法，不仅直接影响配料精度，还关系到系统响应速度和稳定性。本文对比三种在配料系统中最常用的滤波算法——移动平均滤波、卡尔曼滤波和一阶滞后滤波，从原理、实现到实际效果进行全面剖析，帮助工程师在不同工况下做出最优选择。

一、三种滤波算法的核心原理

1.1 移动平均滤波（Moving Average）

移动平均滤波是最经典、最易于理解的数字滤波方法。其核心思想是：取最近N次采样值的算术平均值作为当前输出值。

数学表达式：

Y(n) = [X(n) + X(n-1) + ... + X(n-N+1)] / N

其中，Y(n)为滤波后输出，X(n)为第n次采样值，N为窗口大小。

优点：

• 实现极其简单，仅需一个循环缓冲区和累加运算

• 对周期性干扰有良好的抑制效果

• 不依赖信号模型，适用于各种物料场景

缺点：

• 引入固定延迟：延迟量为(N-1)/2个采样周期

• 窗口越大，平滑效果越好，但实时性越差

• 对突变信号响应慢，不适合快速变化的配料阶段

适用场景：稳态配料阶段、环境振动频率较稳定的工况、对实时性要求不高的静态称重场景。

1.2 卡尔曼滤波（Kalman Filter）

卡尔曼滤波是一种基于状态空间模型的最优递推估计方法。它通过"预测—更新"两步循环，利用系统状态方程和观测方程，在最小均方误差准则下对系统状态进行最优估计。

核心步骤：

步骤一——预测：

X(k|k-1) = A · X(k-1|k-1) + B · U(k)

P(k|k-1) = A · P(k-1|k-1) · Aᵀ + Q

步骤二——更新：

K(k) = P(k|k-1) · Hᵀ · [H · P(k|k-1) · Hᵀ + R]⁻¹

X(k|k) = X(k|k-1) + K(k) · [Z(k) - H · X(k|k-1)]

P(k|k) = [I - K(k) · H] · P(k|k-1)

其中，A为状态转移矩阵，H为观测矩阵，Q为过程噪声协方差，R为观测噪声协方差，K为卡尔曼增益。

优点：

• 在已知系统模型时，理论上达到最优估计

• 自适应调整增益，能兼顾平滑性和跟踪性

• 可扩展为扩展卡尔曼滤波（EKF）处理非线性系统

缺点：

• 需要准确的系统模型和噪声统计特性

• 计算量较大，涉及矩阵运算

• 参数调较复杂，Q和R的设定需要经验积累

适用场景：高精度配料系统、动态配料过程、需要同时估计多个状态变量（如重量+流量）的场景。

1.3 一阶滞后滤波（First-Order Lag）

一阶滞后滤波又称指数平滑滤波，其核心思想是：当前输出等于上一次输出与当前采样的加权平均。

数学表达式：

Y(n) = α · X(n) + (1-α) · Y(n-1)

其中，α为平滑系数（0 < α < 1），α越大表示对当前采样信任度越高，滤波效果越弱；α越小表示平滑效果越强，但延迟越大。

优点：

• 计算量极小，仅需一次乘法和一次加法

• 只需调节一个参数α，工程实现简单

• 占用内存极小（仅保存上一次输出值），适合嵌入式系统

缺点：

• 滤波效果有限，对高频突发噪声抑制不足

• 无法区分信号变化与噪声变化，通频带内平滑度有限

• 相位延迟随α减小而增大

适用场景：PLC资源受限的配料系统、采样频率较高（≥50Hz）的场景、作为前置粗滤与其他算法配合使用。

二、三种算法的实测数据对比

为了直观对比三种滤波算法的实际效果，我们在某化工企业的粉体配料线上进行了为期两周的对比测试。测试条件如下：

• 物料：碳酸钙粉体（堆积密度0.45g/cm³，含水率0.8%）

• 传感器：梅特勒-托利多MTB-200称重模块（C3精度等级）

• 采样频率：50Hz（采样周期20ms）

• 配料目标：25.00kg，精度要求±0.1%

• 环境：车间地面振动加速度峰值0.15g（来自旁边破碎机）

2.1 稳态称重阶段对比

在配料罐加料完成后的稳态阶段（物料已静置3秒），采集1000个连续采样点，分别应用三种算法处理：

分析：卡尔曼滤波在标准差和峰峰值指标上表现最优，且延迟仅40ms，这得益于其自适应增益调节机制。移动平均滤波的平滑效果次之，但150ms的延迟在快速配料场景中可能影响控制响应。一阶滞后滤波计算最快（3μs），但平滑效果相对较弱。

2.2 动态加料阶段对比

在快速加料阶段（给料阀门全开，物料流量约8kg/s），考察三种算法对重量信号变化的跟踪能力：

分析：动态加料阶段，卡尔曼滤波展现出明显优势——跟踪延迟仅45ms，能快速捕捉重量变化趋势，这对于配料系统的快慢给料切换控制至关重要。移动平均滤波延迟较大，可能导致配料控制系统在接近目标值时反应滞后，产生超调。一阶滞后滤波的噪声残余较大（±18g），在精度要求严格的场合可能不够理想。

三、不同工况下的算法选择策略

3.1 按物料特性选择

粉体物料（流动性差、易架桥）：推荐使用卡尔曼滤波。粉体物料在配料过程中容易产生冲击和架桥塌料，重量信号中不仅有高频噪声，还包含突发性的大幅波动。卡尔曼滤波的自适应增益能够在信号突变时迅速增大增益、跟踪变化，在信号稳定后自动减小增益、增强平滑。

颗粒物料（流动性好、均匀下料）：移动平均滤波即可满足需求。颗粒物料的下料过程相对平稳，信号中的噪声主要为环境振动引起的周期性干扰，移动平均滤波对此类干扰的抑制效果良好，且实现简单。

液体物料（粘度可变）：建议使用一阶滞后滤波配合自适应α调节。在低粘度阶段（α=0.2~0.3）保证跟踪速度，在高粘度阶段（α=0.05~0.1）增强平滑效果。

3.2 按配料精度要求选择

3.3 按硬件平台选择

高端PLC（如西门子S7-1500系列）：计算资源充足，推荐直接使用卡尔曼滤波。这类PLC支持浮点矩阵运算，完全可以承受卡尔曼滤波的计算负荷。

中端PLC（如西门子S7-1200系列）：建议使用移动平均滤波（N=8~16），配合简单的异常值剔除逻辑。计算量适中，效果可靠。

低端PLC或称重仪表（如SK-200-LG）：优先选择一阶滞后滤波。这类平台的CPU主频较低、内存有限，一阶滞后滤波仅需3条指令即可完成，是性价比最高的选择。

四、工程实战中的高级技巧

4.1 异常值剔除——滤波的前置防线

无论选择哪种滤波算法，都应该在前端加入异常值剔除逻辑。常用的方法是基于"3σ准则"的异常检测：

如果 |X(n) - Y(n-1)| > 3σ，则认为当前采样为异常值，用Y(n-1)替代X(n)。

其中σ可根据历史数据统计得到，也可在线自适应更新。这一步骤能有效防止传感器异常跳变（如电磁干扰导致的大幅脉冲）对滤波器造成冲击。

4.2 双速配料中的滤波策略切换

在快慢双速配料工艺中，不同阶段对滤波的要求不同：

快速加料阶段：重点是跟踪速度，应减小滤波强度。移动平均窗口减至N=4，卡尔曼滤波增大Q值（过程噪声），一阶滞后增大α至0.3~0.5。

慢速加料阶段：重点是精度和平滑性，应增大滤波强度。移动平均窗口增至N=16~32，卡尔曼滤波减小Q值，一阶滞后减小α至0.05~0.1。

这种"变速滤波"策略在某合金粉末配料项目中，将配料精度从±0.15%提升至±0.08%，效果显著。

4.3 卡尔曼滤波参数调较实战经验

卡尔曼滤波的实际效果高度依赖Q（过程噪声协方差）和R（观测噪声协方差）的设定。以下是我们在20+配料项目中总结的经验值：

调较流程建议：首先在空载条件下采集500个采样点，统计得到R的初始估计值；然后在满载稳态条件下采集500个点，结合R值反推Q的合理范围；最后在动态加料过程中微调，直到跟踪延迟和噪声残余都满足要求。

五、算法实现的PLC代码示例

5.1 移动平均滤波的ST语言实现

FUNCTION_BLOCK FB_MovingAverage
VAR_INPUT
    rSample : REAL; (* 当前采样值 *)
    iWindowSize : INT := 16; (* 窗口大小 *)
END_VAR
VAR_OUTPUT
    rOutput : REAL; (* 滤波输出 *)
END_VAR
VAR
    arBuffer : ARRAY[0..63] OF REAL; (* 缓冲区 *)
    iIndex : INT := 0;
    rSum : REAL := 0.0;
    iCount : INT := 0;
END_VAR

// 减去即将被替换的值
IF iCount >= iWindowSize THEN
    rSum := rSum - arBuffer[iIndex];
ELSE
    iCount := iCount + 1;
END_IF

// 写入新值
arBuffer[iIndex] := rSample;
rSum := rSum + rSample;

// 计算平均值
rOutput := rSum / INT_TO_REAL(iCount);

// 更新索引
iIndex := (iIndex + 1) MOD iWindowSize;

5.2 一阶滞后滤波的ST语言实现

FUNCTION_BLOCK FB_FirstOrderLag
VAR_INPUT
    rSample : REAL; (* 当前采样值 *)
    rAlpha : REAL := 0.15; (* 平滑系数 *)
    bReset : BOOL := FALSE; (* 复位信号 *)
END_VAR
VAR_OUTPUT
    rOutput : REAL; (* 滤波输出 *)
END_VAR

IF bReset THEN
    rOutput := rSample;
ELSE
    rOutput := rAlpha * rSample + (1.0 - rAlpha) * rOutput;
END_IF

这两段代码可直接集成到配料系统的PLC周期中断任务（OB35或等效定时中断）中，采样周期建议为10~20ms。

六、总结与推荐

通过对三种滤波算法的理论分析和实测对比，我们可以得出以下结论：

第一，没有"万能"的滤波算法。每种算法都有其适用范围和局限性。移动平均滤波胜在简单稳定，卡尔曼滤波赢在精度和自适应性，一阶滞后滤波则胜在极低的计算开销。

第二，算法选择应基于工况特点。对于常规配料精度（±0.3%~±0.5%），一阶滞后滤波或小窗口移动平均已足够；对于高精度配料（±0.1%以内），强烈推荐使用卡尔曼滤波。

第三，滤波不是孤立的环节。它必须与配料控制策略（如PID参数）、给料机构特性（如螺旋给料的脉冲特性）、传感器安装条件（如减震措施）协同设计，才能发挥最佳效果。

扬州申克自控设备有限公司在多年的配料系统工程实践中，积累了丰富的称重数据处理经验。我们可根据客户的具体物料特性、精度要求和预算条件，量身定制最优的滤波与控制方案，确保每一套配料系统都能达到最佳的计量性能。如果您正在规划或调试配料系统，欢迎联系我们的技术团队，获取针对性的滤波算法选型建议和现场调试支持。