液体仓的测量逻辑很简单：一个平整的液面，一束回波，换算成一个高度值。这套逻辑放到粉体仓、颗粒料仓里就开始失效——物料堆成锥形，出料塌成漏斗，细粉在仓壁上粘成一层。仓内真正发生的事，远不止“料位现在是多少米”。
这篇文章想讲清一件事：当雷达把整条回波曲线交给本地算法去读，它能不能在输出料位之外，把料面安息角、仓壁挂料厚度这些工艺参数一起测出来。
01 一个数字的困境
传统雷达的工作流程很固定：发射毫米波，锁定幅值最强的那条回波，换算成距离，输出一个料位数值。
在液体和平整料面工况里，这套做法成熟可靠。但粉体仓的回波环境复杂：仓壁挂料、加强筋、落料流、粉尘云都会形成反射面，幅值最大的那条回波未必来自真实料面。常规的虚假回波抑制只能做静态屏蔽——屏蔽值按经验设定，物料含水率或流动性一变，屏蔽就可能失效。
更根本的限制在于信息量。一个高度数字只描述了一条视线上的一个点，它无法说明料堆是什么形状、斜面有多陡、仓壁上粘了多少料。而这三件事，恰好是固体料仓最容易出问题的地方。
02 安息角与挂料厚度：两个被忽略的变量
安息角是散料自然堆积时，锥面与水平面的夹角。水泥、粉煤灰、矿粉、锂电正负极粉体各不相同；同一种物料在不同含水率、含气量、压实状态下也会变化。
料位高度只有在料面接近水平时才有直接的体积含义。进料堆锥时，雷达打到锥顶，读数偏高；出料形成漏斗时，打到坑底，读数偏低。用单一高度推算整仓库存，误差是结构性的，不是靠调高精度就能补回来。
仓壁挂料厚度同理。细粉和粘性粉体长期附着在仓壁上，会持续制造虚假回波、压缩有效仓容，垮塌时还会冲击下料口、造成堵料。常规应对只有两种：定期人工进仓清理，或设一个固定的挂料补偿量。前者有受限空间作业风险，后者跟不上挂料增长的速度。
这两个变量都不是把波束收窄、硬件升级一档就能解决的。真正的瓶颈在于：仪表能不能读懂整条回波曲线里同时存在的多个目标。
图1：锥形料面的安息角与仓壁挂料层示意（示意图）
锥顶的回波、仓壁挂料前沿的回波、锥面的斜率，是三条需要同时读出来的信息。过去仪表只用了其中一条。
03 边缘AI在回波上做了什么
边缘AI指的是把模型部署在仪表内部。FMCW 毫米波扫出的回波信号不出仓、不上传上位机，在本地完成解析和推理，毫秒级给出结果。
和传统做法相比，关键变化是判断逻辑：从“挑出最强的那一个回波”，变成“读懂整条回波曲线”。料面、仓壁、挂料层、粉尘在曲线上留下的痕迹并不相同——峰值形态、信号展宽程度、随距离的衰减速度、时域上的稳定性，都是可区分的特征。模型学习这些特征后做回波聚类与分类，把混叠在一起的信号拆成独立目标。
拆开之后，两步计算同时进行：沿多个波束方向取一组料面轮廓点，拟合出当前斜面的斜率，换算成安息角；同时比对仓壁基准回波与挂料前沿回波的距离差，得到挂料厚度，并跟踪它的增长趋势。
输出因此不再是一个数：料位、安息角、挂料厚度、挂料增长速率、料面形态标签，通过 HART、Modbus 等协议接入 DCS 或 PLC。进料堆锥、出料塌陷时，这些参数跟着变，而不是靠固定参数事后补偿。
04 从测准料位到看懂仓况
把这两个参数从“事后估算”变成“实时读数”，实际改变的是四类日常工作。
库存核算：用实时安息角修正料堆模型，替代固定参数，堆锥与漏斗两种形态自动适配，盘点结果不再依赖经验校正。
挂料维护：厚度从静态屏蔽变成可读的趋势量，缓慢增厚、局部快速积料都能提前预警，吹扫和振打可以挑时机做，减少进仓作业。
异常工况：出料形成鼠洞时，中心料面快速下降而仓边仍存料，多波束轮廓能看出中心与边缘的高度差，避免“显示空仓、实际满仓”的误判；架桥同理。
抗干扰：粉尘、落料流、加强筋的回波被分类识别后过滤，主测量通道不再轻易被强反射抢占。
05 边界：它是形态感知，不是三维成像
需要讲清一个区别：边缘AI回波识别不等于三维扫描成像雷达。
3D 成像靠大量波束做点云重建，把整个料面画出来，成本和数据量都更高。边缘AI回波识别是在常规多波束硬件基础上，用回波图谱算法挖掘增量信息，用可控的成本换到安息角、挂料厚度这些关键工艺参数。
它能回答“仓里现在是什么形状、哪里挂了料、斜面有多陡”；它不会给你一张毫米级精度的料面点云图。边界清楚了，选型才不会走偏。
结语
评价一台物位仪表的标尺正在变。过去聊量程、精度、波束角、抗粉尘；现在多了一条——它能不能读出回波背后的仓内状态。
从“料位是多少”，到“料仓现在是什么样”，中间缺的正是这一层形态感知。固体料仓最难测的那部分，往往不是高度，而是形状。