發(fā)布時(shí)間：2018-04-29 17:14

  本文選題：動(dòng)態(tài)稱重 + 數(shù)字濾波　； 參考：《浙江大學(xué)》2017年博士論文

【摘要】：隨著世界各國(guó)對(duì)包括禽蛋、水果在內(nèi)的農(nóng)產(chǎn)品質(zhì)量要求越來(lái)越高,全自動(dòng)農(nóng)產(chǎn)品品質(zhì)檢測(cè)與分級(jí)裝備已廣泛應(yīng)用于禽蛋和水果的生產(chǎn)和加工行業(yè)。重量作為一項(xiàng)重要的等級(jí)指標(biāo),是衡量禽蛋和水果品質(zhì)的重要特征和分級(jí)的重要依據(jù)。隨著對(duì)設(shè)備處理速度和稱重精度要求的提高,目前廣泛采用的基于濾波去噪和滑動(dòng)平均的動(dòng)態(tài)稱重算法難以獲得較高的測(cè)量精度,因此研究快速的動(dòng)態(tài)稱重?cái)?shù)據(jù)處理算法對(duì)農(nóng)產(chǎn)品重量分選機(jī)的性能提升具有重要的意義。本文結(jié)合課題組研發(fā)的禽蛋產(chǎn)地商品化處理成套裝備和易損傷水果內(nèi)外品質(zhì)同步在線檢測(cè)分級(jí)技術(shù)與成套裝備,研發(fā)了圓弧形軌道式禽蛋動(dòng)態(tài)稱重裝置和自由托盤皮帶輸送式類球形水果動(dòng)態(tài)稱重裝置,開(kāi)發(fā)了基于CompactDAQ的便攜式數(shù)據(jù)采集平臺(tái)的和基于MATLAB的數(shù)據(jù)采集與處理軟件。重點(diǎn)研究了禽蛋和水果稱重裝置的動(dòng)態(tài)特性和機(jī)械振動(dòng)干擾的性質(zhì)。以禽蛋和蘋果作為研究對(duì)象,從濾波去噪和基于模型的重量預(yù)測(cè)兩個(gè)方向入手,分別開(kāi)展了基于非對(duì)稱截尾均值重量估計(jì)方法的禽蛋動(dòng)態(tài)稱重算法研究和基于多層神經(jīng)網(wǎng)絡(luò)的禽蛋和水果動(dòng)態(tài)稱重算法的研究。主要研究?jī)?nèi)容、結(jié)果和結(jié)論如下:1.研究了禽蛋和水果動(dòng)態(tài)稱重裝置的動(dòng)態(tài)特性和振動(dòng)干擾的性質(zhì),主要包括動(dòng)態(tài)稱重裝置固有頻率的測(cè)定和研究、空載運(yùn)行和動(dòng)態(tài)稱重過(guò)程時(shí)的振動(dòng)干擾的研究,結(jié)果如下:(1)動(dòng)態(tài)稱重裝置固有頻率的測(cè)定和研究。采用脈沖激勵(lì)響應(yīng)法并使用傅里葉變換對(duì)動(dòng)態(tài)稱重裝置的固有頻率進(jìn)行了測(cè)定和研究。結(jié)果表明:1)本研究所使用的禽蛋動(dòng)態(tài)稱重裝置具有兩個(gè)大小分別為72 Hz和118 Hz的固有頻率;2)本研究所使用的水果動(dòng)態(tài)稱重裝置具有一個(gè)頻率為38 Hz的明顯的固有頻率,此外頻譜圖上還顯示在34Hz還具有一個(gè)不太明顯的共振峰,表明水果動(dòng)態(tài)稱重裝置并不是一個(gè)的理想的二階的系統(tǒng)。(2)動(dòng)態(tài)稱重裝置空載運(yùn)行時(shí)振動(dòng)干擾的研究。結(jié)果表明:1)禽蛋稱重裝置采用分離式稱重傳感器組件安裝架可以減少低頻振動(dòng)干擾噪聲;2)處理速度并不會(huì)影響禽蛋動(dòng)態(tài)稱重信號(hào)中振動(dòng)干擾的頻率的大小,只影響振動(dòng)干擾的強(qiáng)度,且三個(gè)速度下的振動(dòng)干擾的主頻均在90 Hz左右;3)水果動(dòng)態(tài)稱重裝置的運(yùn)行速度直接影響振動(dòng)干擾頻率的大小和強(qiáng)度。振動(dòng)干擾有多個(gè)共振峰,但是具有明顯的主頻;4)水果動(dòng)態(tài)稱重裝置還具有頻率在10Hz內(nèi)低頻段的振動(dòng)干擾,且頻率隨處理速度的增大而提高和增強(qiáng)。(3)動(dòng)態(tài)稱重過(guò)程中振動(dòng)干擾的研究。首先對(duì)加速度信號(hào)與稱重信號(hào)的進(jìn)行時(shí)域和頻域上的相關(guān)性分析,然后通過(guò)平滑偽魏格納-維利分布對(duì)設(shè)備空載運(yùn)行時(shí)的稱重傳感器信號(hào)和動(dòng)態(tài)稱重過(guò)程中的加速度信號(hào)進(jìn)行了時(shí)頻分析。結(jié)果表明:1)禽蛋稱重裝置空載時(shí)稱重傳感器與加速度傳感器的時(shí)域信號(hào)和頻域信號(hào)均具有極強(qiáng)的相關(guān)性;2)水果稱重裝置空載時(shí)稱重傳感器與加速度傳感器的時(shí)域信號(hào)和頻域信號(hào)在0.5 m/s和0.9 m/s的運(yùn)行速度下也具有較強(qiáng)的相關(guān)性;3)在0.7 m/s的運(yùn)行速度下,來(lái)自預(yù)輸送機(jī)和后端輸送機(jī)的振動(dòng)干擾通過(guò)地面與稱重傳感器的安裝座產(chǎn)生了共振引起,使加速度傳感器和稱重傳感器時(shí)域和頻域信號(hào)的相關(guān)性減弱;4)禽蛋和水果動(dòng)態(tài)稱重空載時(shí)的振動(dòng)干擾是非平穩(wěn)信號(hào);5)禽蛋和水果動(dòng)態(tài)稱重過(guò)程中產(chǎn)生的振動(dòng)干擾也是非平穩(wěn)信號(hào),且處理速度越高,振動(dòng)干擾的非平穩(wěn)程度越高。2.提出了 一種由數(shù)字濾波器和非對(duì)稱截尾均值組成的基于排序的重量估計(jì)方法(Sorting based mass estimator,SME),并用網(wǎng)格尋優(yōu)法對(duì)其進(jìn)行了參數(shù)優(yōu)化,解決了禽蛋在動(dòng)態(tài)稱重軌道上無(wú)約束滾動(dòng)時(shí)會(huì)隨機(jī)產(chǎn)生難以完全消除的短時(shí)高強(qiáng)度的振動(dòng)干擾對(duì)稱重精度的影響。結(jié)果如下:(1)SME能夠顯著提高禽蛋動(dòng)態(tài)稱重精度,在基于4種數(shù)字濾波器的SME中,基于FIR數(shù)字濾波器的SME具有最高的稱重精度,平均誤差平均值均小于0.02 g,最大平均誤差平均值為0.2 g,最大平均誤差標(biāo)準(zhǔn)差為0.29 g,最大誤差標(biāo)準(zhǔn)差為0.47 g,最大測(cè)量誤差為-0.92 g。(2)相比廣泛使用的基于濾波和平均值重量估計(jì)的方法(Average based mass estimator,AME),基于SME的4種動(dòng)態(tài)稱重?cái)?shù)據(jù)處理算法的基于誤差平均值的總體測(cè)量精度提高率分別為92.6%,86.6%,93%和85.7%,而基于誤差標(biāo)準(zhǔn)差的總體測(cè)量精度提高率分別為42.6%,49.7%,40.8%和 45.1%。(3)SME的處理時(shí)間非常短,SME(FIR)的程序執(zhí)行時(shí)間為0.1313ms,SME(IIR)的程序執(zhí)行時(shí)間為0.0572 ms,SME(ALMS)的程序執(zhí)行時(shí)間為2 ms,SME(TVLPF)的程序執(zhí)行時(shí)間為0.849 ms,相比5個(gè)每秒下的200 ms的每個(gè)禽蛋的稱重時(shí)間,SME完全滿足實(shí)時(shí)動(dòng)態(tài)稱重的速度要求。3.提出將動(dòng)態(tài)稱重的重量估計(jì)過(guò)程轉(zhuǎn)化為基于稱重信號(hào)統(tǒng)計(jì)分布特性的非線性函數(shù)擬合過(guò)程,構(gòu)建了兩層前饋神經(jīng)網(wǎng)絡(luò)MLP的重量預(yù)測(cè)模型。結(jié)果如下:(1)MLP0能夠顯著提高禽蛋和水果動(dòng)態(tài)稱重的精度。1)禽蛋動(dòng)態(tài)稱重中,最大檢測(cè)誤差為-1.133 g,誤差平均值為0.025 g,標(biāo)準(zhǔn)差為0.276 g。相比于濾波和平均值(均值,中位數(shù),25%截尾均值)重量估計(jì)的方法AME,MLP0的基于誤差平均值的總體測(cè)量精度提高率分別為90.5%,81.8%和85.5%,而基于誤差標(biāo)準(zhǔn)差的總體測(cè)量精度提高率分別為55.4%,29.2%和39.3%;2)水果動(dòng)態(tài)稱重中,測(cè)試集樣本的誤差平均值為-0.126g,誤差標(biāo)準(zhǔn)差為1.374 g。相比于AME,MLP0的基于誤差平均值的總體測(cè)量精度提高率分別為86.1%,89.5%和88.8%,而基于誤差標(biāo)準(zhǔn)差的總體測(cè)量精度提高率分別為14.3%,36.5%和 29.0%。(2)基于不同處理速度下測(cè)試樣本的神經(jīng)網(wǎng)絡(luò)模型MLP1，，MLP2和MLP3同樣能夠顯著提高禽蛋動(dòng)態(tài)稱重的精度。通過(guò)對(duì)比發(fā)現(xiàn),MLP0與MLP1,MLP2和MLP3具有相似的稱重精度。因此,基于兩層前饋神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)稱重算法可以有效地提高不同測(cè)量速度下禽蛋和水果的動(dòng)態(tài)稱重精度。
[Abstract]:This paper studies the dynamic characteristics of poultry eggs and fruit dynamic weighing devices and the research of dynamic weighing algorithms based on multi - layer neural networks . The results are as follows : 1 ) The dynamic weighing device of eggs and fruits is used as the research object . The results show that : ( 1 ) The frequency domain signals and frequency domain signals from pre - conveyor and rear - end conveyor have very strong correlation with the time domain signal and frequency domain signal of the acceleration sensor . The results are as follows : ( 1 ) The maximum detection error is - 1.133 g , the average error is - 0.27g , the standard deviation is 0.27g . The error standard deviation is - 0.126g . The error standard deviation is 1.374 g . Compared with the AME , the error standard deviation is - 0.126g , the error standard deviation is 1.374 g . Compared with the AME , the error standard deviation is 86.1 % , 89.5 % and 88.8 % , respectively , while the improvement rate of the overall measurement accuracy based on the error standard deviation is 14.3 % , 36 . 5 % and 29.0 % , respectively . ( 2 ) Based on the neural network models MLP1 , MLP2 and MLP3 of the test samples at different processing speeds , MLP1 , MLP2 and MLP3 can obviously improve the precision of the dynamic weighing of eggs . By comparison , MLP0 and MLP1 , MLP2 and MLP3 have similar weighing accuracy . Therefore , the dynamic weighing algorithm based on two - layer feedforward neural network can effectively improve the dynamic weighing accuracy of eggs and fruits at different measuring speeds .

【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：S226.5

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊青鋒;;幾種常見(jiàn)稱重傳感器技術(shù)特性及應(yīng)用的介紹與分析[J];衡器;2015年05期

2 王超;麥云飛;;一種新的高速動(dòng)態(tài)稱重方法研究[J];機(jī)械工程與自動(dòng)化;2015年02期

3 楊松夏;陸華忠;呂恩利;許錦鋒;;球形水果機(jī)械式大小分級(jí)技術(shù)研究現(xiàn)狀[J];農(nóng)機(jī)化研究;2012年08期

4 吳強(qiáng);吉愛(ài)紅;王周義;戴振東;;一種測(cè)力傳感器固有頻率的提高與測(cè)試[J];傳感技術(shù)學(xué)報(bào);2010年02期

5 李光梅;魏新華;李法德;顏世濤;劉果玲;;水果綜合分選機(jī)稱重模塊的設(shè)計(jì)與實(shí)現(xiàn)[J];農(nóng)業(yè)工程學(xué)報(bào);2009年02期

6 侯達(dá)盤;張西良;劉菊東;;選別機(jī)的動(dòng)態(tài)特性分析及其稱量信號(hào)處理[J];包裝工程;2008年02期

7 周平;劉儉英;王巧華;文友先;;雞蛋圖像檢測(cè)方法與質(zhì)量預(yù)測(cè)模型[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2007年11期

8 吳杰;費(fèi)玉華;于勁松;萬(wàn)九卿;;汽車動(dòng)態(tài)稱重中的一種信號(hào)處理方法[J];北京航空航天大學(xué)學(xué)報(bào);2007年09期

9 王家保;杜中軍;黃露茹;劉志媛;金志強(qiáng);;我國(guó)水果分級(jí)標(biāo)準(zhǔn):問(wèn)題與對(duì)策[J];農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn);2006年02期

10 熊利榮;王樹(shù)才;任奕林;丁幼春;;雞蛋大小等級(jí)模型的修正[J];農(nóng)機(jī)化研究;2006年02期

相關(guān)博士學(xué)位論文 前8條

1 王海軍;基于聲學(xué)的禽蛋裂紋檢測(cè)關(guān)鍵技術(shù)及在線檢測(cè)研究[D];浙江大學(xué);2016年

2 孫力;禽蛋品質(zhì)在線智能化檢測(cè)關(guān)鍵技術(shù)研究[D];江蘇大學(xué);2013年

3 徐惠榮;基于可見(jiàn)/近紅外光譜的水果糖度檢測(cè)模型優(yōu)化及應(yīng)用研究[D];浙江大學(xué);2010年

4 程路;車輛動(dòng)態(tài)稱重技術(shù)研究[D];浙江大學(xué);2008年

5 邊海龍;非平穩(wěn)信號(hào)聯(lián)合時(shí)頻分析方法的若干問(wèn)題研究與應(yīng)用[D];電子科技大學(xué);2008年

6 周志峰;應(yīng)變式汽車軸重動(dòng)態(tài)測(cè)量系統(tǒng)性能增長(zhǎng)研究[D];上海交通大學(xué);2007年

7 饒秀勤;基于機(jī)器視覺(jué)的水果品質(zhì)實(shí)時(shí)檢測(cè)與分級(jí)生產(chǎn)線的關(guān)鍵技術(shù)研究[D];浙江大學(xué);2007年

8 凌杰;公路動(dòng)態(tài)稱重系統(tǒng)的設(shè)計(jì)理論研究[D];長(zhǎng)安大學(xué);2001年

相關(guān)碩士學(xué)位論文 前10條

1 楊春偉;基于DSP的多通道禽蛋動(dòng)態(tài)稱重及分級(jí)控制研究與開(kāi)發(fā)[D];浙江大學(xué);2016年

2 翟步金;自由托盤輸送水果分級(jí)執(zhí)行機(jī)構(gòu)仿真優(yōu)化分析[D];浙江大學(xué);2016年

3 張盧銳;皇冠梨糖度可見(jiàn)/近紅外光譜在線無(wú)損檢測(cè)若干問(wèn)題研究[D];浙江大學(xué);2015年

4 劉楊;動(dòng)態(tài)檢重系統(tǒng)數(shù)據(jù)處理算法的研究[D];中國(guó)計(jì)量學(xué)院;2014年

5 張廷虎;基于DSP的智能動(dòng)態(tài)稱重技術(shù)的研究[D];青島科技大學(xué);2012年

6 溫鹿;禽蛋重量檢測(cè)分級(jí)及氣室導(dǎo)向機(jī)械系統(tǒng)的設(shè)計(jì)[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2012年

7 蔡文;水果動(dòng)態(tài)稱重與自動(dòng)分選控制系統(tǒng)研究與開(kāi)發(fā)[D];浙江大學(xué);2011年

8 白仁剛;基于嵌入式系統(tǒng)的動(dòng)態(tài)稱重系統(tǒng)[D];浙江大學(xué);2008年

9 姬翔;基于CAN總線的動(dòng)態(tài)稱重系統(tǒng)的研制[D];合肥工業(yè)大學(xué);2007年

10 岑益科;基于機(jī)器視覺(jué)的雞蛋品質(zhì)檢測(cè)方法研究[D];浙江大學(xué);2006年

本文編號(hào)：1820841