動態(tài)稱重數(shù)據(jù)處理算法及其在禽蛋和類球形水果分選中的應用研究.pdf

1、隨著世界各國對包括禽蛋、水果在內的農產(chǎn)品質量要求越來越高，全自動農產(chǎn)品品質檢測與分級裝備已廣泛應用于禽蛋和水果的生產(chǎn)和加工行業(yè)。重量作為一項重要的等級指標，是衡量禽蛋和水果品質的重要特征和分級的重要依據(jù)。隨著對設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平均的動態(tài)稱重算法難以獲得較高的測量精度，因此研究快速的動態(tài)稱重數(shù)據(jù)處理算法對農產(chǎn)品重量分選機的性能提升具有重要的意義。本文結合課題組研發(fā)的禽蛋產(chǎn)地商品化處理成套裝

2、備和易損傷水果內外品質同步在線檢測分級技術與成套裝備，研發(fā)了圓弧形軌道式禽蛋動態(tài)稱重裝置和自由托盤皮帶輸送式類球形水果動態(tài)稱重裝置，開發(fā)了基于CompactDAQ的便攜式數(shù)據(jù)采集平臺的和基于MATLAB的數(shù)據(jù)采集與處理軟件。重點研究了禽蛋和水果稱重裝置的動態(tài)特性和機械振動干擾的性質。以禽蛋和蘋果作為研究對象，從濾波去噪和基于模型的重量預測兩個方向入手，分別開展了基于非對稱截尾均值重量估計方法的禽蛋動態(tài)稱重算法研究和基于多層神經(jīng)網(wǎng)絡的禽蛋

3、和水果動態(tài)稱重算法的研究。
　　主要研究內容、結果和結論如下:
　　1.研究了禽蛋和水果動態(tài)稱重裝置的動態(tài)特性和振動干擾的性質，主要包括動態(tài)稱重裝置固有頻率的測定和研究、空載運行和動態(tài)稱重過程時的振動干擾的研究，結果如下:
　　(1)動態(tài)稱重裝置固有頻率的測定和研究。采用脈沖激勵響應法并使用傅里葉變換對動態(tài)稱重裝置的固有頻率進行了測定和研究。結果表明:1）本研究所使用的禽蛋動態(tài)稱重裝置具有兩個大小分別為72 Hz和11

4、8 Hz的固有頻率;2）本研究所使用的水果動態(tài)稱重裝置具有一個頻率為38Hz的明顯的固有頻率，此外頻譜圖上還顯示在34 Hz還具有一個不太明顯的共振峰，表明水果動態(tài)稱重裝置并不是一個的理想的二階的系統(tǒng)。
　　(2)動態(tài)稱重裝置空載運行時振動干擾的研究。結果表明: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干擾噪聲;2）處理速度并不會影響禽蛋動態(tài)稱重信號中振動干擾的頻率的大小，只影響振動干擾的強度，且三個速度下的振

5、動干擾的主頻均在90 Hz左右;3）水果動態(tài)稱重裝置的運行速度直接影響振動干擾頻率的大小和強度。振動干擾有多個共振峰，但是具有明顯的主頻;4）水果動態(tài)稱重裝置還具有頻率在10Hz內低頻段的振動干擾，且頻率隨處理速度的增大而提高和增強。
　　(3)動態(tài)稱重過程中振動干擾的研究。首先對加速度信號與稱重信號的進行時域和頻域上的相關性分析，然后通過平滑偽魏格納-維利分布對設備空載運行時的稱重傳感器信號和動態(tài)稱重過程中的加速度信號進行了時頻

6、分析。結果表明:1）禽蛋稱重裝置空載時稱重傳感器與加速度傳感器的時域信號和頻域信號均具有極強的相關性;2）水果稱重裝置空載時稱重傳感器與加速度傳感器的時域信號和頻域信號在0.5 m/s和0.9 m/s的運行速度下也具有較強的相關性;3）在0.7 m/s的運行速度下，來自預輸送機和后端輸送機的振動干擾通過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域和頻域信號的相關性減弱;4）禽蛋和水果動態(tài)稱重空載時的振動干擾是非

7、平穩(wěn)信號;5)禽蛋和水果動態(tài)稱重過程中產(chǎn)生的振動干擾也是非平穩(wěn)信號，且處理速度越高，振動干擾的非平穩(wěn)程度越高。
　　2.提出了一種由數(shù)字濾波器和非對稱截尾均值組成的基于排序的重量估計方法(Sorting based mass estimator，SME)，并用網(wǎng)格尋優(yōu)法對其進行了參數(shù)優(yōu)化，解決了禽蛋在動態(tài)稱重軌道上無約束滾動時會隨機產(chǎn)生難以完全消除的短時高強度的振動干擾對稱重精度的影響。結果如下:
　　(1) SME能夠顯著

8、提高禽蛋動態(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，最大平均誤差標準差為0.29 g，最大誤差標準差為0.47 g，最大測量誤差為-0.92 g。
　　(2)相比廣泛使用的基于濾波和平均值重量估計的方法(Average based mass estimator，AME)，基于SME的4種動態(tài)稱重數(shù)據(jù)處理算法的基于誤差

9、平均值的總體測量精度提高率分別為92.6％，86.6％，93％和85.7％，而基于誤差標準差的總體測量精度提高率分別為42.6％,49.7％,40.8％和45.1％。
　　(3) SME的處理時間非常短，SME（FIR）的程序執(zhí)行時間為0.1313 ms，SME(IIR)的程序執(zhí)行時間為0.0572 ms，SME(ALMS)的程序執(zhí)行時間為2 ms，SME(TVLPF)的程序執(zhí)行時間為0.849 ms，相比5個每秒下的200 ms

10、的每個禽蛋的稱重時間，SME完全滿足實時動態(tài)稱重的速度要求。
　　3.提出將動態(tài)稱重的重量估計過程轉化為基于稱重信號統(tǒng)計分布特性的非線性函數(shù)擬合過程，構建了兩層前饋神經(jīng)網(wǎng)絡MLP的重量預測模型。結果如下:
　　(1) MLP0能夠顯著提高禽蛋和水果動態(tài)稱重的精度。1）禽蛋動態(tài)稱重中，最大檢測誤差為-1.133 g，誤差平均值為0.025 g，標準差為0.276 g。相比于濾波和平均值（均值，中位數(shù)，25％截尾均值）重量估計的

11、方法AME，MLP0的基于誤差平均值的總體測量精度提高率分別為90.5％，81.8％和85.5％，而基于誤差標準差的總體測量精度提高率分別為55.4％，29.2％和39.3％;2）水果動態(tài)稱重中，測試集樣本的誤差平均值為-0.126 g，誤差標準差為1.374 g。相比于AME，MLP0的基于誤差平均值的總體測量精度提高率分別為86.1％，89.5％和88.8％，而基于誤差標準差的總體測量精度提高率分別為14.3％，36.5％和29.0