發(fā)布時間：2018-04-29 17:14

  本文選題：動態(tài)稱重 + 數字濾波��； 參考：《浙江大學》2017年博士論文

【摘要】：隨著世界各國對包括禽蛋、水果在內的農產品質量要求越來越高,全自動農產品品質檢測與分級裝備已廣泛應用于禽蛋和水果的生產和加工行業(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。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)稱重數據處理算法對農產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)的禽蛋產地商品化處理成套裝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的便攜式數據采集平臺的和基于MATLAB的數據采集與處理軟件。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網絡的禽蛋和水果動態(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118 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平穩(wěn)信號;5)禽蛋和水果動態(tài)稱重過程中產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),并用網格尋優(yōu)法對其進行了參數優(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能夠顯著提高禽蛋動態(tài)稱重精度,在基于4種數字濾波器的SME中,基于FIR數字濾波器的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)稱重數據處理算法的基于誤差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0.1313ms,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擬合過程,構建了兩層前饋神經網絡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,25%截尾均值)重量估計的方法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-0.126g,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%。(2)基于不同處理速度下測試樣本的神經網絡模型MLP1，，MLP2和MLP3同樣能夠顯著提高禽蛋動態(tài)稱重的精度。通過對比發(fā)現(xiàn),MLP0與MLP1,MLP2和MLP3具有相似的稱重精度。因此,基于兩層前饋神經網絡的動態(tài)稱重算法可以有效地提高不同測量速度下禽蛋和水果的動態(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 .

【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：S226.5

【參考文獻】

相關期刊論文 前10條

1 楊青鋒;;幾種常見稱重傳感器技術特性及應用的介紹與分析[J];衡器;2015年05期

2 王超;麥云飛;;一種新的高速動態(tài)稱重方法研究[J];機械工程與自動化;2015年02期

3 楊松夏;陸華忠;呂恩利;許錦鋒;;球形水果機械式大小分級技術研究現(xiàn)狀[J];農機化研究;2012年08期

4 吳強;吉愛紅;王周義;戴振東;;一種測力傳感器固有頻率的提高與測試[J];傳感技術學報;2010年02期

5 李光梅;魏新華;李法德;顏世濤;劉果玲;;水果綜合分選機稱重模塊的設計與實現(xiàn)[J];農業(yè)工程學報;2009年02期

6 侯達盤;張西良;劉菊東;;選別機的動態(tài)特性分析及其稱量信號處理[J];包裝工程;2008年02期

7 周平;劉儉英;王巧華;文友先;;雞蛋圖像檢測方法與質量預測模型[J];農業(yè)機械學報;2007年11期

8 吳杰;費玉華;于勁松;萬九卿;;汽車動態(tài)稱重中的一種信號處理方法[J];北京航空航天大學學報;2007年09期

9 王家保;杜中軍;黃露茹;劉志媛;金志強;;我國水果分級標準:問題與對策[J];農業(yè)質量標準;2006年02期

10 熊利榮;王樹才;任奕林;丁幼春;;雞蛋大小等級模型的修正[J];農機化研究;2006年02期

相關博士學位論文 前8條

1 王海軍;基于聲學的禽蛋裂紋檢測關鍵技術及在線檢測研究[D];浙江大學;2016年

2 孫力;禽蛋品質在線智能化檢測關鍵技術研究[D];江蘇大學;2013年

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

4 程路;車輛動態(tài)稱重技術研究[D];浙江大學;2008年

5 邊海龍;非平穩(wěn)信號聯(lián)合時頻分析方法的若干問題研究與應用[D];電子科技大學;2008年

6 周志峰;應變式汽車軸重動態(tài)測量系統(tǒng)性能增長研究[D];上海交通大學;2007年

7 饒秀勤;基于機器視覺的水果品質實時檢測與分級生產線的關鍵技術研究[D];浙江大學;2007年

8 凌杰;公路動態(tài)稱重系統(tǒng)的設計理論研究[D];長安大學;2001年

相關碩士學位論文 前10條

1 楊春偉;基于DSP的多通道禽蛋動態(tài)稱重及分級控制研究與開發(fā)[D];浙江大學;2016年

2 翟步金;自由托盤輸送水果分級執(zhí)行機構仿真優(yōu)化分析[D];浙江大學;2016年

3 張盧銳;皇冠梨糖度可見/近紅外光譜在線無損檢測若干問題研究[D];浙江大學;2015年

4 劉楊;動態(tài)檢重系統(tǒng)數據處理算法的研究[D];中國計量學院;2014年

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

6 溫鹿;禽蛋重量檢測分級及氣室導向機械系統(tǒng)的設計[D];內蒙古農業(yè)大學;2012年

7 蔡文;水果動態(tài)稱重與自動分選控制系統(tǒng)研究與開發(fā)[D];浙江大學;2011年

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

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

10 岑益科;基于機器視覺的雞蛋品質檢測方法研究[D];浙江大學;2006年

本文編號：1820841