论文部分内容阅读
随着世界各国对包括禽蛋、水果在内的农产品质量要求越来越高,全自动农产品品质检测与分级装备已广泛应用于禽蛋和水果的生产和加工行业。重量作为一项重要的等级指标,是衡量禽蛋和水果品质的重要特征和分级的重要依据。随着对设备处理速度和称重精度要求的提高,目前广泛采用的基于滤波去噪和滑动平均的动态称重算法难以获得较高的测量精度,因此研究快速的动态称重数据处理算法对农产品重量分选机的性能提升具有重要的意义。本文结合课题组研发的禽蛋产地商品化处理成套装备和易损伤水果内外品质同步在线检测分级技术与成套装备,研发了圆弧形轨道式禽蛋动态称重装置和自由托盘皮带输送式类球形水果动态称重装置,开发了基于CompactDAQ的便携式数据采集平台的和基于MATLAB的数据采集与处理软件。重点研究了禽蛋和水果称重装置的动态特性和机械振动干扰的性质。以禽蛋和苹果作为研究对象,从滤波去噪和基于模型的重量预测两个方向入手,分别开展了基于非对称截尾均值重量估计方法的禽蛋动态称重算法研究和基于多层神经网络的禽蛋和水果动态称重算法的研究。主要研究内容、结果和结论如下:1.研究了禽蛋和水果动态称重装置的动态特性和振动干扰的性质,主要包括动态称重装置固有频率的测定和研究、空载运行和动态称重过程时的振动干扰的研究,结果如下:(1)动态称重装置固有频率的测定和研究。采用脉冲激励响应法并使用傅里叶变换对动态称重装置的固有频率进行了测定和研究。结果表明:1)本研究所使用的禽蛋动态称重装置具有两个大小分别为72 Hz和118 Hz的固有频率;2)本研究所使用的水果动态称重装置具有一个频率为38 Hz的明显的固有频率,此外频谱图上还显示在34Hz还具有一个不太明显的共振峰,表明水果动态称重装置并不是一个的理想的二阶的系统。(2)动态称重装置空载运行时振动干扰的研究。结果表明:1)禽蛋称重装置采用分离式称重传感器组件安装架可以减少低频振动干扰噪声;2)处理速度并不会影响禽蛋动态称重信号中振动干扰的频率的大小,只影响振动干扰的强度,且三个速度下的振动干扰的主频均在90 Hz左右;3)水果动态称重装置的运行速度直接影响振动干扰频率的大小和强度。振动干扰有多个共振峰,但是具有明显的主频;4)水果动态称重装置还具有频率在10Hz内低频段的振动干扰,且频率随处理速度的增大而提高和增强。(3)动态称重过程中振动干扰的研究。首先对加速度信号与称重信号的进行时域和频域上的相关性分析,然后通过平滑伪魏格纳-维利分布对设备空载运行时的称重传感器信号和动态称重过程中的加速度信号进行了时频分析。结果表明:1)禽蛋称重装置空载时称重传感器与加速度传感器的时域信号和频域信号均具有极强的相关性;2)水果称重装置空载时称重传感器与加速度传感器的时域信号和频域信号在0.5 m/s和0.9 m/s的运行速度下也具有较强的相关性;3)在0.7 m/s的运行速度下,来自预输送机和后端输送机的振动干扰通过地面与称重传感器的安装座产生了共振引起,使加速度传感器和称重传感器时域和频域信号的相关性减弱;4)禽蛋和水果动态称重空载时的振动干扰是非平稳信号;5)禽蛋和水果动态称重过程中产生的振动干扰也是非平稳信号,且处理速度越高,振动干扰的非平稳程度越高。2.提出了 一种由数字滤波器和非对称截尾均值组成的基于排序的重量估计方法(Sorting based mass estimator,SME),并用网格寻优法对其进行了参数优化,解决了禽蛋在动态称重轨道上无约束滚动时会随机产生难以完全消除的短时高强度的振动干扰对称重精度的影响。结果如下:(1)SME能够显著提高禽蛋动态称重精度,在基于4种数字滤波器的SME中,基于FIR数字滤波器的SME具有最高的称重精度,平均误差平均值均小于0.02 g,最大平均误差平均值为0.2 g,最大平均误差标准差为0.29 g,最大误差标准差为0.47 g,最大测量误差为-0.92 g。(2)相比广泛使用的基于滤波和平均值重量估计的方法(Average based mass estimator,AME),基于SME的4种动态称重数据处理算法的基于误差平均值的总体测量精度提高率分别为92.6%,86.6%,93%和85.7%,而基于误差标准差的总体测量精度提高率分别为42.6%,49.7%,40.8%和 45.1%。(3)SME的处理时间非常短,SME(FIR)的程序执行时间为0.1313ms,SME(IIR)的程序执行时间为0.0572 ms,SME(ALMS)的程序执行时间为2 ms,SME(TVLPF)的程序执行时间为0.849 ms,相比5个每秒下的200 ms的每个禽蛋的称重时间,SME完全满足实时动态称重的速度要求。3.提出将动态称重的重量估计过程转化为基于称重信号统计分布特性的非线性函数拟合过程,构建了两层前馈神经网络MLP的重量预测模型。结果如下:(1)MLP0能够显著提高禽蛋和水果动态称重的精度。1)禽蛋动态称重中,最大检测误差为-1.133 g,误差平均值为0.025 g,标准差为0.276 g。相比于滤波和平均值(均值,中位数,25%截尾均值)重量估计的方法AME,MLP0的基于误差平均值的总体测量精度提高率分别为90.5%,81.8%和85.5%,而基于误差标准差的总体测量精度提高率分别为55.4%,29.2%和39.3%;2)水果动态称重中,测试集样本的误差平均值为-0.126g,误差标准差为1.374 g。相比于AME,MLP0的基于误差平均值的总体测量精度提高率分别为86.1%,89.5%和88.8%,而基于误差标准差的总体测量精度提高率分别为14.3%,36.5%和 29.0%。(2)基于不同处理速度下测试样本的神经网络模型MLP1，MLP2和MLP3同样能够显著提高禽蛋动态称重的精度。通过对比发现,MLP0与MLP1,MLP2和MLP3具有相似的称重精度。因此,基于两层前馈神经网络的动态称重算法可以有效地提高不同测量速度下禽蛋和水果的动态称重精度。