专利名称：水果高速分选系统动态称重信号的智能处理方法
技术领域：
本发明涉及一种水果高速分选系统动态称重信号的智能处理方法。
背景技术：
据统计，我国的苹果、梨、桃、柚的产量居世界第一。为提高水果的经济价值，需要对收获后的水果进行清洗、分级、包装等产后处理。动态称重技术是产后处理的关键技术之一，动态称重的精度直接影响到分级、装箱等工序的准确性。动态称重的精度等级主要取决于两个方面一是果杯的机械结构设计和称重区域的机械结构设计；二是称重信号处理系统的设计。称重信号处理系统一般包括操作站系统和控制站系统。操作站系统提供用户交互的操作界面，由服务器和客户端构成；控制站系统采集现场数据，接受操作站系统的操作指令，计算输出对现场设备的控制指令，并将重要的控制状态传给操作站系统。在高速情况下，由于系统本身的延迟，输出信号在未达到稳定值之前开始下降，信号处理系统如何从现有的信号中获得高精度的重量信息，成为制约系统分级速度的瓶颈。现有高速称重信号处理方法文献有 J. Calpe, E. Soria, M. Martinez, J. V. Frances, A. Rosado, L. Gomez-Chova, J. Vila High-speed weighing system based on DSP[J] IEEE. 2002. 0-7803-7474—6/02: 1579-1583.基于DSP的高速称重系统，利用DSP实现自适应滤波算法和ARMA模型，要求水果经过称重片的时间至少大于上升时间的两倍，在分级速度小于20果/秒时有较高的精度。[2]吕新明，王伟明.提高称重精度的一种新滤波方法，提出了一种用自适应滤波来提高称重精度的方法，该方法精度较高，但不能满足高速的要求。[3]张瑞，吕文红，张瑞玺.基于神经网络自适应滤波的车辆动态称重系统研究，提出了一种车辆动态载重信号的处理方法，该方法采用基于神经网络的自适应滤波变步长LMS算法滤掉称重信号在各个频段内的噪声，速度快，但算法复杂，且精度不能满足水果称重系统的要求。可见，目前国内外对于高速水果称重信号的处理方案研究较少，提高称重精度的方案大多只是针对分级速度较低情况的。
发明内容
本发明的目的为解决现有水果称重系统在高速情况下，测量精度低，且无法满足实时性要求的问题，提供一种水果高速分选系统动态称重信号的智能处理方法。水果高速分选系统动态称重信号的智能处理方法的步骤如下
1)水果输送装置静止时，采样获得一组标准果的稳定值，然后传送装置开始转动，根据分级速度，确定采样周期，采样获得每个标准果经过称重传感器时的一组数据；
2)采用一阶滞后滤波，消除采样信号中的低频噪声，获得预处理后的信号；
3)操作站系统读取预处理数据，分析数据的特点，根据实时性要求，得到改进的AR模
5型；
4)确定改进AR模型的参数和阶数，将不同分级速度下训练得到的模型参数和阶数存储于文件中；
5)控制站系统利用训练好的模型参数预测水果重量信息；
6)对预测结果进行精度评价。所述步骤1)为需要η个重量不同的标准果，在静态条件下，对每一个标准果多次采样后的值取平均，作为果子最终的静态采样值，分别记为b1; b2，…，bn;在高速情况下， 根据分级速度，确定采样周期设称重传感器的承重脚长度为L，分级速度为V，信号从开
始上升到开始下降的时间间隔ΙΛ = ￡/Ρ，采样只能在时间长度内完成，若每个果子的
采样次数为m，则采样周期6 < Lf(V^m);最后按设定的采样周期采样，存储每个标准果的
采样数据 Y1 ⑴，Y1 O)，…，yjm) ；y2(l), y2 (2),…，y2(m)；……;yn (1), yn(2),…， yn (m)。所述步骤2)为利用一阶滞后滤波消除采样数据中的低频噪声，定义y(k)为第k 次采样值，x(k-l)为第k-1次的滤波输出值，α为滤波系数，其值小于1，代入一阶滞后滤波公式爛= Λ y(i) + (1-,得到第k次采样数据对应的滤波输出χ (k)；将每组采样数据滤波处理后，得到一组数据&(1)，X1 O)，…，X1(Hl) ；X2(I), X2 (2), -,x2(m)；…… ；Xn (l),xn(2),…，I(m)，作为模型训练的数据。所述步骤3)为称重传感器的输出信号近似为平稳随机的时间序列，一个时间序列的AR模型描述为序列的当前值χ (η)被表示为过去值的线性函数加上一个误差项e (n)，用如下方程式(1)表示
权利要求
1.一种水果高速分选系统动态称重信号的智能处理方法，其特征在于它的步骤如下1)水果输送装置静止时，采样获得一组标准果的稳定值，然后传送装置开始转动，根据分级速度，确定采样周期，采样获得每个标准果经过称重传感器时的一组数据；2)采用一阶滞后滤波，消除采样信号中的低频噪声，获得预处理后的信号；3)操作站系统读取预处理数据，分析数据的特点，根据实时性要求，得到改进的AR模型；4)确定改进AR模型的参数和阶数，将不同分级速度下训练得到的模型参数和阶数存储于文件中；5)控制站系统利用训练好的模型参数预测水果重量信息；6)对预测结果进行精度评价。
2.如权利要求1所述的一种水果高速分选系统动态称重信号的智能处理方法，其特征在于所述步骤1)为需要η个重量不同的标准果，在静态条件下，对每一个标准果多次采样后的值取平均，作为果子最终的静态采样值，分别记为b1; b2,…，bn;在高速情况下，根据分级速度，确定采样周期设称重传感器的承重脚长度为L，分级速度为V，信号从开始上升到开始下降的时间间隔^^二乙/厂，采样以能！^^吋丨川K:度内完成，广树个汜广的采样次数为m,则采样周期；最后按设定的采样周期采样，存储每个标准果的采样数据yi(l)，yi O)，…， Yi (m) -,J2 (1), J2 (2), ···, J2 (m) ； ...... ；yn (1), yn(2), ...，yn(m)。
3.如权利要求1所述的一种水果高速分选系统动态称重信号的智能处理方法，其特征在于所述步骤2)为利用一阶滞后滤波消除采样数据中的低频噪声，定义y (k)为第k次采样值，x(k-l)为第k-1次的滤波输出值，α为滤波系数，其值小于1，代入一阶滞后滤波公式了· = “+,得到第k次采样数据对应的滤波输出χ (k)；将每组采样数据滤波处理后，得到一组数据&(1)，X1 O)，…，X1(Hl) ；X2(I), X2 (2), -,x2(m)；…… ；Xn (l),xn(2),…，I(m)，作为模型训练的数据。
4.如权利要求1所述的一种水果高速分选系统动态称重信号的智能处理方法，其特征在于所述步骤3)为称重传感器的输出信号近似为平稳随机的时间序列，一个时间序列的 AR模型描述为序列的当前值χ (η)被表示为过去值的线性函数加上一个误差项e (n)，用如下方程式(1)表示方程式(1)中ai，^，…，ειρ为模型系数；χ (η-1)，χ (n-2)，…，χ (n_p)为信号ρ个过去值，构成P阶AR模型；现假设已知ρ个初始采样值χ(1)，χ (2)，…，χ(ρ)，信号N个时刻后达到稳定，要预测信号稳定值χ (Ρ+Ν)，利用方程式(1)递推得到如下方程式(2)为= 4^(1)+4^( +- + Afx{p)(2)方程式(2)中系数A1, A2,…，Ap为常数，信号稳定值χ (P+N)由初始采样值X(I)，X (2)，…，X(p)线性表示；对于不同重量的果子，经过同一个称重传感器，信号稳定值与初始采样值的线性关系一致。
5.如权利要求1所述的一种水果高速分选系统动态称重信号的智能处理方法，其特征在于所述步骤4)为利用操作站系统计算改进AR模型阶数和参数，首先操作站系统读取模型训练数据X1(I)^1O),…，Xl(m) ；x2(l), X2 (2),…，x2 (m) ； ...... ；xn (1), xn (2),…，\(m)，以及静态稳定值 b1;b2，···, bn,存储在矩阵变量中，记为
6.如权利要求1所述的一种水果高速分选系统动态称重信号的智能处理方法，其特征在于所述步骤5)为预测称重信号稳定值，首先获取分级速度，确定该分级速度对应的模型参数和阶数已经存储在控制站系统中；当水果经过称重传感器时，由外部同步信号上升沿触发控制站系统的中断，采样次数由模型阶数确定；当采样获得的一组数据经过滤波后， 控制站系统用训练好的AR模型进行预测，得到信号稳定值，标定后转化为重量信息。
7.如权利要求1所述的一种水果高速分选系统动态称重信号的智能处理方法，其特征在于所述步骤6)为随机取K个果子，确定采样周期，采样获得K组高速动态数据，用训练好的模型进行稳定值预测，得到K个预测数据，标定后转化为K个预测重量，计算得到预测重量与实际重量的偏差，相对误差，预测精度。
全文摘要
本发明公开了一种水果高速分选系统动态称重信号的智能处理方法，基于改进AR模型，实现水果重量的高精度获取与预测。包括以下步骤实时获取分级速度，采样存储一组标准果数据；滤波消除信号采样值中的低频噪声；操作站系统读取初始数据，用改进的AR模型建模并计算模型阶数和参数；将不同分选速度下训练得到的模型参数和阶数存储于文件中；控制站系统根据分选速度利用训练好的模型参数预测水果重量信息；操作站系统可实现对预测结果的精度分析。本发明在每秒20个果的分级速度下，称重精度可达(1.5±0.5)%以内，改变分级速度后可重新获取最优的模型阶数和参数，对硬件要求低，结构简单，扩展性好，且可方便移植用于其它领域高速称重信号的处理。
文档编号G05B13/04GK102176117SQ20111002287
公开日2011年9月7日 申请日期2011年1月20日 优先权日2011年1月20日
发明者何慧梅, 侯迪波, 刘喆, 周泽魁, 张光新, 田径, 蔡文, 黄平捷 申请人:浙江大学