一种基于模糊识别的称重传感器测试补偿方法与流程

本发明涉及一种称重方法，特别是一种基于模糊识别的称重传感器测试补偿方法。
背景技术：
：农机在田间工作时，可能需要实时计量收获的农产品的重量。由于工作环境的不稳定，农机和车辆在田间工作时，可能会受到来自各个方向的冲力，这会导致安装在农机上的称重传感器测量精度降低；同时，地面的不平整，也会使得称重传感器在测量时不一定保持在理想的水平位置状态，影响到测量精度，从而导致产量估计差异较大，不利于精准农业技术的产业化。因此，如何对不稳定环境下的称重结果进行重量补偿和矫正，提高在不稳定环境下的称重精度，成为本领域技术人员亟待解决的问题。利用多个不同种类的传感器测量影响称重传感器输出的各种干扰量，如加速度，速度，称重角度等等，并通过补偿算法消除或减小这些干扰，是一条提高称重传感器测量精度的有效途径。譬如，已知汽车在通过轴重秤时，通过速度越高，称重传感器测量的误差越大，因此，中国专利cn101271016在进行称重数据补偿时，根据速度不同，确定不同的补偿参数，以提高补偿精度。不过，随着考虑的影响因素越来越多，需要的传感器数量也随之增加，得到的传感器测试数据量也很大，互相之间的关联也难以定量分析，不能用简单的方法直接进行辨识分析。基于数据的神经网络方法，适用于这种复杂的非线性关系的建立，但是需要大量的训练数据，且有时神经网络在训练时难以收敛。为了改善收敛性能，可以把神经元的线性传递函数改为非线性传递函数，或者增加神经元数量和网络的隐藏层数，这样又会导致神经网络过于复杂，计量量大，不利于实际应用的推广。目前，如何利用多个(3个以上)传感器的测试数据，对其中的称重传感器测试进行补偿，还没有一个简单、易行，且补偿精确度高的方法。技术实现要素：本发明的目的在于，提出了一种利用多传感器数据进行称重传感器模糊补偿的方法，主要应用于农机车载称重等场合，也可以推广至其他需要融合多传感器数据的称重领域。为实现上述目的，本发明的技术方案如下：步骤1：在包含n个测量称重干扰因素传感器的称重系统中，将测量称重干扰因素的传感器依次编号为{传感器1，传感器2，…,传感器n}，组成传感器集u，然后采集相应的传感器输出值为ui(i＝1,2,3…,n)和称重传感器输出值为w；步骤2：设置测量称重干扰因素传感器的影响权重值分别为ai(i＝1,2,3…,n)，并将ai作为矩阵中的元素组成权重模糊矩阵a＝(a1，a2，a3…,an)，其中，ai与上述传感器集u中的第i个传感器对应；步骤3：建立一个包含m个补偿系数kj的补偿评价集矩阵k：k＝(k1，k2，k3…,km)，其中，m>＝2，j＝1,2,3…,m；步骤4：设置第i个传感器的隶属度函数集：ri＝(f1(ui),f2(ui),f3(ui)…,fm(ui))其中，f(ui)为步骤1中传感器集u中第i个传感器的隶属度函数，ui为步骤1中传感器集u中第i个传感器的输出值，i＝1,2,3…,n，得到如下单因素评判矩阵r：步骤5：利用步骤2中得到的权重模糊矩阵a和步骤4中得到的单因素评判矩阵r，进行模糊合成，得到矩阵b：b＝a·r＝(b1，b2，b3，…,bm)；步骤6：根据步骤5中得到的矩阵b和步骤3中的补偿评价集矩阵k，采用如下加权平均的方法得到称重传感器输出值w的修正系数s:最后，计算得到修正后的称重值为w’＝s*w。其中，bj是上述矩阵b中的常数元素，kj是上述矩阵k中的补偿系数元素。作为优选方案，步骤2中，权重模糊矩阵a中各元素ai相加后的总和为1。进一步地，步骤4中的隶属度函数，包含但不限于常数、线性函数或指数函数等，且隶属度函数的输出值范围在[-1，1]。进一步地，步骤5中，权重模糊矩阵a与单因素评判矩阵r进行模糊合成得到矩阵b中各常数元素bj的方式为：其中i＝1，2…,n，j＝1，2，…,m，ai是上述矩阵a中第i个常数元素，rij是上述矩阵r中第i行的第j列中隶属度函数根据第i个传感器输出值ui求得的常数元素。作为可选方案，步骤6中，可以采用另一种计算方法确定修正系数s，如下：s＝max(bj)，其中，j＝1,2,3…,m，bj是上述步骤5中矩阵b中的常数元素。与现有技术相比，本发明具有以下有益效果：1.利用多传感器融合，提高了称重测量精度。2.方法具有易于根据不同应用环境进行调整、扩展性好的特点。3.计算简单，在传感器数量不多的情况下，不会占用太多计算时间，因而不会对传感器的动态性能造成不利影响。附图说明图1示出了本发明一种基于模糊识别的称重补偿方法的流程图。图2示出了一种多传感器组成的称重系统的结构示意图。具体实施方式为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。具体地，参考图2示出了本实施例一种基于模糊识别的称重补偿方法中多传感器组成的称重系统的结构示意图。本实施例的称重补偿方法中多传感器组成的称重系统包括称重传感器101，三轴加速度计102，包含x轴角速度102-1，y轴加速度102-2，z轴加速度102-3以及车辆速度传感器103，角度传感器104和数据处理模块105。上述称重系统位于车辆中，进行实时称重。所述称重传感器101用于测量物体的重量得到重量输出值，所述三轴加速度计102用于对称重传感器当前所受的加速度进行测量，所述车辆速度传感器103测量当前车辆运行的速度，所述角度传感器104用于测量车辆处于上坡或下坡状态时与水平面的倾角。所述数据处理模块105用于根据所述加速度，倾斜角和车速运用模糊评判算法对所述称重传感器输出值进行补偿。参考图1示出了本发明一种基于模糊识别的称重补偿方法的流程图，本实施例提供的基于模糊识别的称重补偿方法包含以下步骤：步骤1：建立多传感器测量的称重系统，测量称重干扰因素的传感器集为u＝{x向加速度，y向加速度，z向加速度，车辆速度，车辆倾斜角度}；采集称重传感器的输出值w和其他传感器的输出值ui，i＝1,2,3…,5。步骤2：根据实际情况及经验，对各影响因素对称重传感器输出数据的影响程度进行评判，建立干扰因素的权重集：a＝(0.15，0.15，0.4，0.1，0.2)；其中z向加速度方向与称重测重方向平行，故设置影响权重最高。步骤3：为减小计算量，建立5级评价体系的补偿系数评价集。根据试验可知，称重传感器未经补偿的输出与实际重量相比，最大误差不超过20％，确定补偿系数的范围在0.8至1.2之间，建立评价体系矩阵：k＝(0.8，0.9，1.0，1.1，1.2)。步骤4：定义单因素隶属度模糊评价集，隶属度函数的确定可以是常识或人为经验判定，也可以通过统计试验结果予以推理而确定。本实例中，根据常识可知，每个传感器测量的数值越大，对称重的影响也越大，则其补偿系数越可能偏离中心值1.0，故本实施例中，每个传感器的隶属度函数都采用线性函数或常数，如下：其中，r1是x向加速度的模糊评价集，r2是y向加速度的模糊评价集，r3是z向加速度的模糊评价集，r4是车辆速度的模糊评价集，r5车辆倾斜角度的模糊评价集。vj＝|ujmax-ujmin|，ujmax，ujmin是实际测试中该传感器可能的极大和极小值。根据实验统计与理论分析，取值如下：v1＝20m/s^2v2＝6m/s^2v3＝10m/s^2v4＝80km/hv5＝30deg将各传感器的评级集组成评判矩阵r如下：步骤5：根据各传感器的实际采集的数据，代入上述矩阵r中，然后进行综合模糊评评判：b＝a·r＝(b1，b2，b3，…,bm)其中，评判运算模型为步骤6：采用加权平均法得到，测量值的修正补偿系数s:计算得到，修正补偿后的称重值为w’＝s*w。下表展示了一组上述多传感器称重系统补偿前后的误差情况。速度(km/h)补偿前误差(％)补偿后误差(％)5.60.2770.23110.70.3970.31514.80.7530.38324.71.2590.62172.83.0780.804采用本实施例的称重补偿方法，在称重时，根据车辆运行速度，以及称重装置倾斜度和加速度的影响，对重量输出值进行了修正补偿，提高了测量精度。模糊识别方法评判的补偿参数，克服了传统神经网络方法可能发散的问题，并能够适应传感器负载动态特性的变花，使得补偿参数始终处于最优化的状态，保证了补偿器的实用性。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。当前第1页12