水果高速分选系统动态称重信号的智能处理方法

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。

主权项

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；所述步骤1）为：需要n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，…，b_n；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t_AC＝L/V，采样只能在t_AC时间长度内完成，若每个果子的采样次数为m，则采样周期t_s＜L/(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(1)，y₁(2)，…，y₁(m)；y₂(1)，y₂(2)，…，y₂(m)；……；y_n（1)，y_n(2)，…，y_n(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-1)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x(k)＝a*y(k)+(1-a)*y(k-1)，得到第k次采样数据对应的滤波输出x(k)；将每组采样数据滤波处理后，得到一组数据x₁(1)，x₁(2)，…，x₁(m)；x₂(1)，x₂(2)，…，x₂(m)；……；x_n（1)，x_n(2)，…，x_n(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x（n）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：x(n)＝a₁x(n-1)+a₂x(n-2)+...+a_px(n-p)+e(n)    （1）方程式（1）中a₁，a₂，…，a_p为模型系数；x（n-1），x（n-2），…，x（n-p）为信号p个过去值，构成p阶AR模型；现假设已知p个初始采样值x(1)，x（2），…,x(p)，信号N个时刻后达到稳定，要预测信号稳定值x（p+N），利用方程式（1）递推得到如下方程式（2）为：x(p+N)＝a₁x(N)+a₂x(N+1)+...+a_px(N+p-1)＝A₁x(1)+A₁x(2)+...+A_px(p)        （2）方程式（2）中系数A₁，A₂，…，A_p为常数，信号稳定值x（p+N）由初始采样值x(1)，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；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(1)，x₁(2)，…，x₁(m)；x₂(1)，x₂(2)，…，x₂(m)；……；x_n（1)，x_n(2)，…，x_n(m)，以及静态稳定值b₁，b₂，…，b_n，存储在矩阵变量中，记为：其中m代表每个果子的采样次数；n代表用于模型参数预测的标准果数量，A矩阵每一行代表一组模型训练的初始数据，A矩阵第i行对应的信号稳定值为矩阵B的第i行；先假设模型的阶数为p，定义另外一组变量，分别为：$X_p=\left(\begin{array}{c}{x}_1\\ x_2\\ ·\\ ·\\ ·\\ x_p\end{array}\right),Y_p=\left(\begin{array}{c}{y}_1\\ y_2\\ ·\\ ·\\ ·\\ y_{n-p}\end{array}\right),E=\left(\begin{array}{c}{e}_1\\ e_2\\ ·\\ ·\\ ·\\ e_n\end{array}\right)$其中，A_p1用于确定模型参数的训练数据，B_p1为训练数据A_p1对应的稳定值，A_p2用于模型阶数确定时估计模型误差，B_p2为A_p2数据对应的稳定值，X_p为阶数为P时的模型参数，Y_p用于存储A_p2计算得到的预测数据，e_i用于存储阶次为i时预测值与实际稳定值的标准差，作为模型误差；将方程式（2）得到的改进AR模型用于模型参数计算如下：A_p1*X_p＝B_p1    (3)计算线性系数X_p，然后用该系数对A_p2中数据进行预测，令Y_p＝A_p2*X_p     (4)得到一组预测值Y_p，再比较和Y_p和B_p2的差异，计算p阶模型时的标准差，计算公式为：$e_p=\sqrt{\underset{i=1}{\overset{q}{\Sigma }}{(y_i-b_{p+i})}^2/q}---\left(5\right)$计算得到一组模型阶数对应的模型误差，取e_i最小时对应的阶数i，作为模型的阶数，同时计算阶数为i时的模型参数X_i；最后将模型的阶数和参数，作为当前采样速度下的最优系数，传给控制站系统，用于水果重量信号采样稳定值的预测；在系统初始化时，重复上述步骤进行多次训练，获得不同分级速度下对应的模型参数和阶数，用文件存储；当根据现场条件需要改变分级速度时，操作站系统选择直接将文件中相应分级速度下的模型参数和阶数传给控制站系统，或重新计算模型的参数和阶数，传给控制站系统；若现场条件改变，重新计算的值与文件中存储的值不一致，可选择是否更新文件；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；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。