基于数字滤波与BP神经网络的称重分选方法研究

发布时间：2020-10-23 09:56

　　 柚子重量分级是柚子采后处理的重要环节,然而现有分级设备多为适用于工厂的大型通用果品重量分级装备,园地分拣仍以人力为主。因此,开发适用于中小农户的柚子称重分级设备对于提高生产效率具有重要意义。该文提出小型模块化柚子称重分选方案,设计了由上果机构、疏离机构、分选机构组成的分选线,编写了基于LABVIEW与MATLAB的数据采集与分析软件,设置6个柚子重量等级,设计了基于PLC的分选机构控制程序,以实现自动上果、自动单排化、电子称量与智能分选,理论分选速度为6000个/小时,用户可根据需要选择是否为称重分级核心模块搭配其他机构;此外,针对柚子单果重量大而导致的对称重传感器的冲击载荷和称重信号干扰,开展了信号分析区间均值重量预测的称重算法研究与基于BP神经网络的称重算法研究。主要研究结果如下:1.设计了小型模块化柚子重量分选机,分选机上果机构由具有挡板的带式输送机构成,上果机底部设置果箱收集倾倒的柚子,疏离机将柚子单排化后有序进入分选机构,分选机构对柚子进行电子称量,自动分级。2.搭建了分选系统控制电路和通讯电路。分选机硬件上使用单点式悬臂梁传感器产生重量信号,信号经电压变送器放大后送入数据采集卡,采集卡以串口通讯形式与PC连接,将采集电压信号以数字量形式传入PC,PC通过LABVIEW与MATLAB软件分析处理后得到重量,重量通过PC送入PLC内,PLC根据编好的分级程序对柚子进行等级判断,光电开关作为柚子到来触发装置,触发信号将传入PLC,当满足当前等级时PLC输出分选执行信号控制电磁铁动作,实现柚子分选。3.开发了分选系统电子称量软件,设计了基于LABVIEW与MATLAB的滤波算法与重量预测模型,设计了符合分级标准的分级程序和上位机界面等。4.动态称重装置固有频率测量,采用单位脉冲方式作用于称重装置,将输出信号进行傅里叶变换观察信号频率情况,测试显示称重装置有一个频率为39Hz的较强共振峰,此外频域图中还有一个较弱频率为54Hz的共振峰。称重装置空载试验,在三种速度下测试空载信号,结果表明不同速度下信号主频大小不同,在0.33m/s时主频为82Hz,在0.4m/s时为85Hz,在0.5m/s时为90Hz,且主频峰值随速度变大而变大。动态称重信号分析,使用5种数字滤波器对信号滤波,分析滤波后信号重量预测结果,结果表明,使用IIR滤波器、FIR滤波器与小波去噪均具有较好精度,其中使用IIR滤波器误差最小,而使用自适应滤波器误差最大。数字滤波算法执行时间分析,IIR程序运行时间为0.9ms,FIR程序运行时间为2.78ms,小波去噪程序运行时间为3.085ms,NLMS程序运行时间为12.4ms,RLS程序运行时间为39.6ms。基于BP神经网络进行重量预测,选择动态称重信号特征变量,建立神经网络模型,利用模型对数字IIR滤波后信号进行重量检测,试验中最大平均误差和最大误差均出现在速度为0.5m/s时,BP神经网络算法误差较均值法更小,且最大平均误差为2.17%,最大误差为4.56%,分选准确率为92.3%。
【学位单位】：华中农业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP183;S226.5
【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 水果动态称重技术应用现状
        1.2.2 动态称重处理方法国内外研究现状
    1.3 研究内容和目标
        1.3.1 研究目标
        1.3.2 研究内容
        1.3.3 技术路线
    1.4 本章小结
2 试验材料与方法
    2.1 样本选择
    2.2 基于labview的重量信息采集系统
    2.3 动态称重数据采集过程
    2.4 称重信号获取与处理
    2.5 本章小结
3 柚子动态称重分选机硬件设计
    3.1 整机设计
        3.1.1 上果机构
        3.1.2 疏离机构
        3.1.3 分选机构
    3.2 柚子称重分选控制系统硬件与电路设计
    3.3 本章小结
4 分选系统软件设计
    4.1 分选系统软件设计方案
    4.2 分选系统电子称量软件设计
        4.2.1 称重信号的标定
        4.2.2 称重信号采集与处理
        4.2.3 重量数据传输
        4.2.4 分选处理
    4.3 基于PLC的过程控制软件设计
        4.3.1 I/O点分配
        4.3.2 数据存储分配
    4.4 上位机界面设计
        4.4.1 上位机软件设计结构
        4.4.2 上位机软件流程
        4.4.3 上位机界面设计
        4.4.4 称重信号采集程序设计
        4.4.5 重量检测程序设计
    4.5 本章小结
5 称重装置动态特性与振动干扰分析
    5.1 称重力学分析
    5.2 动态称重装置固有频率测量与研究
        5.2.1 固有频率测量方法
        5.2.2 柚子动态称重装置固有频率测量
    5.3 柚子称重装置空载振动干扰分析
        5.3.1 振动干扰分析
        5.3.2 空载运行速度对振动干扰的影响
    5.4 动态称重信号干扰分析
    5.5 本章小结
6 柚子重量信息算法选择与优化
    6.1 5种滤波方法
        6.1.1 IIR滤波器
        6.1.2 FIR滤波器
        6.1.3 小波去噪
        6.1.4 自适应NLMS滤波器
        6.1.5 自适应RLS滤波器
    6.2 柚子重量值估计方法
    6.3 动态称重结果分析
        6.3.1 数字滤波器滤波效果分析
        6.3.2 动态称重结果分析
    6.4 滤波算法执行时间
    6.5 本章小结
7 基于BP神经网络的柚子重量检测与分级模型
    7.1 信号预处理与特征变量选取
        7.1.1 信号预处理方法
        7.1.2 神经网络特征变量选取
    7.2 动态称重滤波分析
    7.3 BP神经网络模型分级结果
    7.4 本章小结
8 结论与展望
    8.1 结论
    8.2 展望
参考文献
攻读硕士学位期间获得的研究成果
致谢

【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 李青华;李翠平;张静;陈红;王绍卿;;深度神经网络压缩综述[J];计算机科学;2019年09期

3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

8 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

9 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期

10 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

相关博士学位论文 前10条

1 王娜;地质大数据功能分析及其分类算法研究[D];吉林大学;2019年

2 李嘉;基于卷积神经网络的心律失常自动分类关键技术研究[D];吉林大学;2019年

3 王金玲;基于连续和离散复杂系统的稳定性及耗散性分析[D];新疆大学;2019年

4 徐梦佳;基于深度卷积神经网络的多模态医学影像分析方法研究[D];东北大学;2017年

5 刘梅;网络系统的稳定和同步行为研究[D];新疆大学;2017年

6 靳然;基于神经网络和支持向量机的麦蚜发生动态预测研究[D];山西农业大学;2017年

7 李骁;基于深度卷积神经网络MSCT对小肾肿瘤病理分型的预测研究[D];中国人民解放军海军军医大学;2018年

8 李若霞;基于忆阻的神经网络的动力学分析及应用[D];东南大学;2017年

9 项延德;基于卷积神经网络的心电信号检测和分类研究[D];浙江大学;2018年

10 李一鸣;结合知识和神经网络的文本表示方法的研究[D];浙江大学;2018年

相关硕士学位论文 前10条

1 郭青山;基于卷积神经网络的航拍车辆检测与跟踪[D];西南科技大学;2019年

2 黄占鳌;基于卷积神经网络的变电站道路场景图像语义分割技术研究[D];西南科技大学;2019年

3 王文光;基于图像语义的场景识别研究[D];西南科技大学;2019年

4 曹川;基于深度学习的人脸识别算法研究[D];西南科技大学;2019年

5 叶远征;基于卷积神经网络的目标检测算法研究与应用[D];西南科技大学;2019年

6 赵逸翔;基于BP神经网络的无约束优化方法研究及应用[D];东北农业大学;2019年

7 谢崇波;基于循环神经网络的城市空气质量预测研究[D];西南科技大学;2019年

8 田东;基于卷积神经网络的深度学习算法研究与实现[D];上海交通大学;2017年

9 王沫沅;基于深度神经网络和集成方法的蛋白质相互作用预测研究[D];吉林大学;2019年

10 徐哲;基于深度学习的农作物叶片识别系统的设计与分析[D];吉林大学;2019年

本文编号：2852881