CN102706417A - 平房仓浅圆仓储粮数量检测方法 - Google Patents

Abstract

本发明涉及平房仓浅圆仓储粮数量检测方法，先选定具体压力传感器布设粮仓压力传感器检测网络；将压力传感器沿着粮仓的侧墙并距离侧墙d米的位置等间距布设；确定该粮仓检测系统是否标定，以得到标定系数及粮仓重量预估模型；向粮仓中进粮完毕后，将粮仓的粮堆顶面摊平，检测粮仓底面压力传感器输出均值，并根据实测粮仓底面面积、标定粮仓底面面积以及标定系数利用模型进行粮仓储粮数量检测，得到实测粮仓重量的估计值；本发明只需要在粮仓底面布设压力传感器，为避免使用侧面压力传感器并准确获得粮仓底面压强的估计值，在底面压强估计模型中加入了粮仓侧面摩擦力作用的补偿项，明显减少传感器的数量，降低检测设备成本和安装维护成本。

Description

平房仓浅圆仓储粮数量检测方法

技术领域

本发明属于粮仓检测技术领域，涉及一种平房仓浅圆仓储粮数量检测方法。

背景技术

粮食安全包括数量安全和质量安全。粮食数量在线检测技术与系统研究应用是国家粮食数量安全的重要保障技术，开展这方面的研究与应用事关国家粮食安全，具有重要的意义，并将产生巨大的社会经济效益。

由于粮食在国家安全中的重要地位，要求粮堆数量在线检测准确、快速和可靠。同时由于粮食数量巨大，价格底，要求粮堆数量在线检测设备成本低、简单方便。因此检测系统的高精度、可靠与低成本是粮仓数量在线检测系统开发必需解决的关键问题。

申请号为201010240167.7的中国专利申请“基于压力传感器的粮库储粮数量检测方法”公开了一种粮库储粮数量检测方法，该方法的核心技术包括基于粮仓底面、侧面压力传感器输出均值的粮仓储粮数量的计算模型与具体系统标定方法，该方法使用侧面压力传感器网络，需要压力传感器多，检测系统成本较高。

发明内容

本发明的目的是提供一种平房仓浅圆仓储粮数量检测方法，以解决现有检测方法需要的压力传感器多，检测系统成本高的问题。

为实现上述目的，本发明的平房仓浅圆仓储粮数量检测方法步骤如下：

（1）选定具体压力传感器，并配置相应的数据采集、数据传输系统，来布设粮仓压力传感器检测网络；

（2）在平房仓或浅圆仓底面布设选好的压力传感器，其中各压力传感器沿着粮仓的侧墙并距离侧墙d米的位置等间距布设；

（3）确定该布设选定类型的压力传感器、储粮种类、粮仓仓型的粮仓检测系统是否标定，若是没有，则需进行系统标定，得到标定系数，建立粮仓重量的预估模型；若是系统已经标定，则采用已经得到标定系数及粮仓重量预估模型；

（4）向粮仓中进粮完毕后，将粮仓的粮堆顶面摊平，检测粮仓底面压力传感器输出均值并根据实测粮仓底面面积A_p、标定粮仓底面面积A_c以及标定系数b₀,b₁,b₂利用

所示模型进行粮仓储粮数量检测，得到实测粮仓重量的估计值

进一步的，所述步骤（2）中各传感器的间距不小于1.5米。

进一步的，所述步骤（3）中对系统的标定方法步骤如下：

（31）建立标定进粮区：取步骤（2）中布设好压力传感器的一部分粮仓，并用沙袋将选取的部分粮仓与粮仓剩余部分隔离，建立标定进粮区；

（32）获取标定数据：在标定进粮区中逐步进粮，每批进粮0.5米后摊平，记录进粮重量和粮仓底面压力传感器值，并根据标定进粮区面积与粮仓总面积的比值，计算相应高度的整粮仓进粮重量；重复以上操作获得3-4组实验数据；然后按正常方式装粮，待完成后，记录进粮总重量和粮仓底面压力传感器值，这样共获得4-5组数据，以建立粮仓数据预测模型。

进一步的，所述步骤（32）中根据所获得的标定粮仓实验数据，利用回归法获得粮仓数量预测模型

其中

为标定粮仓的重量估计；

为底面压力传感器输出均值与粮堆底面压强的关系项；

为粮仓侧面摩擦力作用的补偿项；系数b₀、b₁和b₂为通过标定获得的常数项。

进一步的，所述b₀,b₁,b₂的取值使

达到最小，得到b＝A^-1B，其中， $b=\left[\begin{array}{c}{b}_0\\ b_{1\·}\\ b_2\end{array}\right],$ $A=\left[\begin{array}{ccc}\underset{i}{\mathrm{\Σ}}\frac{1}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^3\right)}^i}{{\left(W_c^i\right)}^2}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^3\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^4\right)}^i}{{\left(W_c^i\right)}^2}\end{array}\right],$ $B=\left[\begin{array}{c}\underset{i}{\mathrm{\Σ}}\frac{1}{W_c^i}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{W_c^i}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{W_c^i}\end{array}\right],$

分别为第i个实验点粮仓底面压力传感器输出均值的平方、三次方和四次方。

本发明的平房仓浅圆仓储粮数量检测方法在检测过程中，只需要在粮仓底面布设压力传感器，为避免使用侧面压力传感器并准确获得粮仓底面压强的估计值，在底面压强估计模型中加入了粮仓侧面摩擦力作用的补偿项，明显减少传感器的数量，降低检测设备成本和安装维护成本；系统标定时，采用了快速系统标定方法，这样减少了每批进粮的称重与摊平的工作量，显著提高标定效率，降低标定成本；选择b₀,b₁,b₂使粮堆重量预测模型达到最小的方式，使得即使粮食重量小，误差百分比也不会变大，提高了粮食重量检测的精度。

附图说明

图1是实施例的平方仓底面压力传感器布置示意图；

图2是实施例的浅圆仓底面压力传感器布置示意图；

图3是实施例的平房仓标定粮仓进粮区示意图；

图4是实施例的浅圆仓标定粮仓进粮区示意图；

图5是实施例的全部数据的两种模型建模样本预测误差比较图；

图6是实施例的全部数据的两种模型的验证仓预测误差比较图；

图7是实施例的速标定模式数据的两种模型建模样本预测误差比较图；

图8是实施例的快速标定模式数据的验证仓预测误差比较图；

图9是实施例的流程图。

具体实施方式

针对平房仓和浅圆仓的特点，为了在保证检测精度的条件下，进一步减少压力传感器数量，降低检测设备成本和安装维护成本，提出基于粮仓底面均匀压强估计

的粮仓重量预测方法。

从理论上讲，假设粮仓粮堆顶面摊平，粮仓侧面和粮食的摩擦力为零，底面压强均匀分布，则有粮堆重量W为

W＝A_Bq_B    （1）

其中，W为粮堆重量；q_B为粮仓底面压强；A_B为粮仓底面面积，对于底面为长方形的粮仓，A_B＝L_LL_W，其中L_L,L_W分别为粮仓底面的长和宽。对于圆形仓，A_B＝πr²，其中r为圆形底面的半径。因此，如果可获得粮仓底面均匀压强估计

则可由式（2）计算出粮仓储粮数量估计值

$\hat{W}=A_B{\hat{q}}_b---\left(2\right)$

这是基于粮仓底面均匀压强估计

的粮仓重量预测的基本实现思路。实际实验表明，粮仓粮堆压强分布明显具有以下特点：①由于粮食的有限流动性以及粮堆与压力传感器接触应力的影响，导致粮仓底面压强分布具有明显随机性。②由于粮仓侧面摩擦力的作用，越接近侧面，粮仓底面的压强会逐渐变小。基于粮仓粮堆压强分布的以上特点，如何补偿与消除粮仓粮堆底面压强分布的随机性和侧面摩擦力影响，是开发基于粮仓底面均匀压强估计的平房仓、浅圆仓粮堆数量在线检测方法必须解决的关键问题。

1.粮仓底面压力传感器布置

由于粮食价格便宜、数量大等特点，要求储粮数量的检测设备成本低、价格便宜，且检测速度快、准确性高。因此，传感器的布置应满足：①经济性原则，即传感器数量应尽可能少。②可行性原则。满足通常进粮方式的要求，方便出进粮并减少传感器的损坏。基于这些考虑，平房仓底面压力传感器布置方案如图1所示，浅圆仓底面压力传感器布置方案如图2所示，安装6-8个底面压力传感器。传感器沿底面四周、距侧面墙距离为d适当布置。具体要求如下：

1)各传感器距侧面墙距离d应相等，以便于侧面摩擦力作用的补偿，扩大粮仓数量预测模型的适用范围；由于小平房仓宽度一股在7米左右，因此传感器距侧面墙距离d＝2-3.5米为妥。在保证不影响粮仓进粮等操作的情况下，d在给定范围内应尽可能大，以尽可能降低其临近侧面摩擦力作用。

2)出粮口附近应布置传感器，以便于粮食出仓监测。

3)各个传感器间距应不小于1.5米，以便于消除底面压强的随机性。

2.侧面摩擦力作用的补偿

对于图1和图2所示的压力传感器布置，粮仓底面压力传感器输出均值

为

$\stackrel{\‾}{q\left(s_B\right)}=\frac{1}{n}\underset{i}{\mathrm{\Σ}}q\left({s^i}_B\right)---\left(3\right)$

其中，sⁱ _B为粮堆底面第i个传感器，i＝1，...，n；q(sⁱ _B)为传感器sⁱ _B的输出值。

由于粮仓侧面摩擦力的存在，将会在不同程度上减少底面压力传感器的输出均值，减少的程度取决于传感器与其临近粮仓侧面墙的距离、粮食与墙的摩擦系数、粮堆的高度等。为了减少压力传感器数量，降低检测系统成本，本发明提出了基于底面压力传感器的输出均值的侧面摩擦力作用补偿方法，以避免使用侧面压力传感器，并准确获得粮仓底面压强的估计值

理论分析表明，粮仓底面压力传感器的输出均值与其临近区域的侧面摩擦力成反变的关系，邻近区域侧面摩擦力越大，底面压力传感器的输出均值减少越多。同时侧面摩擦力对底面压力传感器的输出均值的影响程度与传感器与粮仓侧面墙的距离有关，距离越近则影响程度越大。若各传感器距侧面墙距离d相等，则各传感器受侧面摩擦力的影响程度相同。实验表明，侧面摩擦力与底面压力传感器所测定的底面压强均值的明显具有二次抛物线关系，这说明粮仓侧面摩擦力对底面压力传感器输出值作用程度，与底面压力传感器输出均值具有二次抛物线关系。因此，在粮仓粮堆顶面摊平的情况下，本发明提出的粮仓底面压强估计模型如下式所示的形式。

${\hat{q}}_B=a_0+a_1\stackrel{\‾}{q\left(s_B\right)}+a_2{\stackrel{\‾}{q\left(s_B\right)}}^2---\left(4\right)$

其中，

为粮仓底面压力传感器输出均值；

为底面压力传感器输出均值与粮堆底面压强的关系项；

为粮仓侧面摩擦力作用的补偿项；a₀为各因素构成的常数项。系数a₀、a₁和a₂可通过检测系统标定获得。

对于不同厂家的不同传感器、不同的粮食种类、不同的仓型需要分别标定，以得到标定系数，进而建立底面压强估计模型。对于标定粮仓，安装传感器网络监测系统，然后分批逐步进粮并摊平，则可以获得若干组粮仓粮食重量

底面压力传感器输出均值

的实验数据，可表示为数据元组其中i为进粮次数；

分别为第i次进粮后粮仓实际进粮重量和底面压力传感器输出均值。根据所获得的标定粮仓实验数据

i＝1,2，...，n，n为实验数据的组数，利用公式（12）可以获得如下式所示的模型。

${\hat{W}}_c=b_0+b_1\stackrel{\‾}{q\left(s_B\right)}+b_2{\stackrel{\‾}{q\left(s_B\right)}}^2---\left(5\right)$

其中

为标定粮仓的重量估计；系数b₀、b₁和b₂为利用公式（12）获得的常数项。假设标定粮仓底面面积为A_c，显然有

${\hat{q}}_B=\frac{b_0}{A_c}+\frac{b_1}{A_c}\stackrel{\‾}{q\left(s_B\right)}+\frac{b_2}{A_c}{\stackrel{\‾}{q\left(s_B\right)}}^2---\left(6\right)$

比较式（4）和式（6），可得

和

3.快速系统标定方法

系统标定方法设计应注意以下几个原则：（1）可行性原则。标定时进粮方式应符合通常进粮方式。（2）经济性原则。标定过程中，最大的工作量为每批进粮的称重与摊平。因此应合理选择实验数据点的个数，并尽可能减少每批进粮的称重与摊平的工作量，以降低标定成本。

对于平房仓等仓型，进粮重量会有数千吨，其通常装粮方式采用沿着粮仓长方形底面的长边，从粮仓一端开始，装至预定高度并逐步后退。对于这种类型的粮仓，如果直接采用分批进粮并摊平，势必造成每批进粮的称重与摊平工作量巨大，并且难以采用机械化进粮设备。针对这些问题，本发明提出了一种快速系统标定方法。其关键点在于：

（1）建立标定进粮区。由于基于压力传感器的粮食重量检测模型形式简单，因此可以用较少的实验数据点建立足够精度的预测模型。具体方法为：在粮仓的一端按照前述压力传感器模型布置传感器，并利用沙袋建立标定进粮区，如图3和图4所示，安装6-8个底面压力传感器。其中间距d与实测粮仓传感器的侧面墙距离相等，间距D为3米左右为妥，以减少沙袋墙的不稳定性对标定进粮区压力分布的影响，沙袋墙高度1.5-2米，压力传感器均匀布置。

（2）标定数据获取。对于标定进粮区，逐步进粮，每批进粮0.5米后摊平，记录进粮重量和粮仓底面，并根据标定进粮区面积与粮仓总面积的比值，计算相应高度的整个粮仓进粮重量。这样可获得3-4组实验数据。然后按正常方式装粮，待完成后，记录进粮总重量和粮仓底面压力传感器值，这样可共获得的4-5组数据，以建立粮仓数量预测模型。这种标定实验方法符合上述的可行性原则与经济性原则，可显著提高标定效率，降低标定成本。

4.粮仓储粮数量计算模型

假设实测粮仓底面面积为A_p，则实测粮仓重量的预测模型为

${\hat{W}}_p=A_p{\hat{q}}_B--\left(7\right)$

其中，

为实测粮仓重量的估计值；为式（6）所示的粮仓底面压强估计值。由式（6）和式（7），则有

${\hat{W}}_p=\frac{A_p}{A_c}(b_0+b_1\stackrel{\‾}{q\left(s_B\right)}+b_2{\stackrel{\‾}{q\left(s_B\right)}}^2)---\left(8\right)$

5.基于粮食重量误差比的模型参数估计

直接利用常规回归方法所建的预测模型明显存在粮食重量小时检测误差百分比大的问题，即在粮食重量小的情况下，误差百分比会比较大，而在粮食重量大的情况下，误差百分比则会比较小。导致这个问题的根本原因在于建模优化目标与粮食重量检测要求的不一致。常规回归建模的优化目标如下式所示

$E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(W_c^i-{\hat{W}}_c^i)}^2---\left(9\right)$

其中，

为第i个实验点的粮堆实际重量值；

为第i个实验点的粮堆重量预测值，n为建模样本数据的个数。

显然，回归建模是以各实验点的预测误差平方和最小为优化目标，势必导致其误差在各实验点均匀分布，而粮食重量检测则要求预测误差与粮堆实际重量值之比为最小。因此，回归模型必然导致在粮食重量小的情况下，尽管其预测误差不大，但误差与粮堆实际重量值之比却较大，因而不能满足粮食重量检测的要求。对于这个问题，本项目提出基于粮食重量误差比的建模优化目标如下式所示

$E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{W_c^i-{\hat{W}}_c^i}{W_c^i}\right)}^2---\left(10\right)$

式（10）所示的建模优化目标模型可以保证建模的优化目标与粮食重量检测要求的一致性，从而可以从根本上保证所建模型的预测精度。

对于式（5）所示的粮堆重量预测模型，式（10）可表示为

$E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{W_c^i-b_0-b_1\stackrel{\‾}{q\left(s_B\right)}-b_2{\stackrel{\‾}{q\left(s_B\right)}}^2}{W_c^i}\right)}^2---\left(11\right)$

对于（5-11）式所示的建模优化目标模型，应选择b₀,b₁,b₂使E达到最小，根据求最小值的方法，可以推出

b＝A^-1B    （12）

其中， $b=\left[\begin{array}{c}{b}_0\\ b_{1\·}\\ b_2\end{array}\right],$ $A=\left[\begin{array}{ccc}\underset{i}{\mathrm{\Σ}}\frac{1}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^3\right)}^i}{{\left(W_c^i\right)}^2}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^3\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^4\right)}^i}{{\left(W_c^i\right)}^2}\end{array}\right],$ $B=\left[\begin{array}{c}\underset{i}{\mathrm{\Σ}}\frac{1}{W_c^i}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{W_c^i}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{W_c^i}\end{array}\right],$

分别为第i个实验点粮仓底面压力传感器输出均值的平方、三次方和四次方。

6.粮仓储粮数量检测实验

本发明在粮库选择了两个平房仓进行粮食数量检测建模与验证实验，其中一个长23.2米、宽7.3米、底面积为169.36m²粮仓作为标定仓，另一个长35.143米、宽23.1米、粮仓底面积为811.803m²粮仓作为模型验证仓进行模型验证实验。表6-1和表6-2分别为所选择的标定粮仓、模型验证粮仓底面压力传感器的输出均值与粮堆重量的关系的实验结果。

表1标定仓实验数据

表2模型验证仓实验数据

实验内容包括：基于标定仓底面压力传感器输出均值的预测模型建模，根据模型验证仓的底面压力传感器输出均值测量值进行模型预测精度验证。建模数据包括全部数据和快速标定模式数据，建模方式包括回归建模和本发明所提出的基于粮食重量误差比的建模。

6.1基于全部建模数据的预测模型

基于表1中全部9组数据，得到的回归模型为

${\hat{W}}_c=17.27486+12.9611\stackrel{\‾}{q\left(s_B\right)}+0.0388{\stackrel{\‾}{q\left(s_B\right)}}^2---\left(13\right)$

模型的建模样本预测误差如图5所示，可以看出，所建模型平均预测误差为1.06%，最大误差为3.32%。在粮堆很低的情况下，预测误差接近3%，其他情况下误差远小于3%。

根据表1中全部9组数据，由式（12）得到的基于粮食重量误差比模型为

${\hat{W}}_c=13.368+13.5149\stackrel{\‾}{q\left(s_B\right)}+0.0261{\stackrel{\‾}{q\left(s_B\right)}}^2---\left(14\right)$

模型的建模样本预测误差如图5所示，所建模型平均预测误差为0.765%，最大误差为1.59%。同时，从图5的两种模型的误差对比可以看出，新方法所建模型比利用回归方法所建模型的平均预测误差小0.295%，最大误差减少了52.1%。

由式（8）和式（13）,可得基于全部数据回归模型的验证仓数量预测模型为

${\hat{W}}_p=\frac{A_p}{A_c}(17.27486+12.9611\stackrel{\‾}{q\left(s_B\right)}+0.0388{\stackrel{\‾}{q\left(s_B\right)}}^2)---\left(15\right)$

其中，A_p为验证仓底面面积，A_p=811.803m²；A_c为标定粮仓底面积，A_c=169.36m²。由式（8）和式（14），可得基于全部数据新模型的验证仓数量预测模型为

${\hat{W}}_p=\frac{A_p}{A_c}(13.368+13.5149\stackrel{\‾}{q\left(s_B\right)}+0.0261{\stackrel{\‾}{q\left(s_B\right)}}^2)---\left(16\right)$

根据表2模型验证仓实验数据，可得各模型的预测结果比较如图6和表3所示。

6.2基于快速标定模式数据的预测模型

基于表6-1中快速标定模式建模的4组数据，得到的回归模型为

${\hat{W}}_c=11.94617+13.818\stackrel{\‾}{q\left(s_B\right)}+0.02206{\stackrel{\‾}{q\left(s_B\right)}}^2---\left(17\right)$

回归模型的建模样本预测误差如图7所示，所建模型平均预测误差为0.73%，最大误差为2.59%。根据表6-1中快速标定模式建模的4组数据，由式（12）得到的基于粮食重量误差比模型为

${\hat{W}}_c=12.179+13.7786\stackrel{\‾}{q\left(s_B\right)}+0.02229{\stackrel{\‾}{q\left(s_B\right)}}^2---\left(18\right)$

模型的建模样本预测误差如图7所示，所建模型平均预测误差为0.699%，最大误差为2.51%。同时，从图7的两种模型的误差对比可以看出，新方法所建模型比利用回归方法所建模型的平均预测误差小0.031%，最大误差也有所减少。

根据表2模型验证仓实验数据，可得各模型的预测结果比较如图8和表3所示。

6.3各模型的验证仓预测结果比较

各模型的预测结果比较表3所示。由所示预测结果可以看出，所提出的基于粮食重量误差比的建模新方法可显著提高粮食数量的预测精度，粮堆重量预测精度可以保证在3%以下。

表3验证仓数量预测结果比较

本发明提出的平房仓浅圆仓储粮数量检测方法仅限于平房仓和浅圆仓，可按图9所示实施方式实施，具体步骤实施如下：

（1）系统配置

选定具体压力传感器，并配置相应的数据采集、数据传输等系统。

（2）底面压力传感器安装

平房仓底面压力传感器布置如图1所示，浅圆仓底面压力传感器布置如图2所示，安装6-8个底面压力传感器。传感器沿底面四周、距侧面墙距离为d适当布置。具体要求如下：

①各传感器距侧面墙距离d应相等，d=2-3.5米，在保证不影响粮仓进粮等操作的情况下，d应尽可能大。

②出粮口附近应布置传感器，以便于粮食出仓监测。

③各个传感器间距应不小于1.5米。

④传感器应尽可能远离进粮口，以避免进粮冲击造成传感器损坏，减少传感器输出值的波动。

（3）系统标定

对于给定的传感器、粮食种类以及仓型，如果系统尚未有标定，则选择若干个粮仓作为标定粮仓。具体要求如下：

①对于每个标定粮仓，根据图3-图4，建立标定进粮区。平房仓标定进粮区布置如图3所示，浅圆仓标定进粮区布置如图4所示，压力传感器均匀布置，间距D为3米左右，各传感器距侧面墙距离d和步骤（2）中实测粮仓底面压力传感器距侧面墙距离相等。沙袋墙高度1.5-2米。

②对于标定进粮区，逐步进粮，每批进粮0.5米后摊平，记录进粮重量和粮仓底面和侧面压力传感器值，并根据标定进粮区面积与粮仓总面积的比值，计算相应高度的整个粮仓进粮重量。则可以获得3-4组粮仓粮食重量

底面压力传感器输出均值

的实验数据，可表示为数据元组其中i为进粮次数；

分别为第i次进粮后粮仓相应高度的整个粮仓进粮重量和底面压力传感器输出均值。然后按正常方式装粮，待完成后，记录进粮总重量

和粮仓底面压力传感器输出均值

这样可共获得4-5组实验数据。

③根据所获得的标定粮仓实验数据

i＝1,2，...,n，n为实验数据的组数，利用式（12）确定参数b₀,b₁,b₂，进而建立如式（8）所示的实测粮仓重量的预测模型。

④对于不同厂家的不同传感器、不同的粮食种类、不同的仓型以及根据粮仓的粮堆底面积与侧面积比例，对系统进行适用范围分类并标定，并建立系统参数表，以便于标定参数的重复使用。

（4）实仓重量检测。

如果系统已标定，检测底面压力传感器输出均值

并根据实测粮仓底面面积A_p、标定粮仓底面面积A_c以及标定系数b₀,b₁,b₂利用式（8）所示模型进行粮仓储粮数量检测。

Claims (5)

1.一种平房仓浅圆仓储粮数量检测方法，其特征在于，该方法的步骤如下：

（1）选定具体压力传感器，并配置相应的数据采集、数据传输系统，来布设粮仓压力传感器检测网络；

（2）在平房仓或浅圆仓底面布设选好的压力传感器，其中各压力传感器沿着粮仓的侧墙并距离侧墙d米的位置等间距布设；

（3）确定该布设选定的压力传感器、储粮种类、粮仓仓型的粮仓检测系统是否标定，若是没有，则需进行系统标定，得到标定系数，建立粮仓重量的预估模型；若是系统已经标定，则采用已经得到标定系数及粮仓重量预估模型；

（4）向粮仓中进粮完毕后，将粮仓的粮堆顶面摊平，检测粮仓底面压力传感器输出均值

并根据实测粮仓底面面积A_p、标定粮仓底面面积A_c以及标定系数b₀,b₁,b₂利用

所示模型进行粮仓储粮数量检测，得到实测粮仓重量的估计值

2.根据权利要求1所述的方法，其特征在于，所述步骤（2）中各传感器的间距不小于1.5米。

3.根据权利要求1所述的方法，其特征在于，所述步骤（3）中对系统的标定方法步骤如下：

（31）建立标定进粮区：取步骤（2）中布设好压力传感器的一部分粮仓，并用沙袋将选取的部分粮仓与粮仓剩余部分隔离，建立标定进粮区；

（32）获取标定数据：在标定进粮区中逐步进粮，每批进粮0.5米后摊平，记录进粮重量和粮仓底面压力传感器值，并根据标定进粮区面积与粮仓总面积的比值，计算相应高度的整粮仓进粮重量；重复以上操作获得3-4组实验数据；然后按正常方式装粮，待完成后，记录进粮总重量和粮仓底面压力传感器值，这样共获得4-5组数据，以建立粮仓数据预测模型。

4.根据权利要求3所述的方法，其特征在于：所述步骤（32）中根据所获得的标定粮仓实验数据，利用回归法获得粮仓数量预测模型

其中

为标定粮仓的重量估计；

为底面压力传感器输出均值与粮堆底面压强的关系项；

为粮仓侧面摩擦力作用的补偿项；系数b₀、b₁和b₂为通过标定获得的常数项。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述b₀,b₁,b₂的取值使 $E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{W_c^i-b_0-b_1\stackrel{\‾}{q\left(s_B\right)}-b_2{\stackrel{\‾}{q\left(s_B\right)}}^2}{W_c^i}\right)}^2$ 达到最小，得到b＝A^-1B其中， $b=\left[\begin{array}{c}{b}_0\\ b_{1\·}\\ b_2\end{array}\right],$ $A=\left[\begin{array}{ccc}\underset{i}{\mathrm{\Σ}}\frac{1}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^3\right)}^i}{{\left(W_c^i\right)}^2}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^3\right)}^i}{{\left(W_c^i\right)}^2}& \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^4\right)}^i}{{\left(W_c^i\right)}^2}\end{array}\right],$ $B=\left[\begin{array}{c}\underset{i}{\mathrm{\Σ}}\frac{1}{W_c^i}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left(\stackrel{\‾}{q\left(s_B\right)}\right)}^i}{W_c^i}\\ \underset{i}{\mathrm{\Σ}}\frac{{\left({\stackrel{\‾}{q\left(s_B\right)}}^2\right)}^i}{W_c^i}\end{array}\right],$

分别为第i个实验点粮仓底面压力传感器输出均值的平方、三次方和四次方。

Images