CN105403294A - 基于多项式展开的粮仓储粮重量检测方法及其装置 - Google Patents

Abstract

本发明涉及基于多项式展开的粮仓储粮重量检测方法及其装置。依据粮仓储粮重量的理论检测模型，建立基于多项式展开的粮仓储粮重量检测模型，通过选取给定的样本集，利用基于回归和多项式最大阶数选择样本集的多项式最大阶数优化方法对模型参数进行优化。将所测的粮仓底面压力数据代入到所建立的粮仓储粮重量检测模型，得到粮仓储粮重量。本发明不仅提高储粮重量的检测精确度，还具有较强适应性和鲁棒性。

Description

基于多项式展开的粮仓储粮重量检测方法及其装置

技术领域

本发明涉及基于多项式展开的粮仓储粮重量检测方法及其装置，属于粮仓检测技术领域。

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，价格低，要求粮堆数量在线检测设备成本低、简单方便。因此检测的高精度与检测系统的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。

现有技术中专利文献申请公布号为CN104330138A的“基于结构自适应检测模型的粮仓储粮数量检测方法”中公开了一种粮仓储粮数量的检测方法，该发明建立了一种粮仓储粮数量的检测模型，即通过在粮仓底面设置压力传感器，采集粮仓所承受的压力数据，代入到模型中即可得到粮仓储粮数量。

发明内容

本发明是一种全新思路下的粮仓储粮重量检测方法，提出了基于多项式展开的粮仓储粮重量检测方法，本发明还提出了基于多项式展开的粮仓储粮重量检测装置。

本发明是通过如下方案予以实现的：

1.基于多项式展开的粮仓储粮重量检测方法，步骤如下：

步骤1，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d；

步骤2，依据粮仓储粮重量的理论检测模型，建立基于多项式展开的粮仓储粮重量检测模型为：

$\hat{W}=A_B\[\underset{m=0}{\overset{N_B}{\Σ}}{a}_B\left(m\right){\stackrel{\‾}{Q}}_B{\left(s_{Inner}\right)}^m+K_c^2\underset{n=0}{\overset{N_F}{\Σ}}\underset{m=0}{\overset{N_B}{\Σ}}{a}_F(n,m){\stackrel{\‾}{Q}}_B{\left(s_{Outer}\right)}^n{\stackrel{\‾}{Q}}_B{\left(s_{Inner}\right)}^m\]$

其中，为内圈传感器压力的输出均值，即为粮仓底面压强估计值；为外圈传感器压力的输出均值，即为粮仓侧面压强估计值；A_B为粮堆底面面积；a_B(m)、a_F(n,m)为估计项的系数；N_B、N_F分别为多项式的最大阶数；C_B为粮仓底面周长；m＝0,…,N_B，n＝1,…,N_F；

步骤3，将内圈和外圈压力传感器采集的数据，代入到所建立的粮仓储粮重量检测模型，求解出所述粮仓的储粮重量。

进一步的，步骤1中所述的粮仓储粮重量的理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\‾}{Q}}_B\left(s\right)-\frac{K_c^2}{K}ln\[1-K_{\mathrm{\∞}}{\stackrel{\‾}{Q}}_B\left(s\right)\]{\stackrel{\‾}{Q}}_F\left(s\right)\}$

其中，A_B为粮堆底面面积；Q_B(s)、Q_F(s)分别为粮堆底面和侧面中点s处的压强；为粮堆远高于特征高度时的底面压强饱和值；K为压力转向系数。

进一步的，所述步骤2中对粮仓储粮重量检测模型中参数a_B(m)、a_F(n,m)、N_B和N_F是依据如下方式确定的：采集所述粮仓中的内圈和外圈的压力传感器输出值，作为给定的样本集，结合回归方法确定参数a_B(m)和a_F(n,m)，并优化多项式的最大阶数N_B和N_F。

进一步的，所述给定的样本集为其中，i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量；为相应的粮仓面积；所述的样本集分为三部分：多元回归样本S_M、和项最大阶数选择样本S_O以及测试样本S_T。

进一步的，步骤3中通过利用多元回归样本S_M，结合回归方法确定参数a_B(m)和a_F(n,m)；根据最大阶数选择样本集S_O和多元回归样本S_M的预测误差E(N_B,N_F)，优化多项式的最大阶数N_B和N_F，表达式如下：

$E(N_B,N_F)=\underset{i\∈S_o\∪S_M}{\Σ}\frac{|W_i-{\hat{W}}_i|}{W_i}$

$E(N_B^{*},N_F^{*})=\underset{\underset{1\≤N_F\≤{\mathrm{MaxN}}_F}{1\≤N_B\≤{\mathrm{MaxN}}_B}}{min}E(N_B,N_F)$

其中，W_i为样本点i的实际进粮重量；为样本点i的粮堆重量预测值；

设定N_B选择范围[1，MaxN_B]；N_F选择范围[1，MaxN_F]；MaxN_B和MaxN_F取值范围为4-10；则为最优的最大阶数N_B和N_F。

2.基于多项式展开的粮仓储粮重量检测装置，该装置包括：压力传感器和检测单元，其中，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器，检测单元与压力传感器单元的输出连接，检测单元中执行有一个或多个模块，所述模块用于执行以下步骤：

1)依据粮仓储粮重量的理论检测模型，建立基于多项式展开的粮仓储粮重量检测模型为：

$\hat{W}=A_B\[\underset{m=0}{\overset{N_B}{\Σ}}{a}_B\left(m\right){\stackrel{\‾}{Q}}_B{\left(s_{Inner}\right)}^m+K_c^2\underset{n=0}{\overset{N_F}{\Σ}}\underset{m=0}{\overset{N_B}{\Σ}}{a}_F(n,m){\stackrel{\‾}{Q}}_B{\left(s_{Outer}\right)}^n{\stackrel{\‾}{Q}}_B{\left(s_{Inner}\right)}^m\]$

其中，为内圈传感器压力的输出均值，即为粮仓底面压强估计值；为外圈传感器压力的输出均值，即为粮仓侧面压强估计值；A_B为粮堆底面面积；a_B(m)、a_F(n,m)为估计项的系数；N_B、N_F分别为多项式的最大阶数；C_B为粮仓底面周长；m＝0,…,N_B，n＝1,…,N_F。

2)将压力传感器采集的数据，代入到所建立的粮仓储粮重量检测模型，求解出所述粮仓的储粮重量。

进一步的，所述的外圈压力传感器靠近侧面墙间隔布置，所述的内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d。

进一步的，所述的粮仓储粮重量的理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\‾}{Q}}_B\left(s\right)-\frac{K_c^2}{K}ln\[1-K_{\mathrm{\∞}}{\stackrel{\‾}{Q}}_B\left(s\right)\]{\stackrel{\‾}{Q}}_F\left(s\right)\}$

其中，A_B为粮堆底面面积；Q_B(s)、Q_F(s)分别为粮堆底面和侧面中点s处的压强；为粮堆远高于特征高度时的底面压强饱和值；K为压力转向系数。

进一步的，所述的粮仓储粮重量检测模型中参数a_B(m)、a_F(n,m)、N_B和N_F是依据如下方式确定的：采集所述粮仓中的内圈和外圈的压力传感器输出值，作为给定的样本集，结合回归方法确定参数a_B(m)和a_F(n,m)，并优化 多项式的最大阶数N_B和N_F。

进一步的，所述给定的样本集为其中，i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量；为相应的粮仓面积；所述的样本集分为三部分：多元回归样本S_M、和项最大阶数选择样本S_O以及测试样本S_T；

通过利用多元回归样本S_M，结合回归方法确定参数a_B(m)和a_F(n,m)；根据最大阶数选择样本集S_O和多元回归样本S_M的预测误差E(N_B,N_F)，优化 多项式的最大阶数N_B和N_F，表达式如下：

$E(N_B,N_F)=\underset{i\∈S_o\∪S_M}{\Σ}\frac{|W_i-{\hat{W}}_i|}{W_i}$

$E(N_B^{*},N_F^{*})=\underset{\underset{1\≤N_F\≤{\mathrm{MaxN}}_F}{1\≤N_B\≤{\mathrm{MaxN}}_B}}{min}E(N_B,N_F)$

其中，W_i为样本点i的实际进粮重量；为样本点i的粮堆重量预测值；

设定N_B选择范围[1，MaxN_B]；N_F选择范围[1，MaxN_F]；MaxN_B和MaxN_F取值范围为4-10；则为最优的最大阶数N_B和N_F。

本发明和现有技术相比的有益效果是：

本发明提出了一种全新思路下的粮仓储粮重量的检测方法及其装置，建立基于多项式展开的粮仓储粮重量检测模型，并利用回归和多项式最大阶数选择样本集的方法对多项式最大阶数进行优化，从而实现对粮仓储粮重量的准确检测。本发明在保证对储粮重量的检测精确度的基础上，具有较强适应性和鲁棒性。

而且，本发明利用多元回归样本集S_M、和项最大阶数选择样本集S_O进行建模，通过样本集S_O限制模型阶数，有助于实现模型的结构风险最小化，提高所建模型的泛化能力。

附图说明

图1本发明平房仓底面压力传感器布置模型；

图2本发明筒仓底面压力传感器布置模型；

图3本发明的通州粮库建模样本重量预测误差的示意图；

图4本发明的通州粮库所有样本重量预测误差的示意图；

图5本发明的洪泽和齐河粮库建模样本重量预测误差的示意图；

图6本发明的洪泽和齐河粮库所有样本重量预测误差的示意图；

图7本发明的实施过程流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细的说明。

(一)、基于多项式展开的粮仓储粮重量检测方法的实施例

本发明是基于多项式展开的粮仓重量检测方法，建立粮仓储粮重量的检测模型，并依据该模型计算储粮重量，下面分别就该模型获得的理论前提、对应的粮仓传感器布置、模型推导和参数标定进行依次说明。

(1)粮仓储粮重量理论检测模型：

通常使用的粮仓有平房仓、浅圆仓、筒仓等类型，粮食入仓后，粮堆顶部要求摊平，平房仓粮堆形状大致上为不同尺寸的立方体，浅圆仓、筒仓粮堆形状大致上为不同尺寸的圆柱体。通过粮堆受力分析可以得出，粮仓粮堆重量与粮仓压强之间的关系如下式：

$\hat{W}=A_B\[{\stackrel{\‾}{Q}}_B\left(s\right)+\frac{C_B}{A_B}{\mathrm{Hf}}_F{\stackrel{\‾}{Q}}_F\left(s\right)\]---\left(1\right)$

其中，为粮堆重量估计；A_B为粮堆底面面积；C_B为底面周长；H为粮堆高度，f_F为粮堆侧面与粮仓侧面之间的平均摩擦系数； Q_B(s)、Q_F(s)分别为粮堆底面和侧面中点s处的压强。

根据Janssen模型，可以得到粮仓底面压强与粮堆高度的关系，如下式：

${\stackrel{\‾}{Q}}_B\left(s\right)={\stackrel{\‾}{Q}}_{B\mathrm{\∞}}\left(s\right)\[1-\exp (-H/\mathrm{\λ})\]---\left(2\right)$

其中，为粮仓粮堆特征高度；H为粮堆高度；K为压力转向系数；为粮堆远高于特征高度时的底面压强饱和值。由(2)式变形即可得到：

$H=-\frac{K_c}{f_{F}K}ln\[1-K_{\mathrm{\∞}}{\stackrel{\‾}{Q}}_B\left(s\right)\]---\left(3\right)$

其中，f_F为粮堆侧面与粮仓侧面之间的平均摩擦系数；K为压力转向系数；为粮堆远高于特征高度时的底面压强饱和值。

将(3)式代入(1)式中，即可得到粮仓储粮重量理论检测模型：

$\hat{W}=A_B\{{\stackrel{\‾}{Q}}_B\left(s\right)-\frac{K_c^2}{K}ln\[1-K_{\mathrm{\∞}}{\stackrel{\‾}{Q}}_B\left(s\right)\]{\stackrel{\‾}{Q}}_F\left(s\right)\}---\left(4\right)$

(2)粮仓传感器布置

对于通常使用的平房仓和筒仓，在粮仓底面按外圈和内圈两圈布置压力传感器，如图1和图2所示，圆圈为压力传感器布置位置，外圈压力传感器均与侧面墙距离为d，内圈传感器均与侧面墙距离为D。显然当d＝0时，外圈处底面压强也是侧面底部的压强。因此可利用外圈压力传感器输出值描述大小，利用内圈压力传感器输出值描述大小。

如图1和图2所示，通常使用的粮仓为平房仓和筒仓,粮食放入粮仓后，粮堆顶部被摊平，平房仓的粮堆形状大致为不同尺寸的立方体，筒仓粮堆的形状大致为不同尺寸的圆柱体。选择配有数据采集和数据传输功能的压力传感器，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D>2米，外圈压力传感器与侧面墙距离为0<d<1米，内圈和外圈传感器的个数均为6-10个，各个传感器之间的距离不小于1米。

(3)粮仓储粮重量检测模型推导

采用图1、图2所示的粮仓底面两圈传感器布置方式，利用内圈传感器压力的输出均值构建粮仓底面压强估计值，利用外圈传感器压力的输出均值构建粮仓侧面压强估计值。根据(4)式所示的粮仓理论检测模型，令 $H_k=-\frac{1}{K}ln(1-K_{\mathrm{\&infin;}}{\stackrel{\&OverBar;}{Q}}_B(s\left)\right);$ 采用多项式构建和H_k和估计值，表达式如下：

${\frac{^}{Q}}_B\left(s\right)=\underset{m=0}{\overset{N_B}{\&Sigma;}}{b}_B\left(m\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m---\left(5\right)$

${\hat{H}}_k=\underset{j=0}{\overset{N_H}{\&Sigma;}}{b}_H\left(j\right)\{\&lsqb;{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)+{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;/2{\}}^j---\left(6\right)$

${\frac{^}{Q}}_F\left(s\right)=\underset{n=0}{\overset{N_F}{\&Sigma;}}{b}_F\left(n\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Outer}\right)}^n---\left(7\right)$

其中，b_B(m)、b_H(j)、b_F(n)分别为H_k和估计项的系数，m＝0,...,N_B，j＝0,...,N_H，n＝0,...,N_F，N_B、N_H、N_F分别为H_k和估计的多项式阶数。

进一步的，由上述公式代入到粮仓储粮重量理论检测模型可得：

$\hat{W}=A_B\{\underset{m=0}{\overset{N_B}{\&Sigma;}}{b}_B\left(m\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m+K_c^2\{\underset{j=0}{\overset{N_H}{\&Sigma;}}{b}_H\left(j\right){\{\&lsqb;{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right)+{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right)\&rsqb;/2\}}^j\}\&lsqb;\underset{n=0}{\overset{N_F}{\&Sigma;}}{b}_F\left(n\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Outer}\right)}^n\&rsqb;\}---\left(8\right)$

将N_B作为项的最大阶数，N_F作为项的最大阶数，进而得出：

$\hat{W}=A_B\&lsqb;\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_B\left(m\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m+K_c^2\underset{n=0}{\overset{N_F}{\&Sigma;}}\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_F(n,m){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Outer}\right)}^n{\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m\&rsqb;---\left(9\right)$

其中，a_B(m)、a_F(n,m)为估计项的系数，m＝0,...,N_B，n＝1,...,N_F，N_B、N_F分别为多项式的最大阶数。该式即为所建立的粮仓储粮重量检测模型。

内圈和外圈压力传感器采集粮仓底面的压力数据，将该数据代入到所建立的粮仓储粮重量检测模型，即可求解出所述粮仓的储粮重量。

(4)粮仓储粮重量检测模型的参数标定

根据给定的传感器、粮食种类以及仓型，若要计算粮仓储粮的重量，还需要对所建立的粮仓储粮重量检测模型进行标定，即求解式(9)中的各项参数，具体过程如下：

在多于6个粮仓中按照图1、图2方式布置压力传感器，进粮至满仓，待压力传感器输出值稳定后，采集各仓的压力传感器输出值，形成样本集其中，i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量；为相应的粮仓面积。

将所述的样本集S分为三部分为：多元回归样本S_M、和项最大阶数选择样本S_O以及测试样本S_T。本发明中通过多元回归样本S_M和多元回归法确定粮仓储粮重量检测模型中的参数a_B(m)和a_F(n,m)。

依据百分比误差模型计算最大阶数选择样本集S_O和多元回归样本S_M的预测误差E(N_B,N_F)，表达式如下式：

$E(N_B,N_F)=\underset{i\&Element;S_o\&cup;S_M}{\&Sigma;}\frac{|W_i-{\hat{W}}_i|}{W_i}---\left(10\right)$

其中，为样本点i的粮堆重量预测值；W_i为样本点i的粮堆重量实际值。N_B选择范围为[1，MaxN_B],N_F选择范围为[1，MaxN_F],本发明中，MaxN_B和MaxN_F的取值范围为4-10。如果满足 $E(N_B^{*},N_F^{*})=\underset{\underset{1\&le;N_F\&le;{\mathrm{MaxN}}_F}{1\&le;N_B\&le;{\mathrm{MaxN}}_B}}{min}E(N_B,N_F),$ 则中的和即为和项最优最大阶数。

(二)、基于多项式展开的粮仓储粮重量检测装置的实施例

本发明还提出了基于多项式展开的粮仓储粮重量检测装置，该装置包括：检测单元以及与之连接的用于设置在粮仓底面的两组压力传感器，其中一组为内圈压力传感器，一组为外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d。内圈传感器压力的输出均值作为粮仓底面压强估计值。设置的外圈传感器压力的输出均值作为粮仓侧面压强估计值。

检测单元执行有一个或多个模块，所述的模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、寄存器、硬盘等。检测单元中的处理器可以采用单片机、可编程逻辑控制器、DSP等。检测单元与两组压力传感器的输出连接，压力传感器将采集到的压力数据传输给检测单元，检测单元中的模块依据所建立的基于多项式展开的粮仓储粮重量检测模型对所得到的数据进行处理，得到粮仓储粮的重量，所建立的粮仓储粮重量检测模型为：

$\hat{W}=A_B\&lsqb;\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_B\left(m\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m+K_c^2\underset{n=0}{\overset{N_F}{\&Sigma;}}\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_F(n,m){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Outer}\right)}^n{\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m\&rsqb;---\left(9\right)$

其中，为内圈传感器压力的输出均值，即为粮仓底面压强估计值；为外圈传感器压力的输出均值，即为粮仓侧面压强估计值；A_B为粮堆底面面积；a_B(m)、a_F(n,m)为估计项的系数；N_B、N_F分别为多项式的最大阶数；C_B为粮仓底面周长；m＝0,…,N_B，n＝1,…,N_F。

其中粮仓储粮重量检测模型的推导和模型参数的标定过程已在上述“基于多项式展开的粮仓储粮重量检测方法”的实施例中进行了详细说明，这里不再赘述。

(三)、实验分析与结论

检测实例1

本实验所采用的粮仓为小型平房仓，长为9m，宽为4.2m，面积为37.8m²。根据图1所示的压力传感器布置模型，压力传感器分2圈布置，内圈压力传感器为布置8个，外圈压力传感器为布置10个，总共18个压力传感器。

实验中粮食种类为玉米，重量约160吨，本实验共进行4次，其中，MaxN_B＝10和MaxN_F＝10。由于样本过少，将1到3次实验为作为回归样本S_M，将第4次实验作为和项最大阶数选择样本和测试样本S_T。根据所建的粮仓储粮重量检测模型，计算得到参数如表1和表2所示，重量预测结果如表3至表6所示，4次实验的总预测误差为19.3。

表1最佳最大阶数和

表2模型系数a_B(m)和a_F(n,m)

以1-3次实验作为回归样本S_M，以实验4作为测试样本S_T，没有和项最大阶数选择样本S_O，所建模型参数如表7至表8所示，重量预测结果如表9至表12所示，其中1-3次实验的总预测误差为0.0012，第4次实验的总预测误差为61.5。

表7最佳最大阶数和

表8模型系数a_B(m)和a_F(n,m)

由表3至表6可以看出，采用本发明所示的基于多项式展开的粮仓重量检测模型具有理想的建模精度和预测精度。通过比较表6和表12所示的测试样本重量计算结果可以看出，通过引入和项最大阶数选择样本集S_O，可以显著提高模型的预测能力。

检测实例2

选取通州粮库的5个粮仓作为实验样本，储粮种类为玉米和稻谷，储粮重量分别为4145吨、7539吨、7959吨、7500吨和6351吨。经过长时间检测，获得检测样本3290个。选取703个作为建模样本，其中，463个作为多元回归样本S_M，240个作为和项最大阶数选择样本S_O，其它作为测试样本S_T。根据本发明所示的基于多项式展开的粮仓重量检测模型，所建模型参数如表13至表14所示，重量预测结果如图3和图4所示

表13最佳最大阶数和

表14模型系数a_B(m)和a_F(n,m)

从图3和图4可以得出，所有检测点的预测误差均小于2％，通过本次实验证明通过本发明所建立的模型可以满足粮仓储粮重量检测的要求。

检测实例3

选取洪泽和齐河的3个粮仓作为实验样本，储粮种类为小麦和稻谷，储粮重量分别为2455.6吨、2009.98吨和2100吨。采用和通州粮库不同的传感器，经检测获得检测样本501个。选取297个作为建模样本，其中，197个作为多元回归样本S_M，100个作为和项最大阶数选择样本S_O，其它作为测试样本S_T。所建模型参数如表15至表16所示，重量预测结果如图5和图6所示：

表15最佳最大阶数和

表16模型系数a_B(m)和a_F(n,m)

从图5和图6可以得出，由于采用新型的传感器，所有检测点的预测误差均小于0.2％，可以满足粮仓储粮重量检测的要求，这也证明了本发明所提出粮仓储粮重量检测模型的有效性。

在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (10)

1.基于多项式展开的粮仓储粮重量检测方法，其特征在于，步骤如下：

步骤1，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d；

步骤2，依据粮仓储粮重量的理论检测模型，建立基于多项式展开的粮仓储粮重量检测模型为：

$\hat{W}=A_B\&lsqb;\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_B\left(m\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m+K_c^2\underset{n=1}{\overset{N_F}{\&Sigma;}}\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_F(n,m){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Outer}\right)}^n{\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m\&rsqb;$

其中，为内圈传感器压力的输出均值，即为粮仓底面压强估计值；为外圈传感器压力的输出均值，即为粮仓侧面压强估计值；A_B为粮堆底面面积；a_B(m)、a_F(n,m)为估计项的系数；N_B、N_F分别为多项式的最大阶数；C_B为粮仓底面周长；m＝0,…,N_B，n＝1,…,N_F；

步骤3，将内圈和外圈压力传感器采集的数据，代入到所建立的粮仓储粮重量检测模型，求解出所述粮仓的储粮重量。

2.根据权利要求1所述的基于多项式展开的粮仓储粮重量检测方法，其特征在于，步骤1中所述的粮仓储粮重量的理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\&OverBar;}{Q}}_B\left(s\right)-\frac{K_c^2}{K}\ln \&lsqb;1-K_{\mathrm{\&infin;}}{\stackrel{\&OverBar;}{Q}}_B\left(s\right)\&rsqb;{\stackrel{\&OverBar;}{Q}}_F\left(s\right)\}$

其中，A_B为粮堆底面面积；Q_B(s)、Q_F(s)分别为粮堆底面和侧面中点s处的压强；为粮堆远高于特征高度时的底面压强饱和值；K为压力转向系数。

3.根据权利要求1所述基于多项式展开的粮仓储粮重量检测方法，其特征在于，所述步骤2中对粮仓储粮重量检测模型中参数a_B(m)、a_F(n,m)、N_B和N_F是依据如下方式确定的：采集所述粮仓中的内圈和外圈的压力传感器输出值，作为给定的样本集，结合回归方法确定参数a_B(m)和a_F(n,m)，优化多项式的最大阶数N_B和N_F。

4.根据权利要求3所述的基于多项式展开的粮仓储粮重量检测方法，其特征在于，所述给定的样本集为其中，i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量；为相应的粮仓面积；所述的样本集分为三部分：多元回归样本S_M、和项最大阶数选择样本S_O以及测试样本S_T。

5.根据权利要求4所述的基于多项式展开的粮仓储粮重量检测方法，其特征在于，步骤3中通过利用多元回归样本S_M，结合回归方法确定参数a_B(m)和a_F(n,m)；根据最大阶数选择样本集S_O和多元回归样本S_M的预测误差E(N_B,N_F)，进而优化多项式的最大阶数N_B和N_F，表达式如下：

$E\left(N_B,N_F\right)=\underset{i\&Element;S_o\&cup;S_M}{\&Sigma;}\frac{|W_i-{\hat{W}}_i|}{W_i}$

$E\left(N_B^{*},N_F^{*}\right)=\underset{1\&le;N_F\&le;{\mathrm{MaxN}}_F}{\underset{1\&le;N_B\&le;{\mathrm{MaxN}}_B}{\min }}E(N_B,N_F)$

其中，W_i为样本点i的实际进粮重量；为样本点i的粮堆重量预测值；

设定N_B选择范围[1，MaxN_B]；N_F选择范围[1，MaxN_F]；MaxN_B和MaxN_F取值范围为4-10；则为最优的最大阶数N_B和N_F。

6.基于多项式展开的粮仓储粮重量检测装置，其特征在于，该装置包括：压力传感器和检测单元，其中，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器，检测单元与压力传感器单元的输出连接，检测单元中执行有一个或多个模块，所述模块用于执行以下步骤：

1)依据粮仓储粮重量的理论检测模型，建立基于多项式展开的粮仓储粮重量检测模型为：

$\hat{W}=A_B\&lsqb;\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_B\left(m\right){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m+K_c^2\underset{n=1}{\overset{N_F}{\&Sigma;}}\underset{m=0}{\overset{N_B}{\&Sigma;}}{a}_F(n,m){\stackrel{\&OverBar;}{Q}}_B{\left(s_{Outer}\right)}^n{\stackrel{\&OverBar;}{Q}}_B{\left(s_{Inner}\right)}^m\&rsqb;$

其中，为内圈传感器压力的输出均值，即为粮仓底面压强估计值；为外圈传感器压力的输出均值，即为粮仓侧面压强估计值；A_B为粮堆底面面积；a_B(m)、a_F(n,m)为估计项的系数；N_B、N_F分别为多项式的最大阶数；C_B为粮仓底面周长；m＝0,…,N_B，n＝1,…,N_F；

2)将压力传感器采集的数据，代入到所建立的粮仓储粮重量检测模型，求解出所述粮仓的储粮重量。

7.根据权利要求6所述的基于多项式展开的粮仓储粮重量检测装置，其特征在于，所述的外圈压力传感器靠近侧面墙间隔布置，所述的内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d。

8.根据权利要求6所述的基于多项式展开的粮仓储粮重量检测装置，其特征在于，所述的粮仓储粮重量的理论检测模型为：

$\hat{W}=A_B\{{\stackrel{\&OverBar;}{Q}}_B\left(s\right)-\frac{K_c^2}{K}\ln \&lsqb;1-K_{\mathrm{\&infin;}}{\stackrel{\&OverBar;}{Q}}_B\left(s\right)\&rsqb;{\stackrel{\&OverBar;}{Q}}_F\left(s\right)\}$

其中，A_B为粮堆底面面积；Q_B(s)、Q_F(s)分别为粮堆底面和侧面中点s处的压强；为粮堆远高于特征高度时的底面压强饱和值；K为压力转向系数。

9.根据权利要求7所述基于多项式展开的粮仓储粮重量检测装置，其特征在于，所述的粮仓储粮重量检测模型中参数a_B(m)、a_F(n,m)、N_B和N_F是依据如下方式确定的：采集所述粮仓中的内圈和外圈的压力传感器输出值，作为给定的样本集，结合回归方法确定参数a_B(m)和a_F(n,m)，并优化多项式的最大阶数N_B和N_F。

10.根据权利要求9所述的基于多项式展开的粮仓储粮重量检测装置，其特征在于，所述给定的样本集为其中，i为样本点号，i＝1,2,3,...,M，M为样本个数；分别为第i个样本点的和值；W_i为样本点i的实际进粮重量；为相应的粮仓面积；所述的样本集分为三部分：多元回归样本S_M、和项最大阶数选择样本S_O以及测试样本S_T；

通过利用多元回归样本S_M，结合回归方法确定参数a_B(m)和a_F(n,m)；根据最大阶数选择样本集S_O和多元回归样本S_M的预测误差E(N_B,N_F)，优化 多项式的最大阶数N_B和N_F，表达式如下：

$E(N_B,N_F)=\underset{i\&Element;S_o\&cup;S_M}{\&Sigma;}\frac{|W_i-{\hat{W}}_i|}{W_i}$

$E\left(N_B^{*},N_F^{*}\right)=\underset{1\&le;N_F\&le;{\mathrm{MaxN}}_F}{\underset{1\&le;N_B\&le;{\mathrm{MaxN}}_B}{\min }}E(N_B,N_F)$

其中，W_i为样本点i的实际进粮重量；为样本点i的粮堆重量预测值；

设定N_B选择范围[1，MaxN_B]；N_F选择范围[1，MaxN_F]；MaxN_B和MaxN_F取值范围为4-10；则为最优的最大阶数N_B和N_F。