CN110823334B - 一种粮仓储粮检测方法及系统 - Google Patents

一种粮仓储粮检测方法及系统 Download PDF

Info

Publication number
CN110823334B
CN110823334B CN201810910165.0A CN201810910165A CN110823334B CN 110823334 B CN110823334 B CN 110823334B CN 201810910165 A CN201810910165 A CN 201810910165A CN 110823334 B CN110823334 B CN 110823334B
Authority
CN
China
Prior art keywords
grain
value
pressure sensor
sensor
output value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810910165.0A
Other languages
English (en)
Other versions
CN110823334A (zh
Inventor
张德贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810910165.0A priority Critical patent/CN110823334B/zh
Publication of CN110823334A publication Critical patent/CN110823334A/zh
Application granted granted Critical
Publication of CN110823334B publication Critical patent/CN110823334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G17/00—Apparatus for or methods of weighing material of special form or property
    • G01G17/04—Apparatus for or methods of weighing material of special form or property for weighing fluids, e.g. gases, pastes

Abstract

本发明涉及一种粮仓储粮检测方法及系统，该方法首先检测粮仓中布置的压力传感器的输出值，并将输出值进行预处理；所述预处理包括：保留与传感器输出值的平均值的差在设定范围内的输出值；所述传感器输出值的平均值为传感器输出值的中值及相邻设定数量的输出值的平均值；然后将经过预处理的传感器的输出值用于粮仓储粮数量的计算。本发明减少了传感器输出值随机性对传感器输出值计算的影响，提高了粮仓储粮检测精度。

Description

一种粮仓储粮检测方法及系统
技术领域
本发明属于传感器与检测技术领域，具体涉及一种粮仓储粮检测方法及系统。
背景技术
粮食安全包括数量安全和原粮安全。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求，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，要求粮食数量在线检测准确、快速和可靠。同时由于粮食数量巨大，价格低，要求粮食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食数量在线检测系统开发必需解决的关键课题。
授权公告号为CN105403294B的中国发明专利文件公开了一种基于多项式展开的粮仓储粮重量检测方法及其装置。该发明专利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，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。
该方案提高了储粮重量(即储粮数量)的检测精确度，还具有较强适应性和鲁棒性。但是，在实际的实验过程中发现，粮食的有限流动性，使得传感器的输出常呈现随机性。由于检测系统成本问题，压力传感器数布置的较少，在这种情况下，压力传感器输出值的波动性与随机性势必严重影响粮仓储粮检测精度。
发明内容
本发明的目的在于提供一种粮仓储粮检测方法及系统，用以解决传感器输出随机性影响粮仓储粮检测精度的问题。
为解决上述技术问题，本发明的技术方案为：
本发明提供了一种粮仓储粮检测方法，包括如下步骤：
检测粮仓中布置的压力传感器的输出值，并将输出值进行预处理；所述预处理包括：保留与传感器输出值的平均值的差在设定范围内的输出值；所述传感器输出值的平均值为传感器输出值的中值及相邻设定数量的输出值的平均值；
将经过预处理的传感器的输出值用于粮仓储粮数量的计算。
本发明的有益效果：
本发明对粮仓中布置的压力传感器的输出值进行预处理，保留与传感器输出值的平均值的差在设定范围内的输出值，这里的平均值不再是常规意义的所有传感器输出值的平均值，而是传感器输出值的中值及相邻设定数量的输出值的平均值，该方案通过去除较小和较大值的区域输出值点，减少了传感器输出值随机性对传感器输出值计算的影响，提高了粮仓储粮检测精度。
进一步的，所述设定范围与传感器输出值的标准差相关。
进一步的，所述设定范围的范围值与传感器输出值的标准差成比例关系。
进一步的，根据传感器输出值与所述传感器输出值的平均值来计算得到所述传感器输出值的标准差：
Figure BDA0001761592270000021
其中，SD(s)为所述传感器输出值的标准差，N为传感器个数，Q(S(i))为传感器输出序列，
Figure BDA0001761592270000022
为所述传感器输出值的中值及相邻设定数量的输出值的平均值。
本发明还提供了一种粮仓储粮检测系统，包括处理器，所述处理器用于执行指令实现上述方法。
附图说明
图1是平房仓底面压力传感器布置示意图；
图2是筒仓底面压力传感器布置示意图；
图3是不同粮仓外圈压力传感器输出值分布示意图；
图4是不同粮仓内圈压力传感器输出值分布示意图；
图5是选择后内圈压力传感器输出值分布示意图；
图6是利用所有样本建模的粮仓储粮重量计算误差示意图；
图7是7至12号样本作为测试样本时粮仓储粮重量计算误差示意图；
图8是建模样本的粮仓储粮重量计算误差示意图；
图9是所有样本的粮仓储粮重量计算误差示意图；
图10是本发明的粮仓储粮数量检测方法流程图。
具体实施方式
在对粮仓储粮进行检测时，需要在粮仓中布置传感器，根据传感器输出值来计算得到粮仓储粮数量。此时，传感器的精度将影响粮仓储粮的检测精度。
为了减少该影响，本发明提供了一种粮仓储粮检测系统，该系统包括处理器，该处理器用于执行指令实现本发明的粮仓储粮检测方法，下面以粮仓底面的内圈和外圈各设置一圈传感器的传感器布置模型为例，来对本发明的方法做进一步的说明。
1、检测理论模型
通过粮堆受力分析可以推出，粮仓储粮数量理论检测模型为：
Figure BDA0001761592270000031
其中，AB为粮堆底面面积，Kc为模型参数，Kc＝CB/AB，CB为粮堆底面周长，H为粮堆高度，fF为粮堆侧面与粮仓侧面之间的平均摩擦系数，
Figure BDA0001761592270000032
为对底面压强均值，
Figure BDA0001761592270000033
Figure BDA0001761592270000034
为粮堆侧面压强均值，
Figure BDA0001761592270000035
令：
Figure BDA0001761592270000036
其中，
Figure BDA0001761592270000037
为粮堆侧面单位面积平均摩擦力。则有：
Figure BDA0001761592270000038
由式(3)中可以看出，粮堆重量与且仅与粮堆底面压强均值
Figure BDA0001761592270000039
侧面单位面积平均摩擦力
Figure BDA00017615922700000310
以及粮堆高度H有关。因此基于压力传感器的粮仓储粮数量检测的核心在于
Figure BDA00017615922700000311
和H三个参数的检测与估计。
2、传感器布置模型
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，内圈压力传感器均与侧面墙距离为D。可取d＞0米且d＜1米，取D＞2米，一般取3米左右。为了保证检测模型的通用性，各粮仓的内外两圈压力传感器与侧面墙距离d和D应相同。两圈压力传感器个数均为6-10，传感器间距应不小于1m。
3、传感器选择与标准差计算
由于粮食的有限流动性，内外两圈压力传感器输出值具有限制的波动性和随机性，当内外两圈压力传感器数量足够多时，传感器输出呈近似正态分布。由于检测系统成本问题，内外两圈压力传感器数量较少。在这种情况下，压力传感器输出值的波动性与随机性势必严重影响外圈压力传感器输出值均值与标准差的准确估算。图3、图4为不同粮仓内外两圈压力传感器输出值依大小排序后的分布情况。从这些测量结果可以看出，在中值附近区域传感器输出值变化与随机性相对较小，而在较小和较大值的区域输出值变化与随机性相对较大。较小和较大值的区域输出值的随机性大势必严重影响内外两圈压力传感器输出值均值与标准差的准确估算。因此，应合理去除较小和较大值的区域输出值点。下面讨论内外两圈压力传感器输出值均值与标准差的计算方法。
3.1内圈压力传感器选择与标准差计算
对于内圈压力传感器输出值序列QB(sInner(i))，i＝1,2,...,NI，NI为内圈压力传感器个数。对传感器输出值序列依大小排序，求出中值点。取中值点左边相邻NLM个输出值点，取中值点右边相邻NRM个输出值点，形成中值邻近点的传感器输出值序列QMed(sInner(i))。一般取NLM＝2-3，NRM＝2-3。求出所选取中值邻近点的传感器输出值序列QMed(sInner(i))的均值
Figure BDA0001761592270000041
即：
Figure BDA0001761592270000042
由内圈压力传感器输出值序列QB(sInner(i))和均值
Figure BDA0001761592270000043
计算内圈压力传感器输出值标准差SDMed(sInner)：
Figure BDA0001761592270000044
其中，SDMed(sInner)为内圈中值点两边邻近输出值点均值。
内圈压力传感器输出值点去除规则为：
若
Figure BDA0001761592270000045
则去除QB(sInner(i))点(6)其中，TSD为内圈压力传感器点去除阈值系数，可根据粮仓储粮数量检测模型的误差变化而合理调整。
式(6)所示的内圈压力传感器输出值点去除规则，采用基于中值点两边邻近输出值点均值
Figure BDA0001761592270000051
的标准差SDMed(sInner)，以消除较小和较大值的区域输出值随机性的影响，并实现内圈压力传感器输出值点去除门限的自适应调整，标准差SDMed(sInner)大，则输出值点去除门限增大，反之亦然。同时引入基于粮仓储粮数量检测模型的误差变化的内圈压力传感器点去除阈值系数TSD，以实现内圈压力传感器输出值点去除门限的合理调整与优化。图5为基于式(6)所示的内圈压力传感器输出值点去除规则，去除较小和较大值的区域部分输出值点后，内圈压力传感器输出值依大小排序后的分布情况。可以看出，合理去除了较小和较大值的区域输出值。
对于内圈压力传感器输出值序列QB(sInner(i))，i＝1,2,...,NI，根据式(6)所示的内圈压力传感器输出值点去除规则，去除满足规则的传感器输出值点后，形成去除后的内圈压力传感器输出值序列QBS(sInner(i))，i＝1,2,...,NIS，NIS为去除后内圈压力传感器输出值序列数据个数。则内圈压力传感器输出值均值
Figure BDA0001761592270000052
为：
Figure BDA0001761592270000053
式(5)为内圈压力传感器输出值标准差计算公式，式(7)为内圈压力传感器输出值均值计算公式。这种内圈压力传感器输出值均值和标准差计算方法的主要特点在于通过去除较小和较大值的区域输出值点，以减少传感器输出值随机性对内圈压力传感器输出值均值和标准差计算的影响。
3.2外圈压力传感器选择与标准差计算
采用同样的方法，对于外圈压力传感器输出值序列QB(sOuter(i))，i＝1,2,...,NO，NO为外圈压力传感器个数。对输出值序列按照大小排序，求出中值点。取中值点左边相邻NLM个输出值点，取中值点右边相邻NRM个输出值点，形成中值邻近点的传感器输出值序列QMed(sOuter(i))。求出所选取传感器输出值序列QMed(sOuter(i))的均值
Figure BDA0001761592270000054
即：
Figure BDA0001761592270000055
由外圈压力传感器输出值序列QB(sOuter(i))和均值
Figure BDA0001761592270000061
计算外圈压力传感器输出值标准差SDMed(sOuter)，即：
Figure BDA0001761592270000062
其中，
Figure BDA0001761592270000063
为外圈中值点两边邻近输出值点均值。
则外圈压力传感器输出值点去除规则为：
若
Figure BDA0001761592270000064
则去除QB(sOuter(i))点(10)其中，CTSD为外圈压力传感器点去除阈值系数，可根据粮仓储粮数量检测模型的误差变化而合理调整。此处采用CTSDTSD作为外圈压力传感器输出点去除阈值系数，以便于系数CTSD的选择与优化。
对于外圈压力传感器输出值序列QB(sOuter(i))，i＝1,2,...,NO，根据式(10)所示的外圈压力传感器输出值点去除规则，去除满足规则的传感器输出值点后，形成去除后的外圈压力传感器输出值序列QBS(sOuter(i))，i＝1,2,...,NOS，NOS为去除后外圈压力传感器输出值序列数据个数。则外圈压力传感器输出值均值
Figure BDA0001761592270000065
为：
Figure BDA0001761592270000066
在得到内圈压力传感器输出值均值
Figure BDA0001761592270000067
外圈压力传感器输出值均值
Figure BDA0001761592270000068
内圈压力传感器输出值标准差为SD(sInner)和外圈压力传感器输出值标准差SDMed(sOuter)后，将其应用于4中的模型项构造中，以得到最终粮仓储粮数量。
4、模型项构造
对于图1、2所示的粮仓底面两圈压力传感器布置模型，外圈压力传感器输出值均值为
Figure BDA0001761592270000069
外圈压力传感器输出值标准差为SD(sOuter)，内圈压力传感器输出值均值为
Figure BDA00017615922700000610
内圈压力传感器输出值标准差为SD(sInner)。对于由式(5)所示的内圈压力传感器输出值标准差计算公式、式(7)所示的内圈压力传感器输出值均值计算公式以及式(9)所示的外圈压力传感器输出值标准差计算公式、式(11)所示的外圈压力传感器输出值均值计算公式，令：
Figure BDA0001761592270000071
其中，
Figure BDA0001761592270000072
为内外两圈压力传感器输出值均值。
对于式(3)所示的粮仓储粮数量理论检测模型，根据粮仓的特性，显然有：
Figure BDA0001761592270000073
Figure BDA0001761592270000074
因此，可以利用
Figure BDA0001761592270000075
构造粮堆底面压强
Figure BDA0001761592270000076
和粮堆高度H的估计。
由实验结果可知，由于侧面单位面积平均摩擦力
Figure BDA0001761592270000077
的作用，势必导致内外两圈压力传感器输出值均值、标准差的变化，
Figure BDA0001761592270000078
增大势必使内外两圈压力传感器输出值均值、标准差的差别程度增大。因此内外两圈压力传感器输出值均值、标准差可以体现
Figure BDA0001761592270000079
的大小，可以利用这些量构造侧面单位面积平均摩擦力
Figure BDA00017615922700000710
的估计。令：
Figure BDA00017615922700000711
其中，IM(s)为基于内外两圈压力传感器输出值标准差的粮堆侧面单位面积平均摩擦力
Figure BDA00017615922700000712
的估计项。通过引入了常数
Figure BDA00017615922700000713
使式(15)中的预设调整系数KSD取值接近于1，便于KSD值的选择。显然，式(15)的第一项体现了粮堆侧面单位面积平均摩擦力
Figure BDA00017615922700000714
对内外两圈压力传感器输出值均值的影响，第二项体现了
Figure BDA00017615922700000715
对内外两圈压力传感器输出均值标准差的影响。式(15)针对的是稻谷等流动性较低的粮堆，而针对小麦等流动性较强的粮堆，可采用式(29)来得到粮堆侧面单位面积平均摩擦力
Figure BDA00017615922700000716
的估计项。
粮食的流动性又称粮食的流散特性，粮食的流散特性主要包括散落性、自动分级、孔隙度等，这是颗粒状粮食所固有的物理性质。粮食在自然形成粮堆时，向四面流动成为一个圆锥体的性质称为粮食的散落性。粮粒的大小、形状、表面光滑程度、容量、杂质含量都对粮食的散落性有影响。粒大、饱满、圆型粒状、比重大、表面光滑、杂质少的粮食散落性好，反之则散落性差。不同粮食之间，上述外观特征明显不同，因此，具有不同的散落特性。
粮食散落性的好坏通常用静止角表示。静止角是指粮食由高点落下，自然形成圆锥体的斜面与底面水平线之间的夹角。静止角与散落性成反比，即散落性好(相当于散落性大于等于设定标准)，静止角小；散落性差(相当于散落性小于设定标准)，静止角大。表a中给出了主要粮种静止角的大小。
表a几种常见粮食的静止角大小(单位：度)
Figure BDA0001761592270000081
当粮堆静止角小于40度时，采用式(15)来计算IM(s)，当粮食静止角大于等于40度时，采用式(29)来计算IM(s)，此处静止角指的是粮食品种对应的最大静止角(即为表a中的静止角止)。
5、检测模型
对于式(3)所示的粮仓储粮数量理论检测模型，采用
Figure BDA0001761592270000082
IM(s)多项式构建
Figure BDA0001761592270000083
和H的估计为：
Figure BDA0001761592270000084
Figure BDA0001761592270000085
Figure BDA0001761592270000091
其中，bB(m)、bH(j)、bF(n)分别为
Figure BDA0001761592270000092
H和
Figure BDA0001761592270000093
估计项的系数，m＝0,...,NB，j＝0,...,NH，n＝0,...,NF，NB、NH、NF分别为
Figure BDA0001761592270000094
H和
Figure BDA0001761592270000095
估计的多项式阶数。
将式(16)至式(18)代入式(3)，则有：
Figure BDA0001761592270000096
整理式(19)，并限制
Figure BDA0001761592270000097
项的最大阶数为NB，限制IM(s)项的最大阶数为NF，可以得出：
Figure BDA0001761592270000098
其中，aB(m)、aF(n,m)为估计项的系数，m＝0,...,NB，n＝1,...,NF，NB、NF分别为
Figure BDA0001761592270000099
IM(s)项的阶数。
显然，式(20)的第一项总项数为NB+1，最大阶数为NB；第二项总项数为(NB+1)NF，
Figure BDA00017615922700000910
与IM(s)乘积项的最大阶数和为NB+NF。为了限制式(20)所示检测模型的非线性程度，应控制第二项中乘积项最大阶数和。因此，为了便于模型总项数优化，整理式(20)，对第二项按
Figure BDA00017615922700000911
与IM(s)乘积项的阶数和Nn+m的升序排序，Nn+m相同时按IM(s)阶数由低到高排序，则有：
Figure BDA00017615922700000912
其中，Nn+m为检测模型第二项中
Figure BDA00017615922700000913
与IM(s)乘积项的阶数和，取值区间为[1,NB+NF]；mb、me取值如下二式所示：
Figure BDA00017615922700000914
Figure BDA0001761592270000101
显然，式(21)第二项的乘积项总数为(NB+1)NF，模型项总数NItem的最大值为NB+(NB+1)NF+1。为了限制式模型的非线性程度，可从模型尾部(第NB+(NB+1)NF+1乘积项)项开始，去除若干乘积项项，以减少模型项总数NItem。
式(21)为基于底面两圈压力传感器和
Figure BDA0001761592270000102
IM(s)的多项式粮仓储粮数量检测模型。根据IM(s)项的特点，该模型适用于小麦等流动性较高的粮食粮仓储粮数量检测。
6、建模方法
对于式(21)所示的基于底面两圈压力传感器和
Figure BDA0001761592270000103
IM(s)的多项式粮仓储粮数量检测模型，由式(4)至(23)可以看出，式(21)所示的粮仓储粮数量检测模型建模参数包括
Figure BDA0001761592270000104
项的最大阶数NB、IM(s)项的最大阶数NF、模型项总数NItem、IM(s)项参数KSD、内圈压力传感器点去除阈值系数TSD、外圈压力传感器点去除阈值系数CTSD以及多项式项系数aB(m)和aF(n,m)等建模参数。令：
CR＝(NB,NF,NItem,KSD,TSD,CTSD) (24)
其中，CR为参数组。
从式(21)可以看出，若给定参数组CR的取值，则aB(m)和aF(n,m)可利用多元线性回归方法获得。因此参数组CR优化问题是式(21)建模的关键问题。
对于给定的样本集
Figure BDA0001761592270000105
其中，k为样本点号，k＝1,2,3,...,M，M为样本个数；
Figure BDA0001761592270000106
为第k个样本点的内圈压力传感器输出值序列，i＝1,2,...,NI，NI为内圈压力传感器个数；
Figure BDA0001761592270000107
为第k个样本点的外圈压力传感器输出值序列，j＝1,2,...,NO，NO为外圈压力传感器个数；Wk为样本点k的实际进粮重量，
Figure BDA0001761592270000108
为相应的粮仓底面面积。
将样本集S分为三个部分，分别作为多元回归样本集SM、参数优化样本集SO与测试样本集ST。通过多元回归样本集SM样本与参数优化样本集SO样本的不同，以避免模型过学习，提高模型的泛化能力。当样本数小时，将样本集S分为两个部分，一部分同时作为多元回归样本集SM和参数优化样本集SO，另外部分作为测试样本集ST。
式(21)所示的基于底面两圈压力传感器和
Figure BDA0001761592270000111
IM(s)的多项式粮仓储粮数量检测模型建模优化可表示为下式所示的百分比误差的最小化问题：
Figure BDA0001761592270000112
其中，E(CR,aB(m),aF(n,m))为建模优化误差；参数组CR以及aB(m)和aF(n,m)为优化参数；
Figure BDA0001761592270000113
为式(21)所示的样本点k的粮仓储粮数量检测模型的粮堆重量计算值；Wk为样本点k的实际储粮重量。
实际优化计算表明，由于参数组CR的特性，使得式(25)成为很强的非凸的最优化问题。下面讨论具体优化方法。
通过分析可以看出，可将式(21)所示的基于底面两圈压力传感器和
Figure BDA0001761592270000114
IM(s)的多项式粮仓储粮数量检测模型建模优化问题分解为两个优化问题。
第一个优化问题是给定参数组CR具体取值的多元线性回归问题，回归误差模型如下式所示：
Figure BDA0001761592270000115
其中，
Figure BDA0001761592270000116
为给定参数组CR的样本点k的粮仓储粮数量检测模型的计算值，粮仓储粮数量检测模型如式(21)所示；ER(CR)为回归百分比误差。
第二个优化问题是基于式(26)多元线性回归的参数组CR中所有参数的优化问题，如下式所示：
Figure BDA0001761592270000121
其中，
Figure BDA0001761592270000122
为给定参数组CR具体取值，通过式(26)的多元线性回归获得aB(m)和aF(n,m)的最优值；
Figure BDA0001761592270000123
为基于给定CR以及
Figure BDA0001761592270000124
的样本点k的粮仓储粮数量检测模型的计算值，粮仓储粮数量检测模型如式(21)所示；E(CR)为CR优化误差。
因此，可以看出，对于式(21)所示的基于底面两圈压力传感器和
Figure BDA00017615922700001221
IM(s)的多项式粮仓储粮数量检测模型建模优化问题，可以通过上述两个优化问题的结合来实现。由于式(27)具有很强的非凸的最优化特性，本研究采用可行域内全局搜索方法实现参数组CR中的参数的优化。下面讨论的具体的优化方法。
设定NB取值范围为[1,MaxNB]，NF取值范围为[1,MaxNF]，模型项总数NItem选择范围为[1,NB+(NB+1)NF]。KSD取值范围为[0,MaxKSD]，TSD取值范围为[MinTSD,MaxTSD]，CTSD取值范围为[MinCTSD,MaxCTSD]。一般取MinTSD和MinCTSD为0.4，取MaxNB和MaxNF为6，取MaxKSD和MaxTSD为4，取MaxCTSD为2。对于各参数取值范围，按一定间隔均匀选取若干个取值点，由这些取值点的不同组合，可构建参数组CR的不同取值，并由参数组CR的不同取值构成CR的取值集合
Figure BDA0001761592270000125
对于集合
Figure BDA0001761592270000126
的任一元素
Figure BDA0001761592270000127
其中
Figure BDA0001761592270000128
Figure BDA0001761592270000129
为集合
Figure BDA00017615922700001210
第i个元素
Figure BDA00017615922700001211
的参数NB、NF、NItem、KSD、TSD、CTSD的相应取值，
Figure BDA00017615922700001212
为集合
Figure BDA00017615922700001213
中元素个数，利用式(26)所示优化模型优化，并使：
Figure BDA00017615922700001214
其中，
Figure BDA00017615922700001215
为参数组CR在集合
Figure BDA00017615922700001216
所有元素中的最优值；
Figure BDA00017615922700001217
为集合
Figure BDA00017615922700001218
第i个元素
Figure BDA00017615922700001219
相应的aB(m)和aF(n,m)的最优值。
具体的优化算法如算法1所示。
算法1基于底面两圈压力传感器和
Figure BDA00017615922700001220
IM(s)的多项式粮仓储粮数量检测模型建模优化算法
输入：参数组CR的各参数取值点个数与取值；
参数优化样本SO和多元回归样本集SM。
输出：参数组CR的各参数以及回归系数aB(m)和aF(n,m)的最优值。
1)由参数组CR的各参数的不同取值组合构造取值集合
Figure BDA0001761592270000131
2)i＝1。
3)若
Figure BDA0001761592270000132
则转5)，否则从取值集合
Figure BDA0001761592270000133
中按序取出第i组取值组合
Figure BDA0001761592270000134
i＝i+1。
4)对于取值组合
Figure BDA0001761592270000135
利用式(26)进行多元线性回归，求出取值组合
Figure BDA0001761592270000136
相应aB(m)和aF(n,m)的最优值
Figure BDA0001761592270000137
并由式(27)求出取值组合
Figure BDA0001761592270000138
相应的优化误差
Figure BDA0001761592270000139
保存取值组合
Figure BDA00017615922700001310
以及相应的
Figure BDA00017615922700001311
和
Figure BDA00017615922700001312
转3)。
5)若
Figure BDA00017615922700001313
则输出
Figure BDA00017615922700001314
以及相应的最优值
Figure BDA00017615922700001315
并退出。
上述利用多元回归样本SM、参数优化样本SO进行建模的方法，将有助于降低式(21)所示模型的多项式最大阶数和模型项总数，有助于实现模型的结构风险最小化，提高模型的泛化能力。
计算机根据对压力传感器的检测结果及粮仓底面积的相关参数的采集，利用式(21)的模型，能够很容易的计算出对应粮仓的储粮数量。
另外，对于流动性较低的稻谷等粮堆，采用下式所示的IM(s)构造侧面单位面积平均摩擦力
Figure BDA00017615922700001316
的估计：
Figure BDA00017615922700001317
7、检测实例与结果分析
7.1检测实例1
实验所采用的平房仓长9m，宽4.2m，面积为37.8m2，CB/AB＝0.698。粮仓均属于小型粮仓，CB/AB相对较大。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6个，外圈16个，共22个压力传感器。小麦粮堆高度约6米，进粮时每1米取一次数据，重复5次实验共获得30个样本。
对于式(21)所示的基于底面两圈压力传感器和
Figure BDA0001761592270000141
IM(s)的多项式粮仓储粮数量检测模型，将全部30个样本作为建模样本。优化后的建模参数如表1所示，获得的参数如表2和3-1、3-2所示。粮仓储粮重量计算误差如图6所示，最大百分比误差为1.956E-5％。
表1优化后的建模参数
Figure BDA0001761592270000142
表2模型系数aB(m)
Figure BDA0001761592270000143
表3-1模型系数aF(n,m)
Figure BDA0001761592270000144
表3-2模型系数aF(n,m)
Figure BDA0001761592270000151
对于式(21)所示的基于底面两圈压力传感器和
Figure BDA0001761592270000152
IM(s)的多项式粮仓储粮数量检测模型，以实验2的7至12号样本作为测试样本，利用实验3的13至18号样本作为参数优化样本，其余18个样本作为建模样本。优化后的建模参数如表4所示，获得的参数如表5和6所示。粮仓储粮重量计算误差如图7所示，最大测试百分比误差为2.29％。由于建模样本过少，使得最大测试误差较大，如果增大建模样本数量，则可进一步减少预测误差。
表4优化后的建模参数
Figure BDA0001761592270000153
表5模型系数aB(m)
Figure BDA0001761592270000154
表6模型系数aF(n,m)
Figure BDA0001761592270000155
7.2检测实例2
对于山东齐河粮库、武汉粮库、广东新安粮库的3个小麦平房仓，储粮重量分别为2220.253吨、4441吨和3236吨。从检测数据中选取351个样本。取240个样本同时作为多元回归样本和参数优化样本，其它作为测试样本。对于式(21)所示的基于底面两圈压力传感器和
Figure BDA0001761592270000161
IM(s)的多项式粮仓储粮数量检测模型，优化后的建模参数如表7所示，获得的参数如表8和9-1、9-2所示。建模样本的粮仓储粮重量计算误差如图8所示，所有样本的粮仓储粮重量计算误差如图9所示。从这些结果中可以看出，建模样本和测试样本的粮仓储粮重量计算误差均小于0.131％。
表7优化后的建模参数
Figure BDA0001761592270000162
表8模型系数aB(m)
Figure BDA0001761592270000163
表9-1模型系数aF(n,m)
Figure BDA0001761592270000164
表9-2模型系数aF(n,m)
Figure BDA0001761592270000165
本发明所提出的基于底面两圈压力传感器输出值标准差的粮仓储粮数量检测模型与粮仓重量检测方法可按图10所示的实施方式实施，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
平房仓传感器布置如图1所示，筒仓如图2所示，底面压力传感器按外圈和内圈两圈布置，外圈压力传感器均与侧面墙距离为d＞0且d＜1米，内圈压力传感器均与侧面墙距离D＞2米。两圈压力传感器个数均为6-10，传感器间距应不小于1m。
3)系统标定与模型建模
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，则在多于6个粮仓中布置压力传感器，进粮至满仓，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
Figure BDA0001761592270000171
其中，k为样本点号，k＝1,2,3,...,M，M为样本个数；
Figure BDA0001761592270000172
为第k个样本点的内圈压力传感器输出值序列，i＝1,2,...,NI，NI为内圈压力传感器个数；
Figure BDA0001761592270000173
为第k个样本点的外圈压力传感器输出值序列，j＝1,2,...,NO，NO为外圈压力传感器个数；Wk为样本点k的实际进粮重量，
Figure BDA0001761592270000174
为相应的粮仓底面面积。
将样本集S分为三个部分，分别作为多元回归样本集SM、参数优化样本集SO与测试样本集ST。通过多元回归样本集SM样本与参数优化样本集SO样本的不同，以避免模型过学习，提高模型的泛化能力。当样本数较少时，将样本集S分为两个部分，一部分同时作为多元回归样本集SM和参数优化样本集SO，另外部分作为测试样本集ST。
设定NB取值范围为[1,MaxNB]，NF取值范围为[1,MaxNF]，模型项总数NItem选择范围为[1,NB+(NB+1)NF]。KSD取值范围为[0,MaxKSD]，TSD取值范围为[MinTSD,MaxTSD]，CTSD取值范围为[MinCTSD,MaxCTSD]。一般取MinTSD和MinCTSD为0.4，取MaxNB和MaxNF为6，取MaxKSD和MaxTSD为4，取MaxCTSD为2。对于各参数取值范围，按一定间隔均匀选取若干个取值点，由这些取值点的不同组合，可构建参数组CR的不同取值，并由参数组CR的不同取值构成CR的取值集合
Figure BDA0001761592270000181
按算法1所示的优化方法求出式(21)所示的粮仓储粮数量检测模型的所有参数。
算法1基于底面两圈压力传感器和
Figure BDA0001761592270000182
IM(s)的多项式粮仓储粮数量检测模型建模优化算法
输入：参数组CR的各参数取值点个数与取值；
参数优化样本SO和多元回归样本集SM。
输出：参数组CR的各参数以及回归系数aB(m)和aF(n,m)的最优值。
1))由参数组CR的各参数的不同取值组合构造取值集合
Figure BDA0001761592270000183
2))i＝1。
3))若
Figure BDA0001761592270000184
则转5))，否则从取值集合
Figure BDA0001761592270000185
中按顺序取出第i组取值组合
Figure BDA0001761592270000186
i＝i+1。
4))对于取值组合
Figure BDA0001761592270000187
利用式(26)进行多元线性回归，求出取值组合
Figure BDA0001761592270000188
相应aB(m)和aF(n,m)的最优值
Figure BDA0001761592270000189
并由式(27)求出取值组合
Figure BDA00017615922700001810
相应的优化误差
Figure BDA00017615922700001811
保存取值组合
Figure BDA00017615922700001812
以及相应的
Figure BDA00017615922700001813
和
Figure BDA00017615922700001814
转3))。
5))若
Figure BDA00017615922700001815
则输出
Figure BDA00017615922700001816
以及相应的最优值
Figure BDA00017615922700001817
并退出。
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值并利用式(21)所示模型进行粮仓储粮数量检测。
除了上述介绍的基于底面两圈压力传感器的粮仓储粮数量检测模型，还可将本发明的方法应用于其他粮仓储粮数量检测模型中来，模型中涉及的传感器布置模型并不做限制，可以是底面两圈压力传感器，也可以是底面单圈压力传感器。其中涉及的具体模型项构造、建模方法也可不做限制，可以是如该实施例中介绍的多项式式的构造方法，也可以是支持向量机式的构造方法，还可以是Janssen式的构造方法。
另外，还可将该方法应用于其他现有技术的基于压力传感器来检测粮仓储粮数量中来，例如，授权公告号为CN104331038B的中国发明专利、授权公告号为CN104296846B的中国发明专利等的粮仓储粮重量检测。将其中检测的压力传感器输出值按照本发明的方法进行去除，将去除后的输出值用于计算粮仓储粮数量，以减少传感器波动性和随机性对粮仓储粮检测精度的影响。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (5)

1.一种粮仓储粮检测方法，其特征在于，包括如下步骤：
检测粮仓中布置的压力传感器的输出值，并将输出值进行预处理；所述预处理包括：保留与传感器输出值的平均值的差在设定范围内的输出值；所述传感器输出值的平均值为传感器输出值的中值及相邻设定数量的输出值的平均值；
将经过预处理的传感器的输出值用于粮仓储粮数量的计算；
其中，所述粮仓的底面的内圈和外圈各设置一圈传感器，分别为内圈压力传感器和外圈压力传感器；计算储粮数量时所采用的粮仓储粮数量模型为：
Figure FDA0003104760970000011
AB为粮堆底面面积，
Figure FDA0003104760970000012
为粮堆底面压强均值，Kc为模型参数，Kc＝CB/AB，CB为粮堆底面周长，H为粮堆高度，
Figure FDA0003104760970000013
为粮堆侧面单位面积平均摩擦力；
而且利用如下公式计算得到
Figure FDA0003104760970000014
估计
Figure FDA0003104760970000015
Figure FDA0003104760970000016
bF(n)为
Figure FDA0003104760970000017
估计项的系数，n＝0,...,NF，NF为
Figure FDA0003104760970000018
估计的多项式阶数，IM(s)为基于内外两圈压力传感器输出值标准差的粮堆侧面单位面积平均摩擦力
Figure FDA0003104760970000019
的估计项，具体为：
Figure FDA00031047609700000110
或者
Figure FDA00031047609700000111
Figure FDA00031047609700000112
为预处理后的内圈压力传感器输出值均值，
Figure FDA00031047609700000113
为预处理后的外圈压力传感器输出值均值，SDMed(sInner)为预处理后的内圈压力传感器输出值标准差，SDMed(sOuter)为预处理后的外圈压力传感器输出值标准差，KSD为预设调整系数。
2.根据权利要求1所述的粮仓储粮检测方法，其特征在于，所述设定范围与传感器输出值的标准差相关。
3.根据权利要求2所述的粮仓储粮检测方法，其特征在于，所述设定范围的范围值与传感器输出值的标准差成比例关系。
4.根据权利要求2所述的粮仓储粮检测方法，其特征在于，根据传感器输出值与所述传感器输出值的平均值来计算得到所述传感器输出值的标准差：
Figure FDA0003104760970000021
其中，SD(s)为所述传感器输出值的标准差，N为传感器个数，Q(S(i))为传感器输出序列，
Figure FDA0003104760970000022
为所述传感器输出值的中值及相邻设定数量的输出值的平均值。
5.一种粮仓储粮检测系统，其特征在于，包括处理器，所述处理器用于执行指令实现如权利要求1～4任一项所述的方法。
CN201810910165.0A 2018-08-10 2018-08-10 一种粮仓储粮检测方法及系统 Active CN110823334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810910165.0A CN110823334B (zh) 2018-08-10 2018-08-10 一种粮仓储粮检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810910165.0A CN110823334B (zh) 2018-08-10 2018-08-10 一种粮仓储粮检测方法及系统

Publications (2)

Publication Number Publication Date
CN110823334A CN110823334A (zh) 2020-02-21
CN110823334B true CN110823334B (zh) 2021-08-27

Family

ID=69541399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810910165.0A Active CN110823334B (zh) 2018-08-10 2018-08-10 一种粮仓储粮检测方法及系统

Country Status (1)

Country Link
CN (1) CN110823334B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907481A (zh) * 2010-07-29 2010-12-08 河南工业大学 基于压力传感器的粮仓储粮数量检测方法
CN203178025U (zh) * 2013-01-31 2013-09-04 王录民 一种压力传感器
CN104296846A (zh) * 2014-04-03 2015-01-21 河南工业大学 粮仓及其基于最佳底面压强测量点的储粮重量检测系统
CN106017625A (zh) * 2015-08-25 2016-10-12 张雪 粮仓储粮数量的检测方法及压力传感器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865683A (zh) * 2015-01-23 2016-08-17 航天长征火箭技术有限公司 粮仓压力感应系统、粮仓储量在线监测及预警系统
CN105387913B (zh) * 2015-11-11 2018-07-03 河南工业大学 基于指数关系和支持向量回归的粮仓重量检测方法及装置
CN105424249B (zh) * 2015-11-11 2018-01-02 河南工业大学 一种粮仓储粮状态的检测方法及其装置
CN107843321A (zh) * 2017-10-18 2018-03-27 河南工业大学 基于三维力传感器的粮仓储粮数量检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907481A (zh) * 2010-07-29 2010-12-08 河南工业大学 基于压力传感器的粮仓储粮数量检测方法
CN203178025U (zh) * 2013-01-31 2013-09-04 王录民 一种压力传感器
CN104296846A (zh) * 2014-04-03 2015-01-21 河南工业大学 粮仓及其基于最佳底面压强测量点的储粮重量检测系统
CN106017625A (zh) * 2015-08-25 2016-10-12 张雪 粮仓储粮数量的检测方法及压力传感器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Method to Detect Granary Storage Weight Based on the Janssen Model;ZHANG Dexian等;《Grain & Oil Science and Technology》;20180131(第01期);全文 *
围包散装储粮堆垛结构稳定性试验研究;韩阳等;《粮食科技与经济》;20160501(第04期);全文 *
基于SVR的粮仓储粮重量在线检测模型;张德贤等;《电子学报》;20180515(第05期);全文 *

Also Published As

Publication number Publication date
CN110823334A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN104331591B (zh) 基于支持向量回归的粮仓储粮数量检测方法
CN110823340B (zh) 基于底面两圈标准差多项式模型的粮仓检测方法及系统
CN101907481B (zh) 基于压力传感器的粮仓储粮数量检测方法
CN105424148B (zh) 基于多项式的支持向量回归粮仓储粮重量检测方法及装置
CN105424147B (zh) 基于粮堆高度与底面压强关系的粮仓重量检测方法及装置
CN105387919B (zh) 一种基于Janssen模型的支持向量回归粮仓重量检测方法及装置
CN105403294A (zh) 基于多项式展开的粮仓储粮重量检测方法及其装置
CN108180947B (zh) 一种不规则散堆状运动物料品质的综合评价方法
CN110823334B (zh) 一种粮仓储粮检测方法及系统
CN110823348B (zh) 基于底面两圈标准差svm模型的粮仓检测方法及系统
CN105352571B (zh) 一种基于指数关系估计的粮仓重量检测方法及装置
CN108519171B (zh) 一种仓储谷物粮情的判定方法
CN110823335B (zh) 基于底面单圈标准差多项式模型的粮仓检测方法及系统
CN110823347B (zh) 基于底侧面两圈标准差多项式模型的粮仓检测方法及系统
CN110823338B (zh) 基于底面单圈标准差对数模型的粮仓检测方法及系统
CN110823346B (zh) 基于底面单圈标准差指数模型的粮仓检测方法及系统
CN110823342B (zh) 基于侧面单圈标准差多项式模型的粮仓检测方法及系统
CN110823344B (zh) 基于底面两圈标准差svm对数模型的粮仓检测方法及系统
CN110823345B (zh) 基于底面两圈标准差svm指数模型的粮仓检测方法及系统
CN110823341B (zh) 基于侧面两圈标准差多项式模型的粮仓检测方法及系统
CN111721448B (zh) 基于底面压强统计量与储量方程的粮仓检测方法及装置
CN111693182B (zh) 基于底面两圈压强对数模型的粮仓储量检测方法和装置
CN111695266A (zh) 基于底面压强偏态统计量的粮仓储量检测方法及装置
CN110823337B (zh) 基于底面单圈压力传感器的粮仓状态检测方法及系统
CN105424249A (zh) 一种粮仓储粮状态的检测方法及其装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant