CN114298101A - 一种动态称重方法及系统 - Google Patents
一种动态称重方法及系统 Download PDFInfo
- Publication number
- CN114298101A CN114298101A CN202111616609.8A CN202111616609A CN114298101A CN 114298101 A CN114298101 A CN 114298101A CN 202111616609 A CN202111616609 A CN 202111616609A CN 114298101 A CN114298101 A CN 114298101A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- dynamic
- layer
- filter
- 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.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种动态称重方法及系统,属于测量技术领域,解决现有方法存在振动干扰和温度漂移的问题。该方法包括:获取振动信号和温度信号,其中,利用小波包特征提取的方法获得所述振动信号的浅层特征信号;建立神经网络并利用历史振动信号和历史温度信号训练所述神经网络以生成神经网络模型;将当前浅层特征信号和当前温度信号输入所述神经网络模型以对动态滤波器参数进行动态调整;以及基于所述动态滤波器参数生成获取动态滤波器,并将压力信号输入所述动态滤波器以获得动态称重结果。将压力传感器采集到的信号通过具有可变滤波器参数的自适应滤波器后,最终得到准确的克服振动干扰且带有温度补偿的称重结果,进而加快动态称重速度。
Description
技术领域
本发明涉及测量技术领域,尤其涉及一种动态称重方法及系统。
背景技术
随着现代人们生活质量的提高和对效率的追求,动态称重的应用场景越来越多,例如高速入口实现货车不停车收费,首先就要实现不停车载重检测,也就是对汽车重量的动态测量,再例如在快递行业,如今的分拣中心全部都是流水线式的全自动分拣,这离不开对包裹重量的动态测量,如果使用以往的静态测量,会极大的降低了分拣效率。动态称重较静态称重实施难度大,成本高。在动态称重过程中,存在着大量的干扰因素,例如传送带的振动、环境的干扰等等,因此需要选择特殊的精密传感器来解决上述问题,但这些特殊的动态称重传感器的成本十分高昂,因此设计一套能够通过软件算法来克服振动干扰和环境干扰的方法就非常有必要。
目前克服动态称重干扰的方法主要有三类,一种是通过改进机械结构以及传感器结构,另一种是通过常规的滤波器结构来实现,第三种是通过滤波电路来实现。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种动态称重方法及系统,用以解决现有方法存在振动干扰和温度漂移的问题。
一方面,本发明实施例提供了一种动态称重方法,包括:获取振动信号和温度信号,其中,利用小波包特征提取的方法获得所述振动信号的浅层特征信号;建立神经网络并利用历史振动信号和历史温度信号训练所述神经网络以生成神经网络模型;将当前浅层特征信号和当前温度信号输入所述神经网络模型以对动态滤波器参数进行动态调整;以及基于所述动态滤波器参数生成获取动态滤波器,并将压力信号输入所述动态滤波器以获得动态称重结果。
上述技术方案的有益效果如下:通过神经网络模型来动态调整滤波器参数,其中,滤波器参数随着振动传感器、温度传感器信号的变化而变化以去除动态变化的振动信号和温度漂移的干扰。将压力传感器采集到的信号通过具有可变滤波器参数的自适应滤波器后,最终得到准确的克服振动干扰且带有温度补偿的称重结果,进而加快动态称重速度。
基于上述方法的进一步改进,所述滤波器参数随着振动传感器实时采集的当前振动信号的变化而变化;以及所述滤波器参数随着温度传感器实时采集的当前温度信号的变化而变化。
基于上述方法的进一步改进,利用小波包特征提取的方法获得所述振动信号的浅层特征信号进一步包括:使用正系数小波滤波器,对所述历史振动信号进行采样、小波包变换,以获得树状结构的小波包系数;使用信息熵代价函数来选取最佳基;对所述最佳基进行归一化处理并采用重构算法得到重构信号;以及基于所述重构信号计算相应的能量值信号,其中,所述能量值信号为所述浅层特征信号。
基于上述方法的进一步改进,所述神经网络模型为并行3层神经网络模型,其中,建立神经网络并利用历史振动信号和历史温度信号训练所述神经网络以生成神经网络模型进一步包括:将所述历史浅层特征信号与所述历史温度信号的数据划分为训练集和测试集;以及根据所述训练集对并行3层神经网络进行训练,以生成所述并行3层神经网络模型;将所述测试集输入并行3层神经网络模型,以获得动态滤波器参数。
基于上述方法的进一步改进,根据所述训练集对并行3层神经网络进行训练,以获得所述并行3层神经网络模型进一步包括:将历史浅层特征信号输入所述并行3层神经网络模型的振动信号支路以及将所述历史温度信号输入所述并行3层神经网络模型的温度信号支路;将所述振动信号支路的输出和所述温度信号支路的输出经过池化层后合并为多维向量;将所述多维向量作为第三层卷积层的输入;以及将所述第三层卷积层的输出顺序输入两个全连接层和激活函数以获得所述并行3层神经网络模型。
基于上述方法的进一步改进,基于所述动态滤波器参数生成获取动态滤波器,并将压力信号输入所述动态滤波器以获得动态称重结果进一步包括:基于所述动态滤波器参数生成有限长冲激响应滤波器;以及将压力传感器实时采集的压力信号输入所述有限长冲激响应滤波器进行滤波以实时生成动态重量值。
基于上述方法的进一步改进,在根据所述训练集对并行3层神经网络进行训练的过程中进一步包括:计算由所述有限长冲激响应滤波器输出的动态重量值和期望重量值之间的误差;根据所述误差以随机梯度下降的方式调整各权重参数;以及当所述误差不在所述误差要求的范围内时,重复训练所述并行3层神经网络直到所述误差在所述误差要求的范围内,并存储所述权重参数和所述动态重量值。
基于上述方法的进一步改进,将振动传感器设置在传送带或称重台的表面上;将所述压力传感器和所述温度传感器组成传感器对,其中,将多个传感器对设置在所述传送带或所述称重台的底面上。
另一方面,本发明实施例提供了一种动态称重系统,包括:信号采集模块,用于采集振动信号、温度信号和压力信号;特征预提取模块,用于利用小波包特征提取的方法获得所述振动信号的浅层特征信号;神经网络训练模块,用于建立神经网络并利用历史振动信号和历史温度信号训练所述神经网络以生成神经网络模型;动态滤波器参数生成模块,用于将当前浅层特征信号和当前温度信号输入所述神经网络模型以对动态滤波器参数进行动态调整;以及动态滤波器,用于基于所述动态滤波器参数生成获取动态滤波器,并将压力信号输入所述动态滤波器以获得动态称重结果。
基于上述系统的进一步改进,所述滤波器参数随着振动传感器实时采集的振动信号的变化而变化;以及所述滤波器参数随着温度传感器实时采集的温度信号的变化而变化。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、本发明能够实现在复杂环境下的高精度动态称重,由于在该方法中神经网络模型的应用,使该系统具有了一定的自主学习能力,能够在复杂多变的情况下,通过该方法对获取的数据进行计算,从而能够快速的取得较精准的测量结果。
2、通过神经网络模型来动态调整滤波器参数,其中,滤波器参数随着振动传感器、温度传感器信号的变化而变化。
3、将压力传感器采集到的信号通过滤波器后,最终得到准确的克服振动干扰且带有温度补偿的称重结果,进而加快动态称重速度。
本发明能够实现在复杂环境下的高精度动态称重,由于在该方法中神经网络模型的应用,使该系统具有了一定的自主学习能力,能够在复杂多变的情况下,通过该方法对获取的数据进行计算,从而能够快速的取得较精准的测量结果。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为根据本发明实施例的动态称重方法的流程图。
图2为根据本发明实施例的高精度动态称重方法的流程图。
图3为根据本发明实施例的并行神经网络结构的示意图。
图4为根据本发明实施例的动态滤波器的框图。
图5为根据本发明实施例的动态称重系统的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本发明一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种动态称重方法。参考图1,动态称重方法包括:在步骤S102中,获取振动信号和温度信号,其中,利用小波包特征提取的方法获得振动信号的浅层特征信号;在步骤S104中,建立神经网络并利用历史振动信号和历史温度信号训练神经网络以生成神经网络模型;在步骤S106中,将当前浅层特征信号和当前温度信号输入神经网络模型以对动态滤波器参数进行动态调整;以及在步骤S108中,基于动态滤波器参数生成获取动态滤波器,并将压力信号输入动态滤波器以获得动态称重结果。
与现有技术相比,本实施例提供的动态称重方法中,通过神经网络模型来动态调整滤波器参数,其中,滤波器参数随着振动传感器、温度传感器信号的变化而变化以去除动态变化的振动信号和温度漂移的干扰。将压力传感器采集到的信号通过具有可变滤波器参数的自适应滤波器后,最终得到准确的克服振动干扰且带有温度补偿的称重结果,进而加快动态称重速度。
下文中,将参考图1至图3,对根据本发明的实施例的动态称重方法的各个步骤进行详细描述。
将振动传感器设置在传送带或称重台的表面上;将压力传感器和温度传感器组成传感器对,其中,将多个传感器对设置在传送带或称重台的底面上。
参考图1和图2,在步骤S102中,获取振动信号和温度信号,其中,利用小波包特征提取的方法获得振动信号的浅层特征信号。具体地,利用小波包特征提取的方法获得振动信号的浅层特征信号进一步包括:使用正系数小波滤波器,对历史振动信号进行采样、小波包变换,以获得树状结构的小波包系数;使用信息熵代价函数来选取最佳基(例如,最佳基为8);对最佳基进行归一化处理并采用重构算法得到重构信号;基于重构信号计算相应的能量值信号,其中,能量值信号为浅层特征信号。
在步骤S104中,建立神经网络并利用历史振动信号和历史温度信号训练神经网络以生成神经网络模型。例如,参考图3,神经网络模型为并行3层神经网络模型。建立神经网络并利用历史振动信号和历史温度信号训练神经网络以生成神经网络模型进一步包括:将历史浅层特征信号与历史温度信号的数据划分为训练集和测试集;以及根据训练集对并行3层神经网络进行训练,以生成并行3层神经网络模型;将测试集输入并行3层神经网络模型,以获得动态滤波器参数。根据训练集对并行3层神经网络进行训练,以获得并行3层神经网络模型进一步包括:将历史浅层特征信号输入并行3层神经网络模型的振动信号支路以及将历史温度信号输入并行3层神经网络模型的温度信号支路;将振动信号支路的输出和温度信号支路的输出分别经过池化层后合并为多维向量;将多维向量作为第三层卷积层的输入;以及将第三层卷积层的输出顺序输入两个全连接层和激活函数以获得并行3层神经网络模型。
在步骤S106中,将当前浅层特征信号和当前温度信号输入神经网络模型以对动态滤波器参数进行动态调整。滤波器参数随着振动传感器实时采集的当前振动信号的变化而变化;以及滤波器参数随着温度传感器实时采集的当前温度信号的变化而变化。
在步骤S108中,基于动态滤波器参数生成获取动态滤波器,并将压力信号输入动态滤波器以获得动态称重结果。具体地,基于动态滤波器参数生成获取动态滤波器,并将压力信号输入动态滤波器以获得动态称重结果进一步包括:基于动态滤波器参数生成有限长冲激响应滤波器;以及将压力传感器实时采集的压力信号输入有限长冲激响应滤波器进行滤波以实时生成动态重量值。在动态滤波器使用之前并且神经网络训练器件,调整动态滤波器。具体地,在根据训练集对并行3层神经网络进行训练的过程中进一步包括:计算由有限长冲激响应滤波器输出的动态重量值和期望重量值之间的误差;根据误差以随机梯度下降的方式调整各权重参数;以及当误差不在误差要求的范围内时,重复训练并行3层神经网络直到误差在误差要求的范围内,并存储权重参数和动态重量值。当误差要求的范围减小时,对并行3层神经网络的训练时间增加,动态滤波器的精度提高。当误差要求的范围增大时,对并行3层神经网络的训练时间减少,动态滤波器的精度降低。
本发明的另一个具体实施例,公开了一种动态称重系统。参考图5,根据本发明实施例的动态称重系统包括:信号采集模块502、特征预提取模块504、神经网络训练模块506、动态滤波器参数生成模块508和动态滤波器510。
信号采集模块502用于采集振动信号、温度信号和压力信号,包括采集振动信号的振动传感器、采集温度信号的温度传感器和采集压力信号的压力传感器。特征预提取模块504用于利用小波包特征提取的方法获得振动信号的浅层特征信号。神经网络训练模块506用于建立神经网络并利用历史振动信号和历史温度信号训练神经网络以生成神经网络模型。动态滤波器参数生成模块508用于将当前浅层特征信号和当前温度信号输入神经网络模型以对动态滤波器参数进行动态调整。具体地,滤波器参数随着振动传感器实时采集的振动信号的变化而变化;以及滤波器参数随着温度传感器实时采集的温度信号的变化而变化。动态滤波器510用于基于动态滤波器参数生成获取动态滤波器,并将压力信号输入动态滤波器以获得动态称重结果。
下文中,将参考图1至图3,以具体实例的方式对根据本发明实施例的动态称重方法进行详细描述。
有鉴于此,本申请第一方面提供了一种基于神经网络的高精度动态称重方法,包括:
参考图2,运用振动传感器、温度传感器获取相关数据,通过A/D数模转换器对模拟量进行抽样离散化,以此生成训练集。使用正系数小波滤波器,对所采集到的压力传感器信号和振动传感器信号进行采样、小波包变换,以此获得树状结构的小波包系数。使用信息熵信息代价函数,来选取最佳的基。对所选取的基进行归一化处理并采用重构算法得到重构信号。对重构后的信号计算得到相应的能量值,将这些能量值作为所提取到的特征信号,也称为特征向量。
具体地,获取训练和测试所需要的数据集,可以使用压力传感器对压力信号进行采集得到p(t),使用振动传感器对振动信号进行采集得到z(t),使用温度传感器对温度信号进行采集得到t(t)。将上述信号经过模数转换器后,得到相应的离散时间序列,分别为压力信号序列p(t)、振动信号序列z(n)、温度信号序列t(n),方便计算机的处理。
将振动传感器采集到的振动信号进行3层小波包分解,使用实系数滤波器,{hn}n∈Z,{gn}n∈Z,gn=(-1)nh1-n。通过μ0,μ1,h,g定义的一组小波函数为:
t为时间序列(t为z(n)的n),k为时间序列平移因子。
其中,角下标n为小波层。
通过以下公式对小波分解所得到的系数进行重构:
将小波所提取的浅层特征P作为输入,运用并行3层神经网络提取自适应滤波器的超参数。
将上述特征向量,输入到并行的3层卷积神经网络中的第一层卷积层中,第一层卷积层的输出通过激活函数后作为第二层卷积层的输入。同样,将温度传感器信号,输入到第一层卷积层,第一层卷积层的输出通过激活函数后作为第二层卷积层的输入。将振动信号所在层的第二层卷积层的结果经过激活函数的输出和温度信号所在层的第二层卷积层的结果经过激活函数的输出,分别经过池化层后合并为一个多维向量,将该多维向量作为第三层卷积层的输入,经过卷积层和激活函数后,第三层卷积层的输出经过两个全连接层以及激活函数,从而得到训练所得到的参数作为有限长冲激响应滤波器的参数,将压力传感器信号通过滤波器后,计算滤波器的输出与实际重量值的误差,运用随机梯度下降的方式调整各权重参数,如果不满足误差要求则重复上述步骤继续进行训练,当满足误差要求时输出相应结果并保存相应的权重参数值以及滤波器参数。将压力传感器信号通过滤波器后,最终计算最后的输出与期望值的误差,运用梯度下降的方式调整各权重参数,如果不满足误差要求则重复上述步骤继续进行训练,当满足误差要求时输出相应结果并保存相应的权重参数值。其中,卷积层中的权重向量中的元素以一定概率失活的方式置0,以增强该网络的泛化性。在该网络中的激活函数均为y(x)=max(0,x)。
使用PyTorch深度学习框架搭建神经网络模型。
参考图2和图3,第一层卷积层,将步骤一所提取到的特征向量进行扩充,得到T1×10=[0|P|0],N1×10=[0|Q|0][T1×10,N1×10]作为第一层卷积层的输入数据,使用32组1×3的卷积核w1(卷积核为随机生成)与特征向量T1×10和特征向量N1×10分别卷积,与特征向量T1×10卷积操作后得到的向量为与特征向量N1×10卷积操作后得到的向量为为方便表示,和分别表示W1T和W1N向量对应的m列元素。第一层的输出为和
将W3=[W3T|W3N]生成一个2×4×64的矩阵。
第4层,卷积层,以池化层的输出结果W3作为输入,使用64个2×4的卷积核w4与W3进行卷积。为了方便表示,W3(x,y,z)表示三维矩阵W3的坐标为(x,y,z)的元素,该层的输出表示为
参考图2和图4,将压力传感器采集到的信号通过滤波器后,最终得到准确的克服震动干扰且带有温度补偿的称重结果,进而加快动态称重速度。
考虑今后可以在FPGA等分布式计算设备上实现该算法,滤波器采用非递归型有限长单位冲激响应滤波器结构,该滤波器结构方便在FPGA上实现流水线型结构,能够加快滤波并行处理速度。
得到最终结果后,可以与被测量物体标签一并经过传输系统存储至后台数据库或在可视化系统中进行实时显示。
实现快速动态测量的动态称重系统,包括:信号采集模块,用于采集所需要的压力传感器信号、振动信号以及温度信号,以此生成训练集和时事测量数据。特征预提取模块,用于获得信号的浅层特征,以加速训练,使用正系数小波滤波器,对所采集到的压力传感器信号和振动传感器信号进行采样、小波包变换,以此获得树状结构的小波包系数。使用信息熵信息代价函数,来选取最佳的基。对所选取的基进行归一化处理并采用重构算法得到重构信号,对重构后的信号计算得到相应的能量值。神经网络训练模块,将振动信号通过小波包特征提取到的特征,输入第一层卷积层,第一层卷积层的输出通过函数层后作为第二层卷积层的输入。同样地,将温度传感器信号,输入第一层卷积层,第一层卷积层的输出通过函数层后作为第二层卷积层的输入。将振动信号所在层的第二层卷积层地结果经过激活函数的输出和温度信号所在层的第二层卷积层的结果经过激活函数的输出,将该输出作为池化层的输入向量,经过池化层后将输出合并为一个多维向量,将该多维向量作为第三层卷积层的输入,经过卷积层和激活函数后,第三层卷积层的输出经过两个全连接层以及激活函数,从而得到最终结果。其中,卷积层中的权重向量中的元素以一定概率失活的方式置0,以增强该网络的泛化性。在该网络中的激活函数均为y(x)=max(0,x)。滤波模块,以神经网络训练模块的结果作为参数,以信号采集装置和特征预提取模块获得的数据,经过有限长冲激响应滤波器,得到最终结果。数据传输模块,将滤波器模块的输出传输到数据库,进行储存及后续处理。
系统通过信号采集模块获取相关数据,将信号采集模块获取到的数据作为特征预提取模块的输入得到信号的浅层特征,将提取到的浅层特征作为神经网络训练模块的输入,经过训练得到滤波器参数,将温度传感器、压力传感器的数据,输入到已经调整好参数的滤波器中,经过滤波器后得到最终称重结果。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种动态称重方法,其特征在于,包括:
获取振动信号和温度信号,其中,利用小波包特征提取的方法获得所述振动信号的浅层特征信号;
建立神经网络并利用历史振动信号和历史温度信号训练所述神经网络以生成神经网络模型;
将当前浅层特征信号和当前温度信号输入所述神经网络模型以对动态滤波器参数进行动态调整;以及
基于所述动态滤波器参数生成获取动态滤波器,并将压力信号输入所述动态滤波器以获得动态称重结果。
2.根据权利要求1所述的动态称重方法,其特征在于,
所述滤波器参数随着振动传感器实时采集的当前振动信号的变化而变化;以及
所述滤波器参数随着温度传感器实时采集的当前温度信号的变化而变化。
3.根据权利要求1所述的动态称重方法,其特征在于,利用小波包特征提取的方法获得所述振动信号的浅层特征信号进一步包括:
使用正系数小波滤波器,对所述历史振动信号进行采样、小波包变换,以获得树状结构的小波包系数;
使用信息熵代价函数来选取最佳基;
对所述最佳基进行归一化处理并采用重构算法得到重构信号;
基于所述重构信号计算相应的能量值信号,其中,所述能量值信号为所述浅层特征信号。
4.根据权利要求1所述的动态称重方法,其特征在于,所述神经网络模型为并行3层神经网络模型,其中,建立神经网络并利用历史振动信号和历史温度信号训练所述神经网络以生成神经网络模型进一步包括:
将所述历史浅层特征信号与所述历史温度信号的数据划分为训练集和测试集;以及
根据所述训练集对并行3层神经网络进行训练,以生成所述并行3层神经网络模型;
将所述测试集输入并行3层神经网络模型,以获得动态滤波器参数。
5.根据权利要求4所述的动态称重方法,其特征在于,根据所述训练集对并行3层神经网络进行训练,以获得所述并行3层神经网络模型进一步包括:
将历史浅层特征信号输入所述并行3层神经网络模型的振动信号支路以及将所述历史温度信号输入所述并行3层神经网络模型的温度信号支路;
将所述振动信号支路的输出和所述温度信号支路的输出各自经过池化层后合并为多维向量;
将所述多维向量作为第三层卷积层的输入;以及
将所述第三层卷积层的输出顺序输入两个全连接层和激活函数以获得所述并行3层神经网络模型。
6.根据权利要求5所述的动态称重方法,其特征在于,基于所述动态滤波器参数生成获取动态滤波器,并将压力信号输入所述动态滤波器以获得动态称重结果进一步包括:
基于所述动态滤波器参数生成有限长冲激响应滤波器;以及
将压力传感器实时采集的压力信号输入所述有限长冲激响应滤波器进行滤波以实时生成动态重量值。
7.根据权利要求6所述的动态称重方法,其特征在于,在根据所述训练集对并行3层神经网络进行训练的过程中进一步包括:
计算由所述有限长冲激响应滤波器输出的动态重量值和期望重量值之间的误差;
根据所述误差以随机梯度下降的方式调整各权重参数;以及
当所述误差不在所述误差要求的范围内时,重复训练所述并行3层神经网络直到所述误差在所述误差要求的范围内,并存储所述权重参数和所述动态重量值。
8.根据权利要求1所述的动态称重方法,其特征在于,
将振动传感器设置在传送带或称重台的表面上;
将所述压力传感器和所述温度传感器组成传感器对,其中,将多个传感器对设置在所述传送带或所述称重台的底面上。
9.一种动态称重系统,其特征在于,包括:
信号采集模块,用于采集振动信号、温度信号和压力信号;
特征预提取模块,用于利用小波包特征提取的方法获得所述振动信号的浅层特征信号;
神经网络训练模块,用于建立神经网络并利用历史振动信号和历史温度信号训练所述神经网络以生成神经网络模型;
动态滤波器参数生成模块,用于将当前浅层特征信号和当前温度信号输入所述神经网络模型以对动态滤波器参数进行动态调整;以及
动态滤波器,用于基于所述动态滤波器参数生成获取动态滤波器,并将压力信号输入所述动态滤波器以获得动态称重结果。
10.根据权利要求9所述的动态称重系统,其特征在于,所述滤波器参数随着振动传感器实时采集的振动信号的变化而变化;以及所述滤波器参数随着温度传感器实时采集的温度信号的变化而变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111616609.8A CN114298101A (zh) | 2021-12-27 | 2021-12-27 | 一种动态称重方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111616609.8A CN114298101A (zh) | 2021-12-27 | 2021-12-27 | 一种动态称重方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298101A true CN114298101A (zh) | 2022-04-08 |
Family
ID=80969156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111616609.8A Pending CN114298101A (zh) | 2021-12-27 | 2021-12-27 | 一种动态称重方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298101A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068979A (zh) * | 2023-03-23 | 2023-05-05 | 南京沪江复合材料股份有限公司 | 一种全自动吨袋包装线控制系统 |
-
2021
- 2021-12-27 CN CN202111616609.8A patent/CN114298101A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068979A (zh) * | 2023-03-23 | 2023-05-05 | 南京沪江复合材料股份有限公司 | 一种全自动吨袋包装线控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN110543860B (zh) | 基于tjm迁移学习的机械故障诊断方法及系统 | |
CN109190464B (zh) | 一种变工况下基于迁移学习的机械故障智能诊断方法 | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
CN113865859B (zh) | 多尺度多源异构信息融合的齿轮箱状态故障诊断方法 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
CN113033309A (zh) | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN113255437A (zh) | 滚动轴承深度卷积稀疏自动编码器故障诊断方法 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN111351665A (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
CN114298101A (zh) | 一种动态称重方法及系统 | |
CN112241937A (zh) | 一种基于神经网络的高光谱图像重构方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
Shibi et al. | Deep learning based Rice plant Disease Identification with Transfer learning | |
CN113221996A (zh) | 一种基于多头注意力机制的轴承故障诊断方法及系统 | |
CN116312860B (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN113361782A (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN112146880A (zh) | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 | |
CN115900802A (zh) | 一种多类型传感器通用动态补偿方法 | |
CN113743297A (zh) | 基于深度学习的储罐穹顶位移数据修复方法及装置 | |
CN113688773A (zh) | 一种基于深度学习的储罐穹顶位移数据修复方法及其装置 |
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 |