CN117614417B - 一种差分式感知的传感器数据自适应滤波处理方法 - Google Patents
一种差分式感知的传感器数据自适应滤波处理方法 Download PDFInfo
- Publication number
- CN117614417B CN117614417B CN202410091071.0A CN202410091071A CN117614417B CN 117614417 B CN117614417 B CN 117614417B CN 202410091071 A CN202410091071 A CN 202410091071A CN 117614417 B CN117614417 B CN 117614417B
- Authority
- CN
- China
- Prior art keywords
- data
- weight
- weighing sensor
- unmanned aerial
- aerial vehicle
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 52
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000005303 weighing Methods 0.000 claims abstract description 66
- 230000003044 adaptive effect Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 30
- 239000000463 material Substances 0.000 description 23
- 230000000694 effects Effects 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 14
- 238000010899 nucleation Methods 0.000 description 8
- 238000009331 sowing Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 240000001931 Ludwigia octovalvis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052956 cinnabar Inorganic materials 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0067—Means or methods for compensation of undesirable effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
- H03H2021/0045—Equation error
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明公开一种差分式感知的传感器数据自适应滤波处理方法,应用于农用无人机料箱余量的检测,包括以下步骤:获取主称重传感器和噪声称重传感器的数据;初始化自适应滤波器的权值;将噪声称重传感器的数据作为输入信号送入自适应滤波器进行调整,根据当前的权值和输入信号,计算出自适应滤波器的输出信号;将主称重传感器的数据作为期望信号,将输出信号和期望信号进行比较,计算出差值;根据差值,调整自适应滤波器的权值;对输出信号进行平滑处理,得到精确数据。该方法通过获取农用无人机料箱余量的数据,对数据进行滤波和差分处理,能有效降低农用无人机在作业中振动噪声对数据的干扰,提高了数据测量的准确性,进而提高了检测精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种差分式感知的传感器数据自适应滤波处理方法。
背景技术
传感器是接收信号或刺激并反应的器件,能将待测物理量或化学量转换成另一对应输出的装置。传感器在测量的过程中,容易受到环境的影响,从而导致测量结果不准确,因此需要对传感器所测量的数据进行处理,以消除环境造成的影响。
在农用无人机料箱余量的检测中,农用无人机需要通过料箱中是否还有余量来判断是否继续进行当前的作业,也需要通过料箱余量的变化情况来确认当前作业情况是否准确。因此,准确地检测农用无人机料箱余量情况对提高农用无人机的作业精度有着至关重要的意义。
早期的农用无人机主要通过间接法对料箱中颗粒物料进行余量监测,即通过播量与电机转速的关系曲线得出当前的播量,进而计算余量。间接法的监测精度很大程度上取决于校准的准确度,若校准后播量不准确,则累计的误差很大,另外间接法难以实现准确的缺料报警。
为实现缺料报警,现有技术中采用缺料检测机构进行缺料检测,撒播时,电机运转并带动从动件运动,通过霍尔元件检测从动件上的磁体,有物料时,从动件在阻力作用下减速运动或停止运动,此时产生有料信号;无物料时,从动件匀速运动,此时产生缺料信号。该缺料检测机构适用于带有搅拌装置的撒播器,正常工作时能够准确判断是否缺料,但从动件易被颗粒残渣和灰尘堵塞,从而造成缺料信号不准确。除此之外,还可以采用缺料传感器进行检测,缺料传感器安装于种箱舱门附近,有料时输出高电平,无料时输出低电平。上述两种结构方式局限于监测物料的有无,难以准确测量物料的具体剩余量,因此,只适合作为余量监测的辅助手段。
称重传感器由于具有便于安装、易于使用、测量结果较可靠等优点,逐渐被应用于农用无人机领域,直接采用称重传感器检测农用无人机料箱的余量,解决物料余量监测的问题。称重传感器虽然可以直接获取料箱中物料的重量,但是,在农用无人机飞行作业过程中,农用无人机容易发生机械振动,机械振动易对称重传感器造成影响,导致称重数据不稳定,对料箱余量的检测精度低。
发明内容
本发明的目的在于克服上述存在的问题,提供一种差分式感知的传感器数据自适应滤波处理方法,该方法通过获取农用无人机料箱余量的数据,对数据进行滤波和差分处理,能有效降低农用无人机在作业中振动噪声对数据的干扰,提高了数据测量的准确性,进而提高了检测精度。
本发明的目的通过以下技术方案实现:
一种差分式感知的传感器数据自适应滤波处理方法,所述传感器数据自适应滤波处理方法应用于农用无人机料箱余量的检测,包括以下步骤:
(S101)数据采样:获取主称重传感器和噪声称重传感器的数据,其中,所述主称重传感器用于测量农用无人机料箱余量的重量,所述噪声称重传感器用于测量配重块的重量;
(S102)初始化权值:初始化自适应滤波器的权值;
(S103)滤波调整:将噪声称重传感器的数据作为输入信号送入自适应滤波器进行调整,根据当前的权值和输入信号,计算出自适应滤波器的输出信号;
(S104)差值计算:将主称重传感器的数据作为期望信号,将输出信号和期望信号进行比较,计算出差值;
(S105)权值调整:根据差值,调整自适应滤波器的权值;
(S106)数据平滑处理:对输出信号进行平滑处理,得到精确数据。
优选地,所述主称重传感器和噪声称重传感器均为称重传感器,所述称重传感器传出的电压信号,经过模拟信号至数字信号的转换,得到数据为称重原始数据;所述精确数据为农用无人机料箱余量的精确值。
优选地,步骤(S101)中,所述主称重传感器和噪声称重传感器均安装在同一农用无人机的机身上,所述噪声称重传感器的受力端固定连接一个恒定重量的配重块。上述结构中,主称重传感器用于直接测量农用无人机料箱的重量,根据农用无人机料箱的重量和农用无人机料箱本身的重量,可直接获得农用无人机料箱余量的重量。
优选地,所述自适应滤波器由有限脉冲响应滤波器构成,该有限脉冲响应滤波器携带权值更新算法;所述自适应滤波器的可调整参数包括阶数和步长因子。
优选地,步骤(S103)中,n时刻作为输入信号的噪声称重传感器的数据和权值计算输出信号的公式为:
;
其中,n为某时刻,x(n)表示为n时刻的输入信号,y(n)表示为n时刻的输出信号,k为阶数,b(k)表示为阶数为k的权值。
优选地,步骤(S104)中,n时刻输出信号和作为期望信号的主称重传感器的数据计算差值的公式为:
;
其中,n为某时刻,e(n)表示为n时刻的差值,d(n)表示为n时刻的期望信号,y(n)表示为n时刻的输出信号。
优选地,步骤(S105)的权值调整中,自适应滤波器权值的调整公式为:
;
其中,b(k)表示为阶数为k的权值,m表示为所述自适应滤波器的步长因子。
优选地,步骤(S106)中,对输出信号依次经过卡尔曼滤波器和滑动平均滤波器进行平滑处理;其中,
所述卡尔曼滤波器的算法执行步骤为:首先对状态变量进行先验估计,并计算先验协方差,接着进行卡尔曼增益的计算,最后进行数据估计和协方差更新;
算法的处理公式为:
;
上述公式中,公式(1)和公式(2)为算法的预测方程,公式(3)、公式(4)和公式(5)为算法的更新方程,其中,表示k时刻的预测状态;/>表示k时刻的观测量;/>表示k时刻外界对系统的控制作用;/>表示k时刻的协方差矩阵;Q表示预测噪声矩阵;R表示测量噪声矩阵;/>表示k时刻的卡尔曼增益;I为单位矩阵;/>表示为对应的先验变量。上述算法执行步骤中,简化了其状态转移矩阵、输入控制矩阵和观测矩阵。
滑动平均滤波器的算法公式为:
;
其中,y(k)为k时刻滑动平均后的数据;x(k)为k时刻输入数据;L为滑动平均滤波的窗口大小。窗口大小L决定了该算法的滤波效果,算法执行时等待L个数据后进行滑动平均的计算,即理论上数据滞后L个数据,L的取值越大,滤波效果越好,但数据延迟时间越长。
优选地,确定所述自适应滤波器的步长因子的具体步骤包括:
(S201)设置不同步长因子水平,不同水平之间差距一致;
(S202)向系统输入阶跃信号,具体操作为:在静置于地面的农用无人机料箱上放置指定重量的重物,待重量数据稳定后,在一瞬间撤去重物的一部分,并以指定采样频率记录不同步长因子对应的数据;
(S203)观察滤波算法的收敛速度,具体方式为:统计不同步长因子下,在撤去部分重物后重量数据由初始值变化到稳定在剩余重量值的延迟时间;
(S204)判断延迟时间是否在可接受的范围内,以此确定自适应滤波器的步长因子。
优选地,步骤(S204)中,延迟时间是否在可接受的范围内的判断标准为:
所述延迟时间小于滤波数据可接受的最大延迟时间;其中,所述最大延迟时间T的计算公式为:
;
其中,D表示为重复或缺漏作业可接受最大距离误差;S表示为按照农用无人机最大飞行速度。延迟时间是否在可接受的范围内的判断标准由农用无人机的实际作业中滤波需求决定;农用无人机料箱余量检测的主要用途是将余量信息展示给农用无人机的操作人员和进行缺料预警,缺料预警结合农用无人机的断点续作功能,实现农用无人机的缺料时及时暂停作业的功能,减少重复和缺漏作业现象。
本发明与现有技术相比具有以下有益效果:
本发明中的传感器数据自适应滤波处理方法,采用噪声称重传感器感知噪声信号,通过将噪声称重传感器的数据作为输入信号送入自适应滤波器进行调整,根据当前的权值和输入信号,计算出自适应滤波器的输出信号;将主称重传感器的数据作为期望信号,将输出信号和期望信号进行比较,计算出差值;根据差值,自动调整自适应滤波器的权值;对输出信号进行平滑处理,从而得到精确数据;能有效降低农用无人机在作业中振动噪声对数据的干扰,提高了数据测量的准确性,从而提高了检测精度。
附图说明
图1为本发明中的传感器数据自适应滤波处理方法的流程图。
图2为本发明中的数据处理的流程图。
图3为本发明中的称重传感器的安装示意图。
图4为本发明中的LMS自适应滤波器的工作原理框图。
图5为试验例1中LMS自适应滤波器的步长因子确定试验结果图。
图6为试验例2中增加卡尔曼滤波后的滤波效果图。
图7为试验例3中增加滑动平均滤波后的滤波效果图。
图8为试验例4中飞行试验的滤波效果图。
图9为试验例5中飞行播种作业试验中的滤波效果图。
具体实施方式
为了使本领域的技术人员很好地理解本发明的技术方案,下面结合实施例和附图对本发明作进一步描述,但本发明的实施方式不仅限于此。
实施例
参见图1-图4,本实施例公开了一种差分式感知的传感器数据自适应滤波处理方法,所述传感器数据自适应滤波处理方法应用于农用无人机料箱4余量的检测,本实施例的传感器数据自适应滤波处理方法可以由农用无人机、农用无人机搭载的一个或者多个处理器、或者与无人机连接的控制终端来执行,以实现如下步骤:
(S101)数据采样:获取主称重传感器1和噪声称重传感器2的数据。
所述主称重传感器1用于测量农用无人机料箱4余量的重量,所述噪声称重传感器2用于测量配重块5的重量。所述主称重传感器1和噪声称重传感器2均为称重传感器,所述称重传感器传出的电压信号,经过模拟信号至数字信号的转换,得到数据为称重原始数据;所述精确数据为农用无人机料箱4余量的精确值。
所述主称重传感器1和噪声称重传感器2均安装在同一农用无人机的机身3上,所述噪声称重传感器2的受力端固定连接一个恒定重量的配重块5。上述结构中,主称重传感器1用于直接测量农用无人机料箱4的重量,根据农用无人机料箱4的重量和农用无人机料箱4本身的重量,可直接获得农用无人机料箱4余量的重量,即通过主称重传感器1测量到的农用无人机料箱4的重量减去农用无人机料箱4本身的重量;主称重传感器1的数据为农用无人机料箱4余量的重量,噪声称重传感器2的数据为配重块5的重量。
(S102)初始化权值:初始化自适应滤波器的权值。
所述自适应滤波器为最小均方(Least Mean Square,LMS)自适应滤波器,LMS自适应滤波器由有限脉冲响应(Finite Impulse Response,FIR)滤波器构成,该有限脉冲响应滤波器携带权值更新算法,LMS自适应滤波器的主要可调整参数为阶数和步长因子;b(k)表示自适应滤波器的k阶权值。
(S103)滤波调整:将噪声称重传感器2的数据作为输入信号送入自适应滤波器进行调整,根据当前的权值和输入信号,计算出自适应滤波器的输出信号。
本实施例中,n时刻作为输入信号的噪声称重传感器2的数据和权值计算输出信号的公式为:
;
其中,n为某时刻,x(n)表示为n时刻的输入信号,y(n)表示为n时刻的输出信号,b(k)表示为阶数为k的权值。
(S104)差值计算:将主称重传感器1的数据作为期望信号,将输出信号和期望信号进行比较,计算出差值。
本实施例中,n时刻输出信号和作为期望信号的主称重传感器1的数据计算误差信号的公式为:
;
其中,n为某时刻,e(n)表示为n时刻的差值,d(n)表示为n时刻的期望信号,y(n)表示为n时刻的输出信号。
(S105)权值调整:根据差值,调整自适应滤波器的权值。
本实施例中,自适应滤波器权值的调整公式为:
;
其中,b(k)表示为阶数为k的权值,m表示为所述自适应滤波器的步长因子,e(n)表示为n时刻的差值。
随着权值的不断调整,输出信号会不断趋向期望信号的真实值。
(S106)数据平滑处理:对输出信号进行平滑处理,得到精确数据。
本实施例中,对经过自适应滤波器预处理后的数据,即输出信号y(n),依次经过卡尔曼滤波器和滑动平均滤波器进行进一步的数据平滑处理,经过平滑处理后,得到精确数据可以更加接近真实值。
在卡尔曼滤波中,所述卡尔曼滤波器的算法执行步骤为:首先对状态变量进行先验估计,并计算先验协方差,接着进行卡尔曼增益的计算,最后进行数据估计和协方差更新;
算法的处理公式为:
;
上述公式中,公式(1)和公式(2)为算法的预测方程,公式(3)、公式(4)和公式(5)为算法的更新方程,其中,表示k时刻的预测状态;/>表示k时刻的观测量;/>表示k时刻外界对系统的控制作用;/>表示k时刻的协方差矩阵;Q表示预测噪声矩阵;R表示测量噪声矩阵;/>表示k时刻的卡尔曼增益;I为单位矩阵;/>表示为对应的先验变量。上述算法执行步骤中,简化了其状态转移矩阵、输入控制矩阵和观测矩阵。
在滑动平均滤波中,滑动平均滤波器的算法公式为:
;
其中,y(k)为k时刻滑动平均后的数据;x(k)为k时刻输入数据;L为滑动平均滤波的窗口大小。窗口大小L决定了该算法的滤波效果,算法执行时等待L个数据后进行滑动平均的计算,即理论上数据滞后L个数据,L的取值越大,滤波效果越好,但数据延迟时间越长。
授权公告号为CN112789976B的发明专利申请公开了一种排射式播种方法及应用该方法的排射式播种无人机,以下试验例均以该发明专利公开的播种无人机样机为例,该播种无人机可进行精准地成行成穴播种,其可以接受的重播漏播最大误差为1 m,按照其最大3 m/s的作业速度计算,滤波数据最大可接受的延迟时间为333 ms,即所述延迟时间应小于333 ms。
试验例1
为验证本实施例的试验效果,示例性地以下述试验进行验证:
本试验例基于上述实施例的基本流程中,所述LMS自适应滤波器的主要参数步长因子m的确定过程。试验地点为广东省广州市天河区华南农业大学风洞实验室,试验设备为授权公告号为CN112789976B的发明专利所公开的一种排射式播种无人机的样机一台,重量为5 kg的重物2件。
样机上所使用的称重传感器为永康市巨实衡器有限公司所生产的2个悬臂梁称重传感器,其参数如表1所示:
表1
名称 | 参数 |
品牌 | 巨实衡器 |
类型 | 悬臂梁称重传感器 |
量程 | 0~20 kg |
激励电压 | 2.5~12 V |
额定输出(灵敏度) | 2 mV/V |
工作温度范围 | -20~60℃ |
激励电源线(输入) | 2条 |
电压信号线(输出) | 2条 |
电压信号 | 模拟信号 |
步长因子是影响LMS自适应滤波器收敛速度的主要参数,主要通过固定LMS自适应滤波器的阶数,改变步长因子的大小,观察数据延迟时间的变化,分析收敛速度来确定;具体步骤包括:
(S201)设置不同步长因子水平,不同水平之间差距一致。
为了确认LMS自适应滤波器一个合适的步长因子,此处设置滤波器的阶数为固定值100,步长因子设置10个水平,范围为0.01~0.1,每个0.01为1个水平。
(S202)向系统输入阶跃信号,具体操作为:在静置于地面的农用无人机料箱4上放置指定重量的重物,待重量数据稳定后,在一瞬间撤去重物的一部分,并以指定采样频率记录不同步长因子对应的数据。
此处先在料箱4上放置2个5 kg共计10 kg的重物,待重量数据稳定后,在一瞬间撤去5 kg重物。
(S203)观察滤波算法的收敛速度,具体方式为:统计不同步长因子下,在撤去部分重物后重量数据由初始值变化到稳定在剩余重量值的延迟时间;记录结果如图5所示。
(S204)判断延迟时间是否在可接受的范围内,以此确定自适应滤波器的步长因子。
由结果可知,随着步长因子的增大,数据的收敛速度加快,步长因子从0.06开始,收敛的增长速度逐渐下降。对延迟时间进一步分析,步长因子为0.06、0.07、0.08、0.09和0.10对应收敛时间分别为294、255、222、216和212 ms,均在可接受的收敛时间范围内(<333ms)。由于步长因子在0.08以后的收敛速度变化不明显,且增大步长因子可能会降低收敛精度,因此步长因子选择0.08较合适。
步骤(S204)中,延迟时间是否在可接受的范围内的判断标准为:
所述延迟时间小于滤波数据可接受的最大延迟时间,则延迟时间在可接受的范围内,否则不在可接受的范围内;其中,所述最大延迟时间T的计算公式为:
;
其中,D表示为重复或缺漏作业可接受最大距离误差;S表示为按照农用无人机最大飞行速度。延迟时间是否在可接受的范围内的判断标准由农用无人机的实际作业中滤波需求决定;农用无人机料箱4余量检测的主要用途是将余量信息展示给农用无人机的操作人员和进行缺料预警,缺料预警结合农用无人机的断点续作功能,实现农用无人机的缺料时及时暂停作业的功能,减少重复和缺漏作业现象。
试验例2
为验证本实施例的试验效果,示例性地以下述试验进行验证:
本试验例基于上述试验例1的设备和地点,以及已经确认的自适应滤波器步长因子进行,为了验证进一步的平滑处理中卡尔曼滤波的效果,在试验例1的基础上增加卡尔曼滤波,R取值1.2,Q取值0.1,重复步骤(S202),记录称重原始数据与依次经过自适应滤波和卡尔曼滤波的数据。
记录结果如图6所示。
由结果可知,LMS自适应滤波后增加卡尔曼滤波,其延迟时间合计约为280 ms,仍满足需求。
试验例3
为验证本实施例的试验效果,示例性地以下述试验进行验证:
本试验例基于上述试验例2的设备和地点,以及已经确认的自适应滤波器步长因子和卡尔曼滤波进行,为了验证进一步的平滑处理中滑动平均滤波的效果,在试验例2的基础上增加滑动平均滤波,窗口大小取值13,重复步骤(S202),记录称重原始数据与依次经过自适应滤波、卡尔曼滤波和滑动平均滤波的数据。
记录结果如图7所示。
由结果可知,依次经过LMS自适应滤波、卡尔曼滤波和滑动平均滤波,其延迟时间合计约为329 ms,满足需求。
试验例4
为验证本实施例的试验效果,示例性地以下述试验进行验证:
本试验例基于上述试验例3的设备、地点和处理方案,在地面控制终端规划飞行航线,使样机沿航线飞行。作业高度设置1.5 m,作业速度设置2 m/s,采用当前处理方案对重量数据进行实时滤波,滤波更新(输出)速率为250 Hz。在样机飞行时记录原始数据和经过处理的数据,以查看其处理效果。
记录结果如图8所示。
由结果可知,处理效果与实际重量偏差小于3%,效果较好。
试验例5
为验证本实施例的试验效果,示例性地以下述试验进行验证:
本试验例基于上述试验例3的设备和处理方案,进行了一次实际的农用无人机田间播种作业试验,试验在广东省广州市增城区朱村镇大岗进行。
试验播种了品种名为粤农丝苗的3倍丸粒化稻种,播种面积0.1906公顷,播种量为150 kg/hm2,无人机飞行高度为1.5 m,飞行速度为2 m/s。
实际播种作业过程中,无人机料箱4中的重量不断变小,记录一个架次的重量原始数据和处理后数据,查看上述处理方法在实际作业过程中的效果。
结果记录如图9所示。
由结果可知,经过所有步骤的处理后,可以得到较好的重量数据(即精确数据)。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种差分式感知的传感器数据自适应滤波处理方法,所述传感器数据自适应滤波处理方法应用于农用无人机料箱余量的检测,其特征在于,包括以下步骤:
(S101)数据采样:获取主称重传感器和噪声称重传感器的数据,其中,所述主称重传感器用于测量农用无人机料箱余量的重量,所述噪声称重传感器用于测量配重块的重量;
(S102)初始化权值:初始化自适应滤波器的权值;
(S103)滤波调整:将噪声称重传感器的数据作为输入信号送入自适应滤波器进行调整,根据当前的权值和输入信号,计算出自适应滤波器的输出信号;
(S104)差值计算:将主称重传感器的数据作为期望信号,将输出信号和期望信号进行比较,计算出差值;
(S105)权值调整:根据差值,调整自适应滤波器的权值;
(S106)数据平滑处理:对输出信号进行平滑处理,得到精确数据;
步骤(S103)中,n时刻作为输入信号的噪声称重传感器的数据和权值计算输出信号的公式为:
;
其中,n为某时刻,x(n)表示为n时刻的输入信号,y(n)表示为n时刻的输出信号,k为阶数,b(k)表示为阶数为k的权值;
步骤(S104)中,n时刻输出信号和作为期望信号的主称重传感器的数据计算差值的公式为:
;
其中,n为某时刻,e(n)表示为n时刻的差值,d(n)表示为n时刻的期望信号,y(n) 表示为n时刻的输出信号;
步骤(S105)的权值调整中,自适应滤波器权值的调整公式为:
;
其中,b(k)表示为阶数为k的权值,m表示为所述自适应滤波器的步长因子。
2.根据权利要求1所述的一种差分式感知的传感器数据自适应滤波处理方法,其特征在于,所述主称重传感器和噪声称重传感器均为称重传感器,所述称重传感器传出的电压信号,经过模拟信号至数字信号的转换,得到数据为称重原始数据;所述精确数据为农用无人机料箱余量的精确值。
3.根据权利要求1所述的一种差分式感知的传感器数据自适应滤波处理方法,其特征在于,步骤(S101)中,所述主称重传感器和噪声称重传感器均安装在同一农用无人机的机身上,所述噪声称重传感器的受力端固定连接一个恒定重量的配重块。
4.根据权利要求1所述的一种差分式感知的传感器数据自适应滤波处理方法,其特征在于,所述自适应滤波器由有限脉冲响应滤波器构成,该有限脉冲响应滤波器携带权值更新算法;所述自适应滤波器的可调整参数包括阶数和步长因子。
5.根据权利要求1所述的一种差分式感知的传感器数据自适应滤波处理方法,其特征在于,步骤(S106)中,对输出信号依次经过卡尔曼滤波器和滑动平均滤波器进行平滑处理;其中,
所述卡尔曼滤波器的算法执行步骤为:首先对状态变量进行先验估计,并计算先验协方差,接着进行卡尔曼增益的计算,最后进行数据估计和协方差更新。
6.根据权利要求4所述的一种差分式感知的传感器数据自适应滤波处理方法,其特征在于,确定所述自适应滤波器的步长因子的具体步骤包括:
(S201)设置不同步长因子水平,不同水平之间差距一致;
(S202)向系统输入阶跃信号,具体操作为:在静置于地面的农用无人机料箱上放置指定重量的重物,待重量数据稳定后,在一瞬间撤去重物的一部分,并以指定采样频率记录不同步长因子对应的数据;
(S203)观察滤波算法的收敛速度,具体方式为:统计不同步长因子下,在撤去部分重物后重量数据由初始值变化到稳定在剩余重量值的延迟时间;
(S204)判断延迟时间是否在可接受的范围内,以此确定自适应滤波器的步长因子。
7.根据权利要求6所述的一种差分式感知的传感器数据自适应滤波处理方法,其特征在于,步骤(S204)中,延迟时间是否在可接受的范围内的判断标准为:
所述延迟时间小于滤波数据可接受的最大延迟时间;其中,所述最大延迟时间T的计算公式为:
;
其中,D表示为重复或缺漏作业可接受最大距离误差;S表示为按照农用无人机最大飞行速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410091071.0A CN117614417B (zh) | 2024-01-23 | 2024-01-23 | 一种差分式感知的传感器数据自适应滤波处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410091071.0A CN117614417B (zh) | 2024-01-23 | 2024-01-23 | 一种差分式感知的传感器数据自适应滤波处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117614417A CN117614417A (zh) | 2024-02-27 |
CN117614417B true CN117614417B (zh) | 2024-04-26 |
Family
ID=89956500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410091071.0A Active CN117614417B (zh) | 2024-01-23 | 2024-01-23 | 一种差分式感知的传感器数据自适应滤波处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117614417B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11342767A (ja) * | 1998-06-04 | 1999-12-14 | Iseki & Co Ltd | 作業車両の重量バランス表示装置 |
CN110641778A (zh) * | 2019-10-12 | 2020-01-03 | 广州达意隆包装机械股份有限公司 | 一种灌装控制方法、装置及系统 |
CN113841679A (zh) * | 2021-11-11 | 2021-12-28 | 黑龙江省农业科学院黑河分院 | 一种有害昆虫农药喷洒机器人 |
CN113951228A (zh) * | 2021-09-22 | 2022-01-21 | 彭颖 | 一种农业植保无人机 |
CN117148879A (zh) * | 2023-07-13 | 2023-12-01 | 黑龙江宁扬科技有限公司 | 一种基于联动施肥机的精量控制系统和控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008062972B4 (de) * | 2008-12-23 | 2012-04-12 | Wipotec Wiege- Und Positioniersysteme Gmbh | Einrichtung zur Erschütterungskompensation des Gewichtssignals eines Wägesensors |
-
2024
- 2024-01-23 CN CN202410091071.0A patent/CN117614417B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11342767A (ja) * | 1998-06-04 | 1999-12-14 | Iseki & Co Ltd | 作業車両の重量バランス表示装置 |
CN110641778A (zh) * | 2019-10-12 | 2020-01-03 | 广州达意隆包装机械股份有限公司 | 一种灌装控制方法、装置及系统 |
CN113951228A (zh) * | 2021-09-22 | 2022-01-21 | 彭颖 | 一种农业植保无人机 |
CN113841679A (zh) * | 2021-11-11 | 2021-12-28 | 黑龙江省农业科学院黑河分院 | 一种有害昆虫农药喷洒机器人 |
CN117148879A (zh) * | 2023-07-13 | 2023-12-01 | 黑龙江宁扬科技有限公司 | 一种基于联动施肥机的精量控制系统和控制方法 |
Non-Patent Citations (1)
Title |
---|
植保无人机药箱液量监测装置的设计与试验;姜锐等;《农业工程学报》;20170630;第33卷(第12期);第107-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117614417A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741180B (zh) | 一种联合收获机谷物产量图绘制系统 | |
CN113405643A (zh) | 精密称量器和用于确定精密称量器的测量不确定度的方法 | |
JPH08510806A (ja) | 土壌締固めモニタ | |
CN108761281B (zh) | 气体绝缘输电线路状态监测及局部放电定位方法及系统 | |
CN110487909B (zh) | 一种非侵入式土壤水分声波检测装置及方法 | |
CN203825003U (zh) | 一种自动检测车载籽棉回潮率的装置 | |
CN103674223A (zh) | 噪声源测试装置、系统及方法 | |
Zhou et al. | Elimination of vibration noise from an impact-type grain mass flow sensor | |
Zhao et al. | Optimum design of grain impact sensor utilising polyvinylidene fluoride films and a floating raft damping structure | |
CN107462394B (zh) | 基于平滑预测策略的多传感器风洞支杆抑振方法 | |
CN117614417B (zh) | 一种差分式感知的传感器数据自适应滤波处理方法 | |
CN103674232A (zh) | 用于噪声源测试的声压获取装置 | |
CN108197339A (zh) | 基于递归最小二乘法的实时加速度积分算法的动位移监测方法 | |
CN112713881A (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN105865606B (zh) | 一种汽车衡故障诊断装置及诊断方法 | |
WO2015032606A1 (de) | Verfahren zum erfassen eines füllstandes in einem sammelbehälter | |
CN112083299B (zh) | 一种基于卡尔曼滤波的直流系统绝缘故障预测方法 | |
CN116576905B (zh) | 一种温湿度传感器的批量自动校准装置 | |
AU2020220037A1 (en) | Delay management for geospatial crop yield mapping | |
CN101458096A (zh) | 一种高分辨率姿态角度测量方法及装置 | |
CN113252777B (zh) | 一种堆石坝水下混凝土面板裂缝的检测装置及其检测方法 | |
CN116878831A (zh) | 一种螺栓松动监测方法及监测装置 | |
CN210427431U (zh) | 一种联合收获机的单板冲量式谷物质量测量系统 | |
DE102011116555A1 (de) | Verfahren und Vorrichtung zur Überwachung einer Mikrotom-Schneideeinrichtung | |
CN116929467A (zh) | 谷物流量测量装置、方法、介质及测产系统和收获机械 |
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 |