《自-基于单片机的高速称重系统》由会员分享，可在线阅读，更多相关《自-基于单片机的高速称重系统（10页珍藏版）》请在金锄头文库上搜索。
1、基于数字信号处理的高速称重系统J卡培, .索里亚， M马丁内斯, .V.弗朗西丝，罗萨， 戈马 - 乔瓦，J维拉,G.P.D.S.,电子工程系，瓦伦西亚大学，氯莫林娜博士，布尔哈索特(瓦伦西亚)西班牙jovier.olpuv.er摘要本文介绍了一种用于水果分拣和分级机械的新的称重子系统，根据定点熟悉信号处理，在0果/秒，克准确性条件下,它可控制多达10线。该系统采用自适应滤波和载荷传感器使用以及ARA模型的后反褶积。最后估计过程中获得的重量也被描述。最好的结果已经通过带有ALMS算法的自适应滤波器获得。1. 引言在工业中,应用场合上的测力传感器的物体通过的重量必须估计量频繁（图I）。这些应用通
2、常需要满足严格的速度和精确度规范,这些是矛盾的。在水果分拣和分级设备，通常规格为2克精度为10个/秒,虽然，在现实实践中,它很少达到,因为这是很简单的数字处理。在水果分拣和分级设备,通常规格为克精度的为10个/秒,虽然，在现实实践中，它很少达到,因为都是用很简单的数字处理（基本上,低位平均值)进行。我们的目标是要达到同样的精度加倍的速度,即20个/秒,很明显，需要较高的处理。研究这个问题的学术论文几乎没有发表1。为了获取并且处理信号而使用的电路在第I中描述。在第三部分中提出的从原始信号中建立称重的过程将会被讨论。最后几节将会呈现工作研究的结果和结论。本文的重点是对演示文稿重估计算法,基于三个步
3、骤。第一步是打算通过使用以改善信号质量的自适应滤波，以减少振动噪音。第二步骤，enoves的信号，用一个ARMA的逆模型,先前获取每个称重传感器的初始程序。第三步是实际重量推定考虑到皮重和不寻常的情况，这发生在真实的工作环境。大多数的描述将涉及到最坏的情况下;即最大速度，并最终固定为每16件。第二，由于机械限制。结论适用于较低的速度。图 动态称重系统的计划2. 硬件描述该MXSORTER是一个利用0分拣线的商业的水果分选及分级机,由Maxfrut .，阿尔兹拉(西班牙） 提供。本机带有单上的水果附连到旋转链手指状杯。分布式控制方案已被用于简化和专门的每个系统的性能。 CN总线已被提供给保证模块
4、 -3 之间的信息交流。一个10通道的重量采集和处理硬件(图2）由Dismntel,S.L. Algesi（西班牙）共同开发。它是基于一个固定点TM3206 DP德州仪器，休斯顿(德克萨斯州）,并依靠10个来自Anaoges AD770仪表放大器公司,onod(MA)，用于称重传感器接口,数据 收购及之前的预处理。内存子系统由2kB的ROM用于程序存储,两家银行形成在快速访问SRAM存储器用于程序存储执行和非易失性RA32kB的参数和皮重存储。AN总线控制是由一个夹层提供信用卡大小的囤积,由同一个团队开发了插在了MSRTER所有的牌。来自Xiinx公司圣荷西（加利福尼亚州）的AXC9108 C
5、LD，,是编程来实现所需的解码时，DP和倍数AD7730以及缓冲器接口 DSP和A控制器板之间。加权模块（图2）由一个轨道的低摩擦材料(聚四氟乙烯),降低了杯以很高的速度进入加权面积的影响,它被安装在铝框架壳体的负载传感器。这条轨道有在其中执行真正的加权的物理隔离道。称重传感器是由艺达实业公司（滨江）研制的十磅的钢制板,2096/ 1磅。光学编码器提供同步信号,这是由一个控制电路板获得的，并被发送到通过CAN总线获取的P。这个参考带被设置在杯离开的加权区域的地方。3. 软件描述如前面所讨论的，为了提高精度加权以高速度,需要两个预处理步骤。首先,自适应滤波用于软化由机械系统产生的振动体振动。所得
6、到的信号使用的ARMA模型的逆卷积。 M模型假定称重传感器具有二阶行为。经过这些预处理步骤,是平均的值而得到的高原的重量的值。该值以换算单位，因此,去皮,执行和转化到克是使用校准过程中得到的线性函数。A.自适应滤波这是预处理的第一阶段.自适应滤波器被设计以便于估计输入信号的平均值。图3示出了所提出的自适应滤波器的结构，它使用了LMS算法以更新的唯一系数。 图3.所提出的自适应滤波器的基本方案输入到自适应滤波器是一个恒定值（1为简单起见） ，并在过滤器的长度为1。在这种方式中,载荷传感器（参考)信号和输入到滤波器的除了称重传感器信号的DC分量，都是不相关的。因此,最小的误差函数是实现当所述参考信
7、号(体重估测)的平均值(估计）等于滤波器的输出。一个常被利用的技术来确定最小函数就是所谓的“最速下降法” 。它被定义为一个迭代的方法：其中J是要最小化的函数,是包含在所述自适应滤波器的参数的列矢量即，并且,是一个参数(合适的常数)。 LMS算法认为J作为瞬时平方误差，其定义为5： 其中，e(n)是通过自适应滤波器的误差。这个错误是由所需信号之间的差值给出,d(n) ,而滤波器输出（ n)时,为: 由方程(2)和(3),方程(）可以被写成下面的式子: 其中包含基本LMS算法的滤波系数的更新。在我们的特殊情况下，这些表述是简化版.自从等于1 ，并在过滤器的长度是1 ,则滤波器的结果是滤波器系数。因
8、此，方程（4）可以写为：这是基本的M算法。更好的结果，如果一个场均LM （ AL )的变体使用来实现。LMS为称重提出了以下更新: 该特征点的这个变体是，它过滤梯度，降低了自适应滤波器的期望信号的可能的高斯噪声(输入固定为1)。根据我们的问题条件方程(7)可写为： 如果我们应用Z变换至（8） ,将得到的表达式为：即,根据不同的平均深度和适应常数,就能得到不同的低通传递函数。这种算法的性能是通过其效果的样本数据呈现在原始采集的1秒的通道(图4)。该收购是在达到最大速度(每秒16果）,并在选定的道有两种水果由11空杯分离。图示出了LMS算法获得的结果,并且图6示出一个AMS算法所获得的结果。图4.
9、对一个具有S长度的原始信号的跟踪图5采用LMS算法后输出（ = 0.0 ） 图.采用LM算法后输出( 007，N=15)B.ARMA模型之后自适应滤波的信号仍呈现振荡，其中大多数是由于测力传感器的效果导致的，它可以被表征为一个二阶系统。如果加权平台做得足够长,以使其收敛于一个稳定的值,那么瞬态振荡被避免的。很明显，如果以高率来实现的话,这是不可能的,因此这种效果,必须除去。图7表示出当一个5克切片以每秒16果实的速度通过加权通道时的一个典型的波形。图7.当一个1g的切片以最大速度在原始信号下的一个超调量。垂直实线显示当片断退出加权平台的时刻。如果有一个足够长的可用的通道信号，一块进入平台的效果
10、可以模拟一阶跃输入。加权平台必然是很短的,当一块叶片的平台和下面的杯子已经被移除时会更方便的考虑振铃观察到的。图8表示了当一个切片离开平台得到的原始信号道时,一个二阶行为会清楚地观察到。图8.对应于5ms时间窗的原始信号道，1m后切片离开加权平台。像这样的一个系统的模型输入: 该传递函数提出的建模是基于从一个单一的输入记录一个AAX模型：其中y（n）是系统输出，x()是刺激,(n)是预测误差， A()是AR系数,B()是MA系数，(q)是估计协方差的输出，是延迟。自动回归与移动平均部分的顺序被设置为2,使用基于迭代高斯牛顿算法的鲁棒二次预测误差准则来获得ARMX系数的方法已经被使用6。C.转换
11、器单元估计最后阶段包括估计的工件的重量。图9显示了上述预处理后,从以最大的速度不同的重量下得到三个寄存器。相对普通的高峰在任何情况下观察到,但精度不够和深加工是强制性的。根据经验,在峰值上的一个简单的平均值产生足够精确的估计问题，减少了峰值的固定限制。最后的限制很容易获得因为水果分选机械使用光学编码器同步,它会很容易的的使用一个脉冲标记杯子退出称重平台的时刻。峰值的开始是繁琐的估计,因为它已被经验证明依赖于速度和重量。虽然几种技术都被考虑到了，但是建议的程序会导致简单和有效。图9.预处理寄存器空杯，50g和50克的切片以每秒6水果的速度。峰值界限都标有垂直线。从实际的寄存器来看，对于给定的速度
12、,重量和峰值长度之间的复杂关系(在样本)被观测到,但粗略简化产生了良好的效果7：1 一个查找表（ LU）,其中包含的以最大速度在不同的重量（每20g一换）下得到了峰值的长度(样本）被建立。2 经预处理的寄存器被保存在一个环形缓冲器中。3 当接收到重同步时，处理前信号的当前值对于重量来说是作为一个粗略估计，LT被使用来看看最接近的重量所对应的长度。4 得到的数据通过线性函数的链速度进行校正。5 使用在循环缓冲器中的数据来完成所获得的长度的平均值。虽然我们可以失去几个对应于峰值下降的样品，但是这个过程能足够快的实时进行。D重量估计这个阶段完成后,进一步的步骤是必需的,以便估计真实重量，皮重(杯子的
13、重量)必须被去掉,然后转化到克。每一天的开始将会获得所有个体被子的皮重。每当一个空杯子通过系统是车身体重就会被更新。把前一阶段获得的估计与目前的杯皮重相比以便于决定真正的作用:1. 如果估计值低于被子加载皮重的一半,这杯子被认为是破的。2. 如果估计值足够接近（通过可编程的阈值固定的）皮重，杯子被认为是空的,考虑到过去和现在的估计，它的重量(皮重)会被更新。3. 如果估计值大于一个可编程的阈值,杯子被认为包含水果，水果的重量是通过除去当前杯的皮重获得的。一旦在单元转换器中体重被估计，体重会根据在校准过程得到的一个线性函数转化为克。 4. 结果由此产生的ARM模型是一个二阶,零延迟零相位的系统，
14、从而使系统响应简单。一个30g以每秒6个水果称重之后移除5个杯子并且分析一个100毫秒道。单生成的模型应用在任何重量和链速度下已经取得了的好成绩。为了进行测试，样本切片被人工放置在距加权平台有一段距离的工作原型上,以避免不必要的振动。为了实用的目的，在连续的切片之间至少要留两个空杯子。给出的被使用的称重传感器的响应速度慢，每两杯从链上移走，这导致了每秒水果测量的实际速度降低了。总之，对于这篇论文来说，使用更快的传感器将会解决这个问题，然而不会及时从供应商那里受到这种传感器。为了验证所提出的方法,测试在最大速度的情况下进行。对于可利用的机器的一些机械方面的不能被解决，可达到的最大速度是每秒6个水果,并且不能持续下去。因此,图10的测量进行了6例:空杯（10克)，50克，00克,克,250克,和30克。图10 展示了一个150g切片的原始寄存器并且通过该模型进行解卷积。 图0.对于一个150g切片的原始信号的超调经过反褶积后被移除表I显示了在这样的速度所获得的结果,特别是它们的平均值,标准偏差和最大绝对偏差。注意,偏差相对于理想值始终围绕1克公差。为了增加样本数量，并保证该程序的性能，链条的速度降低到每秒4水果并且150克的切片被加工100次。结果，图11为一个柱状图，显示均值为488，0.6克
