动态称重式果品分选机设计与试验

目的:解决中国鲜果人工分选准确率低、效率低、劳动强度大和生产成本高的问题。方法:基于果品质量分类法研制一款新型动态称重式果品分选机,该机具基于高精度称重单元采集的果品质量,然后经信号处理模块和PLC协同对采集的数据进行处理并控制起弹器,根据水果质量实现果品的分级。该机具可连续实现果品(直径≤126 mm)的上料、称重、分选作业。结果:当分选效率分别为18327,14400,10473个/h时,分选准确率平均值分别为95.31%,96.12%,97.13%,损伤率分别为1.09%,1.11%,1.15%;水果分选速度显著影响分选的准确率,对果品损伤率影响不明显。结论:该新型动态称重式果品分选机能够在保持分选准确率>95%的前提下有效提升果品分选的效率且对果品损伤较小。

基于贝叶斯后验估计的桥梁动态称重算法理论与试验研究

桥梁动态称重(bridge weigh-in-motion,BWIM)利用过桥车辆对桥梁产生的动力响应快速识别车辆轴质量。由于实测的动力响应包含测量误差,在一定程度上降低了传统BWIM算法的轴质量识别精度。为了解决这一问题,提出基于贝叶斯后验估计的桥梁动态称重算法。该算法考虑了测量误差对轴质量识别精度的影响,假设测量误差和轴质量服从高斯分布,利用测量误差的标准差和轴质量标准差得到能抑制测量误差的约束因子,推导出新的轴质量求解方程。基于数值仿真和实桥试验,分别得到传统BWIM算法和贝叶斯算法的轴质量识别精度,并进行对比分析。试验结果表明:相比于传统BWIM算法,贝叶斯算法能够有效抑制测量误差的影响,明显改善轴质量识别精度。

基于WOSA-BP的车辆动态称重算法研究

测量精度一直是影响车辆动态称重系统有效可靠性的主要因素。针对车辆动态称重系统测量精度较低这个问题,提出了一种基于鲸鱼优化(Whale Optimization Algorithm,WOA)算法和模拟退火(Simulated Annealing,SA)算法混合优化的BP神经网络(Back Propagation Neural Network)动态称重模型。首先,简单介绍了动态称重系统的结构和原理。然后,通过小波变换对动态称重系统的采样信号进行过滤重构处理,经过计算得到的动态车重、车速和轴数作为BP神经网络模型的输入参数。其次,建立了一个由WOSA算法优化的BP神经网络来预测实际车辆总重和轴重。最后,比较了WOSA算法优化的BP神经网络模型的预测能力并得出结论。仿真结果表明,WOSA-BP车辆动态称重模型收敛速度快,精度高,最大总重的相对误差为0.58%,最大轴重相对误差为6.73%。

基于RKF-EMD的禽类无线动态自适应称重系统

针对禽类养殖过程中人工称重费时费力、造成动物应激以及电子仪器易被破坏等问题,设计了一套适用于禽类的无线动态自适应称重系统。系统将经验模态分解和鲁棒卡尔曼滤波结合并做出适应性改进;针对秤台因粪便和饲料堆积造成的称重零点偏移问题,创新性提出了一种基于队列的自动去皮算法。通过在肉鸡养殖场实际应用和监测验证,结果表明,本文设计的适用于禽类的无线动态自适应称重系统能够快速准确地获得动物体重,且具有良好的自适应性、稳定性和鲁棒性。

静态轨道衡动态应用时的称重数据偏差补偿方法研究

文章介绍了一种静态轨道衡在动态应用中的数据偏差补偿方法及其装置。针对传统静态轨道衡在车辆移动状态下无法准确称重的问题,设计了一套实时数据处理和偏差补偿系统,使车辆在部分轮对上衡的情况下,也能准确获取车厢物料的重量。实验证明,该方法和装置显著提高了装车效率和称重数据的准确性,对物流和货运行业具有重要的应用价值。

连续梁桥车辆动态称重系数解析与试验验证

基于桥梁响应的车辆动态称重方法具有成本低、易维护和耐久性好等优点,但其称重精度依赖于称重系数的准确性。以典型三等跨预应力混凝土连续小箱梁桥为应用背景,首先推导了车辆重量与桥梁响应指标之间的相关数学表达式,给出了车辆称重系数的定义和理论解析解,同时指出针对实际宽幅桥梁,根据车辆横向位置修正对应的称重系数;其次,利用两车道随机车流对该桥有限元模型进行加载并提取桥梁响应,得到车重与响应之间的相关曲线和相关系数;最后,在实桥上设计安装了桥梁动态称重系统和路面动态称重系统用于监测通行车辆信息,通过匹配算法得到大数据统计下的车辆称重系数。研究结果表明,所提出的车辆称重系数解析解与仿真结果误差为1.8%,实测称重系数与理论解析解、数值仿真结果绝对误差为1.73%。研究结果对诸如简支梁、不等跨连续梁等其他类型桥梁提供了研究思路,以得到桥梁不同位置处的车辆称重系数,同时建议在实际工程应用中分别对理论、仿真和实测的称重系数相互校核,提高标定的准确性。

基于双目视觉和动态称重技术的包裹信息检测系统设计

为应对快递包裹业务量的急剧增长,解决传统收件场景下人工称重、测量体积的环节效率低问题,本文通过设计以双目视觉与动态称量技术为主要手段的包裹信息检测系统,并测试物流包裹在不同测试速度及测试高度情况下的质量和体积的检测精度。为保证较快的包裹信息检测速度,在速度为1.0m/s时平均相对误差为0.81%,满足1%以内的动态称重精度要求;900mm测量高度的平均相对误差为3.84%,满足包裹分拣5%以内的测量精度要求。

基于GA-PSO-BP神经网络的羊群动态称重方法改进

为了解决羊只称重时因应激反应过大导致测量不精准问题,试验搭建了羊群动态称重系统并设计了一种改进GA-PSO-BP神经网络的羊群动态称重方法,即利用滑动平均滤波算法对干扰数据进行平稳处理,采用改进GA-PSO混合算法优化BP神经网络的权值和阈值;并对BP神经网络、PSO-BP神经网络、改进GA-PSO-BP神经网络三种模型进行训练和性能比较。结果表明:改进GA-PSO-BP神经网络的预测准确度最高,预测误差在1.00 kg内的体重值占85%;平均绝对百分比误差为0.679 6%,较BP神经网络(1.007 4%)和PSO-BP神经网络(0.975 2%)都有明显提升,但测量单只羊只所需时间为11.2 s,较PSO-BP神经网络(10.5 s)稍低。说明改进GA-PSO-BP神经网络的羊群动态称重方法可满足牧场智能化饲养需求。

基于动态汽车衡称重波形的车型识别方法

目前,高速公路使用的称重设施以轴组式与整车式为主,而轮轴识别装置是轴组式与整车式动态汽车衡的重要部件,其作用是正常识别上秤车辆的轮轴类型,使系统获得准确的、限值允许的总重和轴载荷量值。如何采用先进的传感器和微处理器技术,解决恶劣环境中轮轴识别装置的失效问题,一直是行业内持续研究的课题。本文通过分析动态汽车衡轮轴信号,对每种车型过车时的数据进行统计分析,提出了基于动态汽车衡称重波形的车型识别方法,以解决轮轴易失效及维护难的问题。

非现场治超动态称重考虑动态荷载研究综述

在非现场治理超限超载系统执法过程中,动态称重传感器通过测量汽车驶过承载器时的轴重来计算车辆总重。但是由于路面非绝对平整,导致车辆在不规则路面行驶而产生耦合振动,因此导致实际测量的轴重受到静载与车辆垂直振动的共同影响。通过对路面平整度预测、车辆动态荷载研究和非现场治超动态称重研究进行综述,发现在非现场治理超限超载动态称重准确度方面,要充分考虑路面平整度造成的动态荷载带来的影响。

基于CSSA-LSTM神经网络的动态称重算法的研究

为了提高动态称重的测量精度,实现智慧牧场的实时监测和精细化管理,提出利用混沌麻雀搜索算法优化LSTM的神经网络的动态称重算法。通过动态称重台进行数据采集,并使用卡尔曼滤波算法对干扰数据进行处理。利用Tent映射策略和高斯变异后的麻雀搜索算法优化LSTM神经网络各参数,从而建立CSSA-LSTM神经网络模型。结果表明,CSSA-LSTM神经网络的平均绝对百分比误差在1.5%以内,平均绝对误差减少了0.874,均方根误差减少了1.1153。对比实验证明,该混合算法预测的误差最小,有效提高了动态称重的测量精度。

基于自适应滤波器的皮带机动态称重信号处理方法

针对目前皮带机动态称重系统的称重信号存在噪声或干扰的问题,提出了一种改进自适应噪声消除(IANC)的称重信号处理方法。建立了皮带机动态称重系统动态响应过程的数学模型。设计了结合卡尔曼和最小均方的算法(KF-LMS),提升了ANC噪声消除的性能。实验阶段,通过模拟和搭建实验平台对所提方法进行测试。结果表明,与LMS,NLMS,SLMS等算法相比,所提的KF-LMS算法在皮带机动态称重信号处理中具有良好性能,具备较高的可靠性和称重精度。实验结果验证了所提方法的有效性和实用性,该模型具有广阔的应用前景。

车辆动态称重监测系统模型设计浅析

在车辆动态称重领域,可采用数字孪生技术实现车辆运行状态监测.本文在车辆动态称重系统方案基础上采用数字孪生五维模型,设计了一种车辆动态称重监测模型架构.该模型架构包含物理实体层、虚拟模型层、孪生数据层和系统服务层,各层级相互连接,使数据信息的交互和迭代映射得以实现.

基于BP神经网络的动态称重系统研究

现行的动态称重最终处理算法有着各种各样的优缺点,根据对生产线检测系统中动态称重信号的分析以及前人类似的科研成果,由于在利用神经网络进行训练模型时,算法会根据原始输入信号的特点进行自主学习,在此过程中又不断有误差信息反馈,相当于给信号处理过程装了一个“大脑”,故选择神经网络算法作为动态称重处理算法,在解决动态信号过程中起到了较为理想的结果。本研究的焦点是动态称重、神经网络和信号处理技术。

面向复杂场景的车辆动态称重方法

在动态称重系统的实际应用中,车辆重量的测量结果往往受到多种外部环境因素的显著影响,如车型差异、胎压变化和车速波动等,这些因素导致测量结果的波动较大,影响了称重的准确性。为了应对这一挑战,本文提出了一种创新的基于因子分析模型的车辆动态称重方法,旨在有效地分离和减少这些干扰因素对称重结果的影响。首先,对采集到的特征矩阵运用双线性模型进行深入的因子分析。通过这种方法,能够有效地分离出车辆外部因子,从而提取出与车辆本身重量更为紧密相关的、近似车辆无关的车重特征。随后,利用这些经过因子分离处理后的车重信号进行车辆重量的估算。通过此方法,能够更准确地反映车辆的真实重量,同时减少了由于外部环境因素引起的误差。实验结果表明,本文所提出的方法在动态称重中表现出色。它不仅显著改善了称重的稳定性,而且成功地将称重误差控制在了5%以下的较低水平,这充分验证了该方法的有效性和实用性。

光纤传感在动态称重领域的研究进展

随着“互联网+交通”的进一步发展,小型化、高精度、高可靠性的光纤传感称重系统具有不可估量的应用前景。本文综述了光纤传感在动态称重领域的最新进展,分析总结了光纤传感动态称重的原理及性能,讨论了其在性能方面的提升方法,最后对光纤传感称重系统的实验研究提出建议。

基于STM32的物流动态称重系统设计

当下实体企业的物流包裹处理工序繁多且主要依靠人力,针对物流设备功能单一,人工静态称重导致的称重效率不高的问题,该文设计了一种基于STM32F103系列单片机的物流动态称重系统。该系统设计了以STM32芯片为主,结合电源模块、信号采集模块、信号处理模块和通信模块,配合相应的软件设计,实现了物流质量信息的采集、数据处理、数据传输、多平台监管等功能的动态称重系统。系统的设计着重于动态称重以及多平台监管功能的实现,方便形成数字化管理系统。经现场测试,系统对包裹的处理效率每小时可达3600件,这对企业而言有着降本增效的作用。

深圳市测力佳控制技术有限公司 引领起重机动态称重新格局

深圳市测力佳控制技术有限公司(以下简称测力佳)是一家高科技企业,专注起重提升机械动态称重及技术开发,位于深圳特区宝安电子工业产业群,是深圳科技信息局认定的软件开发应用重点企业,国家高新技术企业;在起重提升机械动态称重领域已获得6项国家发明专利7项实用新型专利,8项软件著作权,是行业内领军企业。

基于虚拟简支梁法的桥梁动态称重研究

Moses算法是桥梁动态称重(BWIM)技术中最可靠的算法之一,是目前各商业BWIM系统的基础。然而,受影响线标定的约束,当前的商用BWIM系统仅适用于短跨径桥梁。针对这一情况,提出了虚拟简支梁法。该方法利用桥梁上的某一区段的隔离应变计算车辆的轴重和总重,不受桥梁跨径的限制。建立了跨径为20 m和40 m的简支T梁桥有限元模型,基于车桥耦合振动理论模拟获得桥梁响应,并利用提出的新方法识别了车辆的轴重和总重。分析了路面平整度、车辆行驶速度等因素对识别精度的影响。结果表明:对于较短跨径的20 m T梁桥,常见三轴车的总重识别误差平均值在2%左右,五轴车的总重识别误差平均值低于1%,精度都稍优于传统Moses算法;而对于传统Moses算法不适用的40 m T梁桥,该方法识别车辆总重的误差平均值仍可控制在3%以内,表明该方法不受桥梁跨径的限制,具有更广的应用前景。

桥梁动态称重技术在中小跨径混凝土梁桥上的适用性研究

为准确了解桥梁动态称重(BWIM)技术在不同类型桥梁上的适用性,从而为BWIM技术选型提供理论依据,针对我国应用范围最广的中小跨径混凝土梁桥开展了BWIM系统测试精度和稳定性的研究.首先基于公路桥梁通用图集建立了典型截面和跨度的梁桥模型,利用数值仿真方法获得了不同加载工况下车辆和桥梁的动态响应;然后利用经典BWIM方法计算了车辆总重和轴重及其识别误差;最后利用参数分析方法研究了桥梁跨径、截面类型、车辆类型、传感器测点位置、路面平整度、测量噪声、行驶速度等重要因素对识别效果的影响.研究发现:在不同跨径和截面类型的桥梁及各种复杂工况下,利用BWIM技术均可以获得理想的总重识别效果;而在轴重识别方面,桥梁跨径越小,识别效果越佳;另外,空心板桥具有更好的识别精度,T梁桥次之,小箱梁桥最次;路面平整度的劣化和输入信号噪声可能对BWIM系统的轴重识别效果产生不利的影响,实际应用中维护路面平整和控制输入噪声对于获得可靠的车辆称重结果具有重要的意义.