[發明專利]一種結合慣性測量模塊進行稱重補償的稱重系統和方法

有效

• 申請號: 202210087030.5
• 申請日: 2022-01-25
• 公開（公告）號: CN114485877B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 湯建華;王一凡;金花
• 申請（專利權）人: 常州紡織服裝職業技術學院
• 主分類號: G01G19/03
• 分類號: G01G19/03;G01G23/01;G06N3/04;G06N3/08
• 代理公司: 常州智慧騰達專利代理事務所(普通合伙) 32328
• 代理人: 楊雪

1.一種結合慣性測量模塊進行稱重補償的方法，其特征在于，包括：

S1,構建以結合慣性測量模塊進行稱重補償的稱重系統為基準的載體坐標系和以地表為基準的地理坐標系；

S2,將一個已知重量的物體加載在稱重傳感器上，采集得到n組連續的不同時刻的稱重傳感器的輸出值W和慣性單元模塊輸出值(a_x、a_y、a_z，ψ，θ，γ)，其中稱重傳感器的輸出值為W，慣性測量模塊輸出值為實時加速度a_x、a_y、a_z與偏轉角ψ，θ，γ；

S3,根據采集到的數據計算得出α,β,γ；

S4,構建稱重數據補償方程，

所述稱重數據補償方程為：

其中，M(t)是t時刻補償后的重量值，W(t)是t時刻稱重傳感器采集的重量值，g為當地重力加速度，a_x(t),a_y(t),a_z(t)是t時刻慣性測量單元測得的加速度值，α(t),β(t),γ(t)分別是t時刻重力加速度g矢量方向與載體坐標系X軸，Y軸和Z軸正向的夾角，C₁，C₂，C₃，C₄，C₅，C₆是方程的補償系數；

在實際連續性測試過程中，當t＞2時，可將所述稱重數據補償方程中的W(t-1)替換為M(t-1)，或W(t-2)替換為M(t-2)，或全部替換；

S5,根據稱重數據補償方程建立函數連接型神經網絡FLANN，構成訓練樣本集，對神經網絡進行訓練擬合后得到稱重數據補償方程的系數，

其中，函數連接型神經網絡FLANN的輸入向量為：

H(a_x(t),a_y(t),a_z(t),α(t),β(t),γ(t),W(t),W(t-1),W(t-2))；

輸出量則為實際補償后的重量M；

所述樣本訓練集為(H_i,M_i)，i＝1,2…,n；

對神經網絡進行訓練擬合得到補償系數C₁，C₂，C₃，C₄，C₅，C₆；

H₁，H₂,…,Hn是神經網絡的輸入值，作為訓練樣本的輸入元素，對應稱重數據補償方程中的輸入向量H(_x(),a_y(),a_z(t),α(t),β(t),γ(t),W(t),W(t-1),W(t-2))；W_j(j＝1,2,…,n)為網絡的連接權值，同時也對應于稱重數據補償方程中的待定系數C1，C2,…,Cn，M_i為所稱物品重量值；網絡中每個神經元均采用線性函數，因此函數連接型神經網絡的輸出為：

當Z(k)為第k步時M_i的估計值。Z(k)與M_i比較，得到第k步估計誤差為：

e_i(k)＝M_i-Z(k)????????????????????(2)

然后利用神經網絡算法調節網絡連接權值：

根據前步驟得到稱重傳感器和慣性測量單元的多組輸入H_i和實際重量M_i構成的訓練樣本值(H_i,M_i)，由式(2)計算誤差e_i(k)，如果誤差滿足要求，則學習結束；否則繼續，由式(3)修正W_j(k)調節權值返回稱重數據補償方程，直到誤差e_i(k)滿足要求，學習結束，得到最終的權值W_j，最后把這些系數代入稱重數據補償方程，完成計算；

S6,改變物體的重量，重復S1～S5步驟，得到一系列稱重數據補償方程的系數，構建稱重數據補償方程組；

S7,實際使用時，稱重傳感器和慣性測量單元采集到數據，根據稱重傳感器采集的數據，確定選用的稱重數據補償方程系數，進行動態補償，計算出補償后的重量值。