[发明专利]一种基于模糊识别的称重传感器测试补偿方法

说明书

本发明涉及一种称重方法，特别是一种基于模糊识别的称重传感器测试补偿方法。建立多传感器测量的称重系统；对各影响因素对称重传感器输出数据的影响程度进行评判，建立干扰因素的权重集；建立评价体系的补偿系数评价集；定义单因素隶属度模糊评价集，根据各传感器的实际采集的数据，代入矩阵R中，进行综合模糊评评判。本发明具有以下有益效果：1.利用多传感器融合，提高了称重测量精度。2.方法具有易于根据不同应用环境进行调整、扩展性好的特点。3.计算简单，在传感器数量不多的情况下，不会占用太多计算时间，因而不会对传感器的动态性能造成不利影响。

技术领域

本发明涉及一种称重方法，特别是一种基于模糊识别的称重传感器测试补偿方法。

背景技术

农机在田间工作时，可能需要实时计量收获的农产品的重量。由于工作环境的不稳定，农机和车辆在田间工作时，可能会受到来自各个方向的冲力，这会导致安装在农机上的称重传感器测量精度降低；同时，地面的不平整，也会使得称重传感器在测量时不一定保持在理想的水平位置状态，影响到测量精度，从而导致产量估计差异较大，不利于精准农业技术的产业化。

因此，如何对不稳定环境下的称重结果进行重量补偿和矫正，提高在不稳定环境下的称重精度，成为本领域技术人员亟待解决的问题。

利用多个不同种类的传感器测量影响称重传感器输出的各种干扰量，如加速度，速度，称重角度等等，并通过补偿算法消除或减小这些干扰，是一条提高称重传感器测量精度的有效途径。譬如，已知汽车在通过轴重秤时，通过速度越高，称重传感器测量的误差越大，因此，中国专利CN101271016在进行称重数据补偿时，根据速度不同，确定不同的补偿参数，以提高补偿精度。不过，随着考虑的影响因素越来越多，需要的传感器数量也随之增加，得到的传感器测试数据量也很大，互相之间的关联也难以定量分析，不能用简单的方法直接进行辨识分析。基于数据的神经网络方法，适用于这种复杂的非线性关系的建立，但是需要大量的训练数据，且有时神经网络在训练时难以收敛。为了改善收敛性能，可以把神经元的线性传递函数改为非线性传递函数，或者增加神经元数量和网络的隐藏层数，这样又会导致神经网络过于复杂，计量量大，不利于实际应用的推广。目前，如何利用多个(3个以上)传感器的测试数据，对其中的称重传感器测试进行补偿，还没有一个简单、易行，且补偿精确度高的方法。

发明内容

本发明的目的在于，提出了一种利用多传感器数据进行称重传感器模糊补偿的方法，主要应用于农机车载称重等场合，也可以推广至其他需要融合多传感器数据的称重领域。

为实现上述目的，本发明的技术方案如下：

步骤1：在包含n个测量称重干扰因素传感器的称重系统中，将测量称重干扰因素的传感器依次编号为{传感器1，传感器2，…,传感器n}，组成传感器集U，然后采集相应的传感器输出值为u_i(i＝1,2,3…,n)和称重传感器输出值为W；

步骤2：设置测量称重干扰因素传感器的影响权重值分别为a_i(i＝1,2,3…,n)，并将a_i作为矩阵中的元素组成权重模糊矩阵A＝(a₁，a₂，a₃…,a_n)，其中，a_i与上述传感器集U中的第i个传感器对应；

步骤3：建立一个包含m个补偿系数k_j的补偿评价集矩阵K：

K＝(k₁，k₂，k₃…,k_m)，其中，m＝2，j＝1,2,3…,m；

步骤4：设置第i个传感器的隶属度函数集：