基于单片机的高速称重系统

基于数字信号处理的高速称重系统

J.卡培, E.索里亚, M马丁内斯, J.V.弗朗西丝,A.罗萨, L.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.colpe@uv. 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20果/秒，±1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ARMA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±2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II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，deconvolves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1 动态称重系统的计划

2.硬件描述

该MAXSORTER是一个利用10分拣线的商业的水果分选及分级机，由Maxfrut S.L.，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。CAN总线已被提供给保证模块[ 2-3 ]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Dismuntel，S.A.L. Algemesi （西班牙）共同开发。它是基于一个固定点TMS320C26 DSP德州仪器，休斯顿（德克萨斯州），并依靠10个来自Analog Devices AD7730仪表放大器公司，Nonvood（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32kB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RAM32kB的参数和皮重存储。CAN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MAXSORTER所有的牌。来自Xilinx公司圣荷西（加利福尼亚州）的AXC95108 CPLD，，是编程来实现所需的解码时，DSP和倍数AD7730以及缓冲器接口DSP和CAN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，2.096mV/ V @10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PC。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。所得到的信号使用的ARMA 模型的逆卷积。ARMA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号（体重估测）的平均值（DC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”[ 4 ] 。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ñ,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Y（ n）时，为：

由方程（2）和（3），方程（1）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。因此，方程（4）可以写为：

这是基本的LMS算法。更好的结果，如果一个场均LMS （ ALMS ）的变体使用来实现。ALMS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5示出了LMS算法获得的结果，并且图6示出一个ALMS算法所获得的结果。

图4.对一个具有1S长度的原始信号的跟踪

图5.采用LMS算法后输出（ = 0.07 ）