[发明专利]一种结合惯性测量模块进行称重补偿的称重系统和方法

权利要求书

1.一种结合惯性测量模块进行称重补偿的方法，其特征在于，包括：

S1,构建以结合惯性测量模块进行称重补偿的称重系统为基准的载体坐标系和以地表为基准的地理坐标系；

S2,将一个已知重量的物体加载在称重传感器上，采集得到n组连续的不同时刻的称重传感器的输出值W和惯性单元模块输出值(a_x、a_y、a_z，ψ，θ，γ)，其中称重传感器的输出值为W，惯性测量模块输出值为实时加速度a_x、a_y、a_z与偏转角ψ，θ，γ；

S3,根据采集到的数据计算得出α,β,γ；

S4,构建称重数据补偿方程，

所述称重数据补偿方程为：

其中，M(t)是t时刻补偿后的重量值，W(t)是t时刻称重传感器采集的重量值，g为当地重力加速度，a_x(t),a_y(t),a_z(t)是t时刻惯性测量单元测得的加速度值，α(t),β(t),γ(t)分别是t时刻重力加速度g矢量方向与载体坐标系X轴，Y轴和Z轴正向的夹角，C₁，C₂，C₃，C₄，C₅，C₆是方程的补偿系数；

在实际连续性测试过程中，当t＞2时，可将所述称重数据补偿方程中的W(t-1)替换为M(t-1)，或W(t-2)替换为M(t-2)，或全部替换；

S5,根据称重数据补偿方程建立函数连接型神经网络FLANN，构成训练样本集，对神经网络进行训练拟合后得到称重数据补偿方程的系数，

其中，函数连接型神经网络FLANN的输入向量为：

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

输出量则为实际补偿后的重量M；

所述样本训练集为(H_i,M_i)，i＝1,2…,n；

对神经网络进行训练拟合得到补偿系数C₁，C₂，C₃，C₄，C₅，C₆；

H₁，H₂,…,Hn是神经网络的输入值，作为训练样本的输入元素，对应称重数据补偿方程中的输入向量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)为网络的连接权值，同时也对应于称重数据补偿方程中的待定系数C1，C2,…,Cn，M_i为所称物品重量值；网络中每个神经元均采用线性函数，因此函数连接型神经网络的输出为：

当Z(k)为第k步时M_i的估计值。Z(k)与M_i比较，得到第k步估计误差为：

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

然后利用神经网络算法调节网络连接权值：

根据前步骤得到称重传感器和惯性测量单元的多组输入H_i和实际重量M_i构成的训练样本值(H_i,M_i)，由式(2)计算误差e_i(k)，如果误差满足要求，则学习结束；否则继续，由式(3)修正W_j(k)调节权值返回称重数据补偿方程，直到误差e_i(k)满足要求，学习结束，得到最终的权值W_j，最后把这些系数代入称重数据补偿方程，完成计算；

S6,改变物体的重量，重复S1～S5步骤，得到一系列称重数据补偿方程的系数，构建称重数据补偿方程组；

S7,实际使用时，称重传感器和惯性测量单元采集到数据，根据称重传感器采集的数据，确定选用的称重数据补偿方程系数，进行动态补偿，计算出补偿后的重量值。