动态因素下时序称重模型的建立

• 作者: 史柏迪 庄曙东 陈威 陈天翔 朱楠楠
• 来源期刊: 中国测试
• 关键词: 动态测量系统 极限梯度提升树 长短期记忆神经网络 岭回归 补偿系统
• 年，卷（期）: 2021,（7）
• 所属期刊栏目: 性能测试|Performance Tests
• 页码范围: 135-141
• 页数: 7页
• 分类号: TH932
• 语种: 中文
• DOI: 10.11857/j.issn.1674-5124.2020070040

摘要

物流秤在动态测量过程中,各类时序干扰信号极易对压力传感器测量精度造成影响.基于正交试验法获取物流秤在不同带速、载重及采样频率下台面的压力及秤体三轴加速度信号,以此作为样本集,基于五折交叉验证原则依次建立岭回归、Xgboost以及改进的LSTM测量补偿模型.结果表明Ridge模型具有最低的算法复杂度,且较传统线性回归模型提升明显,补偿平均损失为0.317 kg;Xgboost模型平均损失为0.219 kg且基于F检验分析误差成分;此外提出一种改进的LSTM神经网络模型,通过在原有结构基础上堆叠全连接层,将采样信号作为时间序列变量输入模型,最终测试结果表明虽模型训练时间与空间复杂度较大,但补偿测量准确度最佳损失低至0.142 kg,且对采样频率不敏感具有最好的鲁棒性.