10.11857/j.issn.1674-5124.2020070040
动态因素下时序称重模型的建立
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.
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
47
TH932
江苏省高校实验室研究会立项资助研究课题;江苏省精密与微细制造技术重点实验室数学建模课题组;中央高校基本科研业务费
2021-09-24（万方平台首次上网日期，不代表论文的发表时间）
共7页
135-141
