تشخيص آهنگ عبور مواد گرانوله با استفاده از تحليل صدا و روش‌هاي آماري چند متغيره

Flow Rate Determination of Granular Material by Using Sound and Multivariate Data Analysis

يكي از موضوعات مهم در ماشين هاي كشاورزي و انبارهاي ذخيره مواد دانه اي، اندازه گيري مقدار جريان عبوري اين مواد مي باشد. هدف از اين تحقيق، اندازه‌گيري نرخ عبور مواد دانه‌اي (گندم) با استفاده از صداي ايجاد شده حين انتقال اين مواد مي‌باشد. به‌ همين منظور دستگاهي متشكل از مخزن، موزع، لوله سقوط، حسگر صدا و محرك الكتريكي موزع ساخته شد. نرخ هاي جرمي مختلف گندم از لوله سقوط گذرانده و سيگنال صوتي حاصل توسط حسگر به جعبه ابزار استحصال داده منتقل گرديد. با استفاده از تبديل موجك سيگنال ها، خصوصيات فركانسي هر سيگنال استخراج گرديد. سپس توسط شبكه‌هاي عصبي مصنوعي پرسپترون چند لايه (MLP) و روش آناليز تشخيصي، ميزان توانايي سامانه براي طبقه بندي مقادير مختلف دبي ها عبوري بررسي گرديد. نتايج نشان داد كه روش آناليز تشخيصي با دقت بالاتري (%97) نسبت به روش شبكه عصبي مصنوعي طراحي شده (دقت %89 و 877/= R^2) قادر به تمايز دبي هاي جرمي متفاوت مي باشد.

In this study, using sound created by wheat grain passing through a pipe, wheat flow rate was measured. The developed device consists of a hopper, metering device, sound sensor, delivery tube, DC motor and power supply. Several wheat mass flow rates were tested and the sound signal created by the passage of the grain through the discharge tube was measured and transferred to a computer using Data Acquisition Card (DAC). Utilizing MATLAB signal processing toolbox and wavelet transfer functions, it was possible to extract frequency characteristics of the sound signals used as distinguishing features of the different flow rates. Artificial Neural NetworksMultilayer Perceptron (ANNMLP) and Discriminate Analysis (DA) were used to classify different wheat flow rates. Results showed that by using DA and ANNMLP it was possible to determine the wheat flow rates with 97% and 89% accuracy from each other respectively.