تشخیص آهنگ عبور مواد گرانوله با استفاده از تحلیل صدا و روش‌های آماری چند متغیره

یکی از موضوعات مهم در ماشین های کشاورزی و انبارهای ذخیره مواد دانه ای، اندازه گیری مقدار جریان عبوری این مواد می باشد. هدف از این تحقیق، اندازه‌گیری نرخ عبور مواد دانه‌ای (گندم) با استفاده از صدای ایجاد شده حین انتقال این مواد می‌باشد. به‌ همین منظور دستگاهی متشکل از مخزن، موزع، لوله سقوط، حسگر صدا و محرک الکتریکی موزع ساخته شد. نرخ های جرمی مختلف گندم از لوله سقوط گذرانده و سیگنال صوتی حاصل توسط حسگر به جعبه ابزار استحصال داده منتقل گردید. با استفاده از تبدیل موجک سیگنال ها، خصوصیات فرکانسی هر سیگنال استخراج گردید. سپس توسط شبکه‌های عصبی مصنوعی پرسپترون چند لایه (mlp) و روش آنالیز تشخیصی، میزان توانایی سامانه برای طبقه بندی مقادیر مختلف دبی ها عبوری بررسی گردید. نتایج نشان داد که روش آنالیز تشخیصی با دقت بالاتری (%97) نسبت به روش شبکه عصبی مصنوعی طراحی شده (دقت %89 و 877/= r^2) قادر به تمایز دبی های جرمی متفاوت می باشد.

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

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.