第３３卷第１１期 文章编号：１００６—９３４８（２０１６）１ １—０１４０—０４ 计算机仿真 ２０１６年１１月 关于车载动态称重算法研究 李惠敏。李晓林 （太原理工大学信息工程学院，山西太原０３０６００） 摘要：在车载动态称重优化的研究中，由于传统称重算法车与称重设备是分离的，造成车载动态称重数据精度较低。为此提 出了利用小波变换和径向基神经网络（ＲＢＦ网络）的车载称重算法。首先利用小波变换对称重信号滤波预处理，然后以称 重信号、倾角信号、速度信号、加速度信号和车型组建ＲＢＦ网络模型，并对其进行大量的实测数据训练，对训练之后的ＲＢＦ 网络模型进行车辆动态加载称重实验验证。实验结果表明，系统称重精度高、实用性强，能够满足当前的车载称重需求。 关键词：车载称重；小波变换；径向基神经网络；倾角信号 中图分类号：ＴＰ１８３ 文献标识码：Ｂ Ａｂｏｕｔ Ｏｎ－ｂｏａｒｄ Ｗｅｉｇｈｉｎｇ Ｄｅｖｉｃｅ Ｓｙｓｔｅｍ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｄｅｓｉｇｎ ＬＩ Ｈｕｉ－ｍｉｎ。ＬＩ Ｘｉａｏ－ｌｉｎ （Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｌｌｅｇｅ，Ｔａｉｙｕａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ Ｓｈａｎｘｉ ０３０６００，Ｃｈｉｎａ） ＡＢＳＴＲＡＣＴ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｌｏｗ ａｃｃｕｒａｃｙ ｏｆ ｖｅｈｉｃｌｅ ｄｙｎａｍｉｃ ｗｅｉｇｈｉｎｇ ｄａｔａ，ａ ｗｅｉｇｈｉｎｇ ｄａｔａ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ａｎｄ ＲＢＦ ｎｅｕｒｌａ ｎｅｔｗｏｒｋ（ＲＢＦ）ｉｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅ ｗｅｉｇｈｉｎｇ ｓｉｇｎａｌ ｆｉｌｔｅｒ ｉｓ ｐｒｅｐｒｏ— ｅｅｓｓｅｄ ｂｙ ｕｓｉｎｇ ｔｈｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ．Ｓｅｃｏｎｄｌｙ，ａ ＲＢＦ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｓ ｆｏｒｍｅｄ ｂａｓｅｄ ｏｎ ｗｅｉｇｈｉｎｇ ｓｉｎａｇｌｓ，ａｎｇｌｅ ｓｉｇｎａｌ，ｓｐｅｅｄ ａｎｄ ａｃｃｅｌｅｒａｔｉｏｎ ｓｉｎａｇｌｓ．Ｆｉｎａｌｌｙ，ａ ｌａｒｇｅ ｎｕｍｂｅｒ ｏｆ ｅｘｐｅｒｉｍｅｎｔｌ ｄａｔａａ ａｒｅ ｔｒａｉｎｅｄ，ａｎｄ ｔｈｅ ＲＢＦ ｎｅｔ— ｗｏｒｋ ｍｏｄｅｌ ｗｉｔｈ ｖｅｈｉｃｌｅ ｄｙｎａｍｉｃ ｌｏａｄ ｗｅｉｇｈｉｎｇ ｉｓ ｔｅｓｔｅｄ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｄｅｓｉｇｎｅｄ ｓｙｓｔｅｍ ｈａｓ ｗｅｉｇｈｉｎｇ ａｃ－ ｃｕｒａｃｙ ａｎｄ ｓｔｒｏｎｇ ｐｒａｃｔｉｃａｂｉｌｉｔｙ，ｗｈｉｃｈ ｃａｎ ｍｅｅｔ ｔｈｅ ｄｅｍａｎｄ ｏｆ ｔｈｅ ｃｕｒｒｅｎｔ ｖｅｈｉｃｌｅ ｗｅｉｇｈｉｎｇ． ＫＥＹＷＯＲＯＳ：Ｖｅｈｉｃｌｅ ｗｅｉｇｈｉｎｇ；Ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ；ＲＢＦ ｎｅｔｗｏｒｋ；Ｏｂｌｉｑｕｉｔｙ ｓｉｇｎａｌ １ 引言 中国的公路网日益完善。一部分货车司机为了躲避收费 站而选择绕行县道或乡道，对道路造成很大的破坏．而现行 的绝大部分静态称重和动态称重系统都是称重设备与车辆 ２ 系统原理 在货车辆上安装称重传感器和倾角传感器，将传感器的 信号传输至驾驶室内的称重终端，终端通过ＧＰＳ／ＧＰＲＳ ＤＴＵ 无线收发模块将这些信息会同车辆地理位置、车型、车牌等 分离的，有其一定的局限性。在充分研究现有的车辆称重设 备和考虑实际需求的基础上…。提出基于ＳＴＭ３２的一套车 载动态称重装置和无线收发相结合的车载称重系统．可以全 信息传输给中心监控平台［５］，在中心监控平台计算机数据处 理之后得到车辆的准确重量值，系统简易框图如图１所示。 天候、全路段的对车辆的载重量、地理位置、速度等信息进行 监控 。 车辆在行驶过程中，由于车辆自身谐振和路面不平等因 素，会使车载重量数据波动较大。针对这一问题。提出了先 利用小波变换法滤除高频干扰信号，然后再利用ＲＢＦ网络 算法进行滤波［３］。与ＢＰ神经网络相比，ＲＢＦ网络具有更好 的普遍试用规律，所需要的训练时间更短等优点．而且由于 它本身的学习能力和非线性特性，使其能够对任意非线性函 数进行很好的逼近 ］。 图１ 车辆称重装置系统简易框图 车载动态称重系统中，称重信号处理是其中的核心部 收稿日期：２０１５—１１—０８修回日期：２０１６—０卜０３ ．－－——分。 １４０．－－—— 车载动态称重算法总的设计思想以式（１）为基础。 Ｗ＝ｋ Ｘ ＡＤ／ｃｏｓａ＋Ｄ （１） 式中： 为车辆总重，ｋ为各载荷的加权值， 为车辆倾角角 度，ＡＤ为车载终端通过称重传感器得到的模数转换值，Ｄ为 由于路面不平、车辆自身谐振、速度和加速度等原因导致的 重量误差。 捌 壮 隹Ｉ∈ ２ 车载称重传感器采用ＭＰＳ—Ｓ一５００一Ｒ电阻拉绳式位 移传感器，每个车轴敏感点两侧各布局一个称重传感器，安 装结构如图２所示。 图２ 传感器安装示意图 倾角传感器采用一个双轴的倾角传感器，不论是在上 坡、下坡，还是在相对水平的路面上行驶时 ４］，都能准确测量 到车辆当前行驶时的倾斜角度ａ。 当车辆载有一定的货物后，通过测量传感器的拉绳长度 变化就会得到车辆的载重量。而拉绳长度ｆ的变化则会引起 传感器电阻输出值Ｒ的变化，即 Ｒ＝ｋｌ×ｌ （２） 给传感器激励电压，车载终端采集得到传感器的模拟信 号．经Ａ＼Ｄ模块转换得到数字量，其关系表达式为 ＡＤ＝ｋ２×Ｒ （３） 所以，要想得到较为精确的重量，ＡＤ采样的值不能出现 较大波动。而在车载动态称重采样过程中，由于外界环境的 复杂性，即使有硬件滤波的情况下，实际采样与理想值也有 一定的偏差。 以载重１５ｔ砝码的四轴车（１１５型）为例说明实际采样波 形与理想采样波形，如图３所示。 从图３中可以看到，实际采样的重量信号波动较大，原 因是在车辆行驶过程中，车辆自身谐振、路面不平及其它噪 声干扰等因素都会影响车载称重的采样值。 所以，滤波算法是称重信号处理的关键，而最终的车载 称量值也与车辆自身谐振、速度及其加速度等因素有着直接 关系。 ３ 数据分析处理方法 数据的分析和处理是系统的难点，首先利用小波变换法 图３ 车载称重理想与实际重量值波形图 对采样信号滤波预处理，然后结合车辆的倾角信号、车型、速 度和加速度信息经训练之后的ＲＢＦ神经网络算法处理之后 得到较为精确的车辆重量数据。 ３．１ 滤波预处理 车辆在行驶过程中，由于车辆加／减速、谐振以及行驶 路面不平等因素，都会使采样信号发生较高频率的变化，而 这些信号具有非线性、非平稳、且奇异点较多等特点，严重干 扰车辆称重数据的分析．所以需滤除其噪声信号。 车载称重一维信号模型可表示为 ｓ（ｆ）＝，（ｔ）＋ ｅ（ｔ），ｔ＝１，２…，ｎ一１． （４） 式中： ｔ）为车载称重的真实信号，ｓ（ｔ）为实际采样得到的 车载称重含噪信号，ｅ（ｔ）为噪声，ｏｒ为噪声标准偏差。 小波变换能对时间频率的局部化分析，通过伸缩平移运 算对信号逐步进行多尺度细化，在不同频率范围内采用不同 分辨率对原始信号进行分解。能很好的滤除非平稳的小区域 高频信号＿６］。 经实验研究表明，可将车载称重信号进行３层低通滤 波．分解树示意图如图４。 图４小波分解树示意图 图４表明可以利用小波变换法滤除ＣＤ１、ＣＤ２、ＣＤ３包含 的车辆行驶过程中所产生的噪声和突变信号 。ＣＡ３即为 所需的车载称重低频信号。但是实测数据说明小波变换算 法无法很好的滤除由车辆自身谐振和加速度所引起的噪声 信号，所以，处理时暂时保留。小波分解重构后的信息，即为 一１４１— 滤除噪声后得到的较为准确的车载称重真实信号 。 下面同样以载重１５ｔ砝码的四轴车（１１５型）为例说明车 载称重信号经过小波分解重构之后得到的波形图，如图５所 示。 Ｏ ２Ｏ ４０ ６Ｏ ８Ｏ ｌ００ 采样序号 图５ 小波滤波图 从图中可以看到经过小波算法重构之后的的车载称重 信号与初始输入信号相比有很大的改善，但是要想得到最终 较为精确的车辆重量值 ．还需考虑车辆自身谐振、速度和 加速度等因素对 的影响。 ３．２ ＲＢＦ网络模型 ＲＢＦ网络本质上是一种非参数回归模型．具有其它前向 网络所不具有的最佳逼近性能和全局最优特性．而且结构简 单，训练速度快＿９］。依据Ｃｏｖｅｒ的理论，它先将数据非线性映 射到一个更高维度的空间中．然后再在高维空间用线性模型 来做回归或者分类，在ＲＢＦ网络中，输入到隐层的映射是非 线性的，而隐层到输出的映射则是线性的，所以，利用ＲＢＦ神 经网络建模可以得到一个较为精确的车载动态称重效果。 本文采用ｎ—ｈ—ｍ结构的三层前馈神经网络。即网络具有／＇ｔ 个输入，ｈ个隐节点，ｍ个输出。 ３．２．１ 输入层 由（１）式可以得到车辆重量值与车载称重信号和车辆 倾角信号有关，经实际测试发现，车辆重量值还与速度、加速 度及车辆自身谐振有关。 假设ｔ为采样周期， 和 为两个相邻采样周期采集到 的车辆实时速度，则加速度ａ计算公式如下 ，一 ， 。＝ （ ） 此外由于不同车型的车辆自身谐振规律也不相同。所 以，车型也作为ＲＢＦ网络的一个输入量。 ３．２．２ 隐藏层 由于小波变换滤波预处理无法很好的滤除车辆自身谐 振和加速度对车辆重量信号的影响．所以ＲＢＦ网络学习样本 中会包含有噪声，如果隐藏层个数依旧等于样本总数Ｐ时， ＲＢＦ网络将会拟合出一个错误的曲面，从而使泛化能力下 降，所以设计隐藏层节点个数为 ，且Ｋ＜Ｐ，从样本中选取 个作为 函数的中心，网络图如图６。 一１４２一 图６ ＲＢＦ网络模型图 隐节点的基函数采用欧氏距离函数，形式为 （１１ Ｘ—ＸＰ Ｉ １），本文中径向基函数选择Ｇａｕｓｓ函数作为激活函数，即 （ｒ）＝ｅｘｐ【一 ） （６） 式中６为径向基函数的扩展常数。它反应了函数图像的宽 度，６越小，宽度越窄，函数越具有选择性 ］。 ＲＢＦ网络的输出可表示为 Ｙ＝Ｆ（ ）＝∑ｗｉｓｐ （１ ｌＸ—Ｘｋ Ｉ １） （７） ＲＢＦ函数中心Ｃ、扩展常数６、输出权值Ｗ都采用梯度下 降法进行监督训练．定义目标函数为 Ｅ（Ｆ）＝ １∑ｅ ， ＝ｌ，２，…，ｐ． （８） 式中ｅ．为第ｉ个样本时的误差信号 Ｆ（Ｘｉ）＝ ¨ ｃ』Ｉ１）（９） ｉ＝１，２，…，Ｐ．Ｊ＝１，２，…，ｋ． 要使误差函数最小化．则各参数的修正量应与其负梯度 成正比㈨．即 △ ＝叼考 ｅ。Ｇ… ｃ』Ｉ１）（ 勺）（１０） ＝嘻 Ｇ…置 … －ｃｊ Ｉ Ｉ ２…） Ａｗｊ＝＇７ １ ｅｉＧ（Ｉ ｌ Ｘｉ—ｃｊ ｌ Ｉ）Ｊ：１，２…．，ｋ．（１２） 本文中学习率 选取０．００２，初始输出权值Ｗ取［一０．３， ０．３］内随机数，初始扩展参数６取［０．１，０．３］内随机数，本文 的输入神经元有５个，输出神经元有１个，训练误差为０． ０１％，经过大量的实际仿真得到，当隐藏层神经元节点个数 选取１６时，网络性能最好。 ３．２．３ 输出层 车载称重的目的就是测量车辆的重量，所以，设定输出 层为一层，ＲＢＦ网络的输出就是车辆的重量值。 ３．２．４ 网络模型的确定 选用车载称重信号、车辆倾角信号、当前速度、加速度和 车型作为ＲＢＦ神经网络的输入，车辆总重量作为输出值，则 输入与输出的关系可表示为： Ｙ（ｉ）＝ Ｔ，Ｘ（ｉ））＋ｄ（ｉ） （１３） 结论：验证测试集样本的车载动态重量输出值与车载静 态重量输出值的相对误差小于３％。完全满足 Ｔ ７９４— ２０１ １《道路运输车辆卫星定位系统车载终端技术要求》规定 的车载称重静态称量误差不高于３％，动态称量误差不高于 ５％的要求。 式中，Ｙ（ｉ）为输入所对应的车辆静态称重值 ｚ）为ＲＢＦ神 经网络待训练估计的非线性函数； 为ＲＢＦ神经网络建模参 数集，即Ｔ＝｛Ｃ ，６ ，Ｗ Ｉ ｉ＝１，２…．，ｋ｝； （ｉ）为训练样本 集，即： （ ）＝（ＸＩ（ｉ） （ｉ） 丑（ｉ） 五（ｉ） 墨（ｉ））Ｔｏ 其中，车载称重ＡＤ值作为置（ｉ），车辆倾角信号 作为 Ｘ２（ｉ），车辆当前速度 ：作为 （ｉ），加速度ａ作为 （ｉ），车 ５结论 本文针对车载动态称重信号的分析情况．先利用小波变 型作为Ｘ５（ｉ）。 ｄ（ｉ）为非建模因素对车载称重结果的影响。 车载动态称重系统的建模就转化为ＲＢＦ神经网络的建 模，最终确定网络的结构为５×１６ｘ１，其网络结构图如图７所 示 线性层 ’ Ｒ－５ Ｌ ａ￣＝ｒａｄｂｕ（ＩＩ ＩＷｌ Ｉ－ｐ ｌ『ｂＩ） ａ ｉｎ（ ｔｌ。ａ‘＋ｂ ） 图７ ＲＢＦ三层网络结构图 ４实验测试 选取型号为ＤＦＬ１３１１ＡＸ９Ａ，额定载重为２０ｔ的１１５型四 轴重卡，货车装载一定量货物，先进行静态称量，得到的重量 值为３３５００ｋｇ，将此重量作为ＲＢＦ神经网络的目标输出值。 随机选取１００组车载动态测试数据，将其中前８Ｏ组作 为训练样本，后２０组作为测试集。并将测试结果进行仿真分 析，仿真结果如图８所示。 ５ １０ １５ ２０ Ｓａｍｐｌｅ Ｎｕｍｂｅｒ 图８测试集仿真结果 换滤除车载称重信号的噪声部分，然后将滤波之后的车载称 重信号会同车辆倾角、速度、加速度和车型作为ＲＢＦ神经网 络的输人神经元，之后选取实验车辆进行了车载动态称重实 验，然后用经训练之后的ＲＢＦ网络验证实验测试数据．结果 表明，经上述算法处理之后，车载动态称重的误差低于３％ Ｆ．Ｓ，能够满足当前的车载动态称重实际使用需求。 参考文献： ［１］ 刘斌，等．基于ＰＸＡ２５５的车载称重系统开发［Ｊ］．机床与液 压，２０１０，３８（１２）：１８—２０． ［２］李辅成．基于ＧＰＳ和ＧＩＳ的车辆监控系统［Ｄ］．天津大学， ２００９． ［３］ 刘倩．基于综合滤波算法的心音信号去噪［Ｊ］．山东理工大学 学报（自然科学版），２００８，２２（５）：３３—３５． ［４］ 徐富强，郑婷婷，方葆青．基于广义回归神经网络（ＧＲＮＮ）的 函数逼近［Ｊ］．巢湖学院学报，２０１ｌ，１２（６）：１１—１６． ［５］ 张荣军，等．基于北斗的车载计重综合监控管理系统［Ｊ］．卫 星应用，２０１５，（２）：７４—７７． ［６］ 刘胜，张兰勇，张利军．基于小波分析的电磁干扰测量技术研 究［Ｊ］．电子与信息学报，２０１０，３２（５）：１２２９—１２３３． ［７］ 孔祥茜．小波变换方法应用于地震数据处理研究［Ｄ］．同济大 学．２００６． ［８］ 张建．高速公路动态称重系统的应用研究［Ｄ］．长安大学， ２０１１． ［９］张旭．三种ＲＢＦ神经网络比较分析［Ｊ］．软件导刊，２０１３， （２）． ［１０］王心怡．基于核函数方法的机械故障诊断方法研究［Ｄ］．郑 州大学．２００８． ［１１］何迎生，段明秀．基于模糊聚类的ＲＢＦ分类器的设计与实现 ［Ｊ］．重庆科技学院学报（自然科学版），２００９，１１（２）：１０１一 】０３． Ｉ ［究李授应生用，惠晓硕 ，敏林主士要（，１主９研８５要９６究研一领）究，域男女领：作（域智汉者能：族智简仪）能，表介山仪，］西表 自省动．集控太散制原控人技市制术人，硕系；， 统士副研教及 ．．．——１４３．－－——
