基于雙秤臺汽車衡的車輛動態稱重算法

張曉東，李麗宏，宋艷琴

(太原理工大學 信息工程學院，山西 太原030024)

0 引 言

雙秤臺汽車衡由于其稱量準確、高效等優點，目前已經廣泛應用于高速公路計重收費系統。汽車通過秤臺時，其作用在秤臺上的力除了真實軸重外，還有很多因素產生的干擾，如車速、車輛自身諧振、路面不平、輪胎驅動加速等。經過仔細研究分析發現，軸重信號的噪聲有高頻部分和低頻部分。利用小波變換算法消除高頻干擾，對信號進行降噪預處理。針對低頻噪聲干擾，利用BP 網絡算法進行濾波。理論上講，對于同一種的車型利用神經網絡處理動態稱重數據，只要采集足夠多、足夠全的稱重數據，通過樣本訓練總是可以找到一個合適的網絡模型，利用該模型計算出被測車輛的精確重量。

針對實際情況中都是不同軸型的車輛過秤，本文提出引進可以識別軸型的專家系統，對于不同軸型的車種使用改進后的BP 網絡模型濾波，最終車輛的重量更加接近真實值。

1 小波變換濾波預處理

1.1 雙秤臺汽車衡

如圖1 所示，雙秤臺動態汽車衡有2 個秤臺、8只稱重傳感器，2 只傳感器并聯為一組可采集4 路車輛軸重信號并對其進行濾波預處理。

圖1 雙秤臺汽車衡傳感器分布結構示意圖Fig 1 Structure diagram of sensor of double weighing platform truck scale

1.2 濾波預處理

小波變換對于非平穩的小區域噪聲信號具有很好的濾波作用，同時動態稱重過程中的噪聲頻段分布明確，因此，信號中的尖峰和突變能得到很好的處理，從而實現非平穩信號的消噪。經反復實驗研究發現，軸重信號可分5 層高頻濾波，軸重信號小波分解樹示意圖見圖2。

圖2 軸重信號小波分解樹示意圖Fig 2 Schematic diagram of wavelet decomposition tree of signal of axle load

如圖2 所示，第1，2，3，4，5 層噪聲的高頻部分(cD1，cD2，cD3，cD4，cD5)包含了路面不平、發動機轉動等因素產生的噪聲，可以使用小波變換濾掉以上噪聲干擾。

第5 層低頻部分(cA5)主要包括輪軸通過秤臺時稱重傳感器的線性變化(即真實軸重信號)，速度、驅動力加速對軸重信號的干擾以及車輛的自身諧振噪聲，小波變換無法很好濾掉，處理時保留。

完成上述濾波過程后，將小波分解后的各層信息進行小波重構，重構信號即為去掉高頻噪聲后的軸重信號。

2 軸型識別系統

2.1 傳感器輸入

如圖1 所示，秤臺一和秤臺二可判斷系統是否有軸以及是否聯軸，輪軸識別器可判斷每軸的輪胎數是單胎還是雙胎，最后車輛分離器可判斷是否整車通過。系統軟件的工作流程見圖3。

圖3 軸型識別程序流程Fig 3 Program flow of axle type identification

經過傳感器輸入信號和儀表程序分析，可得出車輛的基本軸型，之后經過軸型識別的專家系統的分析，可得出車輛車型軸型編碼。

2.2 專家系統

如圖4 所示，一般專家系統由知識庫、數據庫、推理機、解釋部分和知識獲取5 個部分組成。知識庫是專家系統的一個重要組成部分，實際中每種車型具有固定的聯軸，而且每種車輛第一軸必定單輪非聯軸。根據這些信息和程序分析判斷結果可進行知識獲取并作為專家知識庫，將測得的每個軸組信息作為數據庫，利用專家知識庫對當前獲得的數據進行推理并給出解釋和車輛軸型編碼。

圖4 專家系統組成框圖Fig 4 Composition block diagram of expert system

3 BP 網絡模型

3.1 BP 網絡及其學習規則

BP 網絡的產生歸功于BP 算法的獲得。BP 算法屬于δ算法，是一種監督式的學習算法。BP 網絡工作原理概括來說，就是通過不斷調整層與層之間的各個權值，使得誤差函數最小。如圖5 所示的三層網絡為例進行BP 算法推導。

圖5 三層網絡簡圖Fig 5 Schematic diagram of three-layer BP network

3.1.1 信息的正向傳遞

隱含層中第i 個神經元的輸出為

輸出層第k 個神經元的輸出為

3.1.2 利用梯度下降法求權值變化與誤差的反向傳播

1)輸出層的權值變化:對從第i 個輸入到第k 個輸出的權值，有

定義誤差函數為

其中

同理，可得

2)隱含層權值變化:對從第j 個輸入到第i 個輸出的權值，有

其中

同理，可得

3.2 BP 網絡模型

選取由輸入層、隱含層、輸出層的三層BP 網絡。

3.2.1 輸入層的選取

對一個BP 網絡而言，其輸入量的選取將直接決定該網絡最終處理數據的能力。在選取BP 網絡輸入時，總體原則是輸入量要盡可能地從不同方面反映所處理數據的特征。

從實驗中發現，車輛靜態軸重不僅和秤臺動態稱量值緊密相關，而且跟車軸速度以及加速度有關?，F場觀察發現，多軸重車司機經常利用速度變化作弊稱重，例如:跳磅(前軸急加速)、拖磅(后軸急減速)過秤等。假設車軸勻加速，通過測量車軸在2 個秤臺的速度，可以計算車軸的加速度。計算公式如下

其中，a 是車軸加速度;v1是車軸在第1 個秤臺的速度;v2是車軸在第2 個秤臺的速度;s 是兩秤臺的中心距離。

此外，軸型不同的車輛在車輛自身諧振也有不同規律，對稱重結果的影響也不同。使用專家系統識別車輛軸型后將車型編碼輸入網絡，適用于各種車型，可提高網絡的精度。

綜上所述，以車軸在秤臺一的重量、速度，車軸在秤臺二的重量、速度和車軸在秤臺的加速度以及車輛軸型作為BP 網絡的輸入，輸入節點個數為6。

3.2.2 網絡結構的確定

雙秤臺汽車衡動態稱重的目的就是測量車輛的各個軸重，軸重累加得到車輛靜態車重。所以，網絡的輸出就是車輛的靜態軸重。

通過實際仿真計算可得到，隱層的節點數確定為15 個。通過網絡層數和輸入層、隱層、輸出層節點的確定，訓練誤差為0.001%，最終可確定網絡的結構為6×15×1。

4 實 驗

4.1 實驗樣本選擇

實驗車輛選取一輛115 型四軸車和一輛159 型六軸車。兩種車輛分別以5，10，15，20 km/h 左右勻速通過雙秤臺汽車衡，以5，10 km/h 左右加速通過雙秤臺汽車衡，以15，20 km/h 左右減速通過雙秤臺汽車衡。每種車輛共采集樣本數據100 組，共采集200 組數據。

其中，每種車輛隨機抽取90 組數據作為訓練樣本，剩余10 組作為測試樣本。

4.2 實驗結果

將180 組樣本數據的秤臺一軸重、秤臺二軸重、秤臺一速度、秤臺二速度、加速度、車型作為BP 網絡的輸入，輸出為靜態軸重，將訓練好的網絡檢驗剩余20 組數據，實驗結果見表1。

表1 實驗數據Tab 1 Experimental datas

從表1 中可以得出:兩種車輛的單軸最大誤差為1.74%，整車總重最大誤差為0.68%，已達到GB/T 21296—2007《動態公路車輛自動衡器》規定的整車總重量的準確度:2 級和單軸載荷的準確度:D 級。顯然，基于BP 網絡的雙秤臺動態汽車衡對于兩種不同軸型的車輛稱重已取得較好的效果。

5 結 論

本文針對雙秤臺動態汽車衡并根據稱重信號分析情況，采用小波變換對信號預處理去除高頻噪聲。之后將信號輸入BP 網絡，并在BP 網絡模型中加入軸型識別系統和加速度作為輸入節點，利用BP 網絡良好的自我學習能力，對兩種不同車輛過秤數據訓練，將訓練后的數據檢驗實驗數據。實驗證明:該方法能保證處理結果達到動態稱重相關國家標準中的較高精度，而且對不同車型車輛具有普遍的適應性。

［1］ 李麗宏，石常興.數據融合技術在車輛軸型識別系統中的應用［J］.電子設計工程，2011，19(9):76－78.

［2］ 李麗宏，趙 娜.卡爾曼濾波在動態汽車衡稱量中的應用［J］.軟件，2012，33(3):25－28.

［3］ 武奇生，王 丹，陳圓媛，等.基于ETC 的車輛動態稱重系統軸載數據處理算法研究［J］.公路交通科技，2009(10):190－194.

［4］ 劉漢平，王健剛，陳冰泉.汽車的運動速度對動態稱重結果的影響［J］.中外公路，2006，4(26):231－234.

［5］ 柒麗娟，那文波，李 寧，等.小波分析在微重量動態稱重中的應用研究［J］.工業控制計算機，2009，22(10):52－55.

［6］ 裴春清.基于深度濾波的動態汽車衡算法［J］.科技應用，2008，37(S2):7－9.

［7］ 李麗宏，王淑娟.專家系統在車輛軸型識別中的應用［J］.軟件，2012，33(3):12－14.

［8］ 張建新.廣義神經網絡在聯體秤臺中的應用［J］.計量裝置及應用，2013，23(5):48－50.

［9］ 曹興鋒.一種BP 神經網絡氣象預測中的應用研究［J］.科技通報，2012，28(8):55－57.

［10］陳 政，鐘匯才，李 慶.基于PVDF 壓電傳感器的車輛動態稱重信號的研究［J］.傳感器與微系統，2012，31(4):36－39.

［11］張德豐.Matlab 神經網絡編程［M］.北京:化學工業出版社，2011:131－156.

［12］GB/T 21296—2007，動態公路車輛自動衡器［S］.