基于BP神經網絡的汽車車載稱重系統研究?

秦 偉，徐國艷，余貴珍

(北京航空航天大學交通科學與工程學院，北京 100191)

基于BP神經網絡的汽車車載稱重系統研究?

秦 偉，徐國艷，余貴珍

(北京航空航天大學交通科學與工程學院，北京 100191)

為解決汽車超載運行和相應的運輸業管理問題，本文中提出了一套基于BP神經網絡的車載稱重系統。通過檢測車橋隨載荷量變化而產生的微小變形，設計了2階低通濾波和數字濾波算法，以提取有效載荷信息，利用BP神經網絡建立載荷模型，并根據在某輕型廂式貨車上進行的試裝和加載試驗得到的樣本數據，在Matlab神經網絡工具箱中，采用Levenberg-Marquardt學習算法完成了神經網絡的學習、檢驗和預測。結果表明：預測載荷誤差在5%以內，滿足工程要求，方案可行。

車載稱重系統；低通濾波；BP神經網絡；Levenberg-M arquardt學習算法

前言

車輛超載問題是困擾交通安全的重大問題之一，據統計，70%的道路安全事故是由于車輛超限超載引發的，不但數量龐大，且破壞性嚴重[1]。目前，解決超載問題的途徑，除加強執法力度外，動態稱重系統(weighing-in-motion，WIM)技術發展較快，它允許汽車以一定的速度通過檢測區，實現不停車稱重，提高了檢測效率，精度較高[2-4]，但卻仍屬于定點稱重策略，無法解決更廣泛的超載問題。為從源頭上治理超載，人們著眼于貨運汽車本身，加上近年來無線通信技術的飛速發展，將稱重裝置安裝在汽車車體上的車載稱重技術正引起人們越來越多的重視。而對于運輸業來說，車載稱重系統有利于提高運輸效率，并防止駕駛員的不正當行為。

目前的車載稱重系統的研究具有3個主要分支。第1種是直接法，將傳感器安裝在車架和貨箱之間，傳感器組承受全部載荷，這對傳感器本身的工藝要求較高，丹麥Eilersen公司的產品就屬此類；第2種是間接法，車梁、車橋和懸架等車身結構件受載后，會產生相應的彈性變形，通過檢測和采集這些信息并轉換為載荷信息，這種方法對車輛本身承載結構的影響甚微，沒有安全隱患；而像城市垃圾車、餐廚車和裝載機等具有專門的提升和裝載機構的車輛，可通過對載質量的變化狀況進行跟蹤，以實現總載荷的測量，則屬第3種方法。

本文中采用的稱重策略將傳感器安裝在車橋上，當車輛載重時，車橋產生相應的微量變形，利用傳感器采集該信號，采集到的數據經過濾波、轉換、神經網絡算法等處理后得到載貨量信息。按照此方法，在設備安裝時只須進行少量焊接，對車橋的承力結構造成的影響甚微，不會影響車輛行駛的安全性，屬于間接測量的第2種方法。

1 車載稱重系統的設計

靜止工況下的數據采集是稱重的重點，而判斷靜止工況最直接且準確的物理量就是速度，故而應當設置速度作為參考量。另外，在長期使用過程中，疲勞和機械蠕變等外部因素，會對傳感器產生不可逆的干擾，這些非隨機性的干擾難以通過常規的濾波算法進行去除，所以，在數據處理，尤其是數據截斷的過程中，應當對作為參考的初值進行不斷修正。該稱重系統的工作流程如圖1所示，當汽車從行駛工況轉為靜止工況時，系統對傳感器的即時值進行讀取并鎖定，然后基于此值執行后續的稱重算法，而當汽車從靜止工況轉為行駛工況時，傳感器初值將再次記錄并鎖定載荷數值。

圖1 車載稱重系統工作流程

1.1 硬件系統設計

車載稱重系統是一套集成數據的采集、傳輸、融合和呈現等功能為一體的數據處理系統，其構成如圖2所示。

對于稱重問題，目前，廣泛應用的傳感器有位移式、電容式和應變式3種類型，選型時主要考慮的因素有精度、可靠度、成本和安裝難易度等，綜合考慮上述因素，采用了應變式傳感器。這種傳感器在稱重領域使用時間較長，技術成熟，若采用多片應變片組成惠斯通電橋，可實現溫度的自行補償。此外，它還具有150%的過載能力，由于是安裝在車橋上，車輛的主要載荷由車橋承受，傳感器自身不承載，故過載能力滿足要求。

圖2 稱重系統構成與流程圖

傳感器采集到的數據經過低通濾波和數字濾波，完成初步處理。考慮到車輛軸數會隨車型的不同而發生變化，而CAN總線上節點接入方便，可有效提高系統對不同車型的適應能力，故選取CAN總線網絡完成傳感器與單片機間的數據傳輸。搭載STM32型單片機的控制板接收到數據后，經過BP神經網絡處理，將數據轉換成載荷信息。之后，載荷信息被顯示在車載終端上，另外，主控板上還留有移動數據接口，以實現數據的遠程傳輸。

1.2 濾波算法設計

受到地面不平度、車輛自身諧振、貨物裝卸時沖擊引起的振動等因素的影響，實際數據采集中會混入大量干擾成分，影響采樣結果，根據文獻[5]，干擾信號大多為高頻信號，車輛的載重信號則為低于20Hz的低頻信號，故應采用低通濾波算法對采樣信號進行處理，消除高頻干擾，提高數據采集的可靠性。

1階低通濾波器存在輸出電壓在高頻段下降速度較慢的問題，而2階低通濾波可解決這一問題[6-8]，故而采用2階壓控低通濾波電路，其電路結構如圖3所示。

圖3所示電路的傳遞函數為

式中：Avf為通帶增益。

特征角頻率為

圖3 壓控型2階有源低通濾波基本結構

為方便元件選取，取電阻值R1＝R2＝R，電容值C1＝C2＝C，由fc＝1/(2πRC)，截止頻率為fc＝20Hz，則C＝10μF，進而R＝795.8Ω，根據0603型貼片電阻阻值，取最接近的R＝820Ω，由等效品質因數Q＝為使Q為理想的0.707，可得Avf≈1.59，取為1.6，則R4/R3＝0.6，取R3＝1kΩ，R4＝1.6kΩ。

用Multisim9仿真軟件對濾波電路進行模擬搭建和仿真，搭建的仿真電路如圖4所示。

圖4 Multisim9仿真電路

仿真結果如圖5所示。由圖可見，曲線的縱坐標最大值為8.24dB，按照-3dB截止頻率，圖中已將標尺移動至5.21dB處，此時的頻率f＝19.765Hz，符合設計要求，達到了預期效果。

數字濾波部分采取中位值平均濾波算法，連續采集10個數據Xi，i＝0～9，然后對這10個數據進行排序，去除最大值和最小值，然后對剩下的8個數據取平均值作為本次采集的有效數值Y，同時將Y值發送到MCU。這種方法可有效克服因偶然因素引起的脈沖性波動干擾而引起的偏差值。另外，還可減小總線上的數據傳輸壓力。

圖5 Multisim9仿真結果

2 載荷模型的建立

載荷模型的優劣直接關系到整個系統的性能，是數據處理中要解決的關鍵問題。涉及到力和變形時，一般考慮動力學分析或靜力學分析的建模方法，其中，動力學分析往往把分析對象簡化為彈簧阻尼系統，建立相應微分方程作為分析模型；靜力學分析則要求充分掌握分析對象的形狀參數和材料力學性能參數，才能達到良好的效果。而車橋本身是一個形狀和結構都很復雜的汽車結構件，無論三維建模還是臺架試驗測量，動力學中的彈簧剛度、阻尼系數，或靜力學中的扭轉剛度、彎曲剛度等參數都難以獲得；另外，不同車型的車橋形狀大小各異，每當車橋改變，這些工作都要重新來做，更是費時費力，實際效果如何也難以定論。所以，動力學或靜力學的分析方法都不太適用，本文中采用了神經網絡模型來進行載荷模型的建立。

BP神經網絡在函數逼近、模式識別等眾多領域應用廣泛，其輸入與輸出之間是一種高度非線性的映射關系，只要合理設置輸入節點數N，輸出節點數M和隱層節點數H，調整神經網絡的連接權值，則可以任意的精度逼近一個非線性函數[9]。即通過實車樣本數據對神經網絡進行訓練，使各節點的權值參數收斂到理想數值，并用另一部分試驗數據對神經網絡進行驗證和預測，使性能達到精度要求。這樣不但可避免其他建模方法中物理模型建立困難的問題，還會因樣本來自真實試驗，相當于把其他方法中忽略掉的因素也考慮到，而提高了建模的準確性。

但要說明的是，網絡的輸入采用的不是力或者變形，而是傳感器采集到的AD值，由于AD值跟變形量正相關，二者本質上一致，僅相差一個換算系數。

進行BP神經網絡設計時，首先要完成其拓撲結構的確定，神經網絡由輸入層、輸出層和隱含層構成，輸入層節點N為多路應變式傳感器采集到的AD數據，由于試驗車為兩軸輕型貨車，故取N＝4。網絡輸出為載荷量，故M＝1。

隱層數和隱層節點數是網絡設計中的一個重要問題，數目增多會對精度有益，卻會導致網絡泛化能力下降，訓練要求的數據增長，訓練時間變長，而過少的隱層數會導致隱含層連接權值數目變少，網絡的識別性和擬合性變差[10]。對此，尚沒有一個良好的解析式，目前主要通過與被逼近函數的符合程度，以及目標精度等因素進行初步估計，再根據效果逐漸優化，但比較來看，增加隱節點數的方法在提高網絡的性能方面相對來說更加有效，故實際往往優先采用3層神經網絡，即單一隱層。而關于隱節點數，有些經驗公式可初步估計隱節點數，文獻[11]中提供了如下幾種計算公式：

其中：a＝1～10

式(4)～式(6)綜合考慮了輸入與輸出節點的影響，本文中采取式(6)，計算可得H＝3.61，初步選定隱層節點數為H＝4。

3 訓練樣本采集

3.1 設備實車安裝與加載試驗

所設計的車載稱重系統安裝在江淮康鈴廂式輕型貨車上進行加載試驗，試驗車外觀如圖6所示，額定載荷2t，軸距2.8m，前軸輪距1.7m，后軸輪距1.6m。

圖6 試驗車外觀

所用加載重物為混凝土路牙石塊，優點是形狀規則，易于碼放，易于實現位置較為準確的加載，單塊質量m約為42kg。

采用文獻[12]中傳感器的安裝方式，如圖7和圖8所示。圖中白色圈中即傳感器實物，它通過螺柱安裝在車橋上，前軸安裝在車橋前側兩端，后軸安裝在主減速器兩側，焊接安裝螺柱時，間距需要嚴格控制，只有這樣，當傳感器預緊至預設數值，各傳感器的性能才能保持穩定和一致。另外，左右側車橋變形的方向有所不同，所以傳感器也有左右之分。

圖7 前橋傳感器安裝示意圖

圖8 后橋傳感器安裝示意圖

加載試驗過程中，加載位置選取貨廂的正中位置。首先，根據貨車2t的額定載質量，以10%作為加載時的步長值，從空載開始，逐級加載至最大值，再逐級遞減至空載作為一次完整的試驗過程，如此重復一遍作為一天的數據，隨后在第2天和一周之后再次進行實車加載試驗。排除粗大誤差數據后，總共得到117組有效試驗數據，用于進一步的BP神經網絡訓練。

表1為每次試驗開始時，空載狀態所記錄的傳感器值。可以看出，傳感器數值會產生漂移，且數量級與處理算法中值的數量級相近，對最終結果的影響不容忽視。這主要是由兩個原因引起：一是之前所提到的關于初值問題的討論；二是由于安裝時螺栓組預緊的問題，使傳感器上存在一定的內應力，這種內應力會隨著車輛運行逐漸釋放。

_表1 試驗開始時的傳感器值(空載)

表2為實際加載時的加載量與AD變化值之間的關系。試驗過程中，由于加載組別較多，所以只列出了加載量為額定載荷量的10%，20%，30%，40%，70%和100%時的試驗數據。

_表2 加載試驗數據

3.2 BP神經網絡的訓練、驗證和預測

對BP神經網絡進行訓練的目標是使網絡輸出與期望值之間的均方誤差MSE達到要求，具體的方法是根據MSE的梯度調整網絡參數，再次計算MSE，循環此過程直至滿足要求或到達訓練退出的其他條件[13-14]。

由表2可知，加載量少和加載量多時的數據最多會相差2個數量級并且從數值角度看，采集的數據較大時，容易在數值計算過程中產生問題。此外，為提高訓練的收斂速度，對樣本數據進行歸一化處理，最后再將結果反歸一化。

本文中使用Matlab工具箱對神經網絡進行訓練，訓練過程中，采用批處理訓練模式，將所有試驗數據導入工作空間，將數據按照70%，15%，15%進行劃分，分別用于神經網絡的訓練、驗證和預測。結合本文中網絡的規模和單片機的處理能力，訓練的學習算法采用Levenberg-Marquardt(LM)算法[15]。它是Gauss-Newton算法的改進，避免求Hessian矩陣，而是用下式來代替。

式中：J為雅可比矩陣。

則

式中：g為梯度；xi為權值和閾值；I為單位矩陣；e為自然底數；μ為調整參數，根據每次的訓練結果調整μ值，可加快訓練過程。

其他訓練參數如表3所示。

表3 BP網絡訓練參數設置

開始時，按照初步估計取隱節點數H＝4進行訓練，結果如圖9所示。

圖9 H＝4時的均方誤差曲線

由圖可見，訓練曲線與驗證曲線較為一致，而測試曲線效果不理想，于是增加了節點數，當H＝5，6時，結果如圖10和圖11所示。

圖10 H＝5時的均方誤差曲線

圖11 H＝6時的均方誤差曲線

由圖可見：當H＝5時，訓練過程中的最小均方值不理想；當H＝6時，效果比較理想，此時神經網絡的拓撲結構為4×6×1。由于Matlab在選取樣本時具有隨機性，每次訓練的結果并不完全相同，需要對神經網絡進行多次訓練，然后取效果最好的一次參數作為最終的網絡參數。

此時，神經網絡的權值矩陣Hw如表4所示。

表4 隱含層權值H

圖12為對預測過程作回歸化，相關系數很高，可見預測過程中，輸出對實際值的跟蹤效果較好。

圖12 校驗過程回歸

表5為稱重預測的結果，可見當質量較小時誤差相對較大，隨著載荷增加，性能逐漸變好，原因是由于汽車本身質量較大，結構復雜，不同構件之間存在著間隙和內力，使系統在載荷較低時靈敏程度稍低，而當質量達到一定程度時，系統性能才會變得更穩定。但總體來看，相對誤差在5%以內，滿足工程設計要求。

表5 稱重結果預測

由于試驗條件有限，只在一輛車上進行了安裝，對于兩軸車，不同車型車軸之間剛度會存在差異，但神經網絡拓撲結構仍然適用，只需進行少量加載標定即可實現系統移植。

4 結論

完成了車載稱重系統軟硬件的設計，針對系統運行過程中會受到的隨機干擾，設計了壓控型2階有源低通濾波電路和中位值平均濾波算法，并通過使用Multisim9仿真軟件對低通部分進行了濾波性能仿真，結果表明，濾波設計滿足要求。通過BP神經網絡對多路傳感器AD值與真實載荷間的關系進行了神經網絡建模，構建了4×6×1型3層網絡，依靠實車試驗樣本數據對神經網絡進行了訓練，確定了各層權值和閾值，從預測結果來看，稱重誤差可控制在5%以內，滿足工程要求。

[1] 洪秀敏.公路超限運輸的六大危害[J].中國公路，2002(15)：76-77.

[2] NIEDZWIECKIM，WASILEWSKIA.Application of adaptive filtering to dynamic weighing of vehicles[J].Control Engineering Practice，1996，4(5)：635-644.

[3] KENYON A CH.Practical on-board weigh-in-motion system for commercial vehicles[J].Proceedings of SPIE-The International Society for Optical Engineering，1997，29(3)：156-161.

[4] PHILLIPS，DARRYLH.On-board weigh-in-motion of class8 trucks using Newtons second law[C].SAE International Truck and Bus Meeting and Exposition，1997.

[5] 周良亞.環衛車車載稱重計量系統開發[D].上海：華東理工大學，2010.

[6] 桂靜宜.二階有源低通濾波電路的設計與分析[J].電子科技，2010，23(10)：15-17.

[7] LIAO Y C，ZHAO H B，LIU Y J，et al.The design of active low pass filter[J].Applied Mechanics＆Materials，2014，541-542 (10)：419-423.

[8] FOSTER E.Active low-pass filter design[J].Audio IEEE Transactions on，1965，au-13(5)：104-111.

[9] 師洪濤，楊靜玲，丁茂生，等.基于小波—BP神經網絡的短期風電功率預測方法[J].電力系統自動化，2011，35(16)：44-48.

[10] 沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定[J].天津理工大學學報，2008，24(5)：13-15.

[11] 高鵬毅，陳傳波，秦升，等.一種新的基于Agent的神經網絡隱層節點數的優化算法[J].計算機工程與科學，2010，32(5)：30-33.

[12] 張榮軍，羅向東，許晨光，等.基于物聯網的車載稱重監控系統[J].計算機應用，2014(S1)：320-322.

[13] LIJ，SHENG V S，SHU Z，et al.Learning from the crowd with neural network[C].IEEE，International Conference on Machine Learning and Applications.IEEE，2015.

[14] 傅薈璇.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2010.

[15] FUN M H，HAGAN M T.Levenberg-Marquardt training formodular networks[C].IEEE Int.Conf.Neural Networks，1996，6：468-473.

A Research on Vehicle On-Board Weighing System Based on BP Neural Network

Qin W ei，Xu Guoyan＆Yu Guizhen
School of Transportation Science and Engineering，Beihang University，Beijing 100191

To solve the problem of truck's overload running and related transportation management，a vehicle on-board weighing system based on BP neural network is proposed.Bymeasuring the tiny deformation on truck axles caused by load，second-order lowpass filtering and digital filtering algorithms are designed to extract effective load data.Then load model is built by using BP neural network，and according to the sample data obtained in loading test on a light van with weighing system installed，a process of learning，testing and prediction of neural network is completed by adopting Levenberg-Marquardt learning algorithm in Matlab neural network tool box.The results show that the error of predicted load iswithin 5%，meeting engineering requirements and indicating the feasibility of proposed scheme.

on-board weighing system；lowpass filtering；BP neural network；Levenberg-M arquardt learning algorithm

10.19562/j.chinasae.qcgc.2017.05.018

?國家自然科學基金(61371076)資助。

原稿收到日期為2016年5月27日，修改稿收到日期為2016年7月5日。

徐國艷，副教授，E-mail：xuguoyan＠buaa.edu.cn。