基于BP神經(jīng)網(wǎng)絡(luò)的汽車(chē)車(chē)載稱(chēng)重系統(tǒng)研究?

秦 偉，徐國(guó)艷，余貴珍

(北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 100191)

基于BP神經(jīng)網(wǎng)絡(luò)的汽車(chē)車(chē)載稱(chēng)重系統(tǒng)研究?

秦 偉，徐國(guó)艷，余貴珍

(北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 100191)

為解決汽車(chē)超載運(yùn)行和相應(yīng)的運(yùn)輸業(yè)管理問(wèn)題，本文中提出了一套基于BP神經(jīng)網(wǎng)絡(luò)的車(chē)載稱(chēng)重系統(tǒng)。通過(guò)檢測(cè)車(chē)橋隨載荷量變化而產(chǎn)生的微小變形，設(shè)計(jì)了2階低通濾波和數(shù)字濾波算法，以提取有效載荷信息，利用BP神經(jīng)網(wǎng)絡(luò)建立載荷模型，并根據(jù)在某輕型廂式貨車(chē)上進(jìn)行的試裝和加載試驗(yàn)得到的樣本數(shù)據(jù)，在Matlab神經(jīng)網(wǎng)絡(luò)工具箱中，采用Levenberg-Marquardt學(xué)習(xí)算法完成了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、檢驗(yàn)和預(yù)測(cè)。結(jié)果表明：預(yù)測(cè)載荷誤差在5%以?xún)?nèi)，滿(mǎn)足工程要求，方案可行。

車(chē)載稱(chēng)重系統(tǒng)；低通濾波；BP神經(jīng)網(wǎng)絡(luò)；Levenberg-M arquardt學(xué)習(xí)算法

前言

車(chē)輛超載問(wèn)題是困擾交通安全的重大問(wèn)題之一，據(jù)統(tǒng)計(jì)，70%的道路安全事故是由于車(chē)輛超限超載引發(fā)的，不但數(shù)量龐大，且破壞性嚴(yán)重[1]。目前，解決超載問(wèn)題的途徑，除加強(qiáng)執(zhí)法力度外，動(dòng)態(tài)稱(chēng)重系統(tǒng)(weighing-in-motion，WIM)技術(shù)發(fā)展較快，它允許汽車(chē)以一定的速度通過(guò)檢測(cè)區(qū)，實(shí)現(xiàn)不停車(chē)稱(chēng)重，提高了檢測(cè)效率，精度較高[2-4]，但卻仍屬于定點(diǎn)稱(chēng)重策略，無(wú)法解決更廣泛的超載問(wèn)題。為從源頭上治理超載，人們著眼于貨運(yùn)汽車(chē)本身，加上近年來(lái)無(wú)線通信技術(shù)的飛速發(fā)展，將稱(chēng)重裝置安裝在汽車(chē)車(chē)體上的車(chē)載稱(chēng)重技術(shù)正引起人們?cè)絹?lái)越多的重視。而對(duì)于運(yùn)輸業(yè)來(lái)說(shuō)，車(chē)載稱(chēng)重系統(tǒng)有利于提高運(yùn)輸效率，并防止駕駛員的不正當(dāng)行為。

目前的車(chē)載稱(chēng)重系統(tǒng)的研究具有3個(gè)主要分支。第1種是直接法，將傳感器安裝在車(chē)架和貨箱之間，傳感器組承受全部載荷，這對(duì)傳感器本身的工藝要求較高，丹麥Eilersen公司的產(chǎn)品就屬此類(lèi)；第2種是間接法，車(chē)梁、車(chē)橋和懸架等車(chē)身結(jié)構(gòu)件受載后，會(huì)產(chǎn)生相應(yīng)的彈性變形，通過(guò)檢測(cè)和采集這些信息并轉(zhuǎn)換為載荷信息，這種方法對(duì)車(chē)輛本身承載結(jié)構(gòu)的影響甚微，沒(méi)有安全隱患；而像城市垃圾車(chē)、餐廚車(chē)和裝載機(jī)等具有專(zhuān)門(mén)的提升和裝載機(jī)構(gòu)的車(chē)輛，可通過(guò)對(duì)載質(zhì)量的變化狀況進(jìn)行跟蹤，以實(shí)現(xiàn)總載荷的測(cè)量，則屬第3種方法。

本文中采用的稱(chēng)重策略將傳感器安裝在車(chē)橋上，當(dāng)車(chē)輛載重時(shí)，車(chē)橋產(chǎn)生相應(yīng)的微量變形，利用傳感器采集該信號(hào)，采集到的數(shù)據(jù)經(jīng)過(guò)濾波、轉(zhuǎn)換、神經(jīng)網(wǎng)絡(luò)算法等處理后得到載貨量信息。按照此方法，在設(shè)備安裝時(shí)只須進(jìn)行少量焊接，對(duì)車(chē)橋的承力結(jié)構(gòu)造成的影響甚微，不會(huì)影響車(chē)輛行駛的安全性，屬于間接測(cè)量的第2種方法。

1 車(chē)載稱(chēng)重系統(tǒng)的設(shè)計(jì)

靜止工況下的數(shù)據(jù)采集是稱(chēng)重的重點(diǎn)，而判斷靜止工況最直接且準(zhǔn)確的物理量就是速度，故而應(yīng)當(dāng)設(shè)置速度作為參考量。另外，在長(zhǎng)期使用過(guò)程中，疲勞和機(jī)械蠕變等外部因素，會(huì)對(duì)傳感器產(chǎn)生不可逆的干擾，這些非隨機(jī)性的干擾難以通過(guò)常規(guī)的濾波算法進(jìn)行去除，所以，在數(shù)據(jù)處理，尤其是數(shù)據(jù)截?cái)嗟倪^(guò)程中，應(yīng)當(dāng)對(duì)作為參考的初值進(jìn)行不斷修正。該稱(chēng)重系統(tǒng)的工作流程如圖1所示，當(dāng)汽車(chē)從行駛工況轉(zhuǎn)為靜止工況時(shí)，系統(tǒng)對(duì)傳感器的即時(shí)值進(jìn)行讀取并鎖定，然后基于此值執(zhí)行后續(xù)的稱(chēng)重算法，而當(dāng)汽車(chē)從靜止工況轉(zhuǎn)為行駛工況時(shí)，傳感器初值將再次記錄并鎖定載荷數(shù)值。

圖1 車(chē)載稱(chēng)重系統(tǒng)工作流程

1.1 硬件系統(tǒng)設(shè)計(jì)

車(chē)載稱(chēng)重系統(tǒng)是一套集成數(shù)據(jù)的采集、傳輸、融合和呈現(xiàn)等功能為一體的數(shù)據(jù)處理系統(tǒng)，其構(gòu)成如圖2所示。

對(duì)于稱(chēng)重問(wèn)題，目前，廣泛應(yīng)用的傳感器有位移式、電容式和應(yīng)變式3種類(lèi)型，選型時(shí)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(yīng)變式傳感器。這種傳感器在稱(chēng)重領(lǐng)域使用時(shí)間較長(zhǎng)，技術(shù)成熟，若采用多片應(yīng)變片組成惠斯通電橋，可實(shí)現(xiàn)溫度的自行補(bǔ)償。此外，它還具有150%的過(guò)載能力，由于是安裝在車(chē)橋上，車(chē)輛的主要載荷由車(chē)橋承受，傳感器自身不承載，故過(guò)載能力滿(mǎn)足要求。

圖2 稱(chēng)重系統(tǒng)構(gòu)成與流程圖

傳感器采集到的數(shù)據(jù)經(jīng)過(guò)低通濾波和數(shù)字濾波，完成初步處理?？紤]到車(chē)輛軸數(shù)會(huì)隨車(chē)型的不同而發(fā)生變化，而CAN總線上節(jié)點(diǎn)接入方便，可有效提高系統(tǒng)對(duì)不同車(chē)型的適應(yīng)能力，故選取CAN總線網(wǎng)絡(luò)完成傳感器與單片機(jī)間的數(shù)據(jù)傳輸。搭載STM32型單片機(jī)的控制板接收到數(shù)據(jù)后，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)處理，將數(shù)據(jù)轉(zhuǎn)換成載荷信息。之后，載荷信息被顯示在車(chē)載終端上，另外，主控板上還留有移動(dòng)數(shù)據(jù)接口，以實(shí)現(xiàn)數(shù)據(jù)的遠(yuǎn)程傳輸。

1.2 濾波算法設(shè)計(jì)

受到地面不平度、車(chē)輛自身諧振、貨物裝卸時(shí)沖擊引起的振動(dòng)等因素的影響，實(shí)際數(shù)據(jù)采集中會(huì)混入大量干擾成分，影響采樣結(jié)果，根據(jù)文獻(xiàn)[5]，干擾信號(hào)大多為高頻信號(hào)，車(chē)輛的載重信號(hào)則為低于20Hz的低頻信號(hào)，故應(yīng)采用低通濾波算法對(duì)采樣信號(hào)進(jìn)行處理，消除高頻干擾，提高數(shù)據(jù)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(wèn)題，而2階低通濾波可解決這一問(wèn)題[6-8]，故而采用2階壓控低通濾波電路，其電路結(jié)構(gòu)如圖3所示。

圖3所示電路的傳遞函數(shù)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(jié)構(gòu)

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(jìn)而R＝795.8Ω，根據(jù)0603型貼片電阻阻值，取最接近的R＝820Ω，由等效品質(zhì)因數(shù)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(duì)濾波電路進(jìn)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(jié)果如圖5所示。由圖可見(jiàn)，曲線的縱坐標(biāo)最大值為8.24dB，按照-3dB截止頻率，圖中已將標(biāo)尺移動(dòng)至5.21dB處，此時(shí)的頻率f＝19.765Hz，符合設(shè)計(jì)要求，達(dá)到了預(yù)期效果。

數(shù)字濾波部分采取中位值平均濾波算法，連續(xù)采集10個(gè)數(shù)據(jù)Xi，i＝0～9，然后對(duì)這10個(gè)數(shù)據(jù)進(jìn)行排序，去除最大值和最小值，然后對(duì)剩下的8個(gè)數(shù)據(jù)取平均值作為本次采集的有效數(shù)值Y，同時(shí)將Y值發(fā)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(dòng)干擾而引起的偏差值。另外，還可減小總線上的數(shù)據(jù)傳輸壓力。

圖5 Multisim9仿真結(jié)果

2 載荷模型的建立

載荷模型的優(yōu)劣直接關(guān)系到整個(gè)系統(tǒng)的性能，是數(shù)據(jù)處理中要解決的關(guān)鍵問(wèn)題。涉及到力和變形時(shí)，一般考慮動(dòng)力學(xué)分析或靜力學(xué)分析的建模方法，其中，動(dòng)力學(xué)分析往往把分析對(duì)象簡(jiǎn)化為彈簧阻尼系統(tǒng)，建立相應(yīng)微分方程作為分析模型；靜力學(xué)分析則要求充分掌握分析對(duì)象的形狀參數(shù)和材料力學(xué)性能參數(shù)，才能達(dá)到良好的效果。而車(chē)橋本身是一個(gè)形狀和結(jié)構(gòu)都很復(fù)雜的汽車(chē)結(jié)構(gòu)件，無(wú)論三維建模還是臺(tái)架試驗(yàn)測(cè)量，動(dòng)力學(xué)中的彈簧剛度、阻尼系數(shù)，或靜力學(xué)中的扭轉(zhuǎn)剛度、彎曲剛度等參數(shù)都難以獲得；另外，不同車(chē)型的車(chē)橋形狀大小各異，每當(dāng)車(chē)橋改變，這些工作都要重新來(lái)做，更是費(fèi)時(shí)費(fèi)力，實(shí)際效果如何也難以定論。所以，動(dòng)力學(xué)或靜力學(xué)的分析方法都不太適用，本文中采用了神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行載荷模型的建立。

BP神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近、模式識(shí)別等眾多領(lǐng)域應(yīng)用廣泛，其輸入與輸出之間是一種高度非線性的映射關(guān)系，只要合理設(shè)置輸入節(jié)點(diǎn)數(shù)N，輸出節(jié)點(diǎn)數(shù)M和隱層節(jié)點(diǎn)數(shù)H，調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，則可以任意的精度逼近一個(gè)非線性函數(shù)[9]。即通過(guò)實(shí)車(chē)樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使各節(jié)點(diǎn)的權(quán)值參數(shù)收斂到理想數(shù)值，并用另一部分試驗(yàn)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證和預(yù)測(cè)，使性能達(dá)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(wèn)題，還會(huì)因樣本來(lái)自真實(shí)試驗(yàn)，相當(dāng)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(zhǔn)確性。

但要說(shuō)明的是，網(wǎng)絡(luò)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(guān)，二者本質(zhì)上一致，僅相差一個(gè)換算系數(shù)。

進(jìn)行BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時(shí)，首先要完成其拓?fù)浣Y(jié)構(gòu)的確定，神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和隱含層構(gòu)成，輸入層節(jié)點(diǎn)N為多路應(yīng)變式傳感器采集到的AD數(shù)據(jù)，由于試驗(yàn)車(chē)為兩軸輕型貨車(chē)，故取N＝4。網(wǎng)絡(luò)輸出為載荷量，故M＝1。

隱層數(shù)和隱層節(jié)點(diǎn)數(shù)是網(wǎng)絡(luò)設(shè)計(jì)中的一個(gè)重要問(wèn)題，數(shù)目增多會(huì)對(duì)精度有益，卻會(huì)導(dǎo)致網(wǎng)絡(luò)泛化能力下降，訓(xùn)練要求的數(shù)據(jù)增長(zhǎng)，訓(xùn)練時(shí)間變長(zhǎng)，而過(guò)少的隱層數(shù)會(huì)導(dǎo)致隱含層連接權(quán)值數(shù)目變少，網(wǎng)絡(luò)的識(shí)別性和擬合性變差[10]。對(duì)此，尚沒(méi)有一個(gè)良好的解析式，目前主要通過(guò)與被逼近函數(shù)的符合程度，以及目標(biāo)精度等因素進(jìn)行初步估計(jì)，再根據(jù)效果逐漸優(yōu)化，但比較來(lái)看，增加隱節(jié)點(diǎn)數(shù)的方法在提高網(wǎng)絡(luò)的性能方面相對(duì)來(lái)說(shuō)更加有效，故實(shí)際往往優(yōu)先采用3層神經(jīng)網(wǎng)絡(luò)，即單一隱層。而關(guān)于隱節(jié)點(diǎn)數(shù)，有些經(jīng)驗(yàn)公式可初步估計(jì)隱節(jié)點(diǎn)數(shù)，文獻(xiàn)[11]中提供了如下幾種計(jì)算公式：

其中：a＝1～10

式(4)～式(6)綜合考慮了輸入與輸出節(jié)點(diǎn)的影響，本文中采取式(6)，計(jì)算可得H＝3.61，初步選定隱層節(jié)點(diǎn)數(shù)為H＝4。

3 訓(xùn)練樣本采集

3.1 設(shè)備實(shí)車(chē)安裝與加載試驗(yàn)

所設(shè)計(jì)的車(chē)載稱(chēng)重系統(tǒng)安裝在江淮康鈴廂式輕型貨車(chē)上進(jìn)行加載試驗(yàn)，試驗(yàn)車(chē)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(yàn)車(chē)外觀

所用加載重物為混凝土路牙石塊，優(yōu)點(diǎn)是形狀規(guī)則，易于碼放，易于實(shí)現(xiàn)位置較為準(zhǔn)確的加載，單塊質(zhì)量m約為42kg。

采用文獻(xiàn)[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(shí)物，它通過(guò)螺柱安裝在車(chē)橋上，前軸安裝在車(chē)橋前側(cè)兩端，后軸安裝在主減速器兩側(cè)，焊接安裝螺柱時(shí)，間距需要嚴(yán)格控制，只有這樣，當(dāng)傳感器預(yù)緊至預(yù)設(shè)數(shù)值，各傳感器的性能才能保持穩(wěn)定和一致。另外，左右側(cè)車(chē)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(yàn)過(guò)程中，加載位置選取貨廂的正中位置。首先，根據(jù)貨車(chē)2t的額定載質(zhì)量，以10%作為加載時(shí)的步長(zhǎng)值，從空載開(kāi)始，逐級(jí)加載至最大值，再逐級(jí)遞減至空載作為一次完整的試驗(yàn)過(guò)程，如此重復(fù)一遍作為一天的數(shù)據(jù)，隨后在第2天和一周之后再次進(jìn)行實(shí)車(chē)加載試驗(yàn)。排除粗大誤差數(shù)據(jù)后，總共得到117組有效試驗(yàn)數(shù)據(jù)，用于進(jìn)一步的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

表1為每次試驗(yàn)開(kāi)始時(shí)，空載狀態(tài)所記錄的傳感器值。可以看出，傳感器數(shù)值會(huì)產(chǎn)生漂移，且數(shù)量級(jí)與處理算法中值的數(shù)量級(jí)相近，對(duì)最終結(jié)果的影響不容忽視。這主要是由兩個(gè)原因引起：一是之前所提到的關(guān)于初值問(wèn)題的討論；二是由于安裝時(shí)螺栓組預(yù)緊的問(wèn)題，使傳感器上存在一定的內(nèi)應(yīng)力，這種內(nèi)應(yīng)力會(huì)隨著車(chē)輛運(yùn)行逐漸釋放。

_表1 試驗(yàn)開(kāi)始時(shí)的傳感器值(空載)

表2為實(shí)際加載時(shí)的加載量與AD變化值之間的關(guān)系。試驗(yàn)過(guò)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(shí)的試驗(yàn)數(shù)據(jù)。

_表2 加載試驗(yàn)數(shù)據(jù)

3.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和預(yù)測(cè)

對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的目標(biāo)是使網(wǎng)絡(luò)輸出與期望值之間的均方誤差MSE達(dá)到要求，具體的方法是根據(jù)MSE的梯度調(diào)整網(wǎng)絡(luò)參數(shù)，再次計(jì)算MSE，循環(huán)此過(guò)程直至滿(mǎn)足要求或到達(dá)訓(xùn)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(shí)的數(shù)據(jù)最多會(huì)相差2個(gè)數(shù)量級(jí)并且從數(shù)值角度看，采集的數(shù)據(jù)較大時(shí)，容易在數(shù)值計(jì)算過(guò)程中產(chǎn)生問(wèn)題。此外，為提高訓(xùn)練的收斂速度，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，最后再將結(jié)果反歸一化。

本文中使用Matlab工具箱對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中，采用批處理訓(xùn)練模式，將所有試驗(yàn)數(shù)據(jù)導(dǎo)入工作空間，將數(shù)據(jù)按照70%，15%，15%進(jìn)行劃分，分別用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和預(yù)測(cè)。結(jié)合本文中網(wǎng)絡(luò)的規(guī)模和單片機(jī)的處理能力，訓(xùn)練的學(xué)習(xí)算法采用Levenberg-Marquardt(LM)算法[15]。它是Gauss-Newton算法的改進(jìn)，避免求Hessian矩陣，而是用下式來(lái)代替。

式中：J為雅可比矩陣。

則

式中：g為梯度；xi為權(quán)值和閾值；I為單位矩陣；e為自然底數(shù)；μ為調(diào)整參數(shù)，根據(jù)每次的訓(xùn)練結(jié)果調(diào)整μ值，可加快訓(xùn)練過(guò)程。

其他訓(xùn)練參數(shù)如表3所示。

表3 BP網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置

開(kāi)始時(shí)，按照初步估計(jì)取隱節(jié)點(diǎn)數(shù)H＝4進(jìn)行訓(xùn)練，結(jié)果如圖9所示。

圖9 H＝4時(shí)的均方誤差曲線

由圖可見(jiàn)，訓(xùn)練曲線與驗(yàn)證曲線較為一致，而測(cè)試曲線效果不理想，于是增加了節(jié)點(diǎn)數(shù)，當(dāng)H＝5，6時(shí)，結(jié)果如圖10和圖11所示。

圖10 H＝5時(shí)的均方誤差曲線

圖11 H＝6時(shí)的均方誤差曲線

由圖可見(jiàn)：當(dāng)H＝5時(shí)，訓(xùn)練過(guò)程中的最小均方值不理想；當(dāng)H＝6時(shí)，效果比較理想，此時(shí)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為4×6×1。由于Matlab在選取樣本時(shí)具有隨機(jī)性，每次訓(xùn)練的結(jié)果并不完全相同，需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練，然后取效果最好的一次參數(shù)作為最終的網(wǎng)絡(luò)參數(shù)。

此時(shí)，神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣Hw如表4所示。

表4 隱含層權(quán)值H

圖12為對(duì)預(yù)測(cè)過(guò)程作回歸化，相關(guān)系數(shù)很高，可見(jiàn)預(yù)測(cè)過(guò)程中，輸出對(duì)實(shí)際值的跟蹤效果較好。

圖12 校驗(yàn)過(guò)程回歸

表5為稱(chēng)重預(yù)測(cè)的結(jié)果，可見(jiàn)當(dāng)質(zhì)量較小時(shí)誤差相對(duì)較大，隨著載荷增加，性能逐漸變好，原因是由于汽車(chē)本身質(zhì)量較大，結(jié)構(gòu)復(fù)雜，不同構(gòu)件之間存在著間隙和內(nèi)力，使系統(tǒng)在載荷較低時(shí)靈敏程度稍低，而當(dāng)質(zhì)量達(dá)到一定程度時(shí)，系統(tǒng)性能才會(huì)變得更穩(wěn)定。但總體來(lái)看，相對(duì)誤差在5%以?xún)?nèi)，滿(mǎn)足工程設(shè)計(jì)要求。

表5 稱(chēng)重結(jié)果預(yù)測(cè)

由于試驗(yàn)條件有限，只在一輛車(chē)上進(jìn)行了安裝，對(duì)于兩軸車(chē)，不同車(chē)型車(chē)軸之間剛度會(huì)存在差異，但神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)仍然適用，只需進(jìn)行少量加載標(biāo)定即可實(shí)現(xiàn)系統(tǒng)移植。

4 結(jié)論

完成了車(chē)載稱(chēng)重系統(tǒng)軟硬件的設(shè)計(jì)，針對(duì)系統(tǒng)運(yùn)行過(guò)程中會(huì)受到的隨機(jī)干擾，設(shè)計(jì)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(guò)使用Multisim9仿真軟件對(duì)低通部分進(jìn)行了濾波性能仿真，結(jié)果表明，濾波設(shè)計(jì)滿(mǎn)足要求。通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)多路傳感器AD值與真實(shí)載荷間的關(guān)系進(jìn)行了神經(jīng)網(wǎng)絡(luò)建模，構(gòu)建了4×6×1型3層網(wǎng)絡(luò)，依靠實(shí)車(chē)試驗(yàn)樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，確定了各層權(quán)值和閾值，從預(yù)測(cè)結(jié)果來(lái)看，稱(chēng)重誤差可控制在5%以?xún)?nèi)，滿(mǎn)足工程要求。

[1] 洪秀敏.公路超限運(yùn)輸?shù)牧笪：J].中國(guó)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(huán)衛(wèi)車(chē)車(chē)載稱(chēng)重計(jì)量系統(tǒng)開(kāi)發(fā)[D].上海：華東理工大學(xué)，2010.

[6] 桂靜宜.二階有源低通濾波電路的設(shè)計(jì)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(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2011，35(16)：44-48.

[10] 沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào)，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(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的優(yōu)化算法[J].計(jì)算機(jī)工程與科學(xué)，2010，32(5)：30-33.

[12] 張榮軍，羅向東，許晨光，等.基于物聯(lián)網(wǎng)的車(chē)載稱(chēng)重監(jiān)控系統(tǒng)[J].計(jì)算機(jī)應(yīng)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(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)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(guó)家自然科學(xué)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(guó)艷，副教授，E-mail：xuguoyan＠buaa.edu.cn。