基于GA-PSO-BP的車輛動(dòng)態(tài)稱重算法研究

辛 宇， 陳 興， 許素安， 富雅瓊， 徐紅偉

(中國(guó)計(jì)量大學(xué)機(jī)電工程學(xué)院，浙江 杭州 310018)

0 引 言

隨著我國(guó)經(jīng)濟(jì)迅速發(fā)展，交通運(yùn)輸量也急劇增加，超載愈加嚴(yán)重。車輛動(dòng)態(tài)稱重系統(tǒng)是治理超載超限一個(gè)有效手段，并且隨著技術(shù)的進(jìn)步，可以有效地解決省界收費(fèi)站取消后的超限超載難治理的問題，但如何提高稱重精度仍是系統(tǒng)發(fā)展的重點(diǎn)和核心[1-2]。其中一個(gè)難點(diǎn)是在路面激勵(lì)、車速、車輛振動(dòng)等因素的影響下，將稱重傳感器采集到的真實(shí)信號(hào)分離出來[3]。宋文鳳[4]提出了加權(quán)-滑動(dòng)平均濾波組合算法對(duì)信號(hào)處理，楊軍[5]利用卡爾曼濾波算法濾除周期性干擾信號(hào)效果明顯，但以上算法應(yīng)對(duì)偶然出現(xiàn)的脈沖性干擾的抑制效果不佳，車輛高速狀態(tài)下效果差。另一個(gè)核心是建立合適的稱重模型進(jìn)行校正。陳超波[6]通過構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)（radial basis function neural network）動(dòng)態(tài)稱重模型對(duì)車重進(jìn)行擬合，有效降低了稱重誤差。王春香[7]利用基于遺傳算法的多段曲線擬合車重，濾除了低速干擾信號(hào)的影響。郝曉嫻[8]通過建立BP神經(jīng)網(wǎng)絡(luò)稱重模型提高了處理精度。上述模型在實(shí)際應(yīng)用中仍存在許多不足，如最小二乘法擬合僅適用于低速，神經(jīng)網(wǎng)絡(luò)法收斂慢、迭代數(shù)多、易陷入局部最小和全局搜索能力不足等缺點(diǎn)。

針對(duì)上述算法及模型的不足，本文從減少噪聲干擾及提高動(dòng)態(tài)稱重精度出發(fā)，利用小波變換對(duì)稱重信號(hào)進(jìn)行濾波及信號(hào)重構(gòu)。針對(duì)神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部極值的問題，提出了遺傳算法結(jié)合粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的動(dòng)態(tài)稱重模型，通過濾波算法預(yù)處理及建立稱重模型校正，實(shí)現(xiàn)對(duì)車輛動(dòng)態(tài)稱重信號(hào)的高精度處理。

1 動(dòng)態(tài)稱重系統(tǒng)的結(jié)構(gòu)及原理

動(dòng)態(tài)稱重系統(tǒng)主要由工型主梁一體化秤臺(tái)、嵌入式應(yīng)變傳感器、信號(hào)處理電路、地感線圈、工控機(jī)、云平臺(tái)等部分組成，圖1為動(dòng)態(tài)稱重系統(tǒng)的結(jié)構(gòu)圖[9]。動(dòng)態(tài)稱重系統(tǒng)首先將焊接好的秤臺(tái)與公路采用高強(qiáng)度混凝土澆筑連接，秤臺(tái)平面與路面水平，使稱重設(shè)備與公路之間同平面無(wú)間隙。垂直行車方向的單個(gè)工型梁上安裝兩個(gè)嵌入式應(yīng)變傳感器。當(dāng)車輛行駛經(jīng)過稱臺(tái)時(shí)，秤臺(tái)上承受的壓力導(dǎo)致結(jié)構(gòu)梁及應(yīng)變片發(fā)生形變，將質(zhì)量信號(hào)轉(zhuǎn)換為差分信號(hào)；信號(hào)處理電路將傳感器傳來的信號(hào)進(jìn)行放大、濾波處理；工控機(jī)對(duì)電壓信號(hào)進(jìn)一步處理運(yùn)算得到車輛修正后的動(dòng)態(tài)質(zhì)量，并將處理結(jié)果上傳至云平臺(tái)。

圖1 動(dòng)態(tài)稱重系統(tǒng)結(jié)構(gòu)圖

2 動(dòng)態(tài)稱重信號(hào)預(yù)處理

動(dòng)態(tài)稱重信號(hào)中包含著各種噪聲，可以分為低頻隨機(jī)振動(dòng)噪聲干擾和高頻噪聲干擾[10]，動(dòng)態(tài)稱重信號(hào)主要表現(xiàn)為低頻信號(hào)，影響稱量精度的最主要因素是高頻噪聲。

車輛通過秤臺(tái)產(chǎn)生的理想波形為梯形波，梯形波的上底表示為車輛駛過秤臺(tái)的波形，實(shí)際的波形受車速、車輛振動(dòng)、路面激勵(lì)、環(huán)境等因素影響，因此想要提高動(dòng)態(tài)稱重精度，首先需要對(duì)信號(hào)進(jìn)行去噪處理，使采集波形接近理想波形[11]。

Daubechies小波函數(shù)（簡(jiǎn)稱dbN小波，N是小波的階數(shù)）對(duì)不規(guī)則信號(hào)較為敏感，在信號(hào)分析上應(yīng)用廣泛[12]，db4小波為緊支撐正交實(shí)小波，正交性好、消失矩大，在時(shí)頻域分析中優(yōu)勢(shì)明顯，為了獲得被干擾信號(hào)淹沒的真實(shí)動(dòng)態(tài)稱重信號(hào)，可以利用db4小波對(duì)稱重信號(hào)進(jìn)行多層分解并重構(gòu)，減小噪聲信號(hào)的干擾。除N=1（Harr小波）外，dbN沒有明確的公式表達(dá)，小波函數(shù)可以由尺度函數(shù)以及濾波器系數(shù)求出，是的位移加權(quán)和，公式如下：

db4小波函數(shù)和尺度函數(shù)如圖2所示。

圖2 db4小波函數(shù)與其尺度函數(shù)

設(shè)連續(xù)函數(shù) f (x)∈L2(R)，則以db4作為基本小波的連續(xù)小波變換為：

式中：a——伸縮因子；

b——平移因子；

式中，t為離散時(shí)間參數(shù)，m為伸縮因子，n為平移因子；通常選取 a0=b0=2，其對(duì)應(yīng)的變換為二進(jìn)制離散小波變換。

1）確定小波類型及小波分解的層次。

2）高頻系數(shù)閾值選擇。選擇第一層到第N層的閾值。

3）根據(jù)第N層的低頻系數(shù)和第一層到第N層的高頻系數(shù)，對(duì)信號(hào)進(jìn)行分解和重構(gòu)。

4）本文采用db4小波分解函數(shù)對(duì)信號(hào)進(jìn)行5層分解：

其中wavedec是一個(gè)小波分解函數(shù)，x5為被分解的函數(shù)，5表示分解的層數(shù)，db4表示采用的小波分解函數(shù)。圖3和圖4分別表示為對(duì)信號(hào)進(jìn)行去噪重構(gòu)前、重構(gòu)后的結(jié)果。通過小波變換去噪重構(gòu)的信號(hào)波形更接近于理想信號(hào)，保證了動(dòng)態(tài)車重獲取的準(zhǔn)確性及稱重模型建立可靠性。

圖3 小波變換去噪前波形

圖4 小波變換去噪后波形

3 動(dòng)態(tài)稱重模型及算法

3.1 GA-PSO算法

粒子群算法是一種并行隨機(jī)搜索的算法，在個(gè)體適應(yīng)度條件下進(jìn)行全局搜索，迭代更新每一個(gè)粒子的速度和位置，并保存?zhèn)€體和集體極值，能短時(shí)間內(nèi)精準(zhǔn)接近目標(biāo)，但尋優(yōu)過程中易陷入局部極值。遺傳算法同粒子群算法類似，都是基于種群及種群適應(yīng)度。遺傳算法具有良好的并行計(jì)算能力和全局搜索能力，但在種群迭代更新中存在信息丟失，并不會(huì)將個(gè)體的信息進(jìn)行保存，易出現(xiàn)收斂緩慢或停止的現(xiàn)象[14]。針對(duì)兩種算法的缺陷，本文將遺傳算法中交叉、變異操作引入粒子群算法完成對(duì)粒子進(jìn)行更新，使算法具備了遺傳算法全局收斂和粒子群算法收斂速度快的優(yōu)點(diǎn)。

PSO算法尋優(yōu)是每個(gè)粒子在迭代過程中對(duì)其速度和位置進(jìn)行更新：

為了防止在迭代過程中粒子運(yùn)動(dòng)范圍過大或速度太快，還需要設(shè)置參數(shù)對(duì)粒子的位置和速度進(jìn)行更新并加以限制。

混合算法中首先更新粒子的速度項(xiàng)，不再利用慣性系數(shù)乘以原始速度，而是將粒子速度進(jìn)行變異操作，用遺傳算法的變異概率替換速度項(xiàng) ω Vi(k)，然后讓粒子分別先后與個(gè)體極值、全局極值進(jìn)行交叉操作，用遺傳算法的交叉概率進(jìn)行替換。最后將經(jīng)過遺傳處理的粒子及其對(duì)應(yīng)的速度項(xiàng)相加，完成粒子的更新。

3.2 GA-PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

GA-PSO算法能夠有效地克服BP算法的局部最優(yōu)的缺陷，迭代優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值[15]，GAPSO-BP的算法流程（見圖5）如下：

圖5 GA-PSO-BP算法流程

1）初始化神經(jīng)網(wǎng)絡(luò)。確定BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)及基本參數(shù)。

式中：l——輸出節(jié)點(diǎn)數(shù)；

3）粒子群的迭代。計(jì)算更新粒子的速度和位置及粒子的適應(yīng)度，得到新種群。

6）判斷粒子群迭代次數(shù)會(huì)否大于最大迭代數(shù)，或者適應(yīng)度函數(shù)的值是否優(yōu)于前一代，以最優(yōu)個(gè)體值作為神經(jīng)網(wǎng)絡(luò)參數(shù)。

4 算法處理與結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)獲取

2019年10月至12月在浙江某汽車動(dòng)態(tài)稱重設(shè)備測(cè)試現(xiàn)場(chǎng)進(jìn)行了設(shè)備布置，對(duì)車輛動(dòng)態(tài)情況下的稱重系統(tǒng)進(jìn)行了實(shí)驗(yàn)測(cè)試。

實(shí)驗(yàn)前對(duì)6輛車進(jìn)行靜態(tài)標(biāo)定，獲取車輛的靜態(tài)車重。測(cè)試并記錄各車輛通過秤臺(tái)的動(dòng)態(tài)車輛速度及軸數(shù)，試驗(yàn)車輛如表1所示：選取二軸、四軸、六軸貨車各2輛，總共6種不同載荷，實(shí)驗(yàn)總共采集數(shù)據(jù)189組。

表1 實(shí)驗(yàn)基礎(chǔ)數(shù)據(jù)

4.2 動(dòng)態(tài)稱重模型建立及參數(shù)選擇

選取車輛動(dòng)態(tài)稱重?cái)M合值作為神經(jīng)網(wǎng)絡(luò)輸出，預(yù)處理后的動(dòng)態(tài)車重、車速、車輛軸數(shù)作為BP網(wǎng)絡(luò)輸入，進(jìn)行訓(xùn)練。本實(shí)驗(yàn)中PSO種群規(guī)模，粒子維度D=36，c1=c2=2，收斂精度E=0.001，遺傳算法交叉概率Pc=0.7，變異概率Pm=0.2。BP網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)為3，隱含層節(jié)點(diǎn)數(shù)為5，輸出節(jié)點(diǎn)數(shù)為1，訓(xùn)練次數(shù)設(shè)置為1000，學(xué)習(xí)速率設(shè)置為0.1，目標(biāo)誤差為0.0001。每種車型隨機(jī)挑選兩個(gè)樣本，共選取12組樣本作為測(cè)試數(shù)據(jù)，剩下的177組數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行模型訓(xùn)練。

首先通過mapminmax函數(shù)對(duì)輸入輸出數(shù)據(jù)進(jìn)行歸一化和反歸一化處理，提高樣本的收斂速度，選擇學(xué)習(xí)效率高且迭代誤差減小幅度較大的trainlm函數(shù)作為學(xué)習(xí)函數(shù)，誤差較小的tansig正切函數(shù)作為輸入層到隱含層傳遞函數(shù)，purelin線性函數(shù)作為隱含層到輸出層的傳遞函數(shù)。

4.3 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)以靜態(tài)質(zhì)量為22560 kg的四軸貨車為例，構(gòu)建GA-PSO-BP稱重模型，并與BP模型、PSOBP模型及靜態(tài)車重、原始數(shù)據(jù)進(jìn)行對(duì)比分析，如圖6所示。在各擬合曲線中，BP、PSO-BP稱重模型由于易陷入局部最優(yōu)解的缺陷，與靜態(tài)車重的值相差較大，從GA-PSO-BP模型的擬合曲線來看通過GA和PSO模型的優(yōu)勢(shì)互補(bǔ)，預(yù)測(cè)值與靜態(tài)車重能夠較好地吻合。

圖6 多模型預(yù)測(cè)質(zhì)量對(duì)比圖

PSO-BP神經(jīng)網(wǎng)絡(luò)適應(yīng)度函數(shù)值和GA-PSOBP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù)值如圖7所示，混合算法優(yōu)化的網(wǎng)絡(luò)模型收斂速度和最優(yōu)個(gè)體適應(yīng)度值都好于PSO-BP模型，經(jīng)過100代的迭代，GA-PSOBP的最優(yōu)個(gè)體適應(yīng)度函數(shù)值為0.0501，PSO-BP得到的適應(yīng)度函數(shù)值為0.7358。

圖7 最優(yōu)個(gè)體適應(yīng)度變化曲線

為驗(yàn)證訓(xùn)練完成的GA-PSO-BP神經(jīng)網(wǎng)絡(luò)驗(yàn)證動(dòng)態(tài)稱重模型的準(zhǔn)確性及優(yōu)越性，將選取的12組測(cè)試樣本用于驗(yàn)證，由表2可知，最大稱重誤差降至 0.9849%，稱重結(jié)果滿足 JJG 907—2006《車輛自動(dòng)衡器檢定規(guī)程》中1級(jí)秤的規(guī)定誤差不超過1%的要求。

表2 GA-PSO-BP模型對(duì)車動(dòng)態(tài)稱重?cái)?shù)據(jù)擬合結(jié)果

5 結(jié)束語(yǔ)

本文提出了一種基于小波變換和GA-PSO-BP神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)稱重模型。通過對(duì)信號(hào)的濾波重構(gòu)，降低了復(fù)雜環(huán)境對(duì)真實(shí)稱重信號(hào)獲取的影響。融合粒子群算法全局尋優(yōu)及遺傳算法的并行計(jì)算的優(yōu)點(diǎn)，有效克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值的問題，提高了收斂速度，并用訓(xùn)練好的網(wǎng)絡(luò)對(duì)稱重?cái)?shù)據(jù)進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，模型所需樣本少，精度高，能有效地將車輛的稱重誤差控制在1%以內(nèi)，稱重結(jié)果達(dá)到國(guó)標(biāo)JJG907—2006《車輛自動(dòng)衡器檢定規(guī)程》中的1級(jí)標(biāo)準(zhǔn)。該方法的應(yīng)用可以為解決省界收費(fèi)站取消以后的治理超限超載提供有效助力。