基于神經網絡的車輛動態稱重系統設計和應用

辛梅

摘 要：基于動態化車輛承重特點，設計了一種基于神經網絡的車輛動態稱重系統，能夠基于神經網絡自適應濾波變步長LMS算法，過濾不同頻段稱重信號產生的噪聲。處于不同環境下針對不同車型，達到了較好的技術適應度且速度較快，精準度較高。可以對高速公路經過車輛重量動態計劃實現精準測量，滿足測量精準度需求，存在理論及實踐參考價值。該系統選擇高性能TMS32C2812芯片，設計較高軟硬件系統，可以對高速公路上的經過車輛重量動態計劃精準測量。

關鍵詞：神經網絡;車輛動態稱重系統;自適應濾波

Abstract：Based on the characteristics of dynamic vehicle load-bearing， this research proposes a vehicle dynamic weighing system based on neural network. The system can adaptively complete the filter LMS algorithm with variable step size based on neural network， and filter the noise generated by weighing signals in different frequency bands. In different environments for different models， it has achieved better technical adaptability， faster speed and higher accuracy. It can realize accurate measurement for the dynamic plan of vehicle weight of expressway， meet the demand of measurement accuracy， and have theoretical and practical reference value. Through the application of the system， the high-performance TMS32c2812 chip is selected and the high-performance software and hardware systems are adopted to accurately measure the dynamic plan of the passing vehicle weight on the highway.

Key words：neural network;vehicle dynamic weighing system;adaptive filtering

0 引言

動態化車輛稱重也就是在非停車運動狀態下稱重，根本特點就是能夠達到效率較高且比較節省時間，能夠有效避免存在的稱重中干擾正常交通這一問題[1]。雖然動態化稱重時由于稱重臺所受車輛輪胎的作用力所耗費時間較少，但是考慮到存在車輪的不平整量以及本身的彈性化元件，作用于平臺力包括了真實軸重，除外還包括多因素干擾力[2]，譬如車輛本身存在的諧振、輪胎及路面之間產生的作用力、不同的車輛運行速度等多因素干擾。真實軸重被逐漸淹沒至各種干擾力內，能夠測量動態化稱重高精準度。所以處于外界隨機不確定干擾力的作用下，如何可以對真實軸重精準測量，便成為現如今動態化測試系統主要解決的關鍵問題[3]。因此本次研究提出設計基于神經網絡的車輛動態稱重系統。

1 車輛動態稱重系統設計

本次設計運用了DSP（TMS320C2812型）組件，完成對車輛的動態稱重信號采集，主要硬件組件組成，如圖1所示。

包括了傳感器、MCU模塊、信號調理電路以及傳輸系統[4]。通過運用電阻應變片式傳感器能夠轉變稱重時的車輛原本壓力信號，改變為電壓（毫伏級）;MCU模塊實現了TMS320C2812芯片，實現對稱重相關數據的實時采集，并達到人機交互和多功能模塊的控制;信號調理電路該模塊主要實現了放大單元及對FIR低通濾波單元的模擬[5]。

動態稱重的流程主要是借助傳感器通過采集稱重信號之后，即被組件內的TMS320C2812內部所自帶的16通道雙偽12位A/D轉換器，實現稱重信號轉變為數字量后存儲于存儲器內部。借助本次設計的基于神經網絡自適應濾波器，處理稱重數字量后即可得相應的重量數值，然后通過向上位機傳輸經過打印顯示的數值，即可產生對應警報信號。

網絡構造的關鍵之一是對隱層節點數的確定。隱層節點太多或者太少所構造出來的網絡都不利于問題的真正解決。節點數少，網絡處理信息的能力就弱，節點數太多，會增加網絡的訓練時間和造成所謂的“超擬合”現象。導致網絡的泛化能力下降，關于隱層數及其節點數的選擇，一般原則是：在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節點數，以使網絡結構盡量簡單。

對于處在運動不穩定狀態下的被稱重車輛，提高了對系統測量精準度及實時要求。數據采集系統的數據能力作為至關緊要的關鍵技術指標，DSP系統也提高了對數據的處理能力、實時性及靈活性。因此本文通過運用硬件模擬濾波器，有效濾波信號之后對系統的測量精準性有效提升。該系統還提供了及計算機通訊RS232串行通訊接口[6]，滿足了對數據實現計算機交換處理及遠程監控的方便快捷實時性。

2 基于神經網絡車輛動態稱重信號自適應濾波器

2.1 設計自適應濾波器

對于車輛的動態化稱重信號中，低頻段的干擾信號較強會隨時對稱重測量結果造成振動干擾，筆者認為對汽車產生振動干擾的關鍵要因，包括車速、路面平整度以及車身自身振動等[7]。通常普通運用的濾波方式所受固定權值影響，僅僅對實驗內的某種車型運用效果較佳，但是假若另外車型與實驗車型差距較大，或是差異化路面情況，便會對測量精度降低。因此本文通過參照自適應噪聲的抵消原理（由于篇幅限制，在此不多做說明），需要相關噪聲的信號，那么主要采用兩種獲取方式：通過增加現場通道確保測量信號相關于被測信號內的噪聲z（n），而不相關于真實信號s（n）。一旦獲得所需的相關信號，那么即可延長原本信號延時足夠長時間。自適應濾波器對干擾的消除方法，主要是通過在參考輸入端加入d（n）作為s（n）+z（n）即有用信號相加噪聲信號，即原始稱重信號。輸入端的信號X（n）及噪聲信號z（n）相關信號c（n），該信號可以借助延時稱重信號即可獲得。

自適應濾波器其關鍵在于依據e（n）及x（n）值，經由自適應算法尋找E[e（n）]=min權值，進而實現權值的自動調節。自適應算法內以LS算法及LMS算法比較常用，本文運用變步長LMS算法，自動調整權值借助Hopfield神經網絡，實現變步長LMS算法，可得變步長LMS算法[8]表示公式如式（1）—式（5）所示。

2.2 利用Hopfield神經網絡實現變步長LMS算法

借助自適應濾波器完成對車輛稱重信號的處理之后，可以有效提高測量的精準度。但是在本次研究中由于考慮到自適應濾波器的自身權值，由于數據的整體計算量較大，所以計算效率較差不滿足系統計算速度需求[9]。在本文對如上問題提出基于Hopfield神經網絡，所設計的變步長LMS算法，根據自適應神經網絡濾波器完成權值計算，對于測量之前通過離線訓練神經網絡，在測量之后能夠對運算量有效減小，進而對測量速度有效提升。Hopfield神經網絡實現變步長LMS算法的對應矩陣、能量函數式，如式（6）、式（7）所示。

2.3 基于Hopfield神經網絡自適應濾波器軟件

在實現本次設計的基于Hopfield神經網絡車輛動態稱重軟件系統，其主要目標是為了可以完成載重信號的自適應濾波，借助Hopfield神經網絡完成對濾波器的權值計算，具體流程，如圖3所示。

3 實驗結果分析

通過在本次研究中為了驗證設計系統的運用性能，采用三軸剛性汽車空車狀態下10 t，外加15t的祛碼分別采集空車狀態及加過祛碼之后的車中[10]，如圖4所示。

維持該汽車達到20～30 km/h以內的行駛速度，根據所采集的數據時間及天氣等均為隨機情況，相較平均值測量方式得出最終測量結果可以發現，應用該系統能夠隨著速度的逐漸增加，借助基于神經網絡的車輛動態稱重系統，可以有效減少誤差產生，保證計算速率同時提高結果精準性，因此本文提出的此種基于神經網絡車輛動態稱重系統可行性較高[11-12]。

4 總結

通過在本次研究中設計了一種基于神經網絡的車輛動態稱重系統，能夠基于神經網絡自適應濾波變步長LMS算法，過濾基于不同頻段稱重信號產生的噪聲。處于不同環境下針對不同車型，達到了較好的技術適應度且速度較快，精準度較高。經本次研究應用設計該系統，選擇高性能TMS32C2812芯片，設計較高軟硬件系統，可以對高速公路上的經過車輛重量動態計劃精準測量。行之有效的對車輛動態稱重系統的時效性及抗干擾問題加以解決，并且在本次研究中還展開應用實驗，對比相較平均值的方法完成測量，驗證了DSP車輛動態稱重系統，突破了傳統稱重的局限性也無需專門頻繁的改動相關參數，達到了較高的測量精準度，且提高動態稱重的測量速度，對高速公路的車輛動態稱重中，長期面臨的干擾汽車測量精準度問題有效解決。

參考文獻

[1] 潘昊， 王曉勇， 陳瓊， 等. 基于遺傳算法的BP神經網絡技術的應用[J]. 計算機應用， 2015， 25（12）：2777-2779.

[2] 張永昊， 郭宏， 孔國生， 等. 基于神經網絡的汽車動態稱重CCD抓拍雙核系統設計[J]. 自動化與儀器儀表， 2016，28（4）：60-61.

[3] 肖珊， 魯五一. 基于小波神經網絡的裝載機動態稱重系統預測建模仿真研究[J]. 科技經濟導刊， 2016，16（35）：1-2.

[4] 白瑞林， 嚴新忠， 李軍. 基于模糊神經網絡技術的定量秤研究[J]. 計量學報， 2014， 25（2）：127-130.

[5] 熊少康， 王凌川， 章家巖， 等. 基于BP神經網絡的車輛動態稱重技術[J]. 安徽工業大學學報（自科版）， 2014， 31（1）：76-79.

[6] 石軍平， 滕勤， 王雪翠，等. 基于線性神經網絡的煤層氣發動機空燃比動態建模[J]. 小型內燃機與車輛技術， 2016， 38（6）：14-17.

[7] 張勇， 楊曉光， 張雨. 遺傳神經網絡在輪載動態稱重辨識中的應用[J]. 交通信息與安全， 2016， 24（4）：30-33.

[8] 林遠艷， 劉志勇， 戴湘利. 基于GASA的RBF神經網絡在優化柴油機燃燒系統中的應用[J]. 小型內燃機與車輛技術， 2017， 36（4）：4-8.

[9] 莊育鋒， 胡曉瑾， 翟宇. 基于BP神經網絡的微量藥品動態稱重系統非線性補償[J]. 儀器儀表學報， 2014（8）：1914-1920.

[10] 趙培杰. 基于壓電石英傳感器的高速動態稱重系統設計[D]. 太原：中北大學， 2018.

[11] 何紅麗， 張元， 呂運鵬，等. 神經網絡在汽車動態稱重數據處理中的應用[J]. 自動化儀表， 2017， 28（5）：17.

[12] 戴欣. 多信息融合車載式動態稱重系統研究[D]. 北京：北京交通大學， 2014.

（收稿日期：2019.08.29）