公路汽车动态称重信号由于受外界各种干扰因素的影响,数据处理较为复杂。针对汽车动态称重系统中数据处理的复杂性,提出了利用神经网络算法对动态称重信号中影响测量精度的主要因素进行数据融合,实现消除外界干扰和非线性校正。实验结果表明,神经网络算法对动态称重信号的数据融合可行有效,其精度满足ASTMWIM系统分类(E1318-94标准)的III类要求。
维普资讯 doc.guandang.net
神经网络在汽车动态称重数据处理中的应用
何红丽。等
信度为 9%。当汽车以一定的速度通过称重台时, 5轮胎对受荷板的作用时间不仅很短 (在几百毫秒内)而,且作用在上面的力除真实轮重外,有外界因素产生还
的各种干扰,根据文献[] 2的分析,主要干扰因素为汽 车的行驶速度、路面的不平度或称重平台造成的不平度、汽车振动等。这些干扰会不同程度地影响动态称重精度。为此,我们从硬件设施和软件算法两方面着 手找出抑制方法。 图 2神经网络算法模型图 F g 2 Mo e fn u a n t r lo t m i. d lo e r ewok ag r h l i
权值;为隐层到输出层的各权值;、o为隐层和 W b ba , 输出层的阈值。
汽车的振动使真实的静态轴载信号淹没在各种复杂的振动载荷信号中,因此要想使静态轴载信号客观、 真实的反映出来,就必须针对各种振动产生的原因有效地减缓和消除振动,削弱其对动态称重的影响。搭
隐层选用双曲正切型函数 t s,递函数原型 a i传 ng 为: 一,
)=_ 1 t e
一 1
() 1
建称重平台时,我们采用铰链式称重平台结构。汽车 称重台应尽量避免安装
在高等级公路弯道附近,因为汽车转向的侧向力、汽车的陀螺效应等都会使秤台受 力状态发生改变。路面不平整度、动机振动等会造发
输出层选用线型函数 p r i, uen传递函数原型为: l , ) (= 2 2样本信号获取及训练 . () 2
成汽车沿垂直方向的振动,为此要求在秤台前面配置平直的路面引桥,其长度最好大于 1辆汽车长度。秤 0台应安装在混凝土基础上,基础与秤台两边延伸的该 混凝土道路做成一体。汽车的制动以及加速会造成汽
本课题在实验室搭建了如图 3所示的称重平台。 该平台采用两轴实验小车、以六种不同的速度、对加不同砝码的小车静态轴载 ( 9、 9 、 9、 110g 2 10 g 26 0g 310g360g380 g六个级别进行了分组实验, 9, 9、 9 )
车重心的移动从而改变前、后轴的轴载荷分配比,为此在装有动态称重系统的地方,应通过可变信息板等设备来提醒驾驶员尽量避免汽车制动、加速。以上从硬 件设施有效解决了路面的不平度或称重平台造成的不平度、汽车振动造成的干扰。 这样,汽车的不同行驶速度,就成为影响汽车动态
每种速度下对各级静态轴载实验分别测量 5次,共测 量 10次。测得的量包括小车的速度、 8前轴重量和后轴重量。尽管硬件上已采用多种方法来尽量消除外界动态振动,但是不可能完全消除,测量时会引入称重误差,为此我们对动态测量的前轴重量和后轴重量加以处理,分别找到采集重量数据序列中的最大值,然后对最大值的前 10个和后 10个数据取平均作为每次前 0 0轴和后轴的动态测量值。
称重精度的主要因素。运用软件通过合适的数学模型融合汽车的行驶速度和当前的动态车重,可得到真就 实的汽车重量。
2汽车动态称重神经网络模型 2 1汽车动态称重神经网络算法原理 .
一 图 3汽车秤台示意图
神经网络算法进行汽车动态称重数据处理的原理 是构建一个 2个节点的(车行驶速度和动态车重汽
F g 3 S h mai u o w ih b d e i . c e t o a t e g r g cf i
W)。输入层和一个节点的输出层 (静态车重 W ) 的多层 B P神经网络模型,可表示为二元函数 W= W,)通:。, 过实验获得的样本数
据, M T A _上通过多次训在 A L B4 练构建的双输入单输出神经网络。如果泛化的结果达到系统的误差要求,则输出各隐层和输出层的权值和阈值,然后可以利用训练好的网络参数,根据测得的任意速度和动态车重,得到当前精确的车重。建立的神经网络模型如图 2所示。 图 2中: W为测得的汽车行驶速度和动态车 、。
根据力学原理,汽车总重为各轴重量之和。为此我们把处理后的前轴和后轴动态测量值之和即动态车重作为输入的一个节点,下表中动态车重为每种速度下测量 5次的动态车重平均值。由于每次测量速度不可能完全相同,速度相近视为同一速度。由于车辆行
驶经过受荷板的时间很短,以将车速视作匀速。其可 测量的工作过程如下:称重平台两端各装有一对光电
开关。当车辆行至平台第一个光电开关时,挡住光源, 光电开关即给单片机信号。单片机开始计时,当车轮行至第二个光电开关离开平台时,电开关再给单片光
重;为输出的静态车重;、 W为速度和动态车重各 1 8
PROCE S AUTOM ATI S ON NS RUMENTATI I T ON 12 . Ma 0 7 Vo. 8 No 5 y 20

神经网络在汽车动态称重数据处理中的应用 何红丽 , 等 神经网络在汽车动态称重数据处理中的应用 App lica tio n o f N e u ra l N e tw o rk in W ...
BP神经网络在汽车动态称重中的应用_专业资料。公路...该文提出了利用神经网络的算法来处理动态称重信号的...输入的各种信息很好地进行数据融合,能够大大降低外界...
基于BP神经网络的车辆动态称重技术_交通运输_工程科技_专业资料 暂无评价
车辆动态称重系统的研究与设计(数据处理)--开题报告+任务书_兵器/核科学_工程...中的应用[M].北京:电子工业出版社, 2002 [4」闻新,周露.MATLAB 神经网络...
遗传神经网络在动态称重中的应用_专业资料。为提高称重传感器的稳态响应,加快称重速度,提出一种基于人工神经网络预测动态称重终值的方法,即在BP网络的基础上用遗传...
要:介绍了神经网络算法,并将其应用于汽车动态称重,通过实验对比了RBF和 BP ...而构造的一类前向网络, 这类网络的学习等价于在多维空间中寻找训练数据的最佳...
多传感器数据融合技术在车辆动态称重中的应用多传感器数据融合技术在车辆动态...( 2 ) 融合中心 (神经网络 ) .融合中心采取的是 基于神经网络的数据处理技术...
神经网络在汽车动态称重数... 3页 2财富值 基于EMD的HHT变换技术在长... ... EMD技术在动态称重数据处理中的应用EMD技术在动态称重数据处理中的应用隐藏>> ...
分别应用EMD方法及RBF神经网络方法进行动态称重数据处理,并应用到新 型便携式动态轨道车辆称重装置.信号处理结果显示两种方法的处理结果都在误差的允 许范围内,但EMD...
介绍了神经网络算法,并将其应用于汽车动态称重,通过实验对比了RBF和BP两种网络结构对轴重估计的影响,结果表明RBF网络估计的实时性能优于BP网络。介绍了神经网络算法...
热门文档