谭 爽,李丽宏
(太原理工大学信息工程学院,太原030024)
基于灰色神经网络的汽车动态称重数据处理
谭爽,李丽宏*
(太原理工大学信息工程学院,太原030024)
针对目前汽车动态称重方法称量精度低和所需数据样本数量大的缺陷,提出了一种新的动态称重数据处理方法,通过GM(1,1)模型对车辆动态称重数据进行预处理,获得每个称重数据的误差补偿量,建立了以车辆速度、加速度、动态称重残差序列为输入变量的灰色神经网络模型,使系统称量误差小于1%,称量准确度等级达到1级指标。研究表明,该方法在动态汽车衡数据处理中的可行性强,实现了在贫信息、少数据情况下对动态称重数据的高精度处理,为汽车动态称重系统精度的进一步提高提供了理论与技术支撑。
动态称重;数据处理;灰色神经网络;GM(1,1)模型;BP算法
近年来,为了有效遏制超载运输、延长公路的使用寿命,我国大部分省份实行了公路运输计重收费。目前,车辆计重收费系统主要有静态称重和动态称重(WIM)两种称重方式[1]。静态称重虽然称量精度高,但由于称重台体积庞大并且称重过程中汽车处于停止状态等原因,对交通的正常运行产生了巨大阻碍。相比静态称重动态称重是汽车在不停车的状态下进行称重,能够实现连续过车,称重效率高,有利于高速公路超限检测的高速运营,目前已被广泛应用于高速公路计重收费系统。动态称重系统由于汽车过秤时受到随机不确定干扰因素多,导致称重精度低。显然,如何提高动态称重精度是车辆动态称重系统的核心,因此需要对称重数据通过算法进行数据处理,其算法的优劣直接影响称重系统的等级与称量精度[2]。
目前,动态称重技术的处理算法已有大量报道,彭伟[3]利用参数估计法对称重信号进行处理,降低了动态称重误差。何红丽等[4]通过神经网络与动态称重影响因素的融合,提高了数据处理精度。陈杰[5]等通过利用经验模态分解法分离称重信号中的动态载荷,从而得到反映真实轴重的稳态量已达到提高称重精度的效果。以上研究为推动汽车动态称重技术的发展与应用方面做出了突出贡献,但这些动态称重技术在实际应用中存在着很多不足,例如:参数估计法和神经网络法计算速度慢且测量样本数量大,经验模分解法数据处理速度慢等[6]。
针对上述不足,本文从减少样本数量和提高汽车动态称重精度出发,将GM(1,1)模型与BP神经网络相结合,建立了以车辆速度、加速度、称重残差序列为输入变量的灰色神经网络模型,实现了在贫信息、少数据情况下对车辆动态称重数的高精度处理。
汽车动态称重系统的设计是采用静态的秤台结构与动态称重技术相结合,系统主要由称重平台、传感器、拉杆限位装置、称重仪表和接线盒五部分组成,动态称重系统结构图如图1所示[7]。
图1 动态称重系统结构图
汽车动态称重系统通过将称重平台与传感器放置于基坑内并摆放平整,用混凝土浇灌固定。称重平台由四只传感器支撑,以垂直行车方向的两只传感器为一组,当有车驶过称重台面时,称重台面将车辆重量传递给传感器传递给两组传感器;每组传感器以并联的形式将重量信号转换为电压量传入接线盒;信号经过接线盒后,再传递给称重仪表;称重仪表将传感器的电压量经A/D转换为数字量,再经信号处理得出车辆动态重量[8]。在实际测量过程中,称重信号中存在大量的干扰因素[9],因此,信号处理是提高称重系统精度的核心。
汽车动态称重系统框图见图2。
图2 汽车动态称重系统框图
灰色模型(Grey Models)是通过少量的、不完全的信息,建立灰色微分模型,计算简便,并且精度较高。灰色模型应用中最为广泛的就是GM(1,1)模型,该模型是对某个变量的随时间变化的数据序列经过一次累加生成后建立的模型,是一个单序列的一阶线性动态模型。本文通过建立灰色GM(1,1)模型对车辆动态称重数据进行预处理,具体数据处理步骤如下:
①建立1-AGO数列[10]
设原始数据序列X0:
对X0做1-AGO(一次累加生成序列)得到新数列X1:
通过对原始车辆动态称重数据进行累加处理,可使车辆动态称重原始数据变成有规律的单调递增的1-AGO数列,减小了样本数据随机性对模型精度造成的影响,加强了系统确定性因素的作用。
②建立一阶灰色微分方程
通过对X1(生成序列)建立如式(1)所示一阶微分方程:
利用最小二乘法估算发展系数α和灰色作用量β的值,令方程参数
③求解灰色微分方程
上述一阶灰色微分方程的解为:
④模型还原
本文通过对静态重量为14.02 t的六轴车(轴型1129)进行多次重复实验并采集得到40组原始称重数据,并按照GM(1,1)模型建模步骤建立模型。表1是建立GM(1,1)模型后得到车辆动态称重数据拟合值,图3是经过GM(1,1)模型处理后的称重数据与原始称重数据的对比图。
表1 GM(1,1)模型拟合值
图3 GM(1,1)模型称重数据与原始称重数据对比图
从表1和图3可以看出,GM(1,1)模型将动态称重数据的相对误差控制在2.567 8%以内,能有效的提高动态称重精度,但是要想得到更为精确的车辆动态重量,还需对称重信号进一步处理。
3.1BP神经网络原理
BP神经网络模型又称多层前馈神经网络,是一种基于误差逆向传播原理的多层前馈网络,它系统的解决了多层神经元网络中权值的变换问题,克服了简单感知不能解决的异或问题[11]。BP神经网络模型采用三层前馈网络模型,模型由输入层、中间隐含层和输出层三部分组成,神经网络结构如图4所示。
网络信号经过输入层输入神经网络后,通过中间隐含层神经元的多次迭代计算,将运算结果传到输出层,输出层将接收的输出结果与设定的目标精度进行比较,若两者满足允许的误差精度,则计算结束,若两者误差超过允许误差,则将误差进行反向逐层传回输入层,同时调整各层权值,在不断迭代计算中,使得误差满足目标允许的范围,最后得到准确的输出值。
图4 神经网络结构图
3.2灰色神经网络模型的建立
灰色神经网络模型是一种组合模型,该模型通过灰色系统理论和BP神经网络的有效地结合,将灰色模型的建模简单、“小样本”、弱化数据波动性和随机性、非线性处理能力弱、缺乏自学习、自组织和自适应能力等特征与神经网络模型的非线性映射能力强、高度自学习和自适应能力、算法收敛速度慢、“大样本”等特征有机结合,取长补短,充分利用两种模型的优点,提高数据拟合精度[12]。
灰色神经网络模型建模步骤:
②确定BP神经网络的输入层、隐含层、输出层,通过“模式顺传播”与“误差逆传播”的往返更替进行BP神经网络的案例训练,得出残差序列的拟合值。
3.3灰色神经网络模型结构
①模型参数设置
本文以Matlab程序语言和神经网络函数工具箱设计灰色神经网络结构。选择学习效率高且单次迭代误差幅度减小大的trainlm函数作为学习函数,并利用归一化函数premnmx和还原函数post-mam来实现对输入和输出样本的归一化处理,以加快样本的收敛速度。考虑到sigmoid函数形式简单、非线性映射能力强的优点以及输出值的归一化处理,最终选取tansig正切函数和purelin线性函数分别作为输入层到隐含层和隐含层到输出层的传递函数[13-14]。
本文选取车辆速度、加速度、残差序列3个特征输入参数,即3个神经元;隐含层节点数采用节点渐增法,先用较少数目的隐含层节点构成神经网络训练,然后根据训练精度适当增加隐含层节点,直到达到训练精度为止,经多次运算,隐含层节点数为10时,达到训练精度。即网络的拓扑结构为3∶10∶1。模型训练参数选择学习率为1%,最大学习迭代次数为1 500,训练精度为0.000 1进行训练。
②模型结构
根据样本数据采用Matlab 7.0建立的灰色神经网络模型结构如下式所示:
式中:net为本文建立的灰色BP神经网络模型;newff为在Matlab 7.0中生成的BP神经网络函数;minmax()表示输入向量的取值范围,即求解输入矩阵的最小值和最大值;[10,1]分别为中间隐含层和输出层的神经元个数;{‘tansig’,‘purelin’}如前文所述,表示输入层到隐含层和隐含层到输出层的传递函数;‘trainlm’为网络的训练函数。
式中:ε表示车辆动态称重残差的拟合值;iw1表示所建模型输入层到隐含层的权值;iw2是模型隐含层到输出层的权值;b1是模型输入层到隐含层的阈值;b2是模型隐含层到输出层的阈值,M=[δ,θ,ω]其中,δ表示车辆速度,θ表示车辆加速度,ω表示残差序列。表2为灰色神经组合模型矩阵数值表。
表2 灰色神经组合模型矩阵数值表
2016年1月至3月于山西某动态汽车衡测试点进行了现场设备的布设,通过测试静态重量为14.02 t的六轴车(轴型1129)以不同的速度、加速度通过秤台时的动态重量,完成了车辆在不同速度和加速度梯度对应下的汽车动态重量的数据采集,并建立样本容量为40的数据样本。将每次汽车通过秤台时的速度、加速度以及与之对应的汽车动态重量的误差补偿量(即通过建立GM(1,1)模型对车辆动态称重数据进行预处理获得的称重数据的误差补偿量)作为神经网络的输入因子,建立了基于灰色神经网络方法的数据处理模型,实现了对汽车动态数据的准确获取。
从40组样本数据中随机选取35组用于建立灰色神经网络模型,剩余5组样本数据用以检验灰色GM(1,1)模型与BP网络组合模型的精度。基于Matlab7.0中建立的灰色神经网络模型对35组样本数据进行运算后,得到残差序列的拟合值,再将残差序列的拟合值还原为车辆动态称重的拟合值,计算拟合值与车辆静态重量的相对误差,结果如表3所示,训练曲线如图5所示。
表3 灰色神经网络对六轴车动态称重数据拟合结果
图5 模型训练曲线图
由表3和图5可知,当训练步数为137步时,训练精度达到 0.000 098 6,满足训练目标精度0.000 1的要求,说明35组数据的拟合值与车辆静态重量基本吻合,其动态称重数据的相对误差控制在0.713 3%以内。
用随机选择的5组预留的样本数据进行校验,校验结果如表4所示。由表4可知,用预留的5组样本数据检验模型的拟合精度,其相对误差的最大值为0.855 9%,已达到《JJG 907—2006动态汽车衡》检定规程中的1级的要求。
表4 校验结果分析表
将灰色神经网络模型训练结果、灰色模型数据处理结果、原始称重数据进行比较,比较结果如图6所示。由图6可知,灰色神经网络比灰色模型数据拟合效果好,精度高。
图6 模型值与原始数据对比图
因此可知,选择车辆速度、加速度、称重残差序列作为输入参数建立灰色神经网络模型是可行的,所建模型误差小,收敛速度快,可信度高,可以作为汽车动态称重的数据处理模型。
本文通过GM(1,1)模型与BP神经网络相结合,建立灰色神经网络模型将车辆的动态称重相对误差控制在1%以内,称重结果达到《JJG 907—2006动态汽车衡检定规程》中规定的1级要求。研究表明建立灰色神经网络模型对汽车动态称重数据处理是可行的,实现了在贫信息、少数据情况下对车辆动态称重数据的高精度处理,为汽车动态称重系统精度的进一步提高提供了理论与技术支撑。
灰色神经网络经过多年的研究已发展成为一种较为成熟的网络,但它本身仍存在诸多不足,合理选择输入参数是提高模型预测精度的关键,因此,笔者建议引入一些改进算法,如主成分分析法、卡尔曼滤波、遗传算法等,合理确定输入变量,优化模型微观结构以进一步提高汽车动态称重数据处理精度。
[1]陈琦.车辆动态称重系统研究现状[J].筑路机械与施工机械化,2009(3):77-80.
[2]潘文辉.WIM车辆动态称重系统的设计与实现[D].电子科技大学,2014.
[3]彭伟.汽车动态称重系统设计[D].湖南大学,2008.
[4]何红丽,张元,吕运鹏.神经网络在汽车动态称重数据处理中的应用[J].自动化仪表,2007,28(5):17-19.
[5]陈杰,何春虎,闫旭,等.经验模态分解法在动态称重中的应用[J].数字技术与应用,2015(4):67-68.
[6]杨德,邓国强,畅福善.整车式不停车称重系统设计[J].控制工程,2015,22(6):1114-1117.
[7]范爱民,廖高华,林谋有.公路车辆动态称重系统的设计[J].仪表技术与传感器,2010(6):62-64.
[8]刘九卿.动态和数字称重技术发展概况与研究课题[J].工业计量,2011,21(2):4-10.
[9]马宾,隋青美.基于光纤微弯传感器的汽车动态称重系统设计[J].传感技术学报,2010,23(8):1195-1200.
[10]张健.基于灰色预测的分布式传感器网络故障检测方法[J].传感技术学报,2015,28(8):1188-1193.
[11]行鸿彦,邹水平,徐伟,等.基于PSO-BP神经网络的湿度传感器温度补偿[J].传感技术学报,2015,28(6):864-869.
[12]孙金岭,庞娟.基于残差修正的灰色神经网络[J].吉林大学学报(理学版),2015,53(6):1263-1268.
[13]孙帆,施学勤.基于MATLAB的BP神经网络设计[J].计算机与数字工程,2007,35(8):124-126.
[14]刘冰,郭海霞.MATLAB神经网络超级学习手册[M].北京:人民邮电出版社,2014.
谭爽(1990-),女,汉族,山东烟台人,硕士研究生,主要研究领域为数字信号处理、检测技术、动态称重,953597797@ qq.com;
李丽宏(1963-),男,汉族,山西晋城人,现为太原理工大学副教授,硕士研究生导师,主要研究领域为检测技术、自动控制技术、数字信号处理,ya72l@163.com。
Vehicle Dynamic Weighing Data Processing Based on Grey Neural Network
TAN Shuang,LI Lihong*
(Information Engineering College,Taiyuan University of Technology,Taiyuan 030024,China)
Aiming at the defects of low vehicle dynamic weighing accuracy and requiring a large number of samples in vehicle dynamic weighing data processing currently,this paper presented a new way of vehicle dynamic weighing data processing,using GM(1,1)model to pretreat the data and obtain the error compensation of each weighing data,and a gray neural network model was established,which used vehicle speed,acceleration and dynamic weighing residuals as input variables,to make the system’s weighing error less then 1%,and the weighing accuracy attained the level-one index.The results showed that this method had strong feasibility in the dynamic truck scale data processing,and achieved high precision about data processing under the condition of poor information,which provided theoretical and technical support for further improving the accuracy of vehicle dynamic weighing system.
dynamic weighing;data processing;grey neural network;GM(1,1)model;BP algorithm
TP183
A
1004-1699(2016)08-1205-05
EEACC:722010.3969/j.issn.1004-1699.2016.08.014
2016-04-09修改日期:2016-06-17