关于汽车动态载荷智能测量的研究

李鹏越,李晓林

(太原理工大学信息工程学院,太原 030024)



关于汽车动态载荷智能测量的研究

李鹏越,李晓林*

(太原理工大学信息工程学院,太原 030024)

汽车动态称重系统虽然能够适应快速称重,但其称量精度有所下降。为了在快速称重的同时保证称量精度,提出了基于改进Levenberg-Marquardt算法的动态载荷处理方法。首先通过小波变换对动态载荷中的高频随机干扰进行预处理,然后采用改进Levenberg-Marquardt算法对低频动态载荷进行拟合,最后从称重信号中减去拟合的动态载荷即可获得真实的静态载荷。仿真和实验表明,该方法可以有效地降低动态载荷对称量精度的影响,使系统动态称重相对误差小于2%,对高速动态称重精度问题具有一定意义。

动态称重;动态载荷;改进L-M算法;小波变换;精度

动态称重[1]系统是智能交通的重要组成部分,快速准确的测量汽车重量、速度等交通数据对于公路的管理具有重要意义[2]。动态称重系统中汽车通过秤台时,由于路面不平、车辆自身振动、速度和轮胎驱动力等原因会使其作用在秤台上的力除了真实静态载荷外,还有动态载荷的干扰。因此滤除动态载荷对提高称量精度具有重要意义。

经过研究发现,动态载荷中既有高频成分(>30 Hz)又有低频成分(3 Hz～30 Hz)。高频动态载荷主要来源于路面的凹凸不平,由于路面凹凸不平是随机的、凹凸程度是分散的,因此高频成分属于宽带随机信号。为了消除高频动态载荷对称量精度的影响,需要对称重信号做分频处理。低频动态载荷主要来源于车辆自身的振动,在动态称重系统中车辆过秤速度快、采样时间有限,不能采样到完整周期的低频动态载荷,这就决定了采用常规方法(积分、滤波等)消除周期性随机干扰将很难获得理想效果。目前,动态称重系统中处理低频动态载荷的方法主要有以下几种:积分法、数字滤波法、神经网络、EMD和参数估计等。神经网络[3]虽然可以避开复杂的物理建模,仅根据系统的输入输出进行黑箱建模,但这种方法需要各种运动状态下的称重信号作为样本,实际应用中难以实现。文献[4]采用了经验模态分解(EMD)的方法,但EMD是基于局部极值的三次样条插值方法,当车速较大时采样序列中极值个数少于2,就不能继续分解,不能从本质上解决动态载荷的干扰。参数估计[5-7]法是一种根据采集数据波形的特点,选用特殊的数据处理算法,实现动态数据处理的一种较高精度的估算方法,该方法是未来智能交通系统动态数据处理发展的趋势之一[8]。

本文在研究前人参数估计方法的基础上,提出了基于改进Levenberg-Marquardt算法对动态称重数据处理的方法,仿真和实际测试表明该方法能够较好地提高动态称重系统的测量精度。与此同时,将该方法应用于山西太原某公司生产的称重仪表中,取得了较好的效果。

1 动态称重系统

1.1 动态称重系统称重原理

汽车动态称重系统由机械称重台、称重传感器、接线盒、称重仪表、上位机和显示屏组成。当汽车按照一定的速度通过称台时,安装在称台上的称重传感器将压力信号转换为微弱电信号,经接线盒传递给称重仪表,由称重仪表完成电信号的放大、滤波、AD转换和实时数据处理,同时将处理过的数据传给上位机,管理人员可以通过上位机最终完成数据查询、报表打印及实时监控等工作,汽车司机可以通过显示屏来获知车辆的重量信息。整个称重系统中核心环节为称重仪表对有效重量数据的获取和对这些数据的处理。图1为系统硬件组成结构图。

图1 系统硬件组成结构图

图2 汽车称重过程示意图

汽车称重过程示意图如图2所示,当车辆经过秤台时,称重传感器依次测量每一个轴的重量,下秤后称重仪表将所有轴重相加即可获得车总重。每个轴的称量过程可以分为上秤阶段、完全上秤、下秤阶段和完全下秤四个阶段。上下秤的判断是通过设定一个阈值,当采样点的值和零位输出的差大于这个阈值时,说明有车轮正在上秤或下秤;当采样点之间的变化小于这个阈值且不为零时,说明车轮已完全上秤。有效的称量阶段为完全上秤阶段,即只有这个阶段的重量数据才有效。

获得有效的重量数据后,称重仪表需要对这些数据进行处理。轴重由三部分构成,真实的静态载荷、动态载荷和零位输出,所以如何从轴重中将动态载荷和零位输出去除,是提升动态称重系统精度的关键。零位输出为称台不承载任何重量时仪表显示的轴重值,影响零位输出的主要因素为称重传感器本身的性能和安装环境,而这些因素造成的影响在称台安装好之后是可以确定的,也就是说零点内码在称台安装好之后可以通过测量得到一个准确的固定值,所以零点内码的影响容易去除。这样动态载荷就成为了影响称量精度的主要因素,所以如何构建合理的动态载荷模型并采用动态的数据处理方法对其进行处理是动态称重系统提高称量精度的关键。

2.2 动态载荷模型的构建

12型两轴车通过实验称台时采集的原始信号如图3所示,x轴表示采样点,y轴表示重量内码。

图3 原始信号

由图3可知零点内码在900附近波动,前轴重量内码在1 500附近波动,后轴重量内码在2 000附近波动。从图中还可以看出动态称重过程中采集到的实际轴重信号比较复杂,包含的频率成分较多,所以为了得到较为理想的参数估计模型,需要对称重信号进行小波变换预处理,滤除由于路面不平产生的高频随机干扰。小波预处理后的动态载荷主要是由于车辆自身振动引起的,由于车辆自身振动属于非线性的周期干扰,所以预处理后的动态称重信号由静态载荷和低频周期动态载荷构成,因此可以构造称重信号模型:

(1)

式中:w为静态载荷,Aj、fj、φj分别为第j个频率成分动态载荷的幅值、频率和初始相位,n为信号中动态载荷的频率成分数。

假设在汽车过秤时共采集了m个点,则目标函数为:

(2)

式中:X=[w,Aj,fj,φj|j=1,2,…,n]T,w(t)为实际采样信号。为了求得最真实的静态轴重,就得寻求最优的参数估计

使F(X)最小。

在该模型的求解中涉及的难点问题是动态称重系统中车辆过秤速度快、采样时间有限,所以如何快速的根据有限的采样点拟合出动态载荷是问题的难点,例如,秤台长度800 mm(考虑轮胎接触面积,实际有效长度约为500 mm),车速20 km/h时采样时间只有90 ms,常规的拟合方法收敛速度比较慢,而且迭代次数比较多,难以适应快速动态称重对数据处理速度的要求,为此本文采用改进L-M算法对称重系统中的低频干扰模型进行拟合。

3 小波变换滤波预处理

1989年,Mallat S从空间概念上形象地说明了小波变换的多分辨特性,对正交小波基的构造方法进行了统一,提出了正交小波变换的快速算法(FWT)[9]。FWT算法将信号f(t)在L2(R)的两个正交空间逐级分解,每级输入被分解为高频细节信号(D)和低频近似信号(A)两部分,该算法的基本关系式为:

(3)

(4)

式中:Aj+1,k为信号在第j+1级的近似输出;Dj+1,k为信号在第j+1级的细节输出,2尺度序列h0(k)看作低通滤波器系数,而h1(k)则看作高通滤波器系数,FWT分解流程可以表示成一组多采样滤波器组,其分解示意图如图4所示。

图4 FWT分解示意图

然后对分解后的各频段信号进行自适应阈值处理,最后通过Mallat重构公式:

(5)

进行重构。

图5 小波变换后的称重信号

通过对比小波变换后的称重信号与原始信号可以看出,变换后的信号变的平滑,更接近理想的称重信号,小波变换有效地去除了信号中的高频干扰。对于信号中的微弱低频波动,小波变换无法很好的滤除,因此需要进一步处理。

4 改进L-M算法拟合非线性低频干扰

4.1 动态载荷模型的求解

下面分析求解最优参数估计的方法。把目标函数中X的各分量依次记为x1,x2,…,x3n,将目标函数F(X)=(f1(X),f2[X),f3(X)…fm(X)]T在点X(k)处进行泰勒展开:

F(X)=F(X(k))+Ak·ΔX+O(ΔX2)

(6)

式中:Ak代表F(X)在点X(k)处的雅克比矩阵A(X(k)),

忽略展开式中ΔX二阶以上无穷小量,求F(X)的最小值等价于求F(X)2的最小值,本文采用约束线性化最小二乘模型来求解F(X)的最小值,模型形式如下:

(7)

式中:hk为信赖域半径,这个方程的解可由如下方程得到:

(8)

进而可得到Levenberg-Marquardt算法迭代公式:

(9)

式中:λk为阻尼系数,在迭代过程中它同时起控制搜索方向与步长的作用。

改进L-M算法迭代过程中第k步迭代的实际下降量Aredk和预估下降量Predk分别为:

Aredk=‖F(X(k))‖2-‖F(X(k+1))‖2

(10)

Predk=‖F(X(k))‖2-‖F(X(k))-AkΔX(k)‖2

(11)

式中:ΔX(k)=X(k+1)-X(k),迭代过程中通过实际下降量与预估下降的比值rk来判断是否采用试探步ΔX(k)和参数ak的变化情况。若rk大于给定值p0,说明目标函数F(X(k))下降的多,此时要采用ΔX(k),同时减小ak,若rk小于p0,则不采用ΔX(k),同时增大ak。文中使用这种改进型的L-M算法[10-14]对轴重信号进行拟合,

改进型L-M算法的主要迭代步骤如下:给定λ的初值λ0,终止常数ε,初值X0,a1>m>0,0≤p0≤p1≤p2<1。

第1步 解[A(X0)TA(X0)+λkI]ΔX(k)=-A(X0)TF(X0)求得ΔX(k);

第2步 计算rk和X(k+1),

第3步 计算ak+1,

4.2 实验模型的建立

实验车辆选取12型两轴车,车重2 400 kg,负载4 000 kg砝码,总重6 465 kg(包括驾驶员)。采用山西太原某公司在高速预检站安装的弯板秤作为实验称台,秤宽0.5 m,仪表采样频率为10 kHz。车辆以0～50 km/h之间的任意速度通过秤台,且每10 km/h内进行20次试验,共进行100次试验。

实验中改进L-M算法的控制参数设置如下:待估参数静态载荷、各阶动态载荷的幅值和初相位的初值取0.01,即X0=[0.01,0.01,…,0.01]T,收敛指标ε=10-5,阻尼系数初值λ0=0.01,修正系数的初值a1=10-3,其他参数p0=0.1,p1=0.2,p2=0.5,θ=0.002,m=10-4。在这些参数条件下对预处理后的轴重信号利用改进L-M算法进行拟合。

4.3 实验结果

以车速等于40.5 km/h时为例,改进L-M算法处理前车辆总重W1=6 190 kg,经过算法处理后车辆总重W2=6 384 kg,而真实的车辆总重W=6 465 kg,所以改进L-M算法处理前车重相对误差σ1=(W-W1)/W=4.25%,处理后相对误差σ2=1.25%。在100次试验中车辆总重最大相对误差为1.79%。从100组试验数据中任意选取不同速度段的10组,进行处理前后的对比,见表1所示,从表中可以看出采用改进L-M算法对称重数据处理后可以使动态称量误差小于2%。提高了称量精度。

表1 处理前后数据对比

5 结束语

本文采用小波变换和改进型Levenberg-Marquardt算法对动态称重系统中的动态载荷进行滤除,以提高称重系统的精度。仿真结果表明小波变换能够较好的滤除动态载荷中的高频干扰,为低频动态载荷的拟合做了条件性准备。实际实验表明改进型L-M算法能够有效的滤除轴重信号中的低频动态载荷,使称重最大相对误差小于2%。

[1] 张俊慧,王立年. 动态称重算法的研究[J]. 衡器,2014,43(7):39-43.

[2] 熊少康,王凌川,章家岩,等. 基于BP神经网络的车辆动态称重技术[J]. 安徽工业大学学报,2014,31(1):76-79.

[3] 谭爽,李丽宏. 基于灰色神经网络的汽车动态称重数据处理[J]. 传感技术学报,2016,29(8):1205-1209.

[4] 于哲峰,杨智春. EMD技术在动态称重数据处理中的应用[J]. 机械科学与技术,2004,23(4):444-446.

[5] 周志峰,蔡萍,许嘉,等. 参数估计在汽车动态称重中的应用[J]. 自动化仪表,2005,26(7):43-45.

[6] 杨敏. 汽车动态称重系统算法研究[D]. 西安:长安大学,2010.

[7] 王超,麦云飞. 一种新的高速动态称重方法研究[J]. 机械工程与自动化,2015,44(2):168-170.

[8] 吴义魁,王琪,江民俊,等. 基于WSN的高速汽车动态载荷信号处理方法[J]. 微型机与应用,2011,30(9):62-66.

[9] Ingrid Daubechies. 小波十讲[M]. 李建平,杨万年,译 北京:国防工业出版社,2004:127-130.

[10] 贺星,刘永葆,孙丰瑞. 基于改进Levenberg-Marquardt算法的燃气轮机特性拟合优化[J]. 海军工程大学学报,2012,24(4):35-40.

[11] LIAN CHEN. A High-Order Modified Levenberg-Marquardt Method for Systems of Nonlinear Equations with Fourth-Order Convergence[J]. Applied Mathematics and Computation,2016,285(7):79-93.

[12] Fan Jinyan. Accelerating the Modified Levenberg-Marquardt Method for Nonlinear Equations[J]. American Mathematical Society Journal,2013,83(287):1173-1187.

[13] Jinyan Fan. The Modified Levenberg-Marquardt Method for Nonlinear Equations with Cubic Convergence[J]. American Mathematical Society Journal,2011,81(277):447-466.

[14] Cui Miao,Yang Kai,Xu Xiaoliang,et al. A Modified Levenberg-Marquardt Algorithm for Simultaneous Estimation of Multi-Parameters of Boundary Heat Flux by Solving Transient Nonlinear Inverse Heat Conduction Problems[J]. International Journal of Heat and Mass Transfer,2016,97(7):908-916.

Study of Intelligent Measurement for Vehicle Dynamic Weighing

LI Pengyue,LI Xiaolin*

(College of information engineering,Taiyuan University of Technology,Taiyuan 030024,China)

Although vehicle dynamic weighing system can adapt to the high-speed dynamic weighing,its weighing accuracy declined. In order to ensure weighing accuracy and fast weighing,WIM data processing method based on improved Levenberg-Marquardt algorithm is presented. Firstly,the high frequency random disturbances of dynamic loads is filtered by using wavelet transform. Then,the low frequency dynamic loads is removed by using the improved Levenberg-Marquardt algorithm. Finally,the static load can be obtained by subtracting the fitting dynamic load from the weighing signal. Simulation and experiments show that the proposed method can effectively reduce the impact of dynamic load on the weighing accuracy,the maximum relative error is less than 2%. So it has some significance for solving the problem of high-speed dynamic vehicle weighting.

weight-in-motion;dynamic weighing;modified Levenberg-Marquardt algorithm;wavelet transform;accuracy

李鹏越(1990-),男,汉族,山西吕梁人,硕士研究生,研究方向为智能控制与动态称重,1152229857@qq.com;

李晓林(1956-),女,汉族,山西汾阳人,副教授,硕导,研究方向为智能控制与动态称重,tyutlxl@sina.com。

2016-11-07 修改日期:2017-03-02

TP274

A

1004-1699(2017)06-0899-05

C:7230

10.3969/j.issn.1004-1699.2017.06.016