基于神经网络的车辆动态称重系统设计和应用

辛梅

摘 要：基于动态化车辆承重特点，设计了一种基于神经网络的车辆动态称重系统，能够基于神经网络自适应滤波变步长LMS算法，过滤不同频段称重信号产生的噪声。处于不同环境下针对不同车型，达到了较好的技术适应度且速度较快，精准度较高。可以对高速公路经过车辆重量动态计划实现精准测量，满足测量精准度需求，存在理论及实践参考价值。该系统选择高性能TMS32C2812芯片，设计较高软硬件系统，可以对高速公路上的经过车辆重量动态计划精准测量。

关键词：神经网络;车辆动态称重系统;自适应滤波

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

动态化车辆称重也就是在非停车运动状态下称重，根本特点就是能够达到效率较高且比较节省时间，能够有效避免存在的称重中干扰正常交通这一问题[1]。虽然动态化称重时由于称重台所受车辆轮胎的作用力所耗费时间较少，但是考虑到存在车轮的不平整量以及本身的弹性化元件，作用于平台力包括了真实轴重，除外还包括多因素干扰力[2]，譬如车辆本身存在的谐振、轮胎及路面之间产生的作用力、不同的车辆运行速度等多因素干扰。真实轴重被逐渐淹没至各种干扰力内，能够测量动态化称重高精准度。所以处于外界随机不确定干扰力的作用下，如何可以对真实轴重精准测量，便成为现如今动态化测试系统主要解决的关键问题[3]。因此本次研究提出设计基于神经网络的车辆动态称重系统。

1 车辆动态称重系统设计

本次设计运用了DSP（TMS320C2812型）組件，完成对车辆的动态称重信号采集，主要硬件组件组成，如图1所示。

包括了传感器、MCU模块、信号调理电路以及传输系统[4]。通过运用电阻应变片式传感器能够转变称重时的车辆原本压力信号，改变为电压（毫伏级）;MCU模块实现了TMS320C2812芯片，实现对称重相关数据的实时采集，并达到人机交互和多功能模块的控制;信号调理电路该模块主要实现了放大单元及对FIR低通滤波单元的模拟[5]。

动态称重的流程主要是借助传感器通过采集称重信号之后，即被组件内的TMS320C2812内部所自带的16通道双伪12位A/D转换器，实现称重信号转变为数字量后存储于存储器内部。借助本次设计的基于神经网络自适应滤波器，处理称重数字量后即可得相应的重量数值，然后通过向上位机传输经过打印显示的数值，即可产生对应警报信号。

网络构造的关键之一是对隐层节点数的确定。隐层节点太多或者太少所构造出来的网络都不利于问题的真正解决。节点数少，网络处理信息的能力就弱，节点数太多，会增加网络的训练时间和造成所谓的“超拟合”现象。导致网络的泛化能力下降，关于隐层数及其节点数的选择，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。

对于处在运动不稳定状态下的被称重车辆，提高了对系统测量精准度及实时要求。数据采集系统的数据能力作为至关紧要的关键技术指标，DSP系统也提高了对数据的处理能力、实时性及灵活性。因此本文通过运用硬件模拟滤波器，有效滤波信号之后对系统的测量精准性有效提升。该系统还提供了及计算机通讯RS232串行通讯接口[6]，满足了对数据实现计算机交换处理及远程监控的方便快捷实时性。

2 基于神经网络车辆动态称重信号自适应滤波器

2.1 设计自适应滤波器

对于车辆的动态化称重信号中，低频段的干扰信号较强会随时对称重测量结果造成振动干扰，笔者认为对汽车产生振动干扰的关键要因，包括车速、路面平整度以及车身自身振动等[7]。通常普通运用的滤波方式所受固定权值影响，仅仅对实验内的某种车型运用效果较佳，但是假若另外车型与实验车型差距较大，或是差异化路面情况，便会对测量精度降低。因此本文通过参照自适应噪声的抵消原理（由于篇幅限制，在此不多做说明），需要相关噪声的信号，那么主要采用两种获取方式：通过增加现场通道确保测量信号相关于被测信号内的噪声z（n），而不相关于真实信号s（n）。一旦获得所需的相关信号，那么即可延长原本信号延时足够长时间。自适应滤波器对干扰的消除方法，主要是通过在参考输入端加入d（n）作为s（n）+z（n）即有用信号相加噪声信号，即原始称重信号。输入端的信号X（n）及噪声信号z（n）相关信号c（n），该信号可以借助延时称重信号即可获得。

自适应滤波器其关键在于依据e（n）及x（n）值，经由自适应算法寻找E[e（n）]=min权值，进而实现权值的自动调节。自适应算法内以LS算法及LMS算法比较常用，本文运用变步长LMS算法，自动调整权值借助Hopfield神经网络，实现变步长LMS算法，可得变步长LMS算法[8]表示公式如式（1）—式（5）所示。

2.2 利用Hopfield神经网络实现变步长LMS算法

借助自适应滤波器完成对车辆称重信号的处理之后，可以有效提高测量的精准度。但是在本次研究中由于考虑到自适应滤波器的自身权值，由于数据的整体计算量较大，所以计算效率较差不满足系统计算速度需求[9]。在本文对如上问题提出基于Hopfield神经网络，所设计的变步长LMS算法，根据自适应神经网络滤波器完成权值计算，对于测量之前通过离线训练神经网络，在测量之后能够对运算量有效减小，进而对测量速度有效提升。Hopfield神经网络实现变步长LMS算法的对应矩阵、能量函数式，如式（6）、式（7）所示。

2.3 基于Hopfield神经网络自适应滤波器软件

在实现本次设计的基于Hopfield神经网络车辆动态称重软件系统，其主要目标是为了可以完成载重信号的自适应滤波，借助Hopfield神经网络完成对滤波器的权值计算，具体流程，如图3所示。

3 实验结果分析

通过在本次研究中为了验证设计系统的运用性能，采用三轴刚性汽车空车状态下10 t，外加15t的祛码分别采集空车状态及加过祛码之后的车中[10]，如图4所示。

维持该汽车达到20～30 km/h以内的行驶速度，根据所采集的数据时间及天气等均为随机情况，相较平均值测量方式得出最终测量结果可以发现，应用该系统能够随着速度的逐渐增加，借助基于神经网络的车辆动态称重系统，可以有效减少误差产生，保证计算速率同时提高结果精准性，因此本文提出的此种基于神经网络车辆动态称重系统可行性较高[11-12]。

4 总结

通过在本次研究中设计了一种基于神经网络的车辆动态称重系统，能够基于神经网络自适应滤波变步长LMS算法，过滤基于不同频段称重信号产生的噪声。处于不同环境下针对不同车型，达到了较好的技术适应度且速度较快，精准度较高。经本次研究应用设计该系统，选择高性能TMS32C2812芯片，设计较高软硬件系统，可以对高速公路上的经过车辆重量动态计划精准测量。行之有效的对车辆动态称重系统的时效性及抗干扰问题加以解决，并且在本次研究中还展开应用实验，对比相较平均值的方法完成测量，验证了DSP车辆动态称重系统，突破了传统称重的局限性也无需专门频繁的改动相关参数，达到了较高的测量精准度，且提高动态称重的测量速度，对高速公路的车辆动态称重中，长期面临的干扰汽车测量精准度问题有效解决。

参考文献

[1] 潘昊， 王晓勇， 陈琼， 等. 基于遗传算法的BP神经网络技术的应用[J]. 计算机应用， 2015， 25（12）：2777-2779.

[2] 张永昊， 郭宏， 孔国生， 等. 基于神经网络的汽车动态称重CCD抓拍双核系统设计[J]. 自动化与仪器仪表， 2016，28（4）：60-61.

[3] 肖珊， 鲁五一. 基于小波神经网络的装载机动态称重系统预测建模仿真研究[J]. 科技经济导刊， 2016，16（35）：1-2.

[4] 白瑞林， 严新忠， 李军. 基于模糊神经网络技术的定量秤研究[J]. 计量学报， 2014， 25（2）：127-130.

[5] 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（自科版）， 2014， 31（1）：76-79.

[6] 石军平， 滕勤， 王雪翠，等. 基于线性神经网络的煤层气发动机空燃比动態建模[J]. 小型内燃机与车辆技术， 2016， 38（6）：14-17.

[7] 张勇， 杨晓光， 张雨. 遗传神经网络在轮载动态称重辨识中的应用[J]. 交通信息与安全， 2016， 24（4）：30-33.

[8] 林远艳， 刘志勇， 戴湘利. 基于GASA的RBF神经网络在优化柴油机燃烧系统中的应用[J]. 小型内燃机与车辆技术， 2017， 36（4）：4-8.

[9] 庄育锋， 胡晓瑾， 翟宇. 基于BP神经网络的微量药品动态称重系统非线性补偿[J]. 仪器仪表学报， 2014（8）：1914-1920.

[10] 赵培杰. 基于压电石英传感器的高速动态称重系统设计[D]. 太原：中北大学， 2018.

[11] 何红丽， 张元， 吕运鹏，等. 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， 2017， 28（5）：17.

[12] 戴欣. 多信息融合车载式动态称重系统研究[D]. 北京：北京交通大学， 2014.

（收稿日期：2019.08.29）