辛梅

摘 要：基于動態(tài)化車輛承重特點，設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)的車輛動態(tài)稱重系統(tǒng)，能夠基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波變步長LMS算法，過濾不同頻段稱重信號產(chǎn)生的噪聲。處于不同環(huán)境下針對不同車型，達到了較好的技術(shù)適應(yīng)度且速度較快，精準度較高?？梢詫Ω咚俟方?jīng)過車輛重量動態(tài)計劃實現(xiàn)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(tǒng)選擇高性能TMS32C2812芯片，設(shè)計較高軟硬件系統(tǒng)，可以對高速公路上的經(jīng)過車輛重量動態(tài)計劃精準測量。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);車輛動態(tài)稱重系統(tǒng);自適應(yīng)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(tài)化車輛稱重也就是在非停車運動狀態(tài)下稱重，根本特點就是能夠達到效率較高且比較節(jié)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(tài)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(chǎn)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(nèi)，能夠測量動態(tài)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(xiàn)如今動態(tài)化測試系統(tǒng)主要解決的關(guān)鍵問題[3]。因此本次研究提出設(shè)計基于神經(jīng)網(wǎng)絡(luò)的車輛動態(tài)稱重系統(tǒng)。

1 車輛動態(tài)稱重系統(tǒng)設(shè)計

本次設(shè)計運用了DSP（TMS320C2812型）組件，完成對車輛的動態(tài)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(diào)理電路以及傳輸系統(tǒng)[4]。通過運用電阻應(yīng)變片式傳感器能夠轉(zhuǎn)變稱重時的車輛原本壓力信號，改變?yōu)殡妷海ê练墸?MCU模塊實現(xiàn)了TMS320C2812芯片，實現(xiàn)對稱重相關(guān)數(shù)據(jù)的實時采集，并達到人機交互和多功能模塊的控制;信號調(diào)理電路該模塊主要實現(xiàn)了放大單元及對FIR低通濾波單元的模擬[5]。

動態(tài)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(nèi)的TMS320C2812內(nèi)部所自帶的16通道雙偽12位A/D轉(zhuǎn)換器，實現(xiàn)稱重信號轉(zhuǎn)變?yōu)閿?shù)字量后存儲于存儲器內(nèi)部。借助本次設(shè)計的基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波器，處理稱重數(shù)字量后即可得相應(yīng)的重量數(shù)值，然后通過向上位機傳輸經(jīng)過打印顯示的數(shù)值，即可產(chǎn)生對應(yīng)警報信號。

網(wǎng)絡(luò)構(gòu)造的關(guān)鍵之一是對隱層節(jié)點數(shù)的確定。隱層節(jié)點太多或者太少所構(gòu)造出來的網(wǎng)絡(luò)都不利于問題的真正解決。節(jié)點數(shù)少，網(wǎng)絡(luò)處理信息的能力就弱，節(jié)點數(shù)太多，會增加網(wǎng)絡(luò)的訓(xùn)練時間和造成所謂的“超擬合”現(xiàn)象。導(dǎo)致網(wǎng)絡(luò)的泛化能力下降，關(guān)于隱層數(shù)及其節(jié)點數(shù)的選擇，一般原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡單。

對于處在運動不穩(wěn)定狀態(tài)下的被稱重車輛，提高了對系統(tǒng)測量精準度及實時要求。數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)能力作為至關(guān)緊要的關(guān)鍵技術(shù)指標(biāo)，DSP系統(tǒng)也提高了對數(shù)據(jù)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(tǒng)的測量精準性有效提升。該系統(tǒng)還提供了及計算機通訊RS232串行通訊接口[6]，滿足了對數(shù)據(jù)實現(xiàn)計算機交換處理及遠程監(jiān)控的方便快捷實時性。

2 基于神經(jīng)網(wǎng)絡(luò)車輛動態(tài)稱重信號自適應(yīng)濾波器

2.1 設(shè)計自適應(yīng)濾波器

對于車輛的動態(tài)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(jié)果造成振動干擾，筆者認為對汽車產(chǎn)生振動干擾的關(guān)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(quán)值影響，僅僅對實驗內(nèi)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(yīng)噪聲的抵消原理（由于篇幅限制，在此不多做說明），需要相關(guān)噪聲的信號，那么主要采用兩種獲取方式：通過增加現(xiàn)場通道確保測量信號相關(guān)于被測信號內(nèi)的噪聲z（n），而不相關(guān)于真實信號s（n）。一旦獲得所需的相關(guān)信號，那么即可延長原本信號延時足夠長時間。自適應(yīng)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(guān)信號c（n），該信號可以借助延時稱重信號即可獲得。

自適應(yīng)濾波器其關(guān)鍵在于依據(jù)e（n）及x（n）值，經(jīng)由自適應(yīng)算法尋找E[e（n）]=min權(quán)值，進而實現(xiàn)權(quán)值的自動調(diào)節(jié)。自適應(yīng)算法內(nèi)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(diào)整權(quán)值借助Hopfield神經(jīng)網(wǎng)絡(luò)，實現(xiàn)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(jīng)網(wǎng)絡(luò)實現(xiàn)變步長LMS算法

借助自適應(yīng)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(yīng)濾波器的自身權(quán)值，由于數(shù)據(jù)的整體計算量較大，所以計算效率較差不滿足系統(tǒng)計算速度需求[9]。在本文對如上問題提出基于Hopfield神經(jīng)網(wǎng)絡(luò)，所設(shè)計的變步長LMS算法，根據(jù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)濾波器完成權(quán)值計算，對于測量之前通過離線訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在測量之后能夠?qū)\算量有效減小，進而對測量速度有效提升。Hopfield神經(jīng)網(wǎng)絡(luò)實現(xiàn)變步長LMS算法的對應(yīng)矩陣、能量函數(shù)式，如式（6）、式（7）所示。

2.3 基于Hopfield神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波器軟件

在實現(xiàn)本次設(shè)計的基于Hopfield神經(jīng)網(wǎng)絡(luò)車輛動態(tài)稱重軟件系統(tǒng)，其主要目標(biāo)是為了可以完成載重信號的自適應(yīng)濾波，借助Hopfield神經(jīng)網(wǎng)絡(luò)完成對濾波器的權(quán)值計算，具體流程，如圖3所示。

3 實驗結(jié)果分析

通過在本次研究中為了驗證設(shè)計系統(tǒng)的運用性能，采用三軸剛性汽車空車狀態(tài)下10 t，外加15t的祛碼分別采集空車狀態(tài)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(nèi)的行駛速度，根據(jù)所采集的數(shù)據(jù)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(jié)果可以發(fā)現(xiàn)，應(yīng)用該系統(tǒng)能夠隨著速度的逐漸增加，借助基于神經(jīng)網(wǎng)絡(luò)的車輛動態(tài)稱重系統(tǒng)，可以有效減少誤差產(chǎn)生，保證計算速率同時提高結(jié)果精準性，因此本文提出的此種基于神經(jīng)網(wǎng)絡(luò)車輛動態(tài)稱重系統(tǒng)可行性較高[11-12]。

4 總結(jié)

通過在本次研究中設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)的車輛動態(tài)稱重系統(tǒng)，能夠基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波變步長LMS算法，過濾基于不同頻段稱重信號產(chǎn)生的噪聲。處于不同環(huán)境下針對不同車型，達到了較好的技術(shù)適應(yīng)度且速度較快，精準度較高。經(jīng)本次研究應(yīng)用設(shè)計該系統(tǒng)，選擇高性能TMS32C2812芯片，設(shè)計較高軟硬件系統(tǒng)，可以對高速公路上的經(jīng)過車輛重量動態(tài)計劃精準測量。行之有效的對車輛動態(tài)稱重系統(tǒng)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(yīng)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(tài)稱重系統(tǒng)，突破了傳統(tǒng)稱重的局限性也無需專門頻繁的改動相關(guān)參數(shù)，達到了較高的測量精準度，且提高動態(tài)稱重的測量速度，對高速公路的車輛動態(tài)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(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用[J]. 計算機應(yīng)用， 2015， 25（12）：2777-2779.

[2] 張永昊， 郭宏， 孔國生， 等. 基于神經(jīng)網(wǎng)絡(luò)的汽車動態(tài)稱重CCD抓拍雙核系統(tǒng)設(shè)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(jīng)網(wǎng)絡(luò)的裝載機動態(tài)稱重系統(tǒng)預(yù)測建模仿真研究[J]. 科技經(jīng)濟導(dǎo)刊， 2016，16（35）：1-2.

[4] 白瑞林， 嚴新忠， 李軍. 基于模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的定量秤研究[J]. 計量學(xué)報， 2014， 25（2）：127-130.

[5] 熊少康， 王凌川， 章家?guī)r， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的車輛動態(tài)稱重技術(shù)[J]. 安徽工業(yè)大學(xué)學(xué)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(jīng)網(wǎng)絡(luò)的煤層氣發(fā)動機空燃比動態(tài)建模[J]. 小型內(nèi)燃機與車輛技術(shù)， 2016， 38（6）：14-17.

[7] 張勇， 楊曉光， 張雨. 遺傳神經(jīng)網(wǎng)絡(luò)在輪載動態(tài)稱重辨識中的應(yīng)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(jīng)網(wǎng)絡(luò)在優(yōu)化柴油機燃燒系統(tǒng)中的應(yīng)用[J]. 小型內(nèi)燃機與車輛技術(shù)， 2017， 36（4）：4-8.

[9] 莊育鋒， 胡曉瑾， 翟宇. 基于BP神經(jīng)網(wǎng)絡(luò)的微量藥品動態(tài)稱重系統(tǒng)非線性補償[J]. 儀器儀表學(xué)報， 2014（8）：1914-1920.

[10] 趙培杰. 基于壓電石英傳感器的高速動態(tài)稱重系統(tǒng)設(shè)計[D]. 太原：中北大學(xué)， 2018.

[11] 何紅麗， 張元， 呂運鵬，等. 神經(jīng)網(wǎng)絡(luò)在汽車動態(tài)稱重數(shù)據(jù)處理中的應(yīng)用[J]. 自動化儀表， 2017， 28（5）：17.

[12] 戴欣. 多信息融合車載式動態(tài)稱重系統(tǒng)研究[D]. 北京：北京交通大學(xué)， 2014.

（收稿日期：2019.08.29）