辛梅

摘 要：基于動(dòng)態(tài)化車(chē)輛承重特點(diǎn)，設(shè)計(jì)了一種基于神經(jīng)網(wǎng)絡(luò)的車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)，能夠基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波變步長(zhǎng)LMS算法，過(guò)濾不同頻段稱(chēng)重信號(hào)產(chǎn)生的噪聲。處于不同環(huán)境下針對(duì)不同車(chē)型，達(dá)到了較好的技術(shù)適應(yīng)度且速度較快，精準(zhǔn)度較高。可以對(duì)高速公路經(jīng)過(guò)車(chē)輛重量動(dòng)態(tài)計(jì)劃實(shí)現(xiàn)精準(zhǔn)測(cè)量，滿(mǎn)足測(cè)量精準(zhǔn)度需求，存在理論及實(shí)踐參考價(jià)值。該系統(tǒng)選擇高性能TMS32C2812芯片，設(shè)計(jì)較高軟硬件系統(tǒng)，可以對(duì)高速公路上的經(jīng)過(guò)車(chē)輛重量動(dòng)態(tài)計(jì)劃精準(zhǔn)測(cè)量。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);車(chē)輛動(dòng)態(tài)稱(chēng)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(dòng)態(tài)化車(chē)輛稱(chēng)重也就是在非停車(chē)運(yùn)動(dòng)狀態(tài)下稱(chēng)重，根本特點(diǎn)就是能夠達(dá)到效率較高且比較節(jié)省時(shí)間，能夠有效避免存在的稱(chēng)重中干擾正常交通這一問(wèn)題[1]。雖然動(dòng)態(tài)化稱(chēng)重時(shí)由于稱(chēng)重臺(tái)所受車(chē)輛輪胎的作用力所耗費(fèi)時(shí)間較少，但是考慮到存在車(chē)輪的不平整量以及本身的彈性化元件，作用于平臺(tái)力包括了真實(shí)軸重，除外還包括多因素干擾力[2]，譬如車(chē)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(chē)輛運(yùn)行速度等多因素干擾。真實(shí)軸重被逐漸淹沒(méi)至各種干擾力內(nèi)，能夠測(cè)量動(dòng)態(tài)化稱(chēng)重高精準(zhǔn)度。所以處于外界隨機(jī)不確定干擾力的作用下，如何可以對(duì)真實(shí)軸重精準(zhǔn)測(cè)量，便成為現(xiàn)如今動(dòng)態(tài)化測(cè)試系統(tǒng)主要解決的關(guān)鍵問(wèn)題[3]。因此本次研究提出設(shè)計(jì)基于神經(jīng)網(wǎng)絡(luò)的車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)。

1 車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)設(shè)計(jì)

本次設(shè)計(jì)運(yùn)用了DSP（TMS320C2812型）組件，完成對(duì)車(chē)輛的動(dòng)態(tài)稱(chēng)重信號(hào)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(hào)調(diào)理電路以及傳輸系統(tǒng)[4]。通過(guò)運(yùn)用電阻應(yīng)變片式傳感器能夠轉(zhuǎn)變稱(chēng)重時(shí)的車(chē)輛原本壓力信號(hào)，改變?yōu)殡妷海ê练?jí)）;MCU模塊實(shí)現(xiàn)了TMS320C2812芯片，實(shí)現(xiàn)對(duì)稱(chēng)重相關(guān)數(shù)據(jù)的實(shí)時(shí)采集，并達(dá)到人機(jī)交互和多功能模塊的控制;信號(hào)調(diào)理電路該模塊主要實(shí)現(xiàn)了放大單元及對(duì)FIR低通濾波單元的模擬[5]。

動(dòng)態(tài)稱(chēng)重的流程主要是借助傳感器通過(guò)采集稱(chēng)重信號(hào)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(shí)現(xiàn)稱(chēng)重信號(hào)轉(zhuǎn)變?yōu)閿?shù)字量后存儲(chǔ)于存儲(chǔ)器內(nèi)部。借助本次設(shè)計(jì)的基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波器，處理稱(chēng)重?cái)?shù)字量后即可得相應(yīng)的重量數(shù)值，然后通過(guò)向上位機(jī)傳輸經(jīng)過(guò)打印顯示的數(shù)值，即可產(chǎn)生對(duì)應(yīng)警報(bào)信號(hào)。

網(wǎng)絡(luò)構(gòu)造的關(guān)鍵之一是對(duì)隱層節(jié)點(diǎn)數(shù)的確定。隱層節(jié)點(diǎn)太多或者太少所構(gòu)造出來(lái)的網(wǎng)絡(luò)都不利于問(wèn)題的真正解決。節(jié)點(diǎn)數(shù)少，網(wǎng)絡(luò)處理信息的能力就弱，節(jié)點(diǎn)數(shù)太多，會(huì)增加網(wǎng)絡(luò)的訓(xùn)練時(shí)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(diǎn)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(diǎn)數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡(jiǎn)單。

對(duì)于處在運(yùn)動(dòng)不穩(wěn)定狀態(tài)下的被稱(chēng)重車(chē)輛，提高了對(duì)系統(tǒng)測(cè)量精準(zhǔn)度及實(shí)時(shí)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(duì)數(shù)據(jù)的處理能力、實(shí)時(shí)性及靈活性。因此本文通過(guò)運(yùn)用硬件模擬濾波器，有效濾波信號(hào)之后對(duì)系統(tǒng)的測(cè)量精準(zhǔn)性有效提升。該系統(tǒng)還提供了及計(jì)算機(jī)通訊RS232串行通訊接口[6]，滿(mǎn)足了對(duì)數(shù)據(jù)實(shí)現(xiàn)計(jì)算機(jī)交換處理及遠(yuǎn)程監(jiān)控的方便快捷實(shí)時(shí)性。

2 基于神經(jīng)網(wǎng)絡(luò)車(chē)輛動(dòng)態(tài)稱(chēng)重信號(hào)自適應(yīng)濾波器

2.1 設(shè)計(jì)自適應(yīng)濾波器

對(duì)于車(chē)輛的動(dòng)態(tài)化稱(chēng)重信號(hào)中，低頻段的干擾信號(hào)較強(qiáng)會(huì)隨時(shí)對(duì)稱(chēng)重測(cè)量結(jié)果造成振動(dòng)干擾，筆者認(rèn)為對(duì)汽車(chē)產(chǎn)生振動(dòng)干擾的關(guān)鍵要因，包括車(chē)速、路面平整度以及車(chē)身自身振動(dòng)等[7]。通常普通運(yùn)用的濾波方式所受固定權(quán)值影響，僅僅對(duì)實(shí)驗(yàn)內(nèi)的某種車(chē)型運(yùn)用效果較佳，但是假若另外車(chē)型與實(shí)驗(yàn)車(chē)型差距較大，或是差異化路面情況，便會(huì)對(duì)測(cè)量精度降低。因此本文通過(guò)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(shuō)明），需要相關(guān)噪聲的信號(hào)，那么主要采用兩種獲取方式：通過(guò)增加現(xiàn)場(chǎng)通道確保測(cè)量信號(hào)相關(guān)于被測(cè)信號(hào)內(nèi)的噪聲z（n），而不相關(guān)于真實(shí)信號(hào)s（n）。一旦獲得所需的相關(guān)信號(hào)，那么即可延長(zhǎng)原本信號(hào)延時(shí)足夠長(zhǎng)時(shí)間。自適應(yīng)濾波器對(duì)干擾的消除方法，主要是通過(guò)在參考輸入端加入d（n）作為s（n）+z（n）即有用信號(hào)相加噪聲信號(hào)，即原始稱(chēng)重信號(hào)。輸入端的信號(hào)X（n）及噪聲信號(hào)z（n）相關(guān)信號(hào)c（n），該信號(hào)可以借助延時(shí)稱(chēng)重信號(hào)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(jìn)而實(shí)現(xiàn)權(quán)值的自動(dòng)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(yùn)用變步長(zhǎng)LMS算法，自動(dòng)調(diào)整權(quán)值借助Hopfield神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)變步長(zhǎng)LMS算法，可得變步長(zhǎng)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(shí)現(xiàn)變步長(zhǎng)LMS算法

借助自適應(yīng)濾波器完成對(duì)車(chē)輛稱(chēng)重信號(hào)的處理之后，可以有效提高測(cè)量的精準(zhǔn)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(jì)算量較大，所以計(jì)算效率較差不滿(mǎn)足系統(tǒng)計(jì)算速度需求[9]。在本文對(duì)如上問(wèn)題提出基于Hopfield神經(jīng)網(wǎng)絡(luò)，所設(shè)計(jì)的變步長(zhǎng)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(jì)算，對(duì)于測(cè)量之前通過(guò)離線訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在測(cè)量之后能夠?qū)\(yùn)算量有效減小，進(jìn)而對(duì)測(cè)量速度有效提升。Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)變步長(zhǎng)LMS算法的對(duì)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(shí)現(xiàn)本次設(shè)計(jì)的基于Hopfield神經(jīng)網(wǎng)絡(luò)車(chē)輛動(dòng)態(tài)稱(chēng)重軟件系統(tǒng)，其主要目標(biāo)是為了可以完成載重信號(hào)的自適應(yīng)濾波，借助Hopfield神經(jīng)網(wǎng)絡(luò)完成對(duì)濾波器的權(quán)值計(jì)算，具體流程，如圖3所示。

3 實(shí)驗(yàn)結(jié)果分析

通過(guò)在本次研究中為了驗(yàn)證設(shè)計(jì)系統(tǒng)的運(yùn)用性能，采用三軸剛性汽車(chē)空車(chē)狀態(tài)下10 t，外加15t的祛碼分別采集空車(chē)狀態(tài)及加過(guò)祛碼之后的車(chē)中[10]，如圖4所示。

維持該汽車(chē)達(dá)到20～30 km/h以?xún)?nèi)的行駛速度，根據(jù)所采集的數(shù)據(jù)時(shí)間及天氣等均為隨機(jī)情況，相較平均值測(cè)量方式得出最終測(cè)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(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)，可以有效減少誤差產(chǎn)生，保證計(jì)算速率同時(shí)提高結(jié)果精準(zhǔn)性，因此本文提出的此種基于神經(jīng)網(wǎng)絡(luò)車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)可行性較高[11-12]。

4 總結(jié)

通過(guò)在本次研究中設(shè)計(jì)了一種基于神經(jīng)網(wǎng)絡(luò)的車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)，能夠基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波變步長(zhǎng)LMS算法，過(guò)濾基于不同頻段稱(chēng)重信號(hào)產(chǎn)生的噪聲。處于不同環(huán)境下針對(duì)不同車(chē)型，達(dá)到了較好的技術(shù)適應(yīng)度且速度較快，精準(zhǔn)度較高。經(jīng)本次研究應(yīng)用設(shè)計(jì)該系統(tǒng)，選擇高性能TMS32C2812芯片，設(shè)計(jì)較高軟硬件系統(tǒng)，可以對(duì)高速公路上的經(jīng)過(guò)車(chē)輛重量動(dòng)態(tài)計(jì)劃精準(zhǔn)測(cè)量。行之有效的對(duì)車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)的時(shí)效性及抗干擾問(wèn)題加以解決，并且在本次研究中還展開(kāi)應(yīng)用實(shí)驗(yàn)，對(duì)比相較平均值的方法完成測(cè)量，驗(yàn)證了DSP車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)，突破了傳統(tǒng)稱(chēng)重的局限性也無(wú)需專(zhuān)門(mén)頻繁的改動(dòng)相關(guān)參數(shù)，達(dá)到了較高的測(cè)量精準(zhǔn)度，且提高動(dòng)態(tài)稱(chēng)重的測(cè)量速度，對(duì)高速公路的車(chē)輛動(dòng)態(tài)稱(chēng)重中，長(zhǎng)期面臨的干擾汽車(chē)測(cè)量精準(zhǔn)度問(wèn)題有效解決。

參考文獻(xiàn)

[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(jì)算機(jī)應(yīng)用， 2015， 25（12）：2777-2779.

[2] 張永昊， 郭宏， 孔國(guó)生， 等. 基于神經(jīng)網(wǎng)絡(luò)的汽車(chē)動(dòng)態(tài)稱(chēng)重CCD抓拍雙核系統(tǒng)設(shè)計(jì)[J]. 自動(dòng)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(jī)動(dòng)態(tài)稱(chēng)重系統(tǒng)預(yù)測(cè)建模仿真研究[J]. 科技經(jīng)濟(jì)導(dǎo)刊， 2016，16（35）：1-2.

[4] 白瑞林， 嚴(yán)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(jì)量學(xué)報(bào)， 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(chē)輛動(dòng)態(tài)稱(chēng)重技術(shù)[J]. 安徽工業(yè)大學(xué)學(xué)報(bào)（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(dòng)機(jī)空燃比動(dòng)態(tài)建模[J]. 小型內(nèi)燃機(jī)與車(chē)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(dòng)態(tài)稱(chēng)重辨識(shí)中的應(yīng)用[J]. 交通信息與安全， 2016， 24（4）：30-33.

[8] 林遠(yuǎn)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(jī)燃燒系統(tǒng)中的應(yīng)用[J]. 小型內(nèi)燃機(jī)與車(chē)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(dòng)態(tài)稱(chēng)重系統(tǒng)非線性補(bǔ)償[J]. 儀器儀表學(xué)報(bào)， 2014（8）：1914-1920.

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

[11] 何紅麗， 張?jiān)?呂運(yùn)鵬，等. 神經(jīng)網(wǎng)絡(luò)在汽車(chē)動(dòng)態(tài)稱(chēng)重?cái)?shù)據(jù)處理中的應(yīng)用[J]. 自動(dòng)化儀表， 2017， 28（5）：17.

[12] 戴欣. 多信息融合車(chē)載式動(dòng)態(tài)稱(chēng)重系統(tǒng)研究[D]. 北京：北京交通大學(xué)， 2014.

（收稿日期：2019.08.29）