周曉萍

（聊城大學(xué)東昌學(xué)院，山東 聊城 252000）

1 引言

隨著中國道路交通網(wǎng)建設(shè)加速，車輛超載問題日益突出。車輛超載不僅增加了交通事故，而且破壞了基礎(chǔ)交通設(shè)施和環(huán)境質(zhì)量[1]。因此研究車輛載重實時檢測系統(tǒng)，可以從源頭上遏止超重問題，達到保護交通設(shè)施和環(huán)境的目的。

傳統(tǒng)的車輛稱重方式為靜態(tài)稱重，如地磅稱，這種稱重方法精度較高，但是通行率過低，容易造成擁堵。車輛動態(tài)稱重是當(dāng)前研究的熱點，文獻[2]使用BP 神經(jīng)網(wǎng)絡(luò)將疊板彈簧形變量和胎壓變化量進行信息融合，取得了較高的測量精度；文獻[3]將稱重技術(shù)

與通信技術(shù)結(jié)合，提出了使用因特網(wǎng)進行信息傳輸?shù)能囕v動態(tài)測量系統(tǒng)；文獻[4]基于載重量與胎壓的對應(yīng)關(guān)系，提出了多種方法測量車輛載重。以上研究推動了車輛載重動態(tài)測量系統(tǒng)的研究，但是都沒有考慮高頻噪聲、速度及加速度影響等，因此測量精度有限。

這里確定了車輛載重動態(tài)測量方案，分析了信號誤差來源，高頻噪聲使用改進小波閾值方法濾出，低頻誤差使用BP 神經(jīng)網(wǎng)絡(luò)擬合去除，最終給出了車輛載重的高精度測量方法，此方法可應(yīng)用于工程實際。

2 車輛載重測量方案及誤差分析

2.1 載重測量方案確定

為了精確測量車輛載重，稱重傳感器的選擇及安裝位置選擇極為重要。稱重傳感器應(yīng)具備易于安裝和維護、靈敏度高、不易受破壞等優(yōu)點，安裝位置應(yīng)選擇能夠靈敏敏感車輛載重的位置?？捎梅Q重傳感器及安裝位置有以下幾類：

（1）將柱式傳感器安裝于車橋與橫梁之間，通過測量兩者之間的距離得到載荷，但是此傳感器高度在40mm 以上，安裝和維修都比較困難[5]；

（2）將胎壓傳感器安裝于車胎內(nèi)，通過測量胎壓間接得到車輛載荷。但是此方法易受溫度影響，測量精度不高；

（3）將應(yīng)變傳感器安裝于鋼板彈簧表面，通過測量彈簧位移得到載荷量。但是此方法維修不方便，容易遭到人為破壞[5]；

（4）將拉繩傳感器安裝于車橋與橫梁之間，通過測量拉繩伸縮量解算出載荷量，此傳感器體積較小、易于安裝、穩(wěn)定性好，且傳感器表面經(jīng)防腐處理，不易受腐蝕[6]。

經(jīng)過以上分析，最終確定選用第四種測量方案。為了準確獲得車輛載荷，在前后車軸兩側(cè)各安裝一個拉繩傳感器，全車共計4 個，這里實驗用傳感器為MPS-S-600mm-R 型電阻式拉繩傳感器。

2.2 車輛載重分析

當(dāng)車輛在坡度α 為的路面上行駛時，其受力情況，如圖1 所示。

圖1 車輛受力分析Fig.1 Vehicle Mechanical Analysis

圖中：v—車輛行駛速度；G—車輛重力（即載荷）；F1、F2—車輛前后軸垂直載荷，由力平衡可知：

式中：F11、F12—前軸左右兩側(cè)傳感器測量的垂直載荷；F21、F22—后軸左右兩側(cè)垂直載荷。

2.3 誤差分析

拉繩傳感器采集信號時會受到各種動態(tài)因素影響，為了得到高精度的測量結(jié)果，必須對誤差進行分析和濾除。車輛貨物作用于鋼板彈簧的載荷類型可以分為恒定載荷、穩(wěn)態(tài)載荷、隨機載荷和沖擊載荷等四類[6]，其中恒定載荷為車輛實際載荷；穩(wěn)態(tài)載荷是由發(fā)動機轉(zhuǎn)動、外界溫度等引起的噪聲，為高頻信號；隨機載荷是由路面不平整和車輛速度等引起的隨機干擾噪聲；沖擊載荷是由車輛加速度作用下鋼板彈簧儲能或釋能引起的低頻干擾。由以上分析可知，影響車輛載荷動態(tài)測量精度的主要因素包括：發(fā)動機轉(zhuǎn)動、環(huán)境溫度變化等引起的高頻噪聲和車輛速度、加速度等引起的低頻噪聲。對于高頻噪聲，提出了改進小波閾值的去噪方法；對于低頻噪聲，使用自適應(yīng)魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，用于擬合載荷與速度、加速度關(guān)系，達到降低低頻噪聲的目的。

3 改進小波閾值去噪方法

3.1 離散小波變換

基小波的選擇直接決定了信號降噪效果，基小波選取的優(yōu)劣通過信號重構(gòu)后結(jié)果與變化前的誤差進行評判，根據(jù)反復(fù)實際驗證，選擇db4 小波作為基小波，分解層數(shù)為3 層。

3.2 閾值改進

閾值去噪原理為：設(shè)置某一閾值λ，當(dāng)小波系數(shù)小于λ 時為噪聲信號，當(dāng)小波系數(shù)大于，信號包含更多有用成分，應(yīng)當(dāng)保留。小波閾值分為硬閾值和軟閾值兩種，硬閾值函數(shù)在Wk處不連續(xù)，去噪后信號存在附加震蕩點；軟閾值去噪是對小波系數(shù)進行了定值縮減，會使去噪信號失真[8]。

為了解決硬閾值和軟閾值去噪存在的問題，提出了改進閾值，改進原則如下：（1）改進閾值函數(shù)必須連續(xù)，解決附近震蕩點問題；（2）以y=x 為漸近線，減少系數(shù)的定值縮減，解決信號失真問題；（3）加入可調(diào)節(jié)參數(shù)，增加改進閾值函數(shù)的應(yīng)用范圍，且通過參數(shù)調(diào)節(jié)使軟閾值和硬閾值為其特殊情況?；谝陨先c原則，提出改進閾值函數(shù)為：

圖2 改進小波閾值函數(shù)（λ=1 時）Fig.2 Improved Wavelet Threshold Function（when λ=1）

由式（5）和圖2 可知，改進閾值函數(shù)連續(xù)，且以y=x 為漸近線，通過調(diào)整參數(shù)a，可以將改進閾值轉(zhuǎn)換為硬閾值或軟閾值，達到了改進目標。

3.3 降噪效果驗證

為了驗證三種閾值在降噪中的效果，使用115 型重型車進行實驗，對采集信號進行軟閾值、硬閾值與改進閾值降噪，選擇去噪信號的信噪比和均方誤差作為評價指標結(jié)果，如表1 所示。

表1 不同閾值函數(shù)的降噪結(jié)果Tab.1 Denoise Effect of Different Threshold Function

由表中數(shù)據(jù)可知，改進閾值函數(shù)具有最好的降噪效果，使用改進閾值對采集信號的降噪結(jié)果，如圖3 所示。從圖中可以看出，改進閾值小波降噪極大地減少了信號的毛刺現(xiàn)象。

圖3 改進閾值小波降噪Fig.3 Improved Threshold Wavelet Denoise

4 BP 神經(jīng)網(wǎng)絡(luò)提高測量精度

本節(jié)使用BP 神經(jīng)網(wǎng)絡(luò)擬合車輛載荷與速度、加速度關(guān)系，消除由速度、加速度引起的低頻噪聲，提高測量精度。

4.1 BP 神經(jīng)網(wǎng)絡(luò)原理與結(jié)構(gòu)確定

BP 神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，每層均含有若干個神經(jīng)元[9]，隱含層可能有好多層，使用最簡單的三層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在車輛載重測量中，輸入信號為速度、加速度、去噪信號等三個，因此輸入層神經(jīng)元數(shù)量為3；輸出信號為車輛載荷估計值，因此輸出層神經(jīng)元數(shù)量為1；經(jīng)過實驗對比，隱含層神經(jīng)元數(shù)量為10 時誤差最小。綜上所述，應(yīng)用于車輛載荷測量的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖4 所示。

圖4 三層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Three Layer BP Neutral Network Structure

BP 神經(jīng)網(wǎng)絡(luò)的信號傳遞包括工作信號的正向傳播和誤差信號的反向傳播。記X=（x1，x2，x3）為神經(jīng)網(wǎng)絡(luò)的輸入信號，Y 為神經(jīng)網(wǎng)絡(luò)的期望輸出，O 為實際輸出，wij為從輸入層神經(jīng)元i 到隱含層神經(jīng)元j 的傳遞權(quán)值，隱含層節(jié)點閾值為θj；vj為從隱含層神經(jīng)元j 到輸出層神經(jīng)元的傳遞權(quán)值，輸出層神經(jīng)元閾值為r；輸入層到隱含層傳遞函數(shù)選用Tansig 函數(shù)，記為f1（x）；隱含層到輸出層傳遞函數(shù)選用Purelin 函數(shù)，記為f2（x），則神經(jīng)網(wǎng)絡(luò)輸入與輸出表達式為：

用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)量記為N，則神經(jīng)網(wǎng)絡(luò)全局誤差為：

按照BP 算法的梯度下降原則，利用誤差的反向傳播，不斷調(diào)整權(quán)值和閾值，使神經(jīng)網(wǎng)絡(luò)全局誤差達到最小。

4.2 自適應(yīng)魚群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)

在BP 神經(jīng)網(wǎng)絡(luò)算法中，依據(jù)誤差信號的反向傳播不斷調(diào)整權(quán)值和閾值，使全局誤差不斷減小。但是BP 神經(jīng)網(wǎng)絡(luò)非線性全局誤差為S 形函數(shù)，具有多個極值點，因此全局最優(yōu)解的搜索與參數(shù)初值位置具有很大關(guān)系。當(dāng)初值靠近局部極值時，算法收斂于局部最優(yōu)；當(dāng)初值靠近全局最優(yōu)時，算法收斂于全局最優(yōu)，這是BP 算法調(diào)節(jié)權(quán)值的固有缺陷，因此參數(shù)初始位置對參數(shù)尋優(yōu)具有決定性影響。提出自適應(yīng)人工魚群算法搜索權(quán)值和閾值最優(yōu)值。

人工魚群算法是模擬魚群覓食過程的群智能算法，此算法可以分解為四個行為，分別為覓食行為、聚群行為、追尾行為和隨機行為，算法原理已經(jīng)成熟，可參考文獻[10]，這里不再贅述。算法參數(shù)視覺范圍和擁擠度因子對算法影響較大，為了提高算法收斂速度和精度，對兩參數(shù)進行了改進。

（1）視覺范圍隨魚兒距離自適應(yīng)變化。當(dāng)視覺范圍較大時，算法大范圍搜索能力強，利于算法前期的廣泛搜索；當(dāng)視覺范圍較小時，算法小范圍細致搜索能力強，有利于算法后期提高解的精度。算法前期，魚群大范圍分散，魚兒之間距離較大；隨著算法的迭代，魚群逐漸向最優(yōu)解處聚集，魚兒之間距離減小，因此魚兒之間的間距可以反應(yīng)算法進度?；谝陨戏治?，提出了視覺范圍隨魚兒距離自適應(yīng)變化方法，為：

式中：Vi—第i 條魚的視覺范圍；Nf—魚群規(guī)模；Rij—第i 條魚與第j 條魚間的距離；?ij—兩者權(quán)值。

（2）擁擠度因子的自適應(yīng)改進。擁擠度因子的大小影響魚群的聚集程度，當(dāng)擁擠度因子設(shè)置較大時，允許魚兒高密度聚集，算法收斂快；當(dāng)擁擠度因子設(shè)置較小時，不允許魚兒過于聚集，魚群相對分散，利于算法搜索。根據(jù)算法前期搜索和后期收斂的需要，提出自適應(yīng)擁擠度因子為：

式中：δ（k+1）—（k+1）時刻擁擠度因子；δ（k）—k 時刻擁擠度因子；β（k）—自適應(yīng)調(diào)整因子，且有：

式中：δmax、δmin—擁擠度因子上下限；k—算法迭代次數(shù)；NUM—算法迭代最大值。

分析式（8）和式（10）可知，魚群視覺范圍隨算法迭代而逐漸較小，擁擠度因子隨算法進度而逐漸增大，兩者自適應(yīng)變化有利于算法前期大范圍搜索、算法后期的細致搜索和快速收斂。

在此需要強調(diào)兩點：（1）魚兒位置的編碼由51 個數(shù)據(jù)組成，包括30 個輸入層到隱含層權(quán)值wij、10 個隱含層閾值 θj、10 個隱含層到輸出層權(quán)值vj、1 個輸出層閾值r；（2）魚群搜索過程中，食物濃度即為適應(yīng)度函數(shù)，適應(yīng)度函數(shù)由目標函數(shù)構(gòu)建為E）。

5 實驗驗證

5.1 實驗設(shè)計

使用115 型的重型車進行載重測量實驗，將4 個MPS-S-600mm-R 型電阻式拉繩傳感器分別安裝于前后軸左右兩側(cè)，數(shù)據(jù)的采集與處理使用STM32F107VCT6 單片機，數(shù)據(jù)的存儲通過單片機與U 盤連接，實現(xiàn)數(shù)據(jù)的讀寫，車輛載重、位置、速度等信息顯示使用DMT80480T050 型DGUS 顯示屏，為了將車輛定位并將車輛數(shù)據(jù)傳至監(jiān)控臺，選擇ZH6600 型GPS+GPRS DTU 終端對車輛定位和信息傳輸。車輛的速度信息可以直接采集，無需加裝傳感器，加速度信息由車輛速度做一次差分得到。將以上設(shè)備安裝到車輛上以后，除顯示器外其他儀器均安裝于隱蔽位置，實驗車輛從外表看與普通車輛一致，因此在此不給出實驗車輛圖片，而給出實驗儀器的連接圖，如圖5 所示。

圖5 實驗儀器連接圖Fig.5 Connection Diagram of Experimental Instruments

共進行7 組實驗，車輛載荷分別為5T、7T、9T、10T、20T、30T、40T，貨物裝載時盡量保證均勻，防止車輛偏沉引起事故，同時利于載重測量。實驗車輛以60km/h 的速度在高速上行駛，行駛過程中采集拉繩傳感器信息和速度信息并存儲。在同一載荷下每天進行兩次實驗，共實驗4 天，而后在下一載荷條件下再實驗4 天，直到實驗完畢。從每次實驗數(shù)據(jù)中隨機無重疊地抽取5 段等長序列，則共得到280 組實驗數(shù)據(jù)，每一載荷下40 組數(shù)據(jù)。選擇每一載荷下前30 組數(shù)據(jù)，共計210 組用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，其余70 組數(shù)據(jù)用于測試神經(jīng)網(wǎng)絡(luò)模型泛化能力。

5.2 數(shù)據(jù)處理

使用210 組數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練相對誤差設(shè)置為0.01%，最大搜索次數(shù)設(shè)置為1500，BP 算法、自適應(yīng)人工魚群算法搜索最優(yōu)參數(shù)的收斂過程，如圖6 所示。

圖6 神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂過程Fig.6 Convergence Process of Neutral Network Training

由圖6 可知，使用BP 算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，算法迭代52 次后相對誤差不再減少，但是依然沒有達到精度要求，這是因為BP算法陷入了局部極值，且BP 算法無法跳出局部極值，使算法訓(xùn)練失敗。而自適應(yīng)人工魚群算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，相對誤差迅速減小，在迭代18 次時相對誤差值為8.93×10-5，達到了精度要求，訓(xùn)練過程結(jié)束。由此可以看出，自適應(yīng)人工魚群算法可以有效訓(xùn)練神經(jīng)網(wǎng)速，收斂速度快，訓(xùn)練精度高。自適應(yīng)人工魚群算法相對于BP 算法優(yōu)勢在于：（1）群智能算法的初始值較分散，避免了單一初始值陷入局部極值的危險；（2）自適應(yīng)視野范圍與擁擠度因子兼顧了算法前期大范圍搜索、后期細致搜索和快速收斂，使算法收斂速度快且搜索精度。自適應(yīng)人工魚群算法搜索的最優(yōu)參數(shù)，如表2 所示。

表2 神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù)Tab.2 Optimal Parameters of Neutral Network

使用剩余70 組數(shù)據(jù)對訓(xùn)練完的神經(jīng)網(wǎng)絡(luò)進行測試，車輛載重使用三種方法給出：（1）原始數(shù)據(jù)均值；（2）小波去噪后均值；（3）神經(jīng)網(wǎng)絡(luò)輸出值。由于數(shù)據(jù)較多而篇幅有限，在此只給出部分測量結(jié)果，如表3 所示。從表3 中可以看出，使用原始數(shù)據(jù)求均值得到的載重量相對誤差明顯高于另外兩種方法，而使用小波閾值濾波后信號均值求得的載重相對誤差有較大下降，但仍在3%左右，使用BP 神經(jīng)網(wǎng)絡(luò)對濾波后數(shù)據(jù)進行處理，輸出的載重量相對誤差最小。對70 組測試數(shù)據(jù)計算結(jié)果進行統(tǒng)計，原始數(shù)據(jù)求平均方法的平均相對誤差為4.62%，最大相對誤差為6.37%；小波濾波數(shù)據(jù)求均值方法的平均相對誤差為2.87%，最大相對誤差為3.26%；BP 神經(jīng)網(wǎng)絡(luò)輸出的平均相對誤差為0.85%，最大相對誤差為1.45%。以上數(shù)據(jù)充分說明了提出的載重測量方案精度較高，這是因為使用小波閾值濾波去除了信號中的高頻噪聲，使用BP 神經(jīng)網(wǎng)絡(luò)去除了信號中因加速度、速度引起的低頻噪聲。根據(jù)國家要求車輛動態(tài)測量誤差不高于5%的要求，此方法可以應(yīng)用于工程實際。

表3 載重測量值及相對誤差Tab.3 Carload Measurement and Relative Error

6 結(jié)論

研究了車輛載重動態(tài)測量問題，得到了以下結(jié)論：（1）改進閾值的小波去噪效果更好，克服了軟閾值和硬閾值存在的問題；（2）自適應(yīng)人工魚群算法通過群體優(yōu)勢，克服了BP 算法容易陷入局部極值的問題；（3）小波閾值去除高頻噪聲與BP 神經(jīng)網(wǎng)絡(luò)去除低頻噪聲相結(jié)合，得到的載重測量值精度較高。