楊澤文，侯 彬，李秦峰，王憲保，邱寶象，屈亮亮

(1.浙江工業(yè)大學 信息工程學院，浙江 杭州 310023; 2.萬向錢潮股份有限公司，浙江 杭州 311215)

0 引言

目前，公路的超載檢測裝置大多設置在監(jiān)測站，通過人為引導進入監(jiān)測站或者收費站的指定位置，利用固定的分離式地磅[1]或者是無人值守[2]的稱重方式對車輛進行載荷檢測。這種檢測方式局限于公路的指定地點，無法做到對車輛載荷的實時監(jiān)控；檢測時間長，需要車輛到達指定位置并等待載荷結果，對流量較大的公路而言十分不方便[3]；占地空間大，需要將指定區(qū)域改造成地磅式的稱重裝置，額外占用公路空間；同時現(xiàn)有裝置安裝費時費力，檢測成本高昂。

國內外已有許多學者針對車輛載重問題進行設計與研究。文獻[4]首次提出了一種測量車輛載荷的方法，該方法利用位移傳感器測量車架與車橋間的相對位移以此來測量出車輛的載荷情況，采用線性擬合的方式對載重情況進行預測，文章假定的傳感器是理想線性的，這使得其在運動中測量載重具有局限性。文獻[5]提出一種基于車輛后橋與馬槽之間的位移變化來測量車輛載荷的方法，通過測量車輛后橋與馬槽的變化，測量出車輛載荷信息，文中模型稱重精度只有2%左右，允許偏載20%，只能供使用單位內部計量。文獻[6]提到一種基于鋼板彈簧與軸載之間的變化量來測量車輛載荷數(shù)據(jù)的方法，結合數(shù)據(jù)通過BP神經(jīng)網(wǎng)絡來訓練網(wǎng)絡模型，利用網(wǎng)絡模型預測車輛載荷數(shù)據(jù)。文獻[7]提出了基于電容傳感器的車載動態(tài)稱重系統(tǒng)的設計，利用電容傳感器來替換位移傳感器實現(xiàn)對載重的測量。文獻[6-7]仍是基于鋼架彈簧的位移量對車輛載重進行測量，這種測量方式在車輛運行中易受到運動加速度的影響，使得載重值會起伏，無法確定實時的車輛載重精確情況。文獻[8]提出一種基于壓電薄膜的車輛稱重算法，雖然測量精度得到了較大的提升，但是系統(tǒng)設計與算法處理較為復雜，且并不利于實際場景下的普及使用。

縱觀國內外研究現(xiàn)狀，雖然已經(jīng)涌現(xiàn)出豐富的測量系統(tǒng)及檢測算法，但是這些系統(tǒng)都存在著測量精度不能滿足當前車載稱重系統(tǒng)的發(fā)展需求，且實際應用場景有限的問題。同時隨著第五代移動通信技術(The 5th Generation Mobile Communication Technology，5G)興起，給物聯(lián)網(wǎng)帶來新的機遇與挑戰(zhàn)，需要所研發(fā)的系統(tǒng)不僅僅是一個單體應用架構，可能涉及到若干個功能模塊的組合，往往是硬件系統(tǒng)與軟件后臺系統(tǒng)并存的、更加智能化、人性化的系統(tǒng)。

因此，本文設計出了一款精度更高、安裝簡便、基于多傳感器信息融合的貨車載荷實時監(jiān)測系統(tǒng)。通過多傳感器對車輛的載荷和運行數(shù)據(jù)進行采集，利用無線通信技術和云端服務器將數(shù)據(jù)集中處理，并設計了一套前后端體系，能進行測量數(shù)據(jù)的大規(guī)模存儲，和車輛的載荷情況進行實時監(jiān)控輸出。有著硬件設備安裝便捷，測量結果準確度高，實時性突出等特點。

1 系統(tǒng)方案

基于物聯(lián)網(wǎng)技術的貨車載荷實時監(jiān)測系統(tǒng)主要分為硬件電路和軟件算法兩部分，其中硬件電路主要包括數(shù)據(jù)采集端、信號濾波、放大電路、A/D轉換、控制器、數(shù)據(jù)顯示、無線通信以及輔助電路等部分，軟件算法主要包括下位機濾波算法和上位機擬合算法。下位機濾波算法處理采集到的載荷信息，減小干擾，提高準確度；上位機擬合算法整合載荷信息為真實載重物重量。系統(tǒng)總體實現(xiàn)框圖如圖1所示。系統(tǒng)采用的電阻式應變片傳感器為BHF高精密級導體應變片；信號放大電路采用INA333芯片；濾波處理采用無源低通濾波器，降低高頻信號的干擾；A/D轉換模塊以ADS1100為轉換芯片，系統(tǒng)以STM32F105RCT6為MCU，與A/D轉換模塊通過I2C進行通信；MCU與無線通信模塊通過串口進行通信，并通過串口發(fā)送“AT”指令與云服務器進行交互實現(xiàn)數(shù)據(jù)傳輸；

圖1 貨車載荷實時監(jiān)測系統(tǒng)設計方案框圖

圖1中，電阻式應變片傳感器安裝于貨車底部橫橋承重點處，每輛貨車每個車軸對稱安裝兩個電阻式應變片傳感器，用于采集貨車載重引起的橫橋形變信號；所采集到的十分微小的信號通過信號放大電路進行放大，并進行濾波處理，以降低高頻信號的干擾；放大處理后的信號經(jīng)過A/D轉換由模擬量轉化為數(shù)字量，進入MCU進行數(shù)據(jù)運算和處理；MCU處理的信號通過顯示單元進行顯示，并且通過無線通信模塊發(fā)往云服務器；云服務器端采用神經(jīng)網(wǎng)絡方式處理由無線通信模塊發(fā)來的載重信號，最終擬合出真實載重量并顯示。

2 硬件電路設計

數(shù)據(jù)采集是硬件設計的核心，本設計為基于多傳感器信息融合的車載稱重測量，研究對象為車軸形變量與貨車載重之間的關系。對于多軸運輸車而言，其主要承重組件由車架、車軸、車懸架、車輪等部分組成車體通過車懸架系統(tǒng)連接于車軸，重物裝載于車體上時，壓力會通過懸架作用于車軸上，致使車軸產生形變量，隨著裝載量逐漸增加，形變量也會逐漸增大，為了提高車載稱重系統(tǒng)測量數(shù)據(jù)的準確度，首先應該從采集到的形變量進行分析，故準確獲取車輛運動過程中真實載荷引起的形變信息最為關鍵。而在車輛運動的過程中，貨車會受到外界多種因素的影響，造成測量數(shù)據(jù)出現(xiàn)較大偏差，那么就需要消除或減小干擾因素對測量結果的影響。本系統(tǒng)通過設計數(shù)據(jù)采集模塊，信號預處理模塊，微控制器模塊，串口調試模塊，電源電路模塊獲取車輛載荷信息；設計無線通信模塊發(fā)送載荷信息和位置信息于云服務器端進行進一步處理。

2.1 數(shù)據(jù)采集模塊

傳感器的選型對于提高測量結果精確度起著關鍵作用，本設計采用電阻式應變片[9-10]傳感器對車軸形變信號進行采集。本文中采用的是BHF高精密級金屬導體應變片，這種應變片具有高精度、全密封、溫度自補償、使用壽命長等特點。同時又由于電阻式應變片粘貼于車軸之上，車軸的微小形變量會造成應變片電阻變化量也很微弱，為了將電阻式應變式傳感器的電阻變化準確地測量出來，在實際的應用中一般選擇電橋電路測量其電阻變化，并且以電壓信號的形式輸出，也便于測試人員進行測試。電橋電路不僅結構簡單穩(wěn)定，還具有以下優(yōu)點：靈敏度高、測量范圍寬、線性度好，且易實現(xiàn)溫度補償?shù)?。能較好地適應于各種真實環(huán)境，同時也能滿足各種測量要求，基于上述特點電橋電路在本系統(tǒng)中得到應用。

電橋電路按其結構連接方式可以分為3種類型：單臂電路、雙臂電路以及全橋電路。單臂工作輸出信號最小、線性、穩(wěn)定性較差；雙臂輸出電壓是單臂的兩倍，性能比單臂有所改善；全橋結構的輸出電壓是單臂時的四倍，性能最好。因此，為了能夠得到較大的輸出電壓信號，在本文中采用全橋電路結構。基本電路如圖2所示。

圖2 橋式電路圖

在單臂結構中，設輸出端(即VIN+、-兩端電壓)為uoutput，電源電壓為U0，則有

(1)

(2)

通過單臂結構輸出電壓如式，可以推知，在全橋電路中輸出電壓為：

uoutput=Ks·ε·U0

(3)

式(2)～(3)中Ks表示應變片靈敏系數(shù)，ε表示應變量。通過對原理的分析得知，采用全橋結構可以放大微小的形變信號，從而降低傳感器數(shù)據(jù)采集時微弱信號所帶來的誤差對實驗結果的影響。

2.2 信號預處理模塊

2.2.1 信號濾波與放大

車輛在行駛過程中，測量信號會存在各種不穩(wěn)定因素的干擾。雖然應變片采用全橋電路結構，但其輸出的差模電壓也僅是毫伏級別的信號，因此需要濾波和放大處理。如圖3所示，濾波電路采用的是無源低通濾波[11]，主要功能是消除高頻噪聲對測量信號的干擾。放大電路采用INA333，它是一個自歸零的精密放大器，具有溫度漂移低、共模抑制比高、低線性誤差、高阻抗的特點，同時通過調節(jié)引腳RG相連的電阻R62阻值，可以控制放大增益，也可以通過REF引腳提供直流偏置。

圖3 信號濾波與放大電路圖

電壓信號由VIN+、VIN-儀表放大器輸入，再由儀表放大器放大后通過VOUT引腳輸出，作為后續(xù)A/D轉換器的輸入信號。

2.2.2 A/D轉換電路

經(jīng)過INA333放大后的信號仍屬于單片機不能識別的模擬信號，需要轉換為數(shù)字信號，即A/D轉換。為了避免提高測量結果的精確度，在本文中采用ADS1100轉化器將放大后的電壓作為輸入，A/D轉換后將數(shù)字信號通過I2C通道發(fā)送至MCU主控模塊，如圖4所示。

圖4 A/D轉換電路圖

ADS1100芯片是美國TI(Texas Instruments)公司生產的全差分輸入、高達16位分辨率、擁有自校準功能的A/D轉換器，該芯片的自校準系統(tǒng)對于用戶是透明的,同時片內擁有可編程的增益放大器PGA可提供1、2、4、8這4種增益選擇[12-13]，其內部結構如圖4所示。ADS1100具有如下優(yōu)點采用∑-Δ型A/D轉換器，具有良好的抗干擾能力；有連續(xù)自校準功能，單周期轉換，內部帶有系統(tǒng)時鐘； A/D轉換時間20 μs，比內嵌型A/D轉換器要快10～15倍。故其適合應用于本設計之中。ADS1100輸出值公式為式(4)，其中表示ADS1100的最小編碼，K表示ADS1100的增益。

(4)

2.3 微控制器模塊

本設計中微處理器采用STM32F105RCT6芯片。這款芯片是基于ARM?Cortex-M3TM內核的32位微控制器，最大支持72 MHz晶振作為外部低速時鐘源。該芯片工作電壓范圍為2.0～3.6 V。在通信接口上，該芯片支持UART、I2C、SPI等通信方式，擁有5個USART串口、多達3個高速SPI接口(18 M位/秒)、2個I2C接口、雙通道的CAN接口、USB2.0全速設備/主機/OTG控制器。芯片原理如圖5所示， 該控制器功能強大、 價格低廉、 性能穩(wěn)定、外設資源豐富，非常適合此款電力儀表的設計條件。在本設計中，由于有多組傳感器采集模塊，因此重映射了多組I2C接口供外部數(shù)據(jù)采集模塊的使用。

圖5 STM32F105RCT6芯片圖

2.4 串口調試模塊

本設計使用RS485串口用于和上位機通信以及連接車載顯示。RS485通信可以實現(xiàn)標準設計，平衡發(fā)送和差分接收，有強大的抑制共模干擾能力。在發(fā)送端將串行口的TTL電平信號轉換成差分信號，由A、B兩線輸出，經(jīng)過雙絞線傳輸?shù)浇邮斩撕?，再將差分信號還原成TTL電平信號[14-15]。如圖6所示，采用MAX13485芯片作為串口芯片，連接微控制器和其他外設或者上位機，設計中采用了4 Pin接線端子引出，可以方便外設或者上位機接入。

圖6 串口電路圖

2.5 電源電路模塊

本文采用車載24 V電源。一般而言，系統(tǒng)中元器件正常工作的電壓范圍在3.0～5.5 V之間，所以還需要對電壓進行轉換。如圖7(a)所示，采用五端穩(wěn)壓器LM2596S-5芯片實現(xiàn)5 V電壓電源的輸出。同時，由于單片機以及其他功能模塊芯片工作電壓為3.3 V，所以還需要將5 V電壓降壓為3.3 V輸出。如圖7(b)所示，AMS1117芯片可以將輸入的5 V電壓進行微調，使誤差在±1.5%的范圍內，同時使電流也得到調整，從而減少因穩(wěn)壓器及電源電路過載帶來的壓力[16]。為了避免STC32F105RCT6單片機VDDA引腳懸空，通過0 Ω電阻將3.3 V轉化為模擬3.3 V電壓源，0 Ω電阻電路相當于很窄的電流通路，能夠有效地限制環(huán)路電流，使噪聲得到抑制。

圖7 電源電路圖

2.6 無線通信模塊

移動的車輛數(shù)據(jù)需要通過無線的方式傳輸至云端服務器[17]。本設計中，采用了EC200S-CN芯片，它是移遠通信最近推出的 LTE Cat 1 無線通信模塊。支持最大下行速率 10 Mbps 和最大上行速率 5 Mbps，具有超高的性價比；同時在封裝上兼容移遠通信多網(wǎng)絡制式 LTE Standard EC2x(EC25、EC21、EC20 R2.1)、EC200T/EG25-G/EG21-G模塊以及 UMTS/HSPA+ UC200T 模塊，實現(xiàn)了 3G 網(wǎng)絡與 4G 網(wǎng)絡之間的無縫切換。EC200S-CN 還支持標準的 MiniPCIe 封裝，以滿足不同行業(yè)產品應用需求，是物聯(lián)網(wǎng)應用領域的合適選擇。無線通信模塊是車輛聯(lián)網(wǎng)的關鍵部分，將數(shù)據(jù)上傳至服務器是目前物聯(lián)網(wǎng)技術的發(fā)展趨勢。本設計中EC200S-CN模塊與微控制器之間通過串口進行數(shù)據(jù)交互，EC200S-CN的發(fā)送和接收管腳連接到微控制器的串口對應的管腳進行串口通信。EC200S-CN的電路原理圖如圖8所示。

圖8 EC200S-CN模塊原理圖

EC200S-CN模塊與阿里云服務器進行連接，進而將經(jīng)過融合處理后的傳感器數(shù)據(jù)傳送至云平臺。它們之間的連接協(xié)議為MQTT協(xié)議(微消息隊列協(xié)議)，該協(xié)議是面向移動端場景下，特別適用于車聯(lián)網(wǎng)移動設備，如車載終端等，具有單設備數(shù)據(jù)量少可以快速處理的特點。待硬件設備連上阿里云服務器后，可以開通相應的IoT物聯(lián)網(wǎng)平臺，最后通過少量的配置即可定時接收到設備上報的數(shù)據(jù)信息。在本設計中采用阿里云IoT平臺，開發(fā)者只需做少量配置即可在數(shù)據(jù)庫中獲取底層硬件設備上報的數(shù)據(jù)，提高開發(fā)者的開發(fā)效率。

EC200S-CN模塊通過使用AT指令采用MQTT協(xié)議對接阿里云loT云平臺的步驟如下：

1)使用AT+CREG指令檢查網(wǎng)絡注冊狀態(tài)；

2)使用AT+QMTCFG指令完成MQTT參數(shù)設置；

3)使用AT+QMTOPEN指令完成通過MQTT與阿里云的連接；

4)使用AT+QMTSUB指令完成topic訂閱，可以通過訂閱的topic上傳數(shù)據(jù)到云端；

5) 使用AT+QMTPUBEX指令發(fā)送數(shù)據(jù)到阿里云loT平臺。

3 軟件算法設計

軟件算法設計是車載稱重系統(tǒng)功能實現(xiàn)的核心[18]。車載稱重系統(tǒng)在測量過程中容易受到車輛自身或者外界因素的干擾，這些因素都會對最終的測量結果產生一定的影響。故選用合適的車載稱重系統(tǒng)算法，提高系統(tǒng)測量精度必不可少。本文研究的車載稱重系統(tǒng)軟件算法主要包括兩個部分：下位機濾波算法和上位機擬合算法。

3.1 下位機濾波算法

本設計綜合考慮了車輛在不同情況下具有隨機沖擊脈沖、周期性噪聲干擾等場景，在軟件算法中對A/D轉換后的數(shù)據(jù)采用限幅平均濾波進行降噪處理[19]。算法流程如圖9所示。

圖9 限幅平均濾波算法流程圖

首先對采樣的信號進行限幅處理，即確定兩次采樣允許的最大偏差值(記為α)，每次檢測到的最新值與上一次的值之間的差值只有在α以下，才會作為有效值使用。再將處理后的數(shù)據(jù)送入隊列中，N組采樣數(shù)據(jù)看作一個隊列，長度固定為N，每進行一次采樣，就將最新的采樣數(shù)據(jù)放置隊尾，去掉隊首的數(shù)據(jù)，使隊列中始終保持N個最新數(shù)據(jù)[20-21]，再去掉隊列中的最小、最大的元素，然后對剩下的元素進行取和求平均值，輸出結果為本次采樣的有效信號。此過程于微控制器端進行，采用MDK keil5為開發(fā)環(huán)境，將處理后的數(shù)據(jù)供云端服務器進行擬合。

3.2 上位機擬合算法

RBF神經(jīng)網(wǎng)絡基本思想為：利用徑向基函數(shù)作為隱藏層神經(jīng)元的基，從而構成隱藏層空間，再將輸入層的數(shù)據(jù)映射到高維空間中，從而使得低維空間內的線性不可分問題在高維空間中線性可分。本設計中采用了廣義RBF神經(jīng)網(wǎng)絡，它只要求隱藏層神經(jīng)元數(shù)大于輸入層的，而不需要等于輸入樣本數(shù)，在實際中隱藏層節(jié)點的數(shù)量要遠小于樣本數(shù)量。廣義RBF神經(jīng)網(wǎng)絡設計主要包括：1)結構設計，確定隱藏層中最合適的節(jié)點數(shù)量k；2)參數(shù)設計。網(wǎng)絡中徑向基函數(shù)的數(shù)據(jù)中心以及擴展常數(shù)αi、隱藏層到輸出層上的權值ωij。

RBF神經(jīng)網(wǎng)絡具有三層結構的神經(jīng)網(wǎng)絡，包括輸入層(Input Layer)、隱藏層(Hidden Layer)和輸出層(Output Layer)，網(wǎng)絡模型結構圖如圖10所示。

圖10 RBF神經(jīng)網(wǎng)絡模型結構圖

由于傳感器初始狀態(tài)不同，為了減少非測量因素對網(wǎng)絡輸出的影響，需要對輸入數(shù)據(jù)進行歸一化處理，方法如下：

(5)

式(1)中xj表示歸一化后的結果；xi為輸入樣本原始值；xmax、xmin分別表示輸入樣本中的最大值和最小值。

輸出結果的反歸一化處理方法如下：

yi=yj*(ymax-ymin)+ymin

(6)

其中：yj表示網(wǎng)絡實際輸出值；yi為反歸一化后車輛載荷輸出值；ymax、ymin分別表示網(wǎng)絡輸出結果中的最大值和最小值。

RBF模型的訓練使用MATLAB中的神經(jīng)網(wǎng)絡工具包，具體步驟如下：

1)初始化網(wǎng)絡。選擇premnmx作為輸入歸一化函數(shù)，將輸入中不同量綱的數(shù)據(jù)歸一化到[-1,1]范圍內，消除輸入樣本中不同數(shù)量級的數(shù)據(jù)給預測結果造成的較大偏差。

2)確定網(wǎng)絡訓練數(shù)據(jù)以及測試數(shù)據(jù)。在樣本數(shù)據(jù)中選擇80%的數(shù)據(jù)作為訓練樣本，其余20%做測試樣本。

3)創(chuàng)建RBF神經(jīng)網(wǎng)絡模型。通過newrb函數(shù)新建一個RBF神經(jīng)網(wǎng)絡，并指定網(wǎng)絡參數(shù)。

4)使用train函數(shù)對RBF神經(jīng)網(wǎng)絡進行訓練，再利用sim函數(shù)對網(wǎng)絡進行仿真，最后保存訓練后的網(wǎng)絡參數(shù)。

4 實驗測試結果與分析

4.1 實驗環(huán)境

采用車輛模型進行實驗，參數(shù)如表1所示。本次實驗中傳感器安裝位置如圖11所示，整車共裝有6枚電阻式應變片傳感器，分別安裝于除去駕駛室下方的車軸以外的其它三根車軸上，且每根車軸對稱位置上進行安裝。

表1 車輛模型參數(shù)表

圖11 傳感器安裝位置示意圖

實驗之前安裝調試好實驗設備后，選取了一段平整度適中的普通路面進行測試，實驗過程中選用標準1 t重的標準砝碼若干，通過加減砝碼來模擬貨車不同載重。整個實驗分為兩個階段：遞增砝碼和遞減砝碼兩個階段。遞增階段，每次以1噸為單位進行累加，待裝載砝碼后讓車輛數(shù)據(jù)穩(wěn)定，記錄穩(wěn)定后的數(shù)據(jù)作為車輛裝載值。遞減階段，每次從車廂中取下1個單位的砝碼，測試流程與遞增階段相同，整個過程中共采集1 260組實驗數(shù)據(jù)。把數(shù)據(jù)分成兩部分，80%作為神經(jīng)網(wǎng)絡樣本數(shù)據(jù)進行訓練，20%用來檢驗網(wǎng)絡的性能。

4.2 實驗結果分析

通過樣本數(shù)據(jù)進行神經(jīng)網(wǎng)絡訓練，得出最優(yōu)的網(wǎng)絡模型[25]，將余下數(shù)據(jù)輸入訓練好的模型中，把預測結果與實際值進行對比，結果如表2。σ預測表示基于RBF神經(jīng)網(wǎng)絡預測值的相對誤差，由式(3)表示，

(7)

表2 RBF神經(jīng)網(wǎng)絡預測值與實際值對比

實驗結果表明，經(jīng)過RBF神經(jīng)網(wǎng)絡訓練后貨車載荷預測結果最大相對誤差為2.75%，均值誤差為1.30%，預測結果基本趨近于真實載重量，完全符合系統(tǒng)期望精度，也滿足ASTM-E1318[26]中對于軸載荷的IV級標準。在實際過程中，影響測量車輛載荷的因素有很多，RBF神經(jīng)網(wǎng)絡算法可以對影響車輛載荷測量結果的因素進行補償，使網(wǎng)絡預測值更趨近于真實值。由此可以表明此算法在車載稱重系統(tǒng)數(shù)據(jù)處理中的有效性與可行性，可以很大程度地提高本文所研究的車載稱重系統(tǒng)測量精度。

5 結束語

本文設計了一種基于物聯(lián)網(wǎng)技術的多傳感器信息融合的貨車載荷實時監(jiān)測系統(tǒng)，并提出一種可靠的車輛載荷測量方法。本設計具有對行駛車輛的載荷、所處的位置進行實時監(jiān)測的功能。根據(jù)試驗結果分析載荷監(jiān)測值精度完全滿足ASTM-E1318中車載稱重IV級標準，可替代傳統(tǒng)的固定式稱重方式，彌補固定式稱重的弊端，大大降低系統(tǒng)成本，節(jié)省環(huán)境資源。同時實時監(jiān)測，實時定位，實時傳輸數(shù)據(jù)也便于車輛管理者對于出現(xiàn)的異常情況進行及時的管控。此方案采用模塊化設計，便于日后升級改造，在此基礎上搭建車輛載荷監(jiān)控云平臺，實現(xiàn)數(shù)據(jù)可視化，有效地進行載荷分析，工作管理，運行狀況監(jiān)測。本設計方便快捷，對車輛載運的監(jiān)管有極高的使用價值，在工業(yè)物聯(lián)網(wǎng)迅猛發(fā)展的前景下具有廣泛的應用。