高低频噪声区分滤除的车辆载重动态测量方法

2020-09-14周晓萍

机械设计与制造 2020年9期

关键词：鱼群阈值载荷

周晓萍

（聊城大学东昌学院，山东聊城 252000）

1 引言

随着中国道路交通网建设加速，车辆超载问题日益突出。车辆超载不仅增加了交通事故，而且破坏了基础交通设施和环境质量[1]。因此研究车辆载重实时检测系统，可以从源头上遏止超重问题，达到保护交通设施和环境的目的。

传统的车辆称重方式为静态称重，如地磅称，这种称重方法精度较高，但是通行率过低，容易造成拥堵。车辆动态称重是当前研究的热点，文献[2]使用BP 神经网络将叠板弹簧形变量和胎压变化量进行信息融合，取得了较高的测量精度；文献[3]将称重技术

与通信技术结合，提出了使用因特网进行信息传输的车辆动态测量系统；文献[4]基于载重量与胎压的对应关系，提出了多种方法测量车辆载重。以上研究推动了车辆载重动态测量系统的研究，但是都没有考虑高频噪声、速度及加速度影响等，因此测量精度有限。

这里确定了车辆载重动态测量方案，分析了信号误差来源，高频噪声使用改进小波阈值方法滤出，低频误差使用BP 神经网络拟合去除，最终给出了车辆载重的高精度测量方法，此方法可应用于工程实际。

2 车辆载重测量方案及误差分析

2.1 载重测量方案确定

为了精确测量车辆载重，称重传感器的选择及安装位置选择极为重要。称重传感器应具备易于安装和维护、灵敏度高、不易受破坏等优点，安装位置应选择能够灵敏敏感车辆载重的位置。可用称重传感器及安装位置有以下几类：

（1）将柱式传感器安装于车桥与横梁之间，通过测量两者之间的距离得到载荷，但是此传感器高度在40mm 以上，安装和维修都比较困难[5]；

（2）将胎压传感器安装于车胎内，通过测量胎压间接得到车辆载荷。但是此方法易受温度影响，测量精度不高；

（3）将应变传感器安装于钢板弹簧表面，通过测量弹簧位移得到载荷量。但是此方法维修不方便，容易遭到人为破坏[5]；

（4）将拉绳传感器安装于车桥与横梁之间，通过测量拉绳伸缩量解算出载荷量，此传感器体积较小、易于安装、稳定性好，且传感器表面经防腐处理，不易受腐蚀[6]。

经过以上分析，最终确定选用第四种测量方案。为了准确获得车辆载荷，在前后车轴两侧各安装一个拉绳传感器，全车共计4 个，这里实验用传感器为MPS-S-600mm-R 型电阻式拉绳传感器。

2.2 车辆载重分析

当车辆在坡度α 为的路面上行驶时，其受力情况，如图1 所示。

图1 车辆受力分析Fig.1 Vehicle Mechanical Analysis

图中：v—车辆行驶速度；G—车辆重力（即载荷）；F1、F2—车辆前后轴垂直载荷，由力平衡可知：

式中：F11、F12—前轴左右两侧传感器测量的垂直载荷；F21、F22—后轴左右两侧垂直载荷。

2.3 误差分析

拉绳传感器采集信号时会受到各种动态因素影响，为了得到高精度的测量结果，必须对误差进行分析和滤除。车辆货物作用于钢板弹簧的载荷类型可以分为恒定载荷、稳态载荷、随机载荷和冲击载荷等四类[6]，其中恒定载荷为车辆实际载荷；稳态载荷是由发动机转动、外界温度等引起的噪声，为高频信号；随机载荷是由路面不平整和车辆速度等引起的随机干扰噪声；冲击载荷是由车辆加速度作用下钢板弹簧储能或释能引起的低频干扰。由以上分析可知，影响车辆载荷动态测量精度的主要因素包括：发动机转动、环境温度变化等引起的高频噪声和车辆速度、加速度等引起的低频噪声。对于高频噪声，提出了改进小波阈值的去噪方法；对于低频噪声，使用自适应鱼群算法优化神经网络，用于拟合载荷与速度、加速度关系，达到降低低频噪声的目的。

3 改进小波阈值去噪方法

3.1 离散小波变换

基小波的选择直接决定了信号降噪效果，基小波选取的优劣通过信号重构后结果与变化前的误差进行评判，根据反复实际验证，选择db4 小波作为基小波，分解层数为3 层。

3.2 阈值改进

阈值去噪原理为：设置某一阈值λ，当小波系数小于λ 时为噪声信号，当小波系数大于，信号包含更多有用成分，应当保留。小波阈值分为硬阈值和软阈值两种，硬阈值函数在Wk处不连续，去噪后信号存在附加震荡点；软阈值去噪是对小波系数进行了定值缩减，会使去噪信号失真[8]。

为了解决硬阈值和软阈值去噪存在的问题，提出了改进阈值，改进原则如下：（1）改进阈值函数必须连续，解决附近震荡点问题；（2）以y=x 为渐近线，减少系数的定值缩减，解决信号失真问题；（3）加入可调节参数，增加改进阈值函数的应用范围，且通过参数调节使软阈值和硬阈值为其特殊情况。基于以上三点原则，提出改进阈值函数为：

图2 改进小波阈值函数（λ=1 时）Fig.2 Improved Wavelet Threshold Function（when λ=1）

由式（5）和图2 可知，改进阈值函数连续，且以y=x 为渐近线，通过调整参数a，可以将改进阈值转换为硬阈值或软阈值，达到了改进目标。

3.3 降噪效果验证

为了验证三种阈值在降噪中的效果，使用115 型重型车进行实验，对采集信号进行软阈值、硬阈值与改进阈值降噪，选择去噪信号的信噪比和均方误差作为评价指标结果，如表1 所示。

表1 不同阈值函数的降噪结果Tab.1 Denoise Effect of Different Threshold Function

由表中数据可知，改进阈值函数具有最好的降噪效果，使用改进阈值对采集信号的降噪结果，如图3 所示。从图中可以看出，改进阈值小波降噪极大地减少了信号的毛刺现象。

图3 改进阈值小波降噪Fig.3 Improved Threshold Wavelet Denoise

4 BP 神经网络提高测量精度

本节使用BP 神经网络拟合车辆载荷与速度、加速度关系，消除由速度、加速度引起的低频噪声，提高测量精度。

4.1 BP 神经网络原理与结构确定

BP 神经网络由输入层、隐含层、输出层组成，每层均含有若干个神经元[9]，隐含层可能有好多层，使用最简单的三层BP 神经网络结构。在车辆载重测量中，输入信号为速度、加速度、去噪信号等三个，因此输入层神经元数量为3；输出信号为车辆载荷估计值，因此输出层神经元数量为1；经过实验对比，隐含层神经元数量为10 时误差最小。综上所述，应用于车辆载荷测量的神经网络结构，如图4 所示。

图4 三层BP 神经网络结构Fig.4 Three Layer BP Neutral Network Structure

BP 神经网络的信号传递包括工作信号的正向传播和误差信号的反向传播。记X=（x1，x2，x3）为神经网络的输入信号，Y 为神经网络的期望输出，O 为实际输出，wij为从输入层神经元i 到隐含层神经元j 的传递权值，隐含层节点阈值为θj；vj为从隐含层神经元j 到输出层神经元的传递权值，输出层神经元阈值为r；输入层到隐含层传递函数选用Tansig 函数，记为f1（x）；隐含层到输出层传递函数选用Purelin 函数，记为f2（x），则神经网络输入与输出表达式为：

用于神经网络训练的样本数量记为N，则神经网络全局误差为：

按照BP 算法的梯度下降原则，利用误差的反向传播，不断调整权值和阈值，使神经网络全局误差达到最小。

4.2 自适应鱼群算法优化BP 神经网络

在BP 神经网络算法中，依据误差信号的反向传播不断调整权值和阈值，使全局误差不断减小。但是BP 神经网络非线性全局误差为S 形函数，具有多个极值点，因此全局最优解的搜索与参数初值位置具有很大关系。当初值靠近局部极值时，算法收敛于局部最优；当初值靠近全局最优时，算法收敛于全局最优，这是BP 算法调节权值的固有缺陷，因此参数初始位置对参数寻优具有决定性影响。提出自适应人工鱼群算法搜索权值和阈值最优值。

人工鱼群算法是模拟鱼群觅食过程的群智能算法，此算法可以分解为四个行为，分别为觅食行为、聚群行为、追尾行为和随机行为，算法原理已经成熟，可参考文献[10]，这里不再赘述。算法参数视觉范围和拥挤度因子对算法影响较大，为了提高算法收敛速度和精度，对两参数进行了改进。

（1）视觉范围随鱼儿距离自适应变化。当视觉范围较大时，算法大范围搜索能力强，利于算法前期的广泛搜索；当视觉范围较小时，算法小范围细致搜索能力强，有利于算法后期提高解的精度。算法前期，鱼群大范围分散，鱼儿之间距离较大；随着算法的迭代，鱼群逐渐向最优解处聚集，鱼儿之间距离减小，因此鱼儿之间的间距可以反应算法进度。基于以上分析，提出了视觉范围随鱼儿距离自适应变化方法，为：

式中：Vi—第i 条鱼的视觉范围；Nf—鱼群规模；Rij—第i 条鱼与第j 条鱼间的距离；ϑij—两者权值。

（2）拥挤度因子的自适应改进。拥挤度因子的大小影响鱼群的聚集程度，当拥挤度因子设置较大时，允许鱼儿高密度聚集，算法收敛快；当拥挤度因子设置较小时，不允许鱼儿过于聚集，鱼群相对分散，利于算法搜索。根据算法前期搜索和后期收敛的需要，提出自适应拥挤度因子为：

式中：δ（k+1）—（k+1）时刻拥挤度因子；δ（k）—k 时刻拥挤度因子；β（k）—自适应调整因子，且有：

式中：δmax、δmin—拥挤度因子上下限；k—算法迭代次数；NUM—算法迭代最大值。

分析式（8）和式（10）可知，鱼群视觉范围随算法迭代而逐渐较小，拥挤度因子随算法进度而逐渐增大，两者自适应变化有利于算法前期大范围搜索、算法后期的细致搜索和快速收敛。

在此需要强调两点：（1）鱼儿位置的编码由51 个数据组成，包括30 个输入层到隐含层权值wij、10 个隐含层阈值 θj、10 个隐含层到输出层权值vj、1 个输出层阈值r；（2）鱼群搜索过程中，食物浓度即为适应度函数，适应度函数由目标函数构建为E）。

5 实验验证

5.1 实验设计

使用115 型的重型车进行载重测量实验，将4 个MPS-S-600mm-R 型电阻式拉绳传感器分别安装于前后轴左右两侧，数据的采集与处理使用STM32F107VCT6 单片机，数据的存储通过单片机与U 盘连接，实现数据的读写，车辆载重、位置、速度等信息显示使用DMT80480T050 型DGUS 显示屏，为了将车辆定位并将车辆数据传至监控台，选择ZH6600 型GPS+GPRS DTU 终端对车辆定位和信息传输。车辆的速度信息可以直接采集，无需加装传感器，加速度信息由车辆速度做一次差分得到。将以上设备安装到车辆上以后，除显示器外其他仪器均安装于隐蔽位置，实验车辆从外表看与普通车辆一致，因此在此不给出实验车辆图片，而给出实验仪器的连接图，如图5 所示。

图5 实验仪器连接图Fig.5 Connection Diagram of Experimental Instruments

共进行7 组实验，车辆载荷分别为5T、7T、9T、10T、20T、30T、40T，货物装载时尽量保证均匀，防止车辆偏沉引起事故，同时利于载重测量。实验车辆以60km/h 的速度在高速上行驶，行驶过程中采集拉绳传感器信息和速度信息并存储。在同一载荷下每天进行两次实验，共实验4 天，而后在下一载荷条件下再实验4 天，直到实验完毕。从每次实验数据中随机无重叠地抽取5 段等长序列，则共得到280 组实验数据，每一载荷下40 组数据。选择每一载荷下前30 组数据，共计210 组用于神经网络训练，其余70 组数据用于测试神经网络模型泛化能力。

5.2 数据处理

使用210 组数据训练神经网络，训练相对误差设置为0.01%，最大搜索次数设置为1500，BP 算法、自适应人工鱼群算法搜索最优参数的收敛过程，如图6 所示。

图6 神经网络训练收敛过程Fig.6 Convergence Process of Neutral Network Training

由图6 可知，使用BP 算法训练神经网络时，算法迭代52 次后相对误差不再减少，但是依然没有达到精度要求，这是因为BP算法陷入了局部极值，且BP 算法无法跳出局部极值，使算法训练失败。而自适应人工鱼群算法训练神经网络时，相对误差迅速减小，在迭代18 次时相对误差值为8.93×10-5，达到了精度要求，训练过程结束。由此可以看出，自适应人工鱼群算法可以有效训练神经网速，收敛速度快，训练精度高。自适应人工鱼群算法相对于BP 算法优势在于：（1）群智能算法的初始值较分散，避免了单一初始值陷入局部极值的危险；（2）自适应视野范围与拥挤度因子兼顾了算法前期大范围搜索、后期细致搜索和快速收敛，使算法收敛速度快且搜索精度。自适应人工鱼群算法搜索的最优参数，如表2 所示。

表2 神经网络最优参数Tab.2 Optimal Parameters of Neutral Network

使用剩余70 组数据对训练完的神经网络进行测试，车辆载重使用三种方法给出：（1）原始数据均值；（2）小波去噪后均值；（3）神经网络输出值。由于数据较多而篇幅有限，在此只给出部分测量结果，如表3 所示。从表3 中可以看出，使用原始数据求均值得到的载重量相对误差明显高于另外两种方法，而使用小波阈值滤波后信号均值求得的载重相对误差有较大下降，但仍在3%左右，使用BP 神经网络对滤波后数据进行处理，输出的载重量相对误差最小。对70 组测试数据计算结果进行统计，原始数据求平均方法的平均相对误差为4.62%，最大相对误差为6.37%；小波滤波数据求均值方法的平均相对误差为2.87%，最大相对误差为3.26%；BP 神经网络输出的平均相对误差为0.85%，最大相对误差为1.45%。以上数据充分说明了提出的载重测量方案精度较高，这是因为使用小波阈值滤波去除了信号中的高频噪声，使用BP 神经网络去除了信号中因加速度、速度引起的低频噪声。根据国家要求车辆动态测量误差不高于5%的要求，此方法可以应用于工程实际。