基于ETC的车辆动态称重系统轴载数据处理算法研究_武奇生

建立过程。Biblioteka Baidu
训练之前，首先需设置权值和阈值的初始值，函数
newff () 在生成 BP 网络的同时即对网络各层的权值和 阈值值自动完成了初始化。
图 6 训练误差曲线
net =newff (minmax (p)， [12，1]， {'tansig'，'logsig'}，
Y_test=sim (net，P_test)
%网络测试
'trainlm') ; %构建 BP 网络
最后将网络输出数据进行反归一化带入模型，即可
网络结构、训练样本和学习算法确定之后，设置网 得相应的静态车重
络的训练参数：
YY_test=(max(t)-min(t))*Y_test+min(t) %反归一化
net.trainParam.epochs=100 %设定训练次数
数为 1。
压电石英传感器的原理决定了不能在长时间内对车
辆进行静态测量。所以在试验中，测量 20 次车辆以
5km/h 通过单传感器的动态车重值，其算术平均值结果
视为期望输出，即静态车重。
(4) 隐含层节点数的确定
根据前面介绍的经验公式 n= 姨ni +no +a 和 n=2ni+1，
初步确定隐含层节点数为 9~13，通过反复试算，最终 确定所用网络模型的隐含层节点数为 12。
5km/h、15km/h 的不同车速刹车通过传感器阵列。分别
在空载、加载 100kg 砝码和加载 200kg 砝码的情况进行
3 次试验，共采集样本数据 200 组。
其中，180 组作为训练样本，20 组作为测试样本。
3.3 归一化
利用公式
xi =
xi -xmin xmax -xmin
对训练样本进行归一化处理，
问题，设计采用三条压电石英传感器组成的传感器阵列
作为称重单元。3 条压电石英传感器 Sj(j=1，2，3 )，按
图 1 所示的空间位置埋在路面下，由此构成传感器阵
列。通过这种特殊的传感器空间分布和车辆各车轴到达
各传感器时刻的时空相关性，对采集到的数据进行融合
之后，可获得准确的动态称重数据。
从压电石英传感器特性可知，车辆的轴重与采集的
称重传感器阵列和基于小波-BP 神经网络的称重数据处理算法，达到了动态称重系统的称重数据测量精度，保证
了基于 ETC 的动态称重系统从技术上得以实现，具有良好的实际应用价值。
关键词：动态称重；ETC；压电石英传感器阵列；小波；BP 神经网络
中图分类号：U49
文献标识码：B
依据已设计的基于 ETC 的车辆动态称重收费系统
图 2 轴重信号小波分解示意图
第 1、2、3、4、5 层高频部分 (d1、d2、d3、d4、d5) 包含了车辆和测量系统本身振动所产生的噪声，发动机 转动而引起车身转动产生的噪声，以及检测系统自身产 生的测量误差，在处理时予以剔除。
第 5 层低频部分(c5)主要包含：轴载通过称重传感 器时稳态荷载引起的线性变化项，以及车辆动载引起的 周期振动，在处理时予以保留。
1 称重数据处理算法研究
1.1 小波降噪 小波变换是时间 （空间） 频率的局部化分析，它通
过伸缩平移运算对信号逐步进行多尺度细化，最终达到 高频处时间细分，低频处频率细分，能自动适应时频信 号分析的要求，从而可聚焦到信号的任意细节，因此有 人把小波变换称为“数学显微镜”。小波分析将信号分
基金项目：陕西省自然科学基金资助项目 （SJ08-ZT13-8）。 作者简介：武奇生 （1963-），男，河北保定人，副教授，研究方向为智能交通系统、机器人及计算机应用系统等。
图 5 动态称重 BP 神经网络模型
3.2 样本的获取与选择
试验车为一辆 1300kg 两轴小轿车。试验车以 10km/h、
20km/h、 30km/h、 40km/h、 50km/h、 60km/h、 70km/h、
80km/h 的不同车速匀速通过称重传感器阵列；以 5km/h、
15km/h 的不同车速 S 形路线通过称重传感器阵列；以
()。输出层的传输函数为 log-sigmoid 型函数 logsig ()。
3.5 基于 MATLAB 的 BP 神经网络模型训练
Matlab7.0 的神经网络工具箱为 NNToolbox4.0，包含
了神经网络理论的较新研究及应用成果。因此，应用
Matlab 神经网络工具箱来实现动态称重 BP 网络模型的
完成上述滤波过程后，将小波分解后的各层信息进 行小波重构，重构信号即为去噪后的轴重信号。 1.2 试验验证
小波去噪实验利用 Matlab7.0 中的 wavelet 工具箱来 完成。
通过多次实验结果与理论结果的对比决定采用了 bd4 小波分解函数，对数据进行了 5 层小波分解。主要 命令如下：
[C，L]=wavedec(Cdata，5，′db4′)；%其中 wavedec 是一 维小波分解函数，Cdata 是被分解的数据，5 表示分解 的层数，bd4 表示采用的小波分解函数。
右各拖延 T/2 截取信号，获取数据段 传感器 1 会出现 n 个波形，记为 Xp[i]，其中 i=1~n； 传感器 2 会出现 m 个波形，记为 Xq[j]，其中 j=1~m。 （2） 计算相关性，寻找缺失信号 K 时刻两个数据段的互相关系数为：
（2）
分别计算传感器 2 的第 i 个信号与传感器 1 的每一 个信号的相关性，标记传感器 1 与之相关性最大的信 号。最终，传感器 1 剩余的信号 X*p 即为传感器 2 所对 应丢失的信号。
摘 要：文章针对提出的基于 ETC 的车辆动态称重系统设计，以压电石英传感器阵列作为称重单元，利用小波变
换原理对采集原始数据进行降噪处理，并针对数据丢轴等现象提出基于相关性的信号完整性分析方法，最后依据
各传感器的输出值及车辆通行速度建立了 BP 神经网络模型，利用该模型得到被称重车辆的车重。实验结果表明：
图 4 三轴车丢轴示意图
依据轮轴识别器输出车辆轴数 n，每个信号脉冲数 m。
如果 m=n，表明信号完整，则跳出信号完整性分 析，进行下一步数据处理。
如果 m<n，表明有轴信号丢失，进行补轴处理。
2009 年 10 期(总第 58 期) 191
交通工程
2.2 基于相关性的补轴算法 基于相关性的补轴算法具体描述如下： （1） 截取信号 将(n+m)个信号“脉冲”，以峰值时刻 ti 为中心，左
图 3 原始信号与经小波处理信号对比
2 信号完整性分析
2.1 判断完整性 信号完整性指信号在信号线上的质量，是信号在电
路中能以正确的时序和电压做出响应的能力。在动态称 重系统中会出现信号丢轴现象。称重信号的不完整是由 设备性能、路面平整度、采样频率等多种因素共同引起 的。在这里，仅考虑前两个传感器中有一个传感器丢失 一轴信号的情况。例如三轴车经过传感器 1、2 时丢失 一个信号脉冲。如图 4 所示：
（3） 补轴 以各时间差为基准将传感器 1 的“脉冲”信号补充 到传感器 2 信号。
（3）
的平均速度为 Vi =L/(ti,3 -ti,1 )，车辆经过阵列感器的平均
n
Σ 速度为
V=
1 n
Vi 。
i=1
(3) 输出层神经元数及期望输出
动态称重的目的就是在车辆行驶中测量车辆的静态
车重，所以网络的期望输出是静态车重 w，输出节点个
A5=wrcoef (′a′，C，L，′db4′，5)；%由一维小波分 解结果重建节点 5 系数。
实验中信号采样频率为 2kHz。 图 3 为 1300kg 的两轴小轿车以 20km/h 匀速通过压 电石英传感器时的轴重数据原始信号和经小波处理以后 的信号。 经小波去噪后的轴重信号与原始信号比较见图 3。
将原始信号进行 5 层小波分解之后，根据轴重信号噪声 频段分布特点，[1000-2000]Hz，[500-l000]Hz，[250-500] Hz，[125-250]Hz，[63-125] Hz，这些高频和中频信号采 用强制性消噪将其去除，保留[0-62]Hz 的低频段部分进 行后续分析并求取车辆重量值。显然，基于小波分析的 去噪方法有效地降低了高中频噪声对称重系统的影响， 输出曲线平滑，结果较为接近理想的称重信号，既取得 了较好的去噪效果，又保留了有用信号。
图 1 传感器阵列排布示意图
系统安装时需要选择一段平坦的路面，在限速 80km/h 的条件下，结合称重数据的采样频率，设定 L1= L2=1.5m，α=45°。
对压电传感器阵列中每一条压电传感器的信号进行 积分处理，与速度相乘后，便可获得整个车辆的重量信 息，对各传感器的称重结果处理后即可得较为准确的动 态称重的车重值。在陕西省自然科学基金资助项目 (sj08-zt13-8) 的支持下展开称重数据处理算法的研究。
信号所包围的面积的关系为
W=(V/LS )×A×C
（1）
式中，W 为轴重；V 为车辆通过传感器的速度；LS 为传
Σ 感器宽度；A= (ui -bi )其中 ui 为输出电压，bi 为基准线；
C 为常数。 在垂直于车辆的行驶方向上，铺设了三条压电石英
传感器，组成动态称重系统的称重单元。具体布设方法
如下图 1 所示。
整体设计，其中轴载称重单元设计最为重要，在初期试
验中，为了提高动态称重系统精度及车辆通过高速公路
收费站的通行速度，对比若干种称重传感器，设计了一
个压电石英传感器作为称重单元，在试验采集数据时，
出现了丢轴现象，结合我们在黄延高速调研时，司机采
用走 S 型、急刹车过称重平台、跳头过称重平台等方
式，人为造成称重测量的误差，必须在技术上解决这些
190 2009 年 10 期(总第 58 期)
解成一系列小波函数的叠加，而这些小波函数都是由一 个基小波函数经过平移与尺度伸缩得来 (它包含有时间 和频率的因素)。
噪声信号往往都不是理想的白噪声，会包括许多尖 峰或者突变。对于非平稳的噪声信号，小波变换具有很 好的滤波作用，而动态称重过程中的噪声频段分布明 确，所以采用小波分析算法对动态称重信号进行降噪处 理。小波分析的优势就是它能同时在时域和频域中进行 信号分析，因此信号中的尖峰和突变能得到很好的处 理，从而实现非平稳信号的消噪。轴重信号小波分解示 意见图 2 所示。
(5) 总体网络结构 通过网络层数和输入、输出节点数的确定及隐含层 节点的选择，最终确定网络结构为 4×12×1，如图 5 所 示：
3 BP 神经网络算法
原始轴载信号经小波处理之后，高频和中频噪声得 到了有效去除，但是低频干扰仍对测量结果造成较大的 影响，在实际研究中避开复杂的数学建模，建立 BP 神 经网络来得到更准确的静态车重值。从理论上讲，利用 神经网络处理动态称重数据，只要采集足够多、足够全 的称重数据，通过样本训练总是可以找到一个合适的网 络模型，利用该模型计算出被称车辆的精确重量[9，10]。 3.1 BP 网络结构的确定
将各输入值量化到范围 [0，1] 内。
3.4 学习算法的选择
网络的训练函数采用基于 Levenberg-Marquadt 算法
192 2009 年 10 期(总第 58 期)
的 BP 训练函数 trainlm ()，该训练函数的优点是收敛速
度比较快。隐含层的传输函数为 tan-sigmoid 函数 tansig
(1) 网络层数的确定 采用一个单隐含层的神经网络，即 3 层 BP 网络。 (2) 输入层神经元的确定 从实验中可以发现，车辆轴重信号与速度有关，速 度越高，轴重信号上升段就越陡峭，上升段终值偏离轴 重真实值越远。在车重一定的情况下，以不同的速度驶 过称重传感器，所得到的动态车重值是不同的。通常速 度越高，动态车重值越大。所以，以动态车重和平均车 速作为 BP 网络的输入，输入节点个数为 4。 动态车重：W1、W2、W3，传感器阵列信号经小波 降噪和信号完整性分析后，分别利用公式 （1） 计算出 各传感器的动态车重。 平均车速：V，由于车辆通过传感器阵列需要一定 时间，在这段时间内有多个瞬时速度，因此取这些速度 的平均速度作为网络输入。车辆第 i 车轴经过阵列感器
交通工程
基于 ETC 的车辆动态称重系统 轴载数据处理算法研究
1
2
3
4
武奇生 ，王 丹 ，陈圆媛 ，潘珍亮
（1.长安大学电子与控制工程学院，陕西 西安 710064；2.山东省交通规划设计院，山东 济南 250031；
3.河南中原高速公路股份有限公司，河南 郑州 450052；4.河南高速公路发展有限责任公司，河南 郑州 450052）