一種改進的汽車衡稱重方法
【專利摘要】本發(fā)明提供了一種改進的汽車衡稱重方法，包括建立稱重模型、構(gòu)造約束條件模型、稱重模型離線訓(xùn)練和在線稱重步驟。本發(fā)明與已有技術(shù)相比有以下優(yōu)點：本發(fā)明可以實現(xiàn)小樣本情況下汽車衡稱重模型訓(xùn)練，獲得稱重模型參數(shù)后實現(xiàn)自動稱重與誤差自動補償，大大提高了稱重結(jié)果的準(zhǔn)確度；同時減少了汽車衡稱重模型訓(xùn)練所需的樣本數(shù)量，提高了工作效率。
【專利說明】
_種改進的汽車衡稱重方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明汽車衡，具體涉及一種改進的汽車衡稱重方法。 技術(shù)背景
[0002] 汽車衡是貨運物流、智能交通的關(guān)鍵計量器具之一。汽車衡主要由承重傳力機構(gòu) (秤體）、模擬稱重傳感器、稱重顯示儀表三大主部件組成。汽車衡根據(jù)量程不同，一般具有4 ~12路稱重傳感器。這些傳感器按照一定拓?fù)浣Y(jié)構(gòu)，對稱地分布在秤體下方，構(gòu)成了一個多 傳感器系統(tǒng)。該多傳感器系統(tǒng)存在耦合性，各路傳感器輸出相互關(guān)聯(lián)。汽車衡在模擬接線盒 中將各路稱重傳感器的輸出信號集中累加，獲得一個與被測載荷質(zhì)量成比例的電壓信號， 經(jīng)信號調(diào)理、A/D轉(zhuǎn)換后，由單片機處理獲得稱重結(jié)果，送顯示、通信，完成被測載荷的稱重。 主要由于受承載器的剛度與強度、汽車衡加工與安裝過程中產(chǎn)生的內(nèi)應(yīng)力、機械形變和尺 寸誤差等非線性因素和稱重傳感器靈敏度的分散性等影響而產(chǎn)生的誤差，以及稱重傳感器 線性度誤差等影響，汽車衡調(diào)試極為繁瑣，稱重誤差大?，F(xiàn)有汽車衡稱重誤差補償有：（1)通 過人工反復(fù)調(diào)節(jié)汽車衡接線盒中電阻器，改變每路傳感器通道增益，補償偏載誤差，這種方 法人工操作繁瑣，工作效率低，補償效果差；（2)采用多元線性回歸方法，即利用標(biāo)準(zhǔn)砝碼加 載在汽車衡各受力支點上（即稱重傳感器），構(gòu)建一組多元線性方程，利用最小二乘法求解 該方程獲得各稱重傳感器通道的增益系數(shù)，從而實現(xiàn)偏載誤差補償（"大型衡器系統(tǒng)偏載荷 數(shù)字化補償方法的研究"，陳昌，王孝良，秦子君，大連理工大學(xué)學(xué)報，1994，1 )，該方法沒有 考慮汽車衡各種非線性因素影響，補償效果較差。（3)采用數(shù)字稱重傳感器代替模擬稱重傳 感器構(gòu)成數(shù)字式汽車衡，通過數(shù)字稱重傳感器獲得汽車衡各受力支點的稱重信息，并通過 求解一個線性方程組獲得角差修正系數(shù)，實現(xiàn)角差調(diào)整（即偏載誤差補償）（"基于先進數(shù)據(jù) 處理技術(shù)的智能稱重傳感器研究"，朱子健，南京航空航天大學(xué)博士論文，2005)，該方法能 提高傳感器輸出信號的抗干擾能力，減少稱重誤差，但是仍然不能解決因拓?fù)浣Y(jié)構(gòu)所帶來 的各傳感器輸出關(guān)聯(lián)性問題，也沒有考慮汽車衡各種非線性因素影響，補償效果差，同時數(shù) 字稱重傳感器成本高。（4)利用神經(jīng)網(wǎng)絡(luò)方法進行汽車衡偏載誤差與線性度誤差補償（"基 于多傳感器信息融合的汽車衡誤差補償"，林海軍，滕召勝，遲海，等，儀器儀表學(xué)報，2009， 6; "基于多RBF神經(jīng)網(wǎng)絡(luò)的汽車衡誤差補償"，林海軍，滕召勝，遲海，等，湖南大學(xué)學(xué)報， 2010,5;"汽車衡稱重誤差自動補償方法"，林海軍，滕召勝，等，中華人民共和國專利，申請 號：201110335163.1,2011，10;"一種適用于汽車衡的稱重方法"，林海軍，滕召勝，等，中華 人民共和國專利，專利授權(quán)號：ZL201310177182.5,2015,5)，雖然能大大減少稱重誤差，但 是神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練樣本，工作量大(工作量大的主要原因是汽車衡量程大，測試時 需要的標(biāo)準(zhǔn)砝碼多、加載點多，稱重信息獲取不易）。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種改進的汽車衡稱重方法，該 方法能夠?qū)崿F(xiàn)在小樣本情況下稱重誤差自動補償且稱重精度高，同時能提高稱重誤差自動 補償?shù)墓ぷ餍省?br>[0004] 本發(fā)明的目的通過下述技術(shù)方案予以實現(xiàn)：
[0005] 改進的汽車衡稱重方法，包括建立稱重模型、構(gòu)造約束條件模型、稱重模型離線訓(xùn) 練和在線稱重步驟；
[0006] 1)所述稱重模型為三層的BP神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如下：
[0007] 第一層為輸入層，輸入層的神經(jīng)元數(shù)量I為稱重傳感器的路數(shù)，同時I也是輸入層 神經(jīng)元的數(shù)量；
[0008] 第二層為隱含層，隱含層的神經(jīng)元數(shù)量Μ二k + λ/?ΤΓ ,1<=Μ~丨0,隱含層激勵函數(shù) 采用Sigmoid函數(shù)，L為輸出層神經(jīng)元的數(shù)量；
[0009] 第三層為輸出層，輸出層的神經(jīng)元數(shù)量L為1個;輸出層激勵函數(shù)采用線性函數(shù);輸 出層的神經(jīng)網(wǎng)絡(luò)輸出藝為：
[00101
(1)
[0011] 式（1)中，ω為神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán)矩陣，ωτ為神經(jīng)網(wǎng)絡(luò)輸入層到隱含 層的權(quán)矩陣的轉(zhuǎn)置矩陣，ω η>1為輸入層第i路輸入到隱含層的第m個神經(jīng)元的連接權(quán)值(i = 1，2，···，Ι;ηι=1，2，···，Μ)，ω = [ ωι，ι, ωι，2，···，ωι，ι;···; c0m，i, ωΜ，2，···，《M，i];b(1)為隱含 層偏置向量，f為隱含層第m個神經(jīng)元的偏置值(m=l，2,…，M)，bn) 含層到輸出層的權(quán)向量，VT為隱含層到輸出層的權(quán)向量的轉(zhuǎn)置向量，vm為隱含層第m個神經(jīng) 元到輸出層的連接權(quán)值(m = 1，2，…，Μ)，V = [ V1，v2，…，vm] ; b(2>為輸出層偏置值，X為神經(jīng)網(wǎng) 絡(luò)輸入向量，Xl為輸入層第i路輸入，Μ為神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)量；
[0012] 2)所述約束條件模型為稱重模型的輸入層-隱層權(quán)值向量的相鄰元素的平方和最 小，即
[0013
[0014] 3)所述稱重模型離線訓(xùn)練，是在微處理器與外部專用計算機連接后，首先利用微 處理器采集訓(xùn)練樣本，然后基于稱重模型和約束條件模型，利用外部專用計算機進行訓(xùn)練， 訓(xùn)練完成后，稱重模型的參數(shù)被存儲在微處理器或外部存儲器中，之后外部專用計算機被 撤離；
[0015] 4)所述在線稱重即實際稱重，此時，微處理器采集I路稱重傳感器的輸出信號經(jīng)過 數(shù)據(jù)預(yù)處理后作為稱重模型的輸入，同時調(diào)用保存在微處理器或外部存儲器中的神經(jīng)網(wǎng)絡(luò) 參數(shù)（即co、V、b (1)、b(2))，一起代入式（1)所示的稱重模型，計算獲得稱重結(jié)果，完成在線稱 重。
[0016] 所述步驟3)按以下步驟進行：
[0017] i)采集訓(xùn)練樣本:將不同重量的標(biāo)準(zhǔn)砝碼隨機加載在汽車衡秤體上，微處理器采 集I路稱重傳感器的輸出信號，經(jīng)過數(shù)據(jù)預(yù)處理后獲得I路輸入向量X，之后將標(biāo)準(zhǔn)砝碼值與 采集獲得的I路輸入向量作為訓(xùn)練樣本(Xj，Zj)，其中，Zj為標(biāo)準(zhǔn)砝碼的重量，j為第j次采集 的樣本，并將樣本傳輸并保存在外部專用計算機中；
[0018] ? )構(gòu)造訓(xùn)練樣本目標(biāo)函數(shù)E，其計算公式為：
[0019]
[0020] 式（3)中，ε為平滑因子，其值通過實驗確定;J為訓(xùn)練樣本的數(shù)量，為當(dāng)輸入 向量是Xj時的神經(jīng)網(wǎng)絡(luò)輸出，j = 1，2，…，J;
[0021] iii)分別求 ω、b⑴、V 和 b(2)的增量 Δ com>i、蝴f、AVm，Ab(2)，并對 ω、b(1)、V 和 b(2) 進行更新，它們的計算公式為：
[0022]
[0024] 式(4)中，η為學(xué)習(xí)率，取值范圍為:〇〈n彡1，具體值通過實驗確定;am為隱含層第m 個神經(jīng)元的輸出值；
[0025] 式(5)中，^禮⑵^^^^⑷-分別為~士⑵…^噔更新后的值，#、# )°ld、?:、biUDld分別為 Vm、b⑵、com>1、biu更新前的值，式（4)、（5)中，m=l，2,…，M，i = l， 2,---,1,
[0026] I卞C
[0027] 式(6)中，Xl為輸入層第i路輸入；
[0028] iv)設(shè)置訓(xùn)練初始條件，利用外部專用計算機，按照公式(3)、（4)、（5)進行設(shè)定數(shù) 量的訓(xùn)練，使訓(xùn)練樣本產(chǎn)生的誤差值在設(shè)定范圍內(nèi)，分別獲得輸入層到隱含層的權(quán)矩陣ω、 隱含層偏置向量b (1)、隱含層到輸出層的權(quán)向量V、輸出層偏置值b(2)的最終值，保存在微處 理器或外部儲存器，并撤掉外部專用計算機，為在線稱重做準(zhǔn)備。
[0029] 本發(fā)明與已有技術(shù)相比有以下優(yōu)點:本發(fā)明可以實現(xiàn)小樣本情況下汽車衡稱重模 型訓(xùn)練，獲得稱重模型參數(shù)后實現(xiàn)自動稱重與誤差自動補償，大大提高了稱重結(jié)果的準(zhǔn)確 度;同時減少了汽車衡稱重模型訓(xùn)練所需的樣本數(shù)量，提高了工作效率。
[0030] 下面結(jié)合附圖詳細(xì)說明本發(fā)明的技術(shù)方案。
【附圖說明】
[0031 ]圖1是本發(fā)明的汽車衡稱重模型訓(xùn)練流程框圖。
[0032] 圖2是本發(fā)明的汽車衡在線稱重與誤差補償流程框圖。
[0033] 圖3是本發(fā)明的汽車衡稱重模型，其中，Π 為隱含層激勵函數(shù)，f2為輸出層激勵函 數(shù)。
[0034]圖4是本發(fā)明的汽車衡信號采集電路原理框圖。
[0035] 圖5是本發(fā)明的稱重結(jié)果與誤差補償仿真結(jié)果圖，其中（a)為補償前、后的稱重結(jié) 果對比圖，（b)為補償前、后的稱重結(jié)果誤差曲線對比圖。
【具體實施方式】
[0036] 本發(fā)明提供的改進的汽車衡稱重方法，包括建立稱重模型、構(gòu)造約束條件模型、稱 重模型離線訓(xùn)練和在線稱重等步驟；
[0037] 1)所述稱重模型為三層的BP神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如下：
[0038] 第一層為輸入層，輸入層的神經(jīng)元數(shù)量I為稱重傳感器的路數(shù)，同時I也是輸入層 神經(jīng)元的數(shù)量；
[0039] 第二層為隱含層，隱含層的神經(jīng)元數(shù)量M=k +V.I +L ,k=卜10,隱含層激勵函數(shù) 采用Sigmoid函數(shù)，L為輸出層神經(jīng)元的數(shù)量；
[0040] 第三層為輸出層，輸出層的神經(jīng)元數(shù)量L為1個;輸出層激勵函數(shù)采用線性函數(shù);輸 出層的神經(jīng)網(wǎng)絡(luò)輸出i為：
[0041]
⑴
[0042] 式（1)中，ω為神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán)矩陣，ωτ為神經(jīng)網(wǎng)絡(luò)輸入層到隱含 層的權(quán)矩陣的轉(zhuǎn)置矩陣，ω η>1為輸入層第i路輸入到隱含層的第m個神經(jīng)元的連接權(quán)值(i = 1，2，···，Ι;ηι=1，2，···，Μ)，ω = [ ω1;1，ωχ，〗，···，ωχ，:[;···; com ωΜ.2，···，為隱含 層偏置向量，f為隱含層第m個神經(jīng)元的偏置值(m=l，2,…，M)，bUl …，^ 為隱 含層到輸出層的權(quán)向量，VT為隱含層到輸出層的權(quán)向量的轉(zhuǎn)置向量，vm為隱含層第m個神經(jīng) 元到輸出層的連接權(quán)值(m = 1，2，…，Μ)，V = [ V1，v2，…，VM]; b(2>為輸出層偏置值，X為神經(jīng)網(wǎng) 絡(luò)輸入向量，Xl為輸入層第i路輸入，Μ為神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)量；
[0043] 2)所述約束條件模型為稱重模型的輸入層-隱層權(quán)值向量的相鄰元素的平方和最 小，即
[0044]
[0045] 3)所述稱重模型離線訓(xùn)練，是在微處理器與外部專用計算機連接后，首先利用微 處理器采集訓(xùn)練樣本，然后基于稱重模型和約束條件模型，利用外部專用計算機進行訓(xùn)練， 訓(xùn)練完成后，稱重模型的參數(shù)被存儲在微處理器或外部存儲器中，之后外部專用計算機被 撤離;其步驟如下：
[0046] i)采集訓(xùn)練樣本:將不同重量的標(biāo)準(zhǔn)砝碼隨機加載在汽車衡秤體上，微處理器采 集I路稱重傳感器的輸出信號，經(jīng)過數(shù)據(jù)預(yù)處理后獲得I路輸入向量X，之后將標(biāo)準(zhǔn)砝碼值與 采集獲得的I路輸入向量作為訓(xùn)練樣本(Xj，z j)，其中，z j為標(biāo)準(zhǔn)砝碼的重量，j為第j次采集 的樣本，并將樣本傳輸并保存在外部專用計算機中；
[0047] ? )構(gòu)造訓(xùn)練樣本目標(biāo)函數(shù)E，其計算公式為：
[0048]
[0049] 式(3)中，ε為平滑因子，其值通過實驗確定;J為訓(xùn)練樣本的數(shù)量為當(dāng)輸入 向量是Xj時的神經(jīng)網(wǎng)絡(luò)輸出，j = 1，2，…，J;
[0050] iii)分別求 ω、b(1)、V 和 b(2)的增量 Δ ω0、Δ1^、AVm，Ab(2)，并對 ω、b(1)、V 和 b(2) 進行更新，它們的計算公式為：
[0051]
[0053] 式(4)中，η為學(xué)習(xí)率，取值范圍為:0〈η<1，具體值通過實驗確定;am為隱含層第m 個神經(jīng)元的輸出值；
[0054] 式（5)中，<'4(2)咖、<￥、私11咖分別為^、13( 2)、《11、紀(jì))更新后的值，<；(1、13(2 )old、d brM分另1J為~士(2)、《11、1 5：；:,更新前的值，式（4)、（5)中，111=1，2，."具1 = 1， 2,…，I，
[0055]
[0056] 式(6)中，Xi為輸入層第i路輸入；
[0057] iv)設(shè)置訓(xùn)練初始條件，利用外部專用計算機，按照公式(3)、（4)、（5)進行設(shè)定數(shù) 量的訓(xùn)練，使訓(xùn)練樣本產(chǎn)生的誤差值在設(shè)定范圍內(nèi)，分別獲得輸入層到隱含層的權(quán)矩陣ω、 隱含層偏置向量b (1)、隱含層到輸出層的權(quán)向量V、輸出層偏置值b(2)的最終值，保存在微處 理器或外部儲存器，并撤掉外部專用計算機，為在線稱重做準(zhǔn)備；
[0058] 4)在線稱重：在線稱重即實際稱重，此時，微處理器采集I路稱重傳感器的輸出信 號經(jīng)過數(shù)據(jù)預(yù)處理后作為稱重模型的輸入，同時調(diào)用保存在微處理器或外部存儲器中的神 經(jīng)網(wǎng)絡(luò)參數(shù)（即c〇、V、b(1)、b(2))，一起代入式（1)所示的稱重模型，計算獲得稱重結(jié)果，完成 在線稱重。
[0059] 應(yīng)用實例：
[0060]本實施例中，汽車衡有8路稱重傳感器（1 = 8)，量程為4噸，每路稱重傳感器的最大 容量為1噸，分度數(shù)為4000。汽車衡的信號采集電路如圖4所示，包括調(diào)理電路1、模數(shù)轉(zhuǎn)換電 路2、微處理器3、電源模塊4、外部專用計算機5、鍵盤6、顯示器7等部分，每一個稱重傳感器 順序連接調(diào)理電路1、模數(shù)轉(zhuǎn)換電路2到微處理器3,微處理器3配置電源模塊4、鍵盤6和顯示 器7,在訓(xùn)練時，微處理器3連接外部專用計算機5。其中微處理器3采用TI公司的高性能單片 機STM32F103。
[0061] 參見圖1 一圖5,本發(fā)明方法的具體實施步驟如下：
[0062] 1)建立汽車衡稱重模型。以I路傳感器稱重信號為輸入，以汽車衡稱重結(jié)果為輸 出，構(gòu)造一個I輸入1輸出的三層BP神經(jīng)網(wǎng)絡(luò)，其隱含層神經(jīng)元的數(shù)目Μ滿足 m+ sfTI，m取1 ~10,通過實驗最后確定M = 5;隱含層激勵函數(shù)采用Sigmoid函數(shù)，輸出層激勵函數(shù)采用線 性函數(shù)，因此網(wǎng)絡(luò)輸出?為
[0063]
[0064] 式（1)中，ω為神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán)矩陣，ωτ為神經(jīng)網(wǎng)絡(luò)輸入層到隱含 層的權(quán)矩陣的轉(zhuǎn)置矩陣，ω η>1為輸入層第i路輸入到隱含層的第m個神經(jīng)元的連接權(quán)值(i = 1，2，···，Ι;ηι=1，2，···，Μ)，ω = [ ωι，ι, ωι，2，···，ωι，ι;···; c0m，i, ωΜ，2，···，《M，i];b(1)為隱含 層偏置向量，fef為隱含層第m個神經(jīng)元的偏置值(m=l，2，··_，Μ) 為隱 含層到輸出層的權(quán)向量，VT為隱含層到輸出層的權(quán)向量的轉(zhuǎn)置向量，vm為隱含層第m個神經(jīng) 元到輸出層的連接權(quán)值(m = 1，2，…，Μ)，V = [ V1，v2，…，vm] ; b(2>為輸出層偏置值，X為神經(jīng)網(wǎng) 絡(luò)輸入向量，Xl為輸入層第i路輸入，Μ為神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)量；
[0065] 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。
[0066] 2)構(gòu)造約束條件模型，即
[0067]
[0068] 3)稱重模型離線訓(xùn)練，即以式(2)所示的約束條件模型為神經(jīng)網(wǎng)絡(luò)訓(xùn)練約束條件， 構(gòu)造汽車衡稱重模型的訓(xùn)練方法，即：稱重模型離線訓(xùn)練是在微處理器與外部專用計算機 連接后，首先利用微處理器采集訓(xùn)練樣本，然后基于稱重模型和約束條件模型，利用外部專 用計算機進行訓(xùn)練，訓(xùn)練完成后，稱重模型的參數(shù)被存儲在微處理器或外部存儲器中，之后 外部專用計算機被撤離;其步驟如下：
[0069] i)采集訓(xùn)練樣本。即利用0.5噸、1噸、3噸等不同噸位的標(biāo)準(zhǔn)砝碼，分別加載在汽車 衡秤體的不同位置，系統(tǒng)通過稱重傳感器、調(diào)理電路1、模數(shù)轉(zhuǎn)換電路2和微處理器3,采集45 組8路稱重傳感器信號，經(jīng)數(shù)據(jù)預(yù)處理(均值濾波），獲得45組樣本(Xj， Zj)，其中30組作為神 經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，15組用于神經(jīng)網(wǎng)絡(luò)測試樣本。微處理器3通過串行通信接口將這些樣本傳 送至外部專用計算機5,為神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練做準(zhǔn)備；
[0070] ii)構(gòu)造訓(xùn)練樣本目標(biāo)函數(shù)。設(shè)E神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)函數(shù)，采用批量學(xué)習(xí)方法，則計 算公式為：
[00711
[0072]式中，ε為平滑因子，其值通過實驗確定，J為訓(xùn)練樣本的數(shù)量(這里，J = 30)，ZjS 第j個目標(biāo)值，>為當(dāng)輸入向量是Xj時的神經(jīng)網(wǎng)絡(luò)輸出，j = 1，2，…，J;
[0073] iii)分別求 ω、b⑴、V 和 b(2)的增量 Δ ωη4、ΔΙ^Ι!、AVm、Ab(2)，并對 ω、b(1)、V 和 b(2) 進行更新，它們的計算公式為：
[0074]
[0076]式(4)中，η為學(xué)習(xí)率，取值范圍為:〇〈n彡1，具體值通過實驗確定;am為隱含層第m 個神經(jīng)元的輸出值；
[0077] 式（5)中，vT、b(2)new、<T、分別為^士⑵^^⑷更新后的值，#、# )°ld、0=、b，ld分別為Vm、b⑵、《^私 11 更新前的值，式(4)、（5)中，m=l，2,…，M，i = l， 2,---,1,
[0078]
[0079] iv )設(shè)置訓(xùn)練初始條件。訓(xùn)練初始條件為：目標(biāo)均方誤差MSE為〇.〇〇〇〇〇〇〇〇01，學(xué)習(xí) 率η為0.008，平滑因子￡為0.1，神經(jīng)網(wǎng)絡(luò)參數(shù)《、13(1)、￥、13(2)的初值通過隨機函數(shù)獲得，訓(xùn)練 次數(shù)為10000,汽車衡神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法如圖1所示。
[0080] 外部專用計算機5利用訓(xùn)練軟件進行神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練。神經(jīng)網(wǎng)絡(luò)結(jié)束訓(xùn)練后，外 部專用計算機5將網(wǎng)絡(luò)參數(shù)(如c〇、b(1)、V、b (2))下載并保存在微處理器3中，為汽車衡在線稱 重作準(zhǔn)備。
[0081] 神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練軟件，采用式(3)、（4)、（5)所示的訓(xùn)練方法，利用MATLAB設(shè)計開 發(fā)，也可利用其他編程語言實現(xiàn)。
[0082] 根據(jù)神經(jīng)網(wǎng)絡(luò)設(shè)計理論（"神經(jīng)網(wǎng)絡(luò)設(shè)計"，Martin T.Hagan等著，戴葵譯，機械工 業(yè)出版社，2005,8)，若采用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法（即不利用汽車衡先驗知識），至少需 要訓(xùn)練樣本數(shù)目Num= (M+l )*I+(M+1 )*L，式中，Μ為隱層神經(jīng)元數(shù)目，I輸入層神經(jīng)元數(shù)目，L 為輸出層數(shù)目。在本實施例中，1=5，1 = 8丄=1，因此1^111 = 54，即至少需要54組訓(xùn)練樣本， 否則會產(chǎn)生較大的誤差，從而導(dǎo)致稱重模型不可用。然而由于本發(fā)明利用了汽車衡的先驗 知識，只利用了30組訓(xùn)練樣本即可滿足要求，訓(xùn)練樣本數(shù)目遠(yuǎn)少于54組，從而減少了工作 量。稱重結(jié)果與誤差補償效果如圖5所示。
[0083] 4)汽車衡在線稱重。利用訓(xùn)練完成后的汽車衡稱重模型在線稱重，并同時進行誤 差補償，獲得最終的稱重結(jié)果。汽車衡在線稱重時，系統(tǒng)通過稱重傳感器、調(diào)理電路1、模數(shù) 轉(zhuǎn)換電路2和微處理器3,采集8路稱重傳感器輸出信號，數(shù)據(jù)預(yù)處理，獲得傳感器稱重信號 向量X，利用保存在微處理器及儲存單元中的網(wǎng)絡(luò)參數(shù)（《士 (1))^、13(2)，根據(jù)式（1)計算獲 得神經(jīng)網(wǎng)絡(luò)的輸出，該輸出即為誤差補償后的汽車衡最終稱重結(jié)果。汽車衡在線稱重與誤 差補償方法如圖2所示。
[0084] 圖5是本發(fā)明的稱重結(jié)果與誤差補償結(jié)果圖，其中（a)為補償前、后的稱重結(jié)果對 比圖，（b)為補償前、后的稱重結(jié)果誤差曲線對比圖。
[0085]由圖5可以看出，補償前的汽車衡最大稱重誤差可達(dá)150kg，而采用本發(fā)明方法補 償后的汽車衡最大稱重誤差約20kg，遠(yuǎn)小于補償前誤差。由此可以證明：本發(fā)明能實現(xiàn)小樣 本情況下汽車衡稱重模型訓(xùn)練，獲得稱重模型參數(shù)后實現(xiàn)自動稱重與誤差自動補償，大大 提高了稱重結(jié)果的準(zhǔn)確度；同時減少了汽車衡稱重模型訓(xùn)練所需的樣本數(shù)量，提高了工作 效率。
【主權(quán)項】
1. 一種改進的汽車衡稱重方法，其特征是包括建立稱重模型、構(gòu)造約束條件模型、稱重 模型離線訓(xùn)練和在線稱重步驟； 1) 所述稱重模型為Ξ層的BP神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如下： 第一層為輸入層，輸入層的神經(jīng)元數(shù)量I為稱重傳感器的路數(shù)，同時I也是輸入層神經(jīng) 元的數(shù)量； 第二層為隱含層，隱含層的神經(jīng)元數(shù)量M=k+Vrrr，k=i~10,隱含層激勵函數(shù)采用 Sigmoid函數(shù)，L為輸出層神經(jīng)元的數(shù)量； 第Ξ層為輸出層，輸出層的神經(jīng)元數(shù)量L為1個;輸出層激勵函數(shù)采用線性函數(shù);輸出層 的神經(jīng)網(wǎng)絡(luò)輸出3為：(1) 式(1)中，ω為神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán)矩陣，ω T為神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán) 矩陣的轉(zhuǎn)置矩陣，Wm,i為輸入層第i路輸入到隱含層的第m個神經(jīng)元的連接權(quán)值（i = l， ω=[ωι,ι, ωι,2,..., ωι,ι;...; c〇M,i, wm,2,.·., ωΜ,ι] ;b(i)為隱含層 偏置向量，邊>為隱含層第m個神經(jīng)元的偏置值(m=l，2,…，M)，b…=[biu姑I,..，地];V為隱含 層到輸出層的權(quán)向量，yT為隱含層到輸出層的權(quán)向量的轉(zhuǎn)置向量，Vm為隱含層第m個神經(jīng)元 到輸出層的連接權(quán)值(m=l，2,…，1)，￥=[乂1，乂2，-，，乂|?];13^為輸出層偏置值，乂為神經(jīng)網(wǎng)絡(luò) 輸入向量，XI為輸入層第i路輸入，Μ為神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)量； 2) 所述約束條件模型為稱重模型的輸入層-隱層權(quán)值向量的相鄰元素的平方和最小， 即(2); 3) 所述稱重模型離線訓(xùn)練，是在微處理器與外部專用計算機連接后，首先利用微處理 器采集訓(xùn)練樣本，然后基于稱重模型和約束條件模型，利用外部專用計算機進行訓(xùn)練，訓(xùn)練 完成后，稱重模型的參數(shù)被存儲在微處理器或外部存儲器中，之后外部專用計算機被撤離； 4) 所述在線稱重即實際稱重，此時，微處理器采集I路稱重傳感器的輸出信號經(jīng)過數(shù)據(jù) 預(yù)處理后作為稱重模型的輸入，同時調(diào)用保存在微處理器或外部存儲器中的神經(jīng)網(wǎng)絡(luò)參數(shù) (即w、V、bW、bW)，一起代入式(1)所示的稱重模型，計算獲得稱重結(jié)果，完成在線稱重。2. 根據(jù)權(quán)利要求1所述的改進的汽車衡稱重方法，其特征是所述步驟3)按W下步驟進 行： 0采集訓(xùn)練樣本:將不同重量的標(biāo)準(zhǔn)破碼隨機加載在汽車衡砰體上，微處理器采集I路 稱重傳感器的輸出信號，經(jīng)過數(shù)據(jù)預(yù)處理后獲得I路輸入向量X，之后將標(biāo)準(zhǔn)破碼值與采集 獲得的I路輸入向量作為訓(xùn)練樣本化，Z八其中，Z功標(biāo)準(zhǔn)破碼的重量，j為第j次采集的樣 本，并將樣本傳輸并保存在外部專用計算機中； U )構(gòu)造訓(xùn)練樣本目標(biāo)函數(shù)E，其計算公式為：式(3)中，ε為平滑因子，其值通過實驗確定;J為訓(xùn)練樣本的數(shù)量，?'(Χ,)為當(dāng)輸入向量 是Xj時的神經(jīng)網(wǎng)絡(luò)輸出，j = 1，2，…，J; 化）分別求 ω、6("、ν和 b(2)的增量 Δ c〇m,i、Ab'、Avm，Ab(2)，并對 ω、6("、ν和 b(2)進行更 新，它們的計算公式為：式(4)中，η為學(xué)習(xí)率，取值范圍為:〇句《1，具體值通過實驗確定;am為隱含層第m個神經(jīng) 元的輸出值； 式（5)中端、巧|加分別為Vm、b(2)、〇Vi、蠟唯新前的值，式(4)、（5)中，m=l，2,…，M，i = l，2,…，I，(6) 式(6)中，XI為輸入層第i路輸入； iv)設(shè)置訓(xùn)練初始條件，利用外部專用計算機，按照公式(3)、（4)、（5)進行設(shè)定數(shù)量的 訓(xùn)練，使訓(xùn)練樣本產(chǎn)生的誤差值在設(shè)定范圍內(nèi)，分別獲得輸入層到隱含層的權(quán)矩陣ω、隱含 層偏置向量bW、隱含層到輸出層的權(quán)向量V、輸出層偏置值b(2)的最終值，保存在微處理器 或外部儲存器，并撤掉外部專用計算機，為在線稱重做準(zhǔn)備。
【文檔編號】G01G19/02GK105973444SQ201610474589
【公開日】2016年9月28日
【申請日】2016年6月25日
【發(fā)明人】林海軍, 李松輝, 向浩, 汪魯才, 楊進寶, 滕召勝
【申請人】湖南師范大學(xué)