CN103592014A - 一种车载称重系统的传感器标定方法 - Google Patents

Abstract

本发明公开了一种车载称重系统的传感器标定方法。本发明主要是在汽车车桥上安装应变电阻式模拟传感器，然后标定传感器，采用基于L₂正则化的非线性最小二乘计算出传感器的标定系数，并根据传感器输出的AD值和传感器的标定系数，算出载重货车的货物重量。汽车在行驶过程中，本发明也能够获得稳定且精度较高的货物重量数据。

Description

一种车载称重系统的传感器标定方法

技术领域

本发明涉及车载称重领域，尤其涉及的是一种车载称重系统的传感器标定方法。

背景技术

随着公路运输业迅速发展，载重汽车在运输中普遍存在超载现象。调查表明，行驶于公路的车辆如果轴重超过限值的30％，公路使用寿命就会缩短56％，使得公路维修费用巨增，路面使用寿命缩短。另外，由于超载使得车辆的动力性能受到影响，严重影响了车辆的安全行驶。因此，车辆动态称重技术已成为车辆载荷测量的关键技术和发展方向。目前车辆动态称重技术的主要问题在于称重数据误差较大(一般误差在10％-20％左右)且不稳定，这大大影响车辆动态称重技术的使用和推广。影响这两个问题的关键因素在于：(1)传感器本身设计不合理；(2)没有泛化能力较强的传感器标定算法。尤其是泛化能力较强的传感器标定算法对称重数据的精度和稳定性起着至关重要的影响，因为对传感器的标定是在汽车静止状态下进行，而汽车在行驶过程中传感器数据与静止状态时差别很大，如果传感器标定算法泛化能力不强，必然会出现称重数据误差较大且不稳定。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明所要解决的技术问题是针对现有技术在车辆动态称重中数据误差较大的缺陷，提供一种车载称重系统的传感器标定方法。

本发明的技术方案如下：

一种车载称重系统的传感器标定方法，包括以下步骤：

(1)在汽车车桥两端各安装一个传感器；

(2)用模拟线将传感器与数据采集器连接；

(3)将待标定车辆在空车状态时开到标定地点并平稳停下，记录空车状态时各个传感器稳定的AD值，并将这些值保存到FLASH或铁电存储器中；

(4)将砝码或已知重量的货物吊装到车辆上，待各传感器AD值稳定后，先记录下货物或砝码的重量以及它们对应的AD值；再将车子向前和向后开动各一次，待各传感器AD值稳定后，再次记录货物或砝码的重量以及它们对应的AD值，并将这些值保存到FLASH或铁电存储器中；卸掉货物，然后待各传感器AD值稳定后，再记录下卸货之后的AD值，并将这些值保存到FLASH或铁电存储器中；

(5)对车辆进行满载标定，并记录下相应重量对应的AD值，并将该值保存到FLASH或铁电存储器中；

(6)通过所采集的AD值对传感器标定，标定需采用非线性且泛化性好的标定算法；

(7)根据传感器输出的AD值和传感器的标定系数，算出载重货车的货物重量。

所述的传感器为应变电阻式模拟传感器。

所述的传感器的安装要采用焊接方式。

所述的传感器标定方法，步骤(3)中，空车状态的AD值包括汽车前向停车、倒车各两次的传感器稳定状态时的AD值。

所述的标定算法为：(1)建立基于二次函数的最小二乘回归目标函数，设有n个传感器，总共标定了m次，第i_i个标定后，n个传感器输出的AD值所组成的向量为第i次标定时的重量为l_i，i＝1…m；(2)再定义一个二次函数r_i(x)=x_iMx_i-l_i，x_i∈Rⁿ，M∈R^n×n，i＝1…m，其中M为可逆的对称矩阵，它表示传感器待标定的系数，则经m次标定后，其回归残差函数可以定义为：

$\underset{M}{\min }f\left(M\right)=\frac{1}{2}\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r_i}^2\right)$

然后，在上述方程中引入正则项，并得到新的目标函数为：

$\underset{M}{\min }f\left(M\right)=\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(x_i^T{\mathrm{Mx}}_i-l_i)}^2+\mathrm{\λ}{\left|\right|M\left|\right|}_1$

求解此方程，得到传感器的标定系数M。

所述的标定算法中，第m次标定时的重量大于或等于标定车辆额定载重的一半。

本发明的有益效果为：

1)传感器只采集模拟信号，其结构设计简单，制作容易。由于汽车在行驶过程中，情况很复杂，传感器经常出现故障，本方案中的传感器在出现故障时，很容易更换，因此，十分便于维修。

2)由于传感器只采集模拟信号，数模转换被集中在一起进行处理。因此，会节省AD芯片及相关器件的成本，虽增加一个接线盒，但总的成本下降。

3)由于传感器数据变化比较大，具有较高的非线性性，因此采用基于二次函数的最小二乘来标定传感器，可以提高称重精度。

4)由于标定是在静止状态下进行，而当汽车行驶时，其传感器得到的AD值与静态时的AD值差别较大，因此，本发明采用L₂正则化方法，以提高标定的泛化能力，使汽车在行驶过程中，本系统也获得稳定且精度较高的货物重量数据。

附图说明

图1为传感器，集线盒，主控制器安装位置示意图。

图2为标定算法流程示意图。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

一种用于智能车载称重系统设计方法，它包括应变电阻式模拟传感器、集线盒、传感器标定算法，其步骤如下：

1)参考图1，在汽车车桥两端各焊接一个传感器；在图1中，总共焊接了6个传感器，其中传感器1A和传感器1B是焊接在同一个车桥上；传感器2A和传感器2B是焊接在同一个车桥上；传感器3A和传感器3B是焊接在同一个车桥上。焊接时尽量采用顶装式传感器，若没有空间焊接顶装式传感器，则采用侧装式传感器；

2)用模拟线将传感器与数据采集器连接；

3)对传感器进行标定并将标定的参数存入主控制器和数据采集器的存储器中；

4)通过标定参数和传感器在载重汽车各种状态下获取的AD值来计算货物重量。

本系统采用电阻应变式传感器，当货物加载到汽车上，会引起车桥形变，从而使得传感器也相应的变化，传感器将变化转换成模拟信号(电压信号)并传回到数据采集器，传感器所受力与输出信号是严格的线性关系。数据采集器通对这些模拟信号进行AD转换，并将转换后的数字信号传递到主控制器中，由主控制器的算法根据传感器标定参数进行计算，最终得出货物重量。

当汽车状态发生变化(例如：装货，卸货，刹车，加速等)时，传感器输出的信号变化很大。二次型的最小二乘标定算法能够较好地拟和这些非线性数据，从而使得称重精度大大提高。在标定时，所采集的数据来自汽车静止时的装卸货数据，而在汽车运动过程中传感器输出的数据与静止状态时有一定差别，因此，对二次型的最小二乘引入L₁正则项，可防止标定算法出现过拟合的情形，从而提高标定算法的泛化能力，大大增强标定算法的鲁棒性。另外，汽车行驶过程中，由于颠簸等原因，会使传感器输出的信号有较强的噪声，L₁范数可使所求解具有稀疏性，具有较强的抗噪，抗干扰能力，这使得最终所计算出的货物重点具有较高的稳定性。

本发明用于动态获得载重汽车精确的货物重量，只需采集载重货车在静止时不同货物重量与相应传感器输出的数字信号值，并用这组值拟合出传感器输出的数字信号与货物的重量函数关系，并保存这个函数关系。当载重汽车在行驶过程或装卸货时，传感器电阻应变片灵敏地感知到车桥形变，并输出相应的电压值，电压值经过AD芯片转换后变成数字信号，将这些数字信号传递给标定时得出的函数关系来计算信号对应的货物重量。此过程产生的非线性数据和噪声分别可以通过二次型最小二乘和L₁正则项进行有效处理，使得最终获得的数据精度高且稳定。

为了便于使用者直观的掌握货物的重量情况，在驾驶中安装显示屏，将货物重量数据传送给使用者。

参考图2，二次型的最小二乘算法对传感器标定如下：

设有n个传感器(本实施例的n取6)，总共标定了m次(本实施例的m取10)，第i个标定后，n个传感器输出的AD值所组成的向量为

第i次标定时的重量为l_i，i＝1…m。注意，在通常情况下，本系统选用2吨砝码来对载重汽车进行标定，次数m通常应大于等于载重汽车准载吨数的一半。例如：某载重汽车的准载重量为20吨，标定次数m不得少于10次(即20/2)，标定重量依次为2，4，…，20。

二次型最小二乘目标函数(也称“回归残差函数”)可以定义为：

$\begin{array}{cc}\underset{M}{\min }f\left(M\right)=\frac{1}{2}\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r_i}^2\right)---& \backslash *\mathrm{MERGEFORMAT}\left(1\right)\end{array}$

其中r_i(x)=x_iMx_i-l_i，x_i∈Rⁿ，M∈R^n×n，i＝1…m，为一个二次函数，M为可逆的对称矩阵。

为了增加所求解的稀疏性和提高其泛化能力，为方程增加一个L₁正则项，即得到如下方程：

$\begin{array}{c}\underset{M}{\min }f\left(M\right)=\frac{1}{2}\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r_i}^2\right)\\ =\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(x_i^T{\mathrm{Mx}}_i-l_i)}^2+\mathrm{\λ}\left|\right|M|{|}_1\\ \backslash *\mathrm{MERGEFORMAT}\left(2\right)\end{array}$

在方程中，r_i表示第i个传感器的回归残差；M为要求的传感器标定系数；x_i为n维向量(n表示传感器数量)，表示第i次实验各传感器输出的AD值；l_i为第i次实验砝码的重量(以公斤为单位)；λ为正则参数值。

求解方程的过程如下：

首先，由于L₁正则项不可导，方程的求解不能用需要求方程梯度的算法(例如：梯度下降法，牛顿法等)。但回归残差函数(见式)是一次可微的凸函数且是它的Lipschitz梯度存在。因此，整个方程可以通过Nesterov方法来求解。先证明回归残差函数是凸函数。

由于 $\▿f\left(M\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{r}_j\left(M\right){\▿r}_j\left(M\right)=J{\left(M\right)}^{T}r\left(M\right),$ 其中，r(M)=(r_i(M)，r₂(M)，…，r_m(M))^T， $J\left(M\right)={\left[\frac{{\∂r}_j}{{\∂x}_i}\right]}_{\begin{array}{c}j=\mathrm{1,2},...,m\\ i=\mathrm{1,2},...,n\end{array}}=\left[\begin{array}{c}{\▿r}_1{\left(M\right)}^T\\ {\▿r}_2{\left(M\right)}^T\\ .\\ .\\ .\\ {\▿r}_m{\left(M\right)}^T\end{array}\right],$

而 ${\▿r}_i\left(M\right)=x_i^T{x}_i,i=1,...,m.$

因此有：

$\begin{array}{c}{\▿}^{2}f\left(M\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\▿r}_j\left(M\right){\▿r}_j{\left(M\right)}^T+\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\▿r}_j\left(M\right){\▿}^2{r}_j\left(M\right)\\ =J{\left(x\right)}^{T}J\left(x\right)+\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\▿r}_j\left(M\right){\▿}^2{r}_j\left(M\right)\end{array}$

注意： ${\▿}^2{r}_i\left(M\right)=0,i=1,...,m,$ 因此，可得：

${\▿}^{2}f\left(M\right)=J{\left(M\right)}^{T}J\left(M\right)$

由此可得：回归残差函数的Hessian矩阵为正定矩阵。因此，回归残差函数是凸函数。同时，回归残差函数显然一次可微。

下面证明回归残差函数的Lipschitz梯度存在。

Lipschitz梯度的定义为：对于函数f(x)，若满足如下条件：

${\left|\right|\▿f\left(x\right)-\▿f\left(y\right)\left|\right|}_2\≤L{\left|\right|x-y\left|\right|}_2$

L≥0，则称f(x)有Lipschitz梯度。这里的L称为Lipschitz系数。

由于

$\begin{array}{cc}\begin{array}{c}{\left|\right|\▿f\left(M_1\right)-\▿f\left(M_2\right)\left|\right|}_2\\ ={\left|\right|J\left(M_1\right)\left((r\left(M_1\right)-r\left(M_2\right)\right)\left|\right|}_2\\ \≤{\left|\right|J\left(M_1\right)\left|\right|}_2{\left|\right|(r\left(M_1\right)-r\left(M_2\right)||}_2\\ ={\left|\right|J\left(M_1\right)\left|\right|}_2{\left|\right|\left.\begin{array}{c}{x}_1^T(M_1-M_2)x_1\\ x_2^T(M_1-M_2)x_2\\ .\\ .\\ .\\ x_m^T(M_1-M_2)x_m\end{array}\right]\left|\right|}_2\\ \≤{\left|\right|J\left(M_1\right)\left|\right|}_2{\left|\right|x^T\left|\right|}_2{\left|\right|M_1-M_2\left|\right|}_2{\left|\right|x\left|\right|}_2\\ ={\left|\right|J\left(M_1\right)\left|\right|}_2{\left|\right|x\left|\right|}_2^2{\left|\right|M_1-M_2\left|\right|}_2\\ =L{\left|\right|M_1-M_2\left|\right|}_2\end{array}& ---\backslash *\mathrm{MERGEFORMAT}\left(3\right)\end{array}$

其中，

x=(x₁，x₂，…，x_m)为标定m次的传感器数据， $J\left(M\right)=\left[\begin{array}{c}{x}_1{x}_1^T\\ x_2{x}_2^T\\ .\\ .\\ .\\ x_m{x}_m^T\end{array}\right].$

因此，基于L₁正则项的回归残差函数可以用Nesterov方法求解。本系统所采用是扩展Nesterov方法，该算法称为快速迭代收敛阈值(Fast Iterative Shrinkage-Thresholding)的Nesterov算法，具体求解过程如下：

输入：通过方程式计算Lipschitz系数L；令k=1；令ε=0.01；，t₁=1；

第一步：设M₁=X₀=I∈R^n×n，这里的I表示恒等矩阵；

第二步：计算M_k的投影X_k=P_L(M_k)；具体计算方法下面详细讨论。

第三步：通过下面公式计算迭代的步长：

$t_{k+1}=\frac{1+\sqrt{1+{4t}_k^2}}{2}$

第四步：通过下面的公式更新的M_k(也称M_k+1)：

$M_{k+1}=X_k+\left(\frac{t_k-1}{t_{k+1}}\right)(X_k-X_{k-1})$

第五步：若||M_k+1-M_k||<ε，则停止整个过程，否则转到第二步。

在第二步中，P_L(M_k)的计算公式如下：

$\begin{array}{c}{P}_L\left(M_{k-1}\right)=\underset{M}{\arg \min }\{\frac{L}{2}{\left|\right|M-(M_{k-1}-\frac{1}{L}\&dtri;f\left(M_{k-1}\right))\left|\right|}_2^2+\mathrm{\&lambda;}{\left|\right|M\left|\right|}_1\}\\ \backslash *\mathrm{MERGEFORMAT}\left(4\right)\end{array}$

令

$\begin{array}{c}{C}_k=M_{k-1}-\frac{1}{L}\&dtri;f\left(M_{k-1}\right)\\ =M_{k-1}-\frac{1}{L}{J}^{T}r\left(M\right)\end{array}$

其中 $J=\left[\begin{array}{c}{x}_1{x}_1^T\\ x_2{x}_2^T\\ .\\ .\\ .\\ x_m{x}_m^T\end{array}\right],$ r(M)=(r_i(M)，r₂(M)，…，r_m(M))^T。

因此，方程式可以重写为：

$\begin{array}{cc}{P}_L\left(M_{k-1}\right)=\underset{M}{\arg \min }\{\frac{L}{2}{\left|\right|M-C_k\left|\right|}_2^2+\mathrm{\&lambda;}{\left|\right|M\left|\right|}_1\}& ---\backslash *\mathrm{MERGEFORMAT}\left(5\right)\end{array}$

在方程式中，2范数和1范数都是可以单独分开，这两个范数中的每一项都是一系列非负项之和。因此，方程式的解完全可能过通过压缩(shrinkage)方式给出。其解的具体形式为T_λ/L(C_k)，这里的T是将R^n×n中的向量映射到R^n×n的压缩算子(shrinkageoperator)。下面以向量经T映射后的第i行，第j列元素可表示为：

T_α(C)|_ij=(|C_ij|-α)₊sgn(|C_ij|)

这里的C为R^n×n矩阵，运算符()₊表示如果某个标量为大于等于0，则返回该标量，若小于，则返回0，即：(u)₊=max(u，0)，其中u为标量。

注意，方程式中正则参数λ通常凭经验来取值，一般为0.5或0.1。若想对λ取更准确的值，可以通过交叉验证来得到，但无论如何，正则参数λ只要不取得太大(比如：100)或太小(如：0.0001)，都不会对标定算法产生较大影响。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种车载称重系统的传感器标定方法，其特征是，包括以下步骤：

(1)在汽车车桥两端各安装一个传感器；

(2)用模拟线将传感器与数据采集器连接；

(3)将待标定车辆在空车状态时开到标定地点并平稳停下，记录空车状态时各个传感器稳定的AD值，并将这些值保存到FLASH或铁电存储器中；

(4)将砝码或已知重量的货物吊装到车辆上，待各传感器AD值稳定后，先记录下货物或砝码的重量以及它们对应的AD值；再将车子向前和向后开动各一次，待各传感器AD值稳定后，再次记录货物或砝码的重量以及它们对应的AD值，并将这些值保存到FLASH或铁电存储器中；卸掉货物，然后待各传感器AD值稳定后，再记录下卸货之后的AD值，并将这些值保存到FLASH或铁电存储器中；

(5)对车辆进行满载标定，并记录下相应重量对应的AD值，并将该值保存到FLASH或铁电存储器中；

(6)通过所采集的AD值对传感器标定，标定需采用非线性且泛化性好的标定算法；

(7)根据传感器输出的AD值和传感器的标定系数，算出载重货车的货物重量。

2.根据权利要求1所述的传感器标定方法，其特征是，传感器为应变电阻式模拟传感器。

3.根据权利要求1所述的传感器标定方法，其特征是，传感器的安装要采用焊接方式。

4.根据权利要求1所述的传感器标定方法，其特征是，空车状态的AD值包括汽车前向停车、倒车各两次的传感器稳定状态时的AD值。

5.根据权利要求1所述的传感器标定方法，其特征是，标定算法为：(1)建立基于二次函数的最小二乘回归目标函数，设有n个传感器，总共标定了m次，第i个标定后，n个传感器输出的AD值所组成的向量为

第i次标定时的重量为l_i，i＝1…m；(2)再定义一个二次函数r_i(x)＝x_iMx_i-l_i，x_i∈Rⁿ，M∈R^n×n，i＝1…m，其中M为可逆的对称矩阵，它表示传感器待标定的系数，则经m次标定后，其回归残差函数可以定义为：

$\underset{M}{\min }f\left(M\right)=\frac{1}{2}\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{r_i}^2\right)$

然后，在上述方程中引入L₁正则项，并得到新的目标函数为：

$\underset{M}{\min }f\left(M\right)=\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{(x_i^T{\mathrm{Mx}}_i-l_i)}^2+\mathrm{\&lambda;}{\left|\right|M\left|\right|}_1$

求解此方程，得到传感器的标定系数M。

6.根据权利要求5所述的传感器标定方法，其特征是，第m次标定时的重量大于或等于标定车辆额定载重的一半。

Images