CN109668610A

CN109668610A - 基于神经网络回归的车辆动态测重方法及其采用的系统

Info

Publication number: CN109668610A
Application number: CN201910030030.XA
Authority: CN
Inventors: 吕建华
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2019-01-11
Filing date: 2019-01-11
Publication date: 2019-04-23

Abstract

本发明公开了一种基于神经网络回归的车辆动态测重方法，包括以下步骤：(1)数据预处理：利用称重传感器采集车辆动态轮重原始数据，并对原始数据进行预处理；(2)数据特征提取：获取数据中与静态测重场景相关的特征；(3)模型训练：将上述数据特征作为输入，采用神经网络回归算法训练动态测重模型；(4)车重测量：动态测重模型根据实时获取的车辆动态轮重数据，计算车辆的重量。本发明还公开了基于此车辆动态测重方法采用的系统。本发明提出的车辆动态测重方法能够深入挖掘动态轮重数据与准确车重的非线性关系，提高动态车重测量准确度。

Description

基于神经网络回归的车辆动态测重方法及其采用的系统

技术领域

本发明涉及智能交通应用技术领域，具体涉及一种基于神经网络回归的车辆动态测重方法及其采用的系统。

背景技术

随着我国经济水平的不断提高，公路运输行业快速发展，逐渐成为国民经济的命脉。与此同时，车辆超限超载运输的现象也日益增多，不仅破坏了公路的结构设施，还存在极大的交通安全隐患。为了应对此问题，我国陆续在各地实施货车计重收费，加强了对超限超载运输的管理。目前车辆的测重方式主要分为静态测重和动态测重两种。静态测重，即对静止于称重台上的车辆进行质量的测量。这种方式可达到很高的精度，但其要求车辆经过称重台时必须停车，称量时间长、工作效率低。当车流量较大需要连续称量时，这种称量方式会造成交通拥堵，不利于交通运输业的发展。而动态测重则是在车辆行驶时实现测重，因此受到了广泛关注。

动态测重是在车辆行驶过程中，通过测量动态轮胎受力，计算得到相应的静态车辆重量、车速、轴重等信息，是智能交通的主要组成部分。在动态测重技术方面，传感器的硬件技术起着重要的作用，随着最新硬件技术的使用，动态测重的准确度、测重速度等都在一定程度上得到了改善。但是在相同的硬件水平下，数据处理方法的好坏直接影响测重系统的称量精度。因此，在软件技术方面，如何对数据进行合理的处理并设计合适的动态测重算法也是关键问题。

对于动态测重，车辆经过称重台时，作用在称重台上的力不仅仅是车辆的压力，还有一些由于路面不平整、车辆振动等产生的干扰力。这些干扰力使得传感器无法获得车辆的真实重量，给信号分析带来了一定的难度。虽然现有的动态测重算法(如平均法、位移积分法等)能在一定程度上解决高频信号、随机信号的干扰问题，但这些方法大多只是对采集到的信号做简单的处理，缺乏对信号进行更深层次的处理，以至于测量精度较低，难以满足使用要求。另外，在实际信息采集过程中，由于获取的数据类型单一，如何从这些数据中提取有用的特征最终实现更准确的车辆动态测重是急需解决的难点为题。

发明内容

发明目的：本发明的目的在于解决现有的车辆测重方法，静态测量效率低，动态测量易受干扰不精确的问题。

技术方案：为解决上述问题，本发明提供以下技术方案：

一种基于神经网络回归的车辆动态测重方法，包括以下步骤：

(1)数据预处理：利用称重传感器采集原始数据，并对原始数据进行预处理；

(2)特征提取：获取数据中与静态测重场景相关的特征；

(3)模型训练：将上述数据特征作为输入，采用神经网络回归算法训练动态测重模型；

(4)车重测量：动态测重模型根据实时获取的车辆动态轮重数据，计算车辆的重量。

进一步地，所述步骤(1)中，数据预处理主要是数据筛选，所述数据筛选是根据车辆上秤、完全上秤、下秤三个阶段的斜率变化，将车轮刚上秤台和车轮开始下秤两个过程中获得的数据剔除，仅保留车轮完全在秤台上时获得的数据。

进一步地，所述步骤(2)中，获取数据中与静态测重场景相关的特征，对于每辆车，以车辆的轴距作为一个特征；对于该车的各个车轮，提取的特征主要包括：数据采样量；车辆完全上秤阶段的最大值、最小值、斜率；平稳段的均值、相对位置。

特征提取模块用于提取与静态测重场景相关的特征，对于每个轮子，提取的特征主要包括：2.1)数据采样量；2.2)完全上秤阶段的最大值；2.3)完全上秤阶段的最小值；2.4)完全上秤阶段的斜率；2.5)平稳段的均值；2.6)平稳段的相对位置；2.7)车辆的轴距。其中，每个车轮都可提取2.1)～2.6)中的特征，故车轮数为4的车辆共可提取24个特征，另将车辆的轴距2.7)作为一个特征。

进一步地，所述步骤(3)中，数据特征输入后，模型训练包括构建训练集、特征归一化、训练动态测重模型，其中：

所述构建训练集是通过多次线下采样得到原始数据，经过上述预处理和特征提取得到训练数据集。其中，线下采样指对多种已知轴重及轴距的车辆进行数次行车实验，每次对车辆经过秤台过程中的仪表数据进行采样；

所述特征归一化是对数据进行标准化处理，去除特征中量纲的影响。其中标准化处理的具体过程为：首先根据训练集计算每个特征的均值和方差，其次对于每个样本，将各原始特征值减去对应的特征均值并除以方差得到标准化的样本；

所述训练动态测重模型是将归一化后的数据作为输入，采用神经网络回归算法训练动态测重模型。

进一步地，所述步骤(4)中，车重测量是根据实时获取的车辆动态轮重数据，提取特征并输入训练好的动态测重模型，计算得到车辆的重量。

进一步地，包括数据采集模块、数据预处理模块、特征提取模块、模型训练模块和车重测量模块；所述数据采集模块主要由称重台、称重传感器、接线盒和称重仪表构成；所述数据预处理模块、特征提取模块、模型训练模块和车重测量模块在终端计算机上实现，其中，

所述数据采集模块用于获取车辆动态轮重数据中有称重台、称重传感器各两个，接线盒和称重仪表各一个，称重台位于地表并与车轮直接接触，称重传感器在称重台下方，两个称重传感器与一个接线盒相连，接线盒将数据传递给称重仪表，最终传输到所述终端计算机。所述终端计算机对采集到的数据进行预处理、特征提取以及动态测重模型的训练，最终利用训练得到的模型计算车辆的重量。

工作原理：当车辆经过称重台时，称重传感器将车辆各个轮胎对称重台的压力信号转换成模拟电信号，传递给称重仪表，由称重仪表对模拟电信号进行A/D转换，最终将数据传输到终端计算机。数据采集模块获取车辆动态轮重数据传输到所述终端计算机，所述终端计算机对采集到的数据进行预处理、特征提取以及动态测重模型的训练，最终利用训练得到的模型测量车辆的重量。

有益效果：本发明与现有技术相比，具有以下优点：

1、本发明提出的基于神经网络回归的车辆动态测重方法，深入挖掘数据信息，采用神经网络回归算法对动态轮重数据进行有效分析。相比于传统的动态测重算法，能实现对信号更深层次的处理，提高测量精度。

2、本发明提出的车重特征提取方法，能够从单一的采样数据信息中，提取与静态测重场景相关的特征信息，能够更好地表征车重信息。

3、本发明提出的基于神经网络回归的动态测重模型中采用的神经网络模型具有多层结构，对数据的规律记忆有着独特的优势，并且能够发现车辆重量与输入特征间复杂的非线性关系，从而更加准确地计算车辆的重量。

附图说明

图1为基于神经网络回归的车辆动态测重系统硬件部署方案；

图2为基于神经网络回归的车辆动态测重系统软件架构图；

图3为神经网络回归模型的具体结构图；

图4为车辆动态轮重数据采集示例图；

图5为利用基于神经网络回归的车辆动态测重方法进行车重测量的误差率。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

本发明所述的一种基于神经网络回归的车辆动态测重系统，首先利用称重传感器获取动态轮重数据，其次对采集到的数据进行降噪、数据筛选等预处理操作，然后提取与静态测重场景相关的特征，并以此作为输入训练动态测重模型，最后对于实时采集的数据，利用训练后的模型计算车辆的重量。下面详细描述整个过程。

参照图1，本发明所述基于神经网络回归的车辆动态测重系统中的数据采集模块主要是在硬件上部署。其主要由称重台、称重传感器、接线盒和称重仪表组成。具体有左右两个称重台，每个称重台下安装有一个称重传感器，分别用于获得车辆左右两侧的轮胎的采样值。当车辆以一定速度经过称重台时，称重传感器将车辆各个轮胎对称重台的压力信号转换成模拟电信号，传递给称重仪表，由称重仪表对模拟电信号进行A/D转换，最终将数据传输到数据预处理模块。

参照图2，本发明所述系统在软件架构层面主要包括了下面的几个模块：数据预处理模块、特征提取模块、模型训练模块和车重测量模块。各模块的详细功能如下所述。

1)数据预处理模块，数据预处理模块主要进行数据筛选操作。车辆经过秤台时，称重传感器依次测量每个车轮的重量，车轮的称量过程包括上秤、完全上秤和下秤三个阶段。由于车辆上、下秤台阶段的数据不能显示车轮的真实重量，因此只需截取完全上秤阶段中获得数据作为有效数据。图3展示了车轮数为4的车辆动态称重阶段获取的数据变化情况样例，其中横坐标表示称重传感器的采样序号，纵坐标表示采样得到的动态轮重数据，4条曲线分别表示车辆左前轮、左后轮、右前轮、右后轮的数据示例，其中黄色和紫色曲线分别标出了各个轮子完全上秤阶段和平稳段的数据。从图中可看出，整个过程的称重曲线近似一个梯形图，每个阶段的曲线可近似为一条线段，每条线段的斜率存在明显的变化，上秤阶段斜率为较大的正值，完全上秤阶段斜率的绝对值相对较小，下秤阶段的斜率为更小的负值。因此，在数据筛选时，根据斜率的变化选取完全上秤阶段作为后续数据特征提取的有效区段。

基于上述预处理方法，本发明的数据预处理流程主要是对数据进行筛选：根据不同阶段的斜率变化，获取车辆完全上秤阶段的轮重数据。

2)特征提取模块，特征提取模块是根据经过1)数据预处理模块处理后的数据，获取数据中与静态测重场景相关的特征。该模块所提取的特征包括：2.1)数据采样量；2.2)完全上秤阶段的最大值；2.3)完全上秤阶段的最小值；2.4)完全上秤阶段的斜率；2.5)平稳段的均值；2.6)平稳段的相对位置；2.7)车辆的轴距。其中，每个车轮都可提取2.1)～2.6)中的特征，故车轮数为4的车辆共可提取24个特征，另将车辆的轴距2.7)作为一个特征。因此，对于车轮数为4的车辆总计可得到25个特征。部分特征的详细解释如下：

2.1)数据采样量。在实际操作中，仅靠称重传感器无法直接得到车辆的实际速度。分析发现，当采样率相同时，采样量与车速呈负相关，采样量越少，表明车速越快。因此，可将此特征作为车辆经过的速度。

2.4)完全上秤阶段的斜率。根据图4发现，完全上秤阶段的曲线大多呈线性，因此可将该阶段的变化速率作为特征，所述完全上秤阶段的斜率即为该阶段的变化速率。

2.5)平稳段的均值。由于完全上秤阶段的图像近乎线性，因此可以通过该阶段数据拟合得到一条直线，寻找一段最长且最贴合该直线的数据作为所述平稳段，所述平稳段的均值即为该段数据的均值。

2.6)平稳段的相对位置。由于平稳段选取的位置有时并不稳定，另外对于不同样本，完全上秤阶段采集到的数据量也不同，因此选取平稳段在完全上秤阶段的相对位置作为特征。

2.7)车辆的轴距：表示车辆前后车轴之间的距离。轴距的长短对车辆的质量有直接的影响。

3)模型训练模块，该模块根据模块2)中提取的特征，建立并训练学习模型。该模块包含3.1)收集训练数据集和3.2)训练学习模型两个步骤。其中：

3.1)收集训练数据集。在不同车重、行驶速度、车辆轴距的情况下，进行实际跑车，收集车辆经过称重台时，称重传感器的采样数据。将每次采样的数据提取相关特征和车辆的实际质量作为一个样本，表示为(x₁,x₂,…,x_m；Y)，其中x₁,x₂,…,x_m表示提取的m个特征(对于车轮数为4的车，m＝25)，Y为车辆的实际质量。N次采样得到的N个样本构成一个训练集。

3.2)特征归一化处理。不同特征取值范围大小的不同往往不利于模型的学习。当训练学习模型使用梯度下降法求解最优解时，模型难以收敛。因此需要对数据进行标准化处理，将所有特征的值域统一到相同范围中，以去除特征中量纲的影响，进一步提高模型对车重的测量精度。标准化处理的具体过程为：首先根据训练集计算每个特征的均值和方差，其次对于每个样本，将各特征减去对应的特征均值并除以方差得到标准化的样本。具体公式为以下：

其中，x_ip、分别表示第i个样本的第p个原始特征值和标准化后的特征值，μ_p、σ_p分别表示第p个特征的均值和方差。

3.3)训练学习模型。根据步骤3.2)归一化后训练数据，建立学习模型进行训练。首先对训练集中的样本进行特征归一化处理，对于动态测重模型，采用监督学习的方法进行训练，使得静态车重的预测值与实际值的误差最小。由于神经网络具有多层结构，能够处理数据中复杂的非线性关系且对数据的规律记忆有着独特的优势，因此本发明采用了神经网络回归算法，并以平方误差和作为损失函数进行模型训练。图3显示了神经网络模型的具体结构，含有一个输入层和输出层以及两个隐藏层，其中输入层含有25个节点，隐含层分别有5个节点和4个节点，最终输出一个数值。

4)车重测量模块。对于实时获取的车辆动态轮重数据，首先经过模块1)和模块2)得到特征变量，将特征变量输入已训练好的动态测重模型中，计算得到车辆的重量并输出到终端显示器中。图5显示了利用本发明的方法进行车重测量的误差率，可见测量误差小于5％，满足《JT/T 794-2011》国家交通运输行业标准规定的车载动态称重精度要求。

Claims

1.一种基于神经网络回归的车辆动态测重方法，其特征在于，包括以下步骤：

(2)特征提取：获取数据中与静态测重场景相关的特征；

2.根据权利要求1所述的基于神经网络回归的车辆动态测重方法，其特征在于，所述步骤(1)中，数据预处理主要是数据筛选，所述数据筛选是根据车辆上秤、完全上秤、下秤三个阶段的斜率变化，将车轮刚上秤台和车轮开始下秤两个过程中获得的数据剔除，仅保留车轮完全在秤台上时获得的数据。

3.根据权利要求1所述的基于神经网络回归的车辆动态测重方法，其特征在于，所述步骤(2)中，获取数据中与静态测重场景相关的特征，对于每辆车，以车辆的轴距作为一个特征；对于该车的各个车轮，提取的特征主要包括：数据采样量；车辆完全上秤阶段的最大值、最小值、斜率；平稳段的均值、相对位置。

4.根据权利要求1所述的基于神经网络回归的车辆动态测重方法，其特征在于，所述步骤(3)中，数据特征输入后，模型训练包括构建训练集、特征归一化、训练动态测重模型，其中：

所述构建训练集是通过多次线下采样得到原始数据，经过上述预处理和特征提取得到训练数据集；其中，线下采样指对多种已知轴重及轴距的车辆进行多次行车实验，每次对车辆经过秤台过程中的仪表数据进行采样；

所述特征归一化是对数据进行标准化处理，去除特征中量纲的影响；

5.根据权利要求1所述的基于神经网络回归的车辆动态测重方法，其特征在于，所述所述步骤(4)中，车重测量是根据实时获取的车辆动态轮重数据，提取特征并输入训练好的动态测重模型，计算得到车辆的重量。

6.一种基于神经网络回归的车辆动态测重系统，其特征在于，包括获取车辆动态轮重数据传输到所述终端计算机的数据采集模块、终端计算机对采集到的数据进行预处理的数据预处理模块、进行特征提取的特征提取模块、进行动态测重模型的训练的模型训练模块和车重测量模块；所述数据采集模块由称重台、称重传感器、接线盒和称重仪表构成，其中称重台位于地表并与车轮直接接触，称重传感器置于称重台下方，称重传感器与接线盒相连，并由接线盒将数据传递给称重仪表；所述数据预处理模块、特征提取模块、模型训练模块和车重测量模块在终端计算机上实现。