CN112763045A - 车辆自载重检测云端标定预测方法 - Google Patents
车辆自载重检测云端标定预测方法 Download PDFInfo
- Publication number
- CN112763045A CN112763045A CN201911074510.2A CN201911074510A CN112763045A CN 112763045 A CN112763045 A CN 112763045A CN 201911074510 A CN201911074510 A CN 201911074510A CN 112763045 A CN112763045 A CN 112763045A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cloud
- calibration
- truck
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
- G01G23/012—Testing or calibrating of weighing apparatus with load cells comprising in-build calibration weights
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供车辆自载重检测云端标定预测方法，涉及交通运输技术领域。该车辆自载重检测云端标定预测方法，包括以下步骤：设备安装、设备连接、信号采集、重复采集、同车型采集与训练模型与模型预测，所述预测方法系统由磁测量传感器、车载终端、Android移动终端、云端标定服务器和云端预测服务器组成。通过在进行标定的时候，对一定数量的同一车型的大型货车采集的数据进行云端分析计算，训练出该型号的货车的标定模型，根据该模型对车辆载重值进行预测工作，根据相应的特征点实现车辆标定曲线的确定，最后根据该模型就能够计算出货车的载重值，大大降低了标定方法的复杂度，提高了传感器的标定效率，简化了车辆的定期维护过程。
Description
技术领域
本发明涉及交通运输技术领域，具体为车辆自载重检测云端标定预测方法。
背景技术
传统方法对磁测量传感器的标定都是线下对磁测量传感器进行标定，将标定结果存储在传感器中，传统的方法对自载重传感器进行标定的时候，通过一定等级的仪器以及设备产生已知的货物的重量，作为输入量，之后得到传感器的输出量，将传感器的输出量与输入量作比较，从而得到一系列的曲线，这样就得到了传感器的标定曲线，最后将标定结果写回的传感器中，标定结束。
传统的标定方法过程虽然简单，但是工作量十分巨大繁琐，每次进行标定操作的时候，都需要将标定的结果写回到待标定的传感器当中，工作任务繁重，效率低下。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了车辆自载重检测云端标定预测方法，解决了现有技术中存在的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：车辆自载重检测云端标定预测方法，包括以下步骤：设备安装、设备连接、信号采集、重复采集、同车型采集与训练模型与模型预测，所述预测方法系统由磁测量传感器、车载终端、Android移动终端、云端标定服务器和云端预测服务器组成，所述磁测量传感器与车载终端电连接，所述车载终端和Android移动终端均与云端标定服务器信号连接，所述云端标定服务器与云端预测服务器通过信号连接。
优选的，所述设备安装具体如下：在大型货车后方的某个车轴中心安装永久磁铁，之后将磁测量传感器安装到永久磁铁的正上方。
优选的，所述设备连接具体如下：将磁测量传感器与车载终端连接，之后将磁测量传感器与车载终端连接到车载蓄电池上并通电。
优选的，所述信号采集具体如下：当货车空载时，将磁测量传感器采集到的信息上传到云端，此时通过Android移动终端，将货车的载重量一同上传到云端，作为货车标定时的零点。
优选的，所述重复采集具体如下：将已知重量的砝码装到货车上，这时磁测量传感器通过车载终端，将采集到的信息上传到云端服务器，同时将砝码真实重量通过Android移动终端上传到云端，将电信号与货车的砝码重量一同存储到云端，重复这一操作直到到达车辆的核载值。
优选的，所述同车型采集具体如下：将大量的同一型号的大型货车在不同温度环境下重复设备安装、设备连接、信号采集与重复采集这四项操作，采集不同温度情况下的信息。
优选的，所述训练模型具体如下：对同一车型的大型货车采集的数据进行云端分析计算，训练出该型号的货车的标定模型。
优选的，所述模型预测具体如下：得到训练模型后，下次对该类型的货车进行标定时，只需标定货车空载和核载时这两点，得到该车的载重模型，通过该模型预测货车的真实载重量。
(三)有益效果
本发明提供了车辆自载重检测云端标定预测方法。具备以下有益效果：
该车辆自载重检测云端标定预测方法，通过在进行标定的时候，对一定数量的同一车型的大型货车采集的数据进行云端分析计算，训练出该型号的货车的标定模型，根据该模型对车辆载重值进行预测工作，根据相应的特征点实现车辆标定曲线的确定，最后根据该模型就能够计算出货车的载重值，大大降低了标定方法的复杂度，提高了传感器的标定效率，简化了车辆的定期维护过程。
附图说明
图1为本发明车辆自载重检测系统示意图；
图2为本发明基于BP神经网络的磁测量自载重检测云端标定预测流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1-2所示，本发明实施例提供车辆自载重检测云端标定预测方法，包括设备安装、设备连接、信号采集、重复采集、同车型采集与训练模型与模型预测，该预测方法系统由磁测量传感器、车载终端、Android移动终端、云端标定服务器和云端预测服务器组成，磁测量传感器与车载终端电连接，车载终端和Android移动终端均与云端标定服务器信号连接，云端标定服务器与云端预测服务器通过信号连接。
磁测量传感器采集车辆的载重信号，车载终端将传感器采集的数据发送给云端标定服务器，云端标定服务器将采集的车辆信息进行过滤处理，将处理后的数据作为BP神经网络的输入，进行云端模型的训练，通过该训练模型，就能够计算车辆的载重量，减少对同一类型的大型货车标定和维护的工作量具体如下：
S1.设备安装：在大型货车后方的某个车轴中心安装永久磁铁，之后将磁测量传感器安装到永久磁铁的正上方；
S2.设备连接：将磁测量传感器与车载终端连接，之后将磁测量传感器与车载终端连接到车载蓄电池上并通电；
S3.信号采集：当货车空载时，将磁测量传感器采集到的信息上传到云端，此时通过Android移动终端，将货车的载重量一同上传到云端，作为货车标定时的零点；
S4.重复采集：将已知重量的砝码装到货车上，这时磁测量传感器通过车载终端，将采集到的信息上传到云端服务器，同时将砝码真实重量通过Android移动终端上传到云端，将电信号与货车的砝码重量一同存储到云端，重复这一操作直到到达车辆的核载值；
S5.同车型采集：将大量的同一型号的大型货车在不同温度环境下按照上述S1、S2、S3和S4进行同样的操作，采集不同温度情况下的信息；
S6.训练模型：对同一车型的大型货车采集的数据进行云端分析计算，训练出该型号的货车的标定模型；
BP神经网络由很多神经元组成，现在对于某个神经元进行分析，输入为对系统模型关键影响的自变量，这里取货车上的传感器输出信号量、环境温度、货车车轴个数、轴间距作为输入，设置权值调节各个输入量所占重比，将信号结合输入到神经元有多种方式，选取最便捷的线性加权求和可得神经元净输入；
隐藏层和输出层的激活函数，暂定全部用Sigmod函数，利用最小二乘的方法计算出输出值和期望值之间的误差E；
通过梯度下降方法跟新参数，根据误差调整参数值，达到缩小误差的目的，后确定出货车的载重预测模型；
S7.模型预测：得到训练模型后，下次对该类型的货车进行标定时，只需标定货车空载和核载时这两点，得到该车的载重模型，通过该模型预测货车的真实载重量。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.车辆自载重检测云端标定预测方法，其特征在于：包括以下步骤：设备安装、设备连接、信号采集、重复采集、同车型采集、训练模型与模型预测，所述预测方法系统由磁测量传感器、车载终端、Android移动终端、云端标定服务器和云端预测服务器组成，所述磁测量传感器与车载终端电连接，所述车载终端和Android移动终端均与云端标定服务器信号连接，所述云端标定服务器与云端预测服务器通过信号连接。
2.根据权利要求1所述的车辆自载重检测云端标定预测方法，其特征在于：所述设备安装具体如下：在大型货车后方的某个车轴中心安装永久磁铁，之后将磁测量传感器安装到永久磁铁的正上方。
3.根据权利要求1所述的车辆自载重检测云端标定预测方法，其特征在于：所述设备连接具体如下：将磁测量传感器与车载终端连接，之后将磁测量传感器与车载终端连接到车载蓄电池上并通电。
4.根据权利要求1所述的车辆自载重检测云端标定预测方法，其特征在于：所述信号采集具体如下：当货车空载时，将磁测量传感器采集到的信息上传到云端，此时通过Android移动终端，将货车的载重量一同上传到云端，作为货车标定时的零点。
5.根据权利要求1所述的车辆自载重检测云端标定预测方法，其特征在于：所述重复采集具体如下：将已知重量的砝码装到货车上，这时磁测量传感器通过车载终端，将采集到的信息上传到云端服务器，同时将砝码真实重量通过Android移动终端上传到云端，将电信号与货车的砝码重量一同存储到云端，重复这一操作直到到达车辆的核载值。
6.根据权利要求1所述的车辆自载重检测云端标定预测方法，其特征在于：所述同车型采集具体如下：将大量的同一型号的大型货车在不同温度环境下重复设备安装、设备连接、信号采集与重复采集这四项操作，采集不同温度情况下的信息。
7.根据权利要求1所述的车辆自载重检测云端标定预测方法，其特征在于：所述训练模型具体如下：对同一车型的大型货车采集的数据进行云端分析计算，训练出该型号的货车的标定模型。
8.根据权利要求1所述的车辆自载重检测云端标定预测方法，其特征在于：所述模型预测具体如下：得到训练模型后，下次对该类型的货车进行标定时，只需标定货车空载和核载时这两点，得到该车的载重模型，通过该模型预测货车的真实载重量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911074510.2A CN112763045A (zh) | 2019-11-06 | 2019-11-06 | 车辆自载重检测云端标定预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911074510.2A CN112763045A (zh) | 2019-11-06 | 2019-11-06 | 车辆自载重检测云端标定预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112763045A true CN112763045A (zh) | 2021-05-07 |
Family
ID=75692651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911074510.2A Pending CN112763045A (zh) | 2019-11-06 | 2019-11-06 | 车辆自载重检测云端标定预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112763045A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113147768A (zh) * | 2021-05-13 | 2021-07-23 | 东北大学 | 基于多算法融合预测的汽车路面状态在线估计系统及方法 |
| CN113984175A (zh) * | 2021-10-26 | 2022-01-28 | 东北大学秦皇岛分校 | 基于人工神经网络的车载重标定方法及云服务系统 |
| CN114608693A (zh) * | 2022-03-09 | 2022-06-10 | 上海华兴数字科技有限公司 | 一种称重平台的标定方法、装置及高空作业车 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101153816A (zh) * | 2006-09-30 | 2008-04-02 | 厦门雅迅网络股份有限公司 | 一种用于车辆载重实时检测的方法 |
| CN102506983A (zh) * | 2011-10-31 | 2012-06-20 | 湖南师范大学 | 汽车衡称重误差自动补偿方法 |
| CN102564546A (zh) * | 2010-12-14 | 2012-07-11 | 金基太 | 对车辆违法超载的检测方法及系统 |
| CA3003253A1 (en) * | 2017-03-15 | 2018-09-15 | Sergio Machado Goncalves | Embedded system for measurement of weight and other physical variables in vehicles and containers |
| CA3008080A1 (en) * | 2017-08-16 | 2019-02-16 | Sergio Machado Goncalves | System for monitoring dynamic weighing and speed of vehicles on lanes |
| CN110288096A (zh) * | 2019-06-28 | 2019-09-27 | 江苏满运软件科技有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
-
2019
- 2019-11-06 CN CN201911074510.2A patent/CN112763045A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101153816A (zh) * | 2006-09-30 | 2008-04-02 | 厦门雅迅网络股份有限公司 | 一种用于车辆载重实时检测的方法 |
| CN102564546A (zh) * | 2010-12-14 | 2012-07-11 | 金基太 | 对车辆违法超载的检测方法及系统 |
| CN102506983A (zh) * | 2011-10-31 | 2012-06-20 | 湖南师范大学 | 汽车衡称重误差自动补偿方法 |
| CA3003253A1 (en) * | 2017-03-15 | 2018-09-15 | Sergio Machado Goncalves | Embedded system for measurement of weight and other physical variables in vehicles and containers |
| CN110476042A (zh) * | 2017-03-15 | 2019-11-19 | 维尔西斯系统与技术维里亚公司 | 用于测量车辆和集装箱中的重量和其他物理变量的嵌入式系统 |
| CA3008080A1 (en) * | 2017-08-16 | 2019-02-16 | Sergio Machado Goncalves | System for monitoring dynamic weighing and speed of vehicles on lanes |
| CN110288096A (zh) * | 2019-06-28 | 2019-09-27 | 江苏满运软件科技有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113147768A (zh) * | 2021-05-13 | 2021-07-23 | 东北大学 | 基于多算法融合预测的汽车路面状态在线估计系统及方法 |
| CN113147768B (zh) * | 2021-05-13 | 2024-02-23 | 东北大学 | 基于多算法融合预测的汽车路面状态在线估计系统及方法 |
| CN113984175A (zh) * | 2021-10-26 | 2022-01-28 | 东北大学秦皇岛分校 | 基于人工神经网络的车载重标定方法及云服务系统 |
| CN114608693A (zh) * | 2022-03-09 | 2022-06-10 | 上海华兴数字科技有限公司 | 一种称重平台的标定方法、装置及高空作业车 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112763045A (zh) | 车辆自载重检测云端标定预测方法 | |
| CN110689723B (zh) | 基于功率分布与自学习的货车超载识别方法 | |
| CN111310786B (zh) | 基于随机森林分类器的交通检测器异常诊断方法及装置 | |
| CN100483126C (zh) | 基于三维有限元神经网络的缺陷识别和量化评价方法 | |
| CN109668610A (zh) | 基于神经网络回归的车辆动态测重方法及其采用的系统 | |
| CN111833604B (zh) | 基于驾驶行为特征提取的车辆载重状态识别方法及装置 | |
| CN110243465A (zh) | 桥梁振动加速度和固有频率在线实时监控装置、终端及方法 | |
| CN111209951B (zh) | 一种实时车载称重方法 | |
| CN103234610A (zh) | 一种适用于汽车衡的称重方法 | |
| CN111121939B (zh) | 一种高精度车载区域称重方法 | |
| CN110633790B (zh) | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 | |
| CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
| CN113449257A (zh) | 配电网线损的预测方法、控制装置、及存储介质 | |
| CN114707632A (zh) | 一种传感网络传感器故障定位方法、系统、设备及介质 | |
| CN116070902A (zh) | 输电线路状态评估方法、装置、计算机设备、介质和产品 | |
| CN113657644B (zh) | 智能电网中虚假数据检测方法、装置、设备及存储介质 | |
| CN114414023A (zh) | 传感器异常诊断方法及装置、存储介质 | |
| CN112232435A (zh) | 基于卷积神经网络的渣土车土石方体积计算方法 | |
| CN111982256A (zh) | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 | |
| CN113865682B (zh) | 货车轮胎载重确定方法、装置及存储介质 | |
| CN116466253A (zh) | 一种燃料电池衰减的分析方法和装置 | |
| CN110717250A (zh) | 钢筋混凝土梁桥累积损伤简化标准等效车模型制定方法 | |
| CN113112061B (zh) | 一种预测车辆油耗的方法与装置 | |
| CN114461979A (zh) | 一种结构参数不确定性量化与误差逐级传递方法及系统 | |
| CN208887684U (zh) | 一种具有mems传感器的应力及应变测试仪 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |