CN114577319B - 一种基于载货运输车辆运行数据的车辆总重量测量方法 - Google Patents

Abstract

本发明公开了一种基于载货运输车辆运行数据的车辆总重量测量方法，包括步骤：获取目标车辆的行程状态数据；对车辆的行程状态进行分段切割；基于车辆分段的行程状态数据，对行程中车辆的总重量大小进行比较，得到车辆分段行程中的总重量大小判定标志值；建立车辆行程状态数据修正模型，修正车辆的行程状态数据；结合修正的车辆行程状态数据，建立车辆总重量测量模型；通过模型参数拟合模型对车辆总重量测量模型的参数进行优化，得到参数优化后的车辆总重量测量模型；结合修正的车辆行程状态数据，通过参数优化后的车辆总重量测量模型对目标车辆的总重量进行测量，得到测量结果。本发明具有测量准确度高、成本低、高效等优点。

Description

一种基于载货运输车辆运行数据的车辆总重量测量方法

技术领域

本发明涉及车辆智能识别的技术领域，尤其涉及到一种基于载货运输车辆运行数据的车辆总重量测量方法。

背景技术

随着中国各类运输车辆保有量不断提高，载货运输车辆违规超载超重行为也越来越多，为了消除因此而带来的安全隐患，如何精准且快速地测量载货运输车辆的总重量(车辆本身的重量加上货物的重量)显得尤为重要。

目前，载货运输车辆总重量的测量方法包括：

1.广泛使用的动态称重系统由一对有线磁环和一个力传感器组成，磁环探测车辆并测算其速度，而力传感器测量车辆轮胎施加的瞬时载荷。基于动态称重传感器测量的车辆总重量测量方法的测量精度受到多种环境因素的干扰(路面平滑度、坡度、车辆轮胎气压等因素)，该方法考虑的车辆状态参数过少，容易因环境变化产生偏差。并且动态称重传感器只能在固定点位进行安装，在车辆正常运行过程中，又容易因车辆结构特性的差异，产生误差。动态称重传感器的成本较高，面对苛刻的车辆运行环境，容易损坏，无法大规模应用。

2.基于静态称重传感器测量的车辆总重量测量方法是在车辆完全静止的状态下，通过固定在道路设施或者框架上的称重传感器对车辆总重量进行测量。基于静态称重传感器测量的车辆总重量方法能够得到更加精确稳定的总重量测量值，但是在实际应用过程中存在着可规避检查的漏洞。由于该方法称重效率较低且存在规避漏洞，因此也无法得到大规模应用。

3.现有的基于车辆运行状态的总重量测量方法，主要是通过车辆运动动力学模型或统计学模型计算来获得车辆的总重量的。基于车辆运动动力学模型的参数计算需要大量的实际载重数据支撑，其参数设定在不同类型车辆间存在较大差异，且其模型精度也受到载重数据误差的制约，难以提供精确的载重数值。基于统计学模型的车辆总重量测量方法能够提供较为可信的总重量水平参考，但是无法提供具体的总重量数值。

发明内容

本发明的目的在于克服现有技术的不足，提供一种测量准确度高、成本低、高效的基于载货运输车辆运行数据的车辆总重量测量方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于载货运输车辆运行数据的车辆总重量测量方法，包括以下步骤：

S1、获取目标车辆的行程状态数据；

S2、对车辆的行程状态进行分段切割；

S3、基于车辆分段的行程状态数据，对行程中车辆的总重量大小进行比较，得到车辆分段行程中的总重量大小判定标志值；

S4、建立车辆行程状态数据修正模型，去除状态环境对传感器监测的干扰，修正车辆的行程状态数据；

S5、结合修正的车辆行程状态数据，建立车辆总重量测量模型；

S6、结合总重量大小判定标志值，通过模型参数拟合模型对车辆总重量测量模型的参数进行优化，得到参数优化后的车辆总重量测量模型；

S7、结合修正的车辆行程状态数据，通过参数优化后的车辆总重量测量模型对目标车辆的总重量进行测量，得到测量结果。

进一步地，所述步骤S1包括：

基于载货运输车辆安装的各类传感器获取的状态的时间序列数据，对该状态的时间序列数据进行基础的修复和时空序列同步，得到各个时刻下车辆的各项行程状态的数据；

所述各项行程状态包括平均速度、俯仰角、车辆最大载重、当前速度、上一时刻速度、车辆长度、海拔高度、发动机转速、发动机扭矩、统计间隔时间、发动机档位、车辆类型。

进一步地，所述步骤S2包括：

计算车辆行驶的过程中的驻留时间，识别出车辆若干停留点；

识别标准为：若驻留时间超过10min则识别为停留点；

根据识别的停留点，将行程进行切分，得到若干段行程；

将所有行程的状态数据序列根据识别停留点进行切分，最终得到多个行程下的状态数据。

进一步地，所述步骤S3包括：

所述步骤S3包括：

对于任意行程i和任意行程k，行程i的第j个归一化状态向量为D_ij，行程k的第l个归一化状态向量为D_kl；

当|D_ij-D_kl|＜0.1，行程i和行程k的任一归一化状态向量绝对偏差小于0.1时，令行程i的第j个归一化发动机扭矩为M_ij且行程k的第l个归一化发动机扭矩为M_kl；

若M_ij-M_kl＞0.1，则行程总重量关系判定值y_ikjl＝1，行程i的第j个归一化状态和行程k的第l个归一化状态说明行程i的车辆总重量大于行程k的车辆总重量；

若M_kl-M_ij＞0.1，则行程总重量关系判定值y_ikjl＝-1，行程i的第j个归一化状态和行程k的第l个归一化状态说明行程i的车辆总重量小于行程k的车辆总重量；

若|M_ij-M_kl|＜0.1，则行程总重量关系判定值y_ikjl＝0，行程i的第j个归一化状态和行程k的第l个归一化状态无法判定行程i的车辆总重量与行程k的车辆总重量的大小关系；

当对于任意行程i中的第j个和第j′个归一化状态和任意行程k的第l个和第l′个归一化状态，均有y_ikjl*y_ikj′l′≥0，若∑_j,ly_ikjl＞0，则取行程i和行程k的总重量大小判定标志y_ik＝1，若∑_j,ly_ikjl＜0，则取行程i和行程k的总重量大小判定标志y_ik＝-1，若∑_j,ly_ikjl＝0则取行程i和行程k的总重量大小判定标志y_ik＝0。

进一步地，所述步骤S4中，

使用全连接神经网络MLP建立车辆行程状态数据修正模型，具体如下：

s′＝d+o+e＝MLP(d，w)

式中，s′为真实状态，d为传感器检测的各项行程状态，o为偏差，e为随机偏差，w为MLP网络权值参数。

进一步地，所述步骤S5中，建立的车辆总重量测量模型如下：

m＝f(α,s′)+D(s′)

式中，α为动力学模型参数，s′为可监测的真实状态，f(α,s′)为车辆运行动力学模型，D(s′)为实际状态下的偏差估计；

动力学模型为：

可监测的真实状态：s′＝(n，M，t，vr，g，sinθ，cosθ，L，v0，v1)，其中，n为真实转速、M为真实扭矩、t为统计间隔时间、v_r为平均速度、g为实际重力加速度、sinθ为俯仰角正弦值、cosθ为俯仰角余弦值、L为真实行程距离、v₀为上一时刻速度、v₁为当前速度；

动力学模型参数：α＝(a，b，c)，a为总重量相关动力学参数，b为重力加速度相关动力学参数，c为速度相关动力学参数；

实际状态下的偏差估计由一个层数为3层，层神经元个数分别为10、10、10的全连接神经网络计算输出。

进一步地，所述步骤S6包括：

模型参数拟合模型如下：

aim：

min：max var(m_i)|for i＝1～p

subject to：

W∈R^u×q+q′，α∈R^c

y_ik(m_i-m_k)≥0

m_ij＝M(d_ij，W，α)，for i＝1～p，for j＝1～o_i

M_min≤m_ij≤M_max，for i＝1～p，for j＝1～o_i

u为模型中全连接神经网络MLP个数，q为单个车辆行程状态数据修正模型所需的参数个数，q′为实际状态下的偏差估计使用的MLP网络参数个数；

c为动力学模型参数数目；

m_ij为行程i的第j个状态计算得到的车辆总重量的估计值；

M(d_ij，W，α)为测量车辆总重量的整体模型，d_ij为对应的输入状态数据，W为全连接神经网络MLP的参数，α为动力学参数；

若行程i的车辆总重量大于行程k的车辆总重量，则总重量大小判定标志y_ik＝1；

若行程i的车辆总重量小于行程k的车辆总重量，则总重量大小判定标志y_ik＝-1；

若行程i的车辆总重量与行程k的车辆总重量相等，则总重量大小判定标志y_ik＝0；

p为行程段数目，o_i为第i段行程的状态个数；

M_min和M_max分别为最小车辆总重量和最大车辆总重量；

最后使用遗传算法求解模型参数拟合模型，从而求得车辆总重量测量模型的所有参数。

与现有技术相比，本方案原理及优点如下：

1)本方案中，基于车辆运行的状态数据，不需要额外安装载重传感器，可以直接由车辆状态数据，计算获得车辆的总重量，降低了车辆总重量测量的成本。

2)本方案中对车辆状态进行了载重比较，并且通过该方式约束车辆总重量测量模型参数的拟合，同时结合动力学模型和神经网络进行总重量计算，精确地地利用车辆运行的状态数据完成了车辆总重量的计算。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于载货运输车辆运行数据的车辆总重量测量方法的流程图；

图2为本发明中测量车辆总重量的原理图；

图3为本发明中使用全连接神经网络MLP建立的车辆行程状态数据修正模型进行车辆行程状态数据修正的示意图；

图4为本发明中使用全连接神经网络MLP进行实际状态下的偏差估计的示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

如图1和图2所示，本实施例所述的一种基于载货运输车辆运行数据的车辆总重量测量方法，包括以下步骤：

S1、获取目标车辆的行程状态数据；

本步骤基于载货运输车辆安装的各类传感器获取的状态的时间序列数据，对该状态的时间序列数据进行基础的修复和时空序列同步，得到各个时刻下车辆的各项行程状态的数据；

所述各项行程状态包括平均速度、俯仰角、车辆最大载重、当前速度、上一时刻速度、车辆长度、海拔高度、发动机转速、发动机扭矩、统计间隔时间、发动机档位、车辆类型。

S2、对车辆的行程状态进行分段切割，具体为：

计算车辆行驶的过程中的驻留时间，识别出车辆若干停留点；

识别标准为：若驻留时间超过10min则识别为停留点；

根据识别的停留点，将行程进行切分，得到若干段行程；

将所有行程的状态数据序列根据识别停留点进行切分，最终得到多个行程下的状态数据，即每个行程均包括步骤S1所述的12个状态的数据；

S3、基于车辆分段的行程状态数据，对行程中车辆的总重量大小进行比较，得到车辆分段行程中的总重量大小判定标志值；具体为：

对于任意行程i和任意行程k，行程i的第j个归一化状态向量为D_ij，行程k的第l个归一化状态向量为D_kl；

当|D_ij-D_kl|＜0.1，行程i和行程k的任一归一化状态向量绝对偏差小于0.1时，令行程i的第j个归一化发动机扭矩为M_ij且行程k的第l个归一化发动机扭矩为M_kl；

若M_ij-M_kl＞0.1，则行程总重量关系判定值y_ikjl＝1，行程i的第j个归一化状态和行程k的第l个归一化状态说明行程i的车辆总重量大于行程k的车辆总重量；

若M_kl-M_ij＞0.1，则行程总重量关系判定值y_ikjl＝-1，行程i的第j个归一化状态和行程k的第l个归一化状态说明行程i的车辆总重量小于行程k的车辆总重量；

若|M_ij-M_kl|＜0.1，则行程总重量关系判定值y_ikjl＝0，行程i的第j个归一化状态和行程k的第l个归一化状态无法判定行程i的车辆总重量与行程k的车辆总重量的大小关系；

当对于任意行程i中的第j个和第j′个归一化状态和任意行程k的第l个和第l′个归一化状态，均有y_ikjl*y_ikj′l′≥0，若∑_j,ly_ikjl＞0，则取行程i和行程k的总重量大小判定标志y_ik＝1，若∑_j,ly_ikjl＜0，则取行程i和行程k的总重量大小判定标志y_ik＝-1，若∑_j,ly_ikjl＝0则取行程i和行程k的总重量大小判定标志y_ik＝0。

S4、建立车辆行程状态数据修正模型，去除状态环境对传感器监测的干扰，修正车辆的行程状态数据；

如图3所示，使用全连接神经网络MLP建立车辆行程状态数据修正模型，具体如下：

s′＝d+o+e＝MLP(d，w)

式中，s′为真实状态，d为传感器检测的各项行程状态(包括平均速度、俯仰角、车辆最大重量、当前速度、上一时刻速度、车辆长度、海拔高度、发动机转速、发动机扭矩、统计间隔时间、发动机挡位、车辆类型)，o为偏差，e为随机偏差，w为MLP网络权值参数。

S5、结合修正的车辆行程状态数据，建立车辆总重量测量模型；

m＝f(α,s′)+D(s′)

式中，α为动力学模型参数，s′为可监测的真实状态，f(α,s′)为车辆运行动力学模型，D(s′)为实际状态下的偏差估计；

动力学模型为：

可监测的真实状态：s′＝(n，M，t，vr，g，sinθ，cosθ，L，v0，v1)，其中，n为真实转速、M为真实扭矩、t为统计间隔时间、v_r为平均速度、g为实际重力加速度、sinθ为俯仰角正弦值、cosθ为俯仰角余弦值、L为真实行程距离、v₀为上一时刻速度、v₁为当前速度；

动力学模型参数：α＝(a，b，c)，a为总重量相关动力学参数，b为重力加速度相关动力学参数，c为速度相关动力学参数；

实际状态下的偏差估计由一个层数为3层，层神经元个数分别为10、10、10的全连接神经网络计算输出；实际状态下的偏差估计过程如图4所示。

S6、结合总重量大小判定标志值，通过模型参数拟合模型对车辆总重量测量模型的参数进行优化，得到参数优化后的车辆总重量测量模型；

模型参数拟合模型如下：

aim：

min：max var(m_i)|for i＝1～p

subject to：

W∈R^u×q+q′，α∈R^c

y_ik(m_i-m_k)≥0

m_ij＝M(d_ij，W，α)，for i＝1～p，for j＝1～o_i

M_min≤m_ij≤M_max，for i＝1～p，for j＝1～o_i

u为模型中全连接神经网络MLP个数，q为单个车辆行程状态数据修正模型所需的参数个数，q′为实际状态下的偏差估计使用的MLP网络参数个数；

c为动力学模型参数数目；

m_ij为行程i的第j个状态计算得到的车辆总重量的估计值；

M(d_ij，W，α)为测量车辆总重量的整体模型，d_ij为对应的输入状态数据，W为全连接神经网络MLP的参数，α为动力学参数；

若行程i的车辆总重量大于行程k的车辆总重量，则总重量大小判定标志y_ik＝1；

若行程i的车辆总重量小于行程k的车辆总重量，则总重量大小判定标志y_ik＝-1；

若行程i的车辆总重量与行程k的车辆总重量相等，则总重量大小判定标志y_ik＝0；

p为行程段数目，o_i为第i段行程的状态个数；

M_min和M_max分别为最小车辆总重量和最大车辆总重量；

最后使用遗传算法求解模型参数拟合模型，从而求得车辆总重量测量模型的所有参数。

S7、通过参数优化后的车辆总重量测量模型对目标车辆的总重量进行测量，得到测量结果。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种基于载货运输车辆运行数据的车辆总重量测量方法，其特征在于，包括以下步骤：

S1、获取目标车辆的行程状态数据；

S2、对车辆的行程状态进行分段切割；

S3、基于车辆分段的行程状态数据，对行程中车辆的总重量大小进行比较，得到车辆分段行程中的总重量大小判定标志值；

S4、建立车辆行程状态数据修正模型，去除状态环境对传感器监测的干扰，修正车辆的行程状态数据；

S5、结合修正的车辆行程状态数据，建立车辆总重量测量模型；

S6、结合总重量大小判定标志值，通过模型参数拟合模型对车辆总重量测量模型的参数进行优化，得到参数优化后的车辆总重量测量模型；

S7、结合修正的车辆行程状态数据，通过参数优化后的车辆总重量测量模型对目标车辆的总重量进行测量，得到测量结果；

所述步骤S3包括：

对于任意行程i和任意行程k，行程i的第j个归一化状态向量为D_ij，行程k的第l个归一化状态向量为D_kl；

当|D_ij-D_kl|＜0.1，行程i和行程k的任一归一化状态向量绝对偏差小于0.1时，令行程i的第j个归一化发动机扭矩为M_ij且行程k的第l个归一化发动机扭矩为M_kl；

若M_ij-M_kl＞0.1，则行程总重量关系判定值y_ikjl＝1，行程i的第j个归一化状态和行程k的第l个归一化状态说明行程i的车辆总重量大于行程k的车辆总重量；

若M_kl-M_ij＞0.1，则行程总重量关系判定值y_ikjl＝-1，行程i的第j个归一化状态和行程k的第l个归一化状态说明行程i的车辆总重量小于行程k的车辆总重量；

若|M_ij-M_kl|＜0.1，则行程总重量关系判定值y_ikjl＝0，行程i的第j个归一化状态和行程k的第l个归一化状态无法判定行程i的车辆总重量与行程k的车辆总重量的大小关系；

当对于任意行程i中的第j个和第j′个归一化状态和任意行程k的第l个和第l′个归一化状态，均有y_ikjl*y_ikj′l′≥0，若∑_j，ly_ikjl＞0，则取行程i和行程k的总重量大小判定标志y_ik＝1，若∑_j，ly_ikjl＜0，则取行程i和行程k的总重量大小判定标志y_ik＝-1，若∑_j，ly_ikjl＝0则取行程i和行程k的总重量大小判定标志y_ik＝0；

所述步骤S6包括：

模型参数拟合模型如下：

aim：

min：max var(m_i)|for i＝1～p

subject to：

W∈R^u×q+q′，α∈R^c

y_ik(m_i-m_k)≥0

m_ij＝M(d_ij，W，α)，for i＝1～p，for j＝1～o_i

M_min≤m_ij≤M_max，for i＝1～p，for j＝1～o_i

u为模型中全连接神经网络MLP个数，q为单个车辆行程状态数据修正模型所需的参数个数，q′为实际状态下的偏差估计使用的MLP网络参数个数；

c为动力学模型参数数目；

m_ij为行程i的第j个状态计算得到的车辆总重量的估计值；

M(d_ij，W，α)为测量车辆总重量的整体模型，d_ij为对应的输入状态数据，W为全连接神经网络MLP的参数，α为动力学参数；

若行程i的车辆总重量大于行程k的车辆总重量，则总重量大小判定标志y_ik＝1；

若行程i的车辆总重量小于行程k的车辆总重量，则总重量大小判定标志y_ik＝-1；

若行程i的车辆总重量与行程k的车辆总重量相等，则总重量大小判定标志y_ik＝0；

p为行程段数目，o_i为第i段行程的状态个数；

M_min和M_max分别为最小车辆总重量和最大车辆总重量；

最后使用遗传算法求解模型参数拟合模型，从而求得车辆总重量测量模型的所有参数。

2.根据权利要求1所述的一种基于载货运输车辆运行数据的车辆总重量测量方法，其特征在于，所述步骤S1包括：

基于载货运输车辆安装的各类传感器获取的状态的时间序列数据，对该状态的时间序列数据进行基础的修复和时空序列同步，得到各个时刻下车辆的各项行程状态的数据；

所述各项行程状态包括平均速度、俯仰角、车辆最大载重、当前速度、上一时刻速度、车辆长度、海拔高度、发动机转速、发动机扭矩、统计间隔时间、发动机档位、车辆类型。

3.根据权利要求1所述的一种基于载货运输车辆运行数据的车辆总重量测量方法，其特征在于，所述步骤S2包括：

计算车辆行驶的过程中的驻留时间，识别出车辆若干停留点；

识别标准为：若驻留时间超过10min则识别为停留点；

根据识别的停留点，将行程进行切分，得到若干段行程；

将所有行程的状态数据序列根据识别停留点进行切分，最终得到多个行程下的状态数据。

4.根据权利要求1所述的一种基于载货运输车辆运行数据的车辆总重量测量方法，其特征在于，所述步骤S4中，

使用全连接神经网络MLP建立车辆行程状态数据修正模型，具体如下：

s′＝d+o+e＝MLP(d，w)

式中，s′为真实状态，d为传感器检测的各项行程状态，o为偏差，e为随机偏差，w为MLP网络权值参数。

5.根据权利要求1所述的一种基于载货运输车辆运行数据的车辆总重量测量方法，其特征在于，所述步骤S5中，建立的车辆总重量测量模型如下：

m＝f(α，s′)+D(s′)

式中，α为动力学模型参数，s′为可监测的真实状态，f(α，s′)为车辆运行动力学模型，D(s′)为实际状态下的偏差估计；

动力学模型为：

可监测的真实状态：s′＝(n，M，t，v_r，g，sinθ，cosθ，L，v₀，v₁)其中，n为真实转速、M为真实扭矩、t为统计间隔时间、v_r为平均速度、g为实际重力加速度、sinθ为俯仰角正弦值、cosθ为俯仰角余弦值、L为真实行程距离、v₀为上一时刻速度、v₁为当前速度；

动力学模型参数：α＝(a，b，c)，a为总重量相关动力学参数，b为重力加速度相关动力学参数，c为速度相关动力学参数；

实际状态下的偏差估计由一个层数为3层，层神经元个数分别为10、10、10的全连接神经网络计算输出。

Images