CN115127652A - 一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法 - Google Patents
一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法 Download PDFInfo
- Publication number
- CN115127652A CN115127652A CN202210146542.4A CN202210146542A CN115127652A CN 115127652 A CN115127652 A CN 115127652A CN 202210146542 A CN202210146542 A CN 202210146542A CN 115127652 A CN115127652 A CN 115127652A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- weighing
- data
- sensor
- narrow
- 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
- 238000005303 weighing Methods 0.000 title claims abstract description 170
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000003321 amplification Effects 0.000 claims abstract description 18
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000002093 peripheral effect Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 239000003990 capacitor Substances 0.000 claims description 9
- 230000000087 stabilizing effect Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000012856 packing Methods 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法。该系统由窄条式称重传感器、PC机、信号放大器、数据采集卡、车辆检测器、车牌识别系统、电柜、现场软件系统、APP等组成。在传感器布设方面，传感器按照特定方式铺设，有利于提升算法精度。在算法层面开发使用了基于BP神经网络的智能算法与一种全新的车辆动态称重系统标定方法，提升系统的称重精度。在信号采集系统中包括了自研信号放大降噪一体化电路，提升系统称重效率。除此之外，还开发了与现场非现场治超系统配合的APP，方便工程人员实时监控现场情况并参与执法判别。本发明是智能化程度高，可以更加高效、准确、便于用户使用的车辆动态称重系统，为非现场执法提供更优选择。
Description
技术领域
本发明涉及动态称重领域，具体涉及一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法。
背景技术
车辆治超中常见的有静态称重与动态称重两种常见系统。车辆静态称重是指现场工作人员引导车辆行驶并停止在对应的称重称体之上，进行称重的系统，具有称重精度高、效率低下、执法人员安全性难以保证等特点。而车辆动态称重是使车辆不停车动态通过称重区域，然后系统自动采集过车信号、图片信息等并通过计算、汇总，得到完整的车辆信息的过程，称重效率高，不需要现场人员配合。但是在实际的工程应用中，车辆动态称重系统主要面临的问题是精度不足、工作效率低下以及操作不便容易造成巡检遗漏、治超停滞、人工复审效率低等。
发明内容
本发明要解决的问题是提供一种基于智能算法的高精度窄条式车辆动态称重系统。目的在于提升车辆动态称重系统工作精度、称重效率并且保证实际操作、管理人员操作便捷性。
本发明的目的通过下述技术方案实现：
为解决上述问题中的称重系统工作精度的问题，本发明从算法、称重传感器布局、标定算法三个方面入手进行解决。在算法方面，本发明采用了神经网络智能算法，将车速、车辆加速度、车辆轴数等参数作为神经网络特征输入到模型中训练BP神经网络数据模型，并将训练好的模型融入到系统车重算法之中，提升系统称重算法精度。通过仿真与实验相结合的方式寻找传感器布局的最佳方式，提出一种非常规的三排传感器布局形式，该种形式可以有效提升系统工作精度。提升车辆动态称重系统精度并保证了较低的传感器布设施工成本，避免过多的传感器布局造成浪费或过少传感器布局导致的称重不准的问题。本发明还提出了一种利用车轴型与车辆速度进行系统标定的标定方法，该标定方法可以大大降低由于车辆轴型的不同与车速不同给系统精度带来的不良影响。标定包括如下步骤；S1：选择标准四轴车以同一速度不同方式通过车辆动态称重系统；S2：用记录的标定车辆通过时的数据，计算对应的标定系数，完成传感器粗标定；S3：使用不同轴型的标准车辆，以不同速度不同方式通过系统获取数据；S4：使用插值法对粗标定传感器系数进行修正。
为解决上述问题中的称重效率问题，本发明设计实现了信号放大器，将传统的车辆算法中的滤波算法转移到硬件处理，利用硬件电路对系统中采集到的波形噪声进行处理，有效降低信号中对车辆动态称重具有干扰性的噪声成分，硬件电路降噪相比于软件滤波有着稳定、高效等诸多特点，这样一来减小了软件算法的执行时间，大大提升系统的称重效率。
为解决上述问题中的操作便捷性问题，本发明的车辆动态称重系统基于PC 机开发完成，现场的PC搭载了开发的现场系统，该系统可以方便地由现场工作人员完成系统调试、参数标定等工作，并且基于PC的设计，将信号采集、处理、计算等各部分分布布置，系统安装及维护更加高效，系统硬件的稳定性也更有保障。除此之外，还设计了与该系统配套使用的APP软件，工程人员与管理人员可以远程介入现场系统或非现场治超服务器，进行远程系统参数配置与系统的运行状况检测，当系统出现问题后，可通过APP及时提示工程人员进行处理，消除了固定工作地点、远程软件控制现场等诸多不便，做到问题早发现、早解决。管理人员也可以通过APP远程管理多个测试点的设备，监控各个测试点上传的数据，并进行人为超限数据审核，使执法管理人员的工作形式更加灵活，不受局限。
本发明采用如下技术方案实现：
一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，包括
路面部分：包含有用于将车轮重量信息转换为电压信号的窄条式称重传感器和地磁线圈，路面部分用于为行驶车辆提供平整的动态称重平台。
电柜部分：用于搭载数据处理核心的PC机、信号采集的数据采集卡、信号处理的信号处理器、方便工程人员接线的线路转换器以及完成数据通信的交换机。
在上述的一种基于智能算法的高精度窄条式车辆动态称重系统，路面部分还包括：
车牌识别系统：用于在车辆通过车辆动态称重系统的时候完成图片抓拍与车牌识别，为后续的车辆超载超限判别执法提供图片数据支持与车牌数据。包括交通智能抓拍一体机和与抓拍机配套的夜间抓拍补光设备。
LED大屏系统：用于在车辆通过车辆动态称重区域以后将称重结果显示在 LED大屏上，提示驾驶员是否超重，是否需要留意后续的治超执法信息。
现场软件系统：用于搭载在现场的PC机上面运行，完成车辆称重系统工作与现场人员调试、标定工作,包括后台算法模块与人机交互模块。
在上述的一种基于智能算法的高精度窄条式车辆动态称重系统，后台算法模块包括：
车重及参数计算算法单元：用于将窄条式称重传感器与车检器提供的信号进行融合协同，将车检器的信号用于各个车辆的数据区分，将窄条式称重传感器的电压信号，转换为重量数据，并经过计算获得车重结果。
图像采集单元：用于接收多台交通智能抓拍一体机给出的车辆通过称重区域的车辆主抓拍、侧抓拍、尾抓拍图片信息以及由主抓拍相机给出的车牌识别结果，并结合车检器的分车信号将各个图片数据与通过车辆的其他信息完成匹配。
数据打包发送单元：用于将现场系统处理以后的包含有车辆通过时间、车辆轮重、车辆轴重、车辆总重、超限值、车辆抓拍图片、车牌小图信息打包并发送到非现场治超服务器，用于后续的非现场治超判别。
人机交互模块包括：
登录验证单元：用于进行系统登录与系统参数修改的权限验证，避免系统数据被误修改，导致参数丢失。
主显示界面单元：用于配合调试人员完成现场的结果测试，将通过称重区域车辆的实时结果数据在主显示界面上，并支持调试人员双击对应数据显示详细的过车数据波形。
参数配置单元：用于现场调试人员，根据现场的实际传感器布设情况与标定车辆数据完成系统的车道参数配置、相机参数配置、激光参数配置以及上传参数配置，完成系统所需要的各种参数的设置。
实时分析单元：用于实时显示所设定的全部传感器的采集数据曲线，为系统初建立时候的系统调试，验证传感器及数据处理、采集部分硬件的功能完整性。
系统标定单元：用于现场调试人员在完成了系统的基本参数配置与系统的安装调试以后，指定标定车辆通过称重系统完成系统的参数标定的工作，提升系统的称重工作效率与称重系统工作精度。具体包括系统粗标定与系统精标定两个步骤。
在上述的一种基于智能算法的高精度窄条式车辆动态称重系统，每个车道设置称重区域，称重区域设置第一排传感器组、第二排传感器组、第三排传感器组。所述第一排传感器组与第二排传感器组之间的间距为2000mm，第二排传感器组与第三排传感器组之间的间距为500mm，每排传感器组由两台同等规格的窄条式称重传感器组成，每台窄条式称重传感器长度为1750mm，宽度为80mm，二者以对接方式排布。
在上述的一种基于智能算法的高精度窄条式车辆动态称重系统，电控部分中，
PC机：用于搭载现场算法与软件系统，作为系统运算处理核心，完成对各种信息的计算、采集以及系统的调试、数据发送工作。
数据采集卡：用于采集车辆检测器给出的分车信号与窄条式称重传感器的电压信号，将两种电压信号采集送入工控机，为后续的车重计算、分车逻辑实现等提供原始数据。
信号处理器：用于检测、处理采集的传感器信号，包括：
信号放大器：用于完成对窄条式称重传感器信号的降噪与信号放大，为后续的数据采集以及重量计算提供更加优质的信号。
车辆检测器：用于将地磁线圈的磁场变化转变为PC机的数据采集卡可以直接采集的电压信号，用于后续的分车逻辑的实现。
在上述的一种基于智能算法的高精度窄条式车辆动态称重系统，所述信号放大器包括：
稳压降压模块：包括型号为LM7808的三端集成稳压芯片，以及电容、二极管等元器件组成的外围电路，用于对供电进行降压与稳定性强化，保障传感器 8V的电压供电与放大电路的正电压供电稳定性。
负压转换模块：包括型号为ICL7662的变极性DC-DC变换器，以及电容元器件组成的外围电路，用于将单电源变换为成对输出的双电源，为后续的信号放大电路提供其所需要的双电源供电。
低通滤波模块：包括电容与电感元器件组成的一个四阶低通滤波器与一个二阶低通滤波器，用于对采集到的窄条式称重传感器电压信号进行放大前和放大后的滤波处理工作。
放大模块：包括型号为AD8429的低噪声仪表放大器，以及由电阻、电容等元器件组成的外围电路，用于将采集到的窄条式称重传感器的毫伏级电压信号放大至伏级电压信号，便于数据采集卡采集。
在上述的一种基于智能算法的高精度窄条式车辆动态称重系统，还包括一个远程APP客户端：用于方便系统管理与工程人员完成系统的超限判别与系统远程检测、简单调试工作。包括
登录及软件设置模块：用于根据使用人员的不同账户登录类型分配不同的访问、操作权限，并支持修改软件配色、头像等基本信息。
试点实时模块：用于实时观察添加的各个试点的动态称重结果信息，可通过此模块查阅各个试点实时的通过车辆数据信息以及每日、每月的统计性超限超载结果数据。
超限判别模块：用于协助人工完成人工辅助的超限判别，根据系统提供的超载车辆信息，结合超载车辆图片数据，人工完成超限超载最终判定，方便执法人员操作。
故障提示模块：用于向工作人员提示各个试点的故障问题，当有试点的动态称重系统出现运行故障时，提供故障代码及原因简单分析，提供解决方法，便于尽早处理、解决故障。
远程调试模块：用于工程调试人员远程完成对系统的参数配置与系统调试、标定过程，完成简单的远程调试。
一种采用所述基于智能算法的高精度窄条式车辆动态称重系统的称重方法，其特征在于，包括：
标定步骤：在系统正式投入执法之前进行系统的标定，系统标定分为粗标定与精标定。首先进行系统的粗标定，使已知重量的四轴车辆，按照指定的通过方式，以指定车速，分别压过指定的窄条式称重传感器，然后根据系统计算的车重结果与标准重量对比，获得传感器粗标定系数。然后执行精标定过程，使已知重量的2/3/4/6轴车辆分别以5—80km/h，每个速度间隔5km/h进行跑批，采集相关数据，进行系统对对应轴型车辆的速度区间误差修正，完成系统精标定。
称重步骤：车辆通过称重区域导致地磁线圈磁感应发生变化，磁感应变化通过车辆检测器转化为数字量信号与485信号输出。数字量信号由数据采集卡DI 采集用于分车，485信号完成抓拍触发，系统通过网线接收抓拍相机数据反馈。车辆通过称重区域，每个轮胎将依次通过三排称重传感器，获得三个称重波形，波形通过信号放大电器，然后通过数据采集卡被PC采集。算法通过基本计算公式，由各传感器的波形数据计算得到车辆的速度、加速度、轴数等基本参数，然后将各个基本参数与波形宽度、高度等波形数据输入到已经训练完成的神经网络模型中，获得该波形对应的载荷数值。在完成信息计算与汇总后，将结果发送至非现场治超服务器并在现场LED大屏显示，同时APP端也更新车辆通过信息。
在上述的称重方法，所述标定步骤对于每一个单车道，步骤相同，包括
步骤1：用一辆标准四轴车，以40km/h左右速度多次驶过系统，使得该标定车辆每一侧的轮胎都有通过每一列传感器的情况，每种情况重复5次。
步骤2：选择标定哪一列的传感器。
步骤3：导入对应的传感器数据。
步骤4：计算各传感器粗标定结果K值。
步骤5：重复5次，计算平均值作为结果。
步骤6：使用2、3、4、6轴车按不同速度梯度进行跑车，速度梯度按5km/h 递增，从5km/h跑到80km/h。
步骤7：改变通过情况，重复步骤6，通过情况有1车道正向、逆向、跨道。
步骤8：使用精标数据在粗标定K值的基础上，使用插值法对各类情况进行修正。
在上述的称重方法，称重步骤包括
步骤1、车辆通过称重系统区域，窄条式称重传感器信号通过信号放大器处理以后，由数据采集卡采集进PC机中，与称重处理过程直接相关的信号包括车检器信号与窄条式称重传感器输出信号。
步骤2、PC机中分车算法根据采集的车检器信号对各个窄条式称重传感器进行波形的划分与区别。
步骤3、PC机中称重算法根据车辆通过时采集的波形数据进行计算，得到车辆车速、加速度、轴数以及每个轮胎波形的宽度、高度等基本数据。
步骤4、PC机中算法将步骤3中得到的各种基本数据输入神经网络智能算法模型中进行数据求解，得到重量数据。
步骤5、PC机中算法将各个轮胎重量数据进行组合，最终得到车辆总重数据。
在上述的称重方法，所述步骤4中，神经网络智能模型的训练步骤具体包括：
步骤1、定义BP神经网络拓扑结构。通过对训练的数据类型以及特点的分析，本神经网络智能模型输入层节点数定为6个，传入数据分别为车辆速度、车辆加速度、车辆轴数、波形宽度、波形高度和波形面积。输出层节点数为1个，是被称重轮胎重量的估计值。隐含层的定义综合考虑系统过拟合、泛化能力等因素，最终确定隐含层数为1层，隐含层节点数为27个。
步骤2、通过选取多个试点采集到的已知重量的车辆数据中的80％数据作为训练集，剩下20％数据作为验证集。验证样本集目的在于防止因为训练次数的增加导致神经网络过拟合的情况出现。
步骤3、每轮训练后计算一次误差，如果其误差持续上升就停止训练。模型误差采用数理统计中的均方误差评定，即是参数估计值与参数值之差平方的期望值，记为MSE，MSE越小，说明预测模型描述实验数据具有更好的精确度。
式中，N-样本数量，
-预测值，yn-实际值。
因此，本发明具有如下优点：本发明智能化程度高，能够更加高效、准确完成车辆动态称重工作，服务器与APP相结合更便于用户操作使用，模块化的硬件电路与软件设计和基于PC的系统设计方法有利于提升系统后期维护效率、降低系统维护成本，并且该系统有着较好的工作精度，为非现场执法提供了更优选择。
附图说明
图1为本发明专利的基于智能算法的高精度窄条式车辆动态称重系统整体设计图.
图2为本发明专利的动态称重系统神经网络智能算法示意图。
图3为本发明专利的动态称重系统窄条式称重传感器非常规布局图。
图4为本发明专利的动态称重系统专用信号放大降噪电路组成图。
图5为本发明专利的动态称重系统现场软件功能图。
图6为本发明专利的动态称重系统APP软件功能图。
图中：1.路面、2.窄条式称重传感器、3.路沿。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
如图1所示，基于智能算法的高精度窄条式车辆动态称重系统，该系统是基于PC机完成设计的，具有较好的维护性，除此之外与之配合完成动态称重的设备还有地磁线圈、交通抓拍机、补光设备以及线路转换器、信号处理器、交换机、数据采集卡等。
如图2所示，为本系统中算法部分使用的神经网络结构示意图。本系统设计中的智能算法是基于BP神经网络实现的，BP神经网络预测模型一般由输入层、隐含层和输出层三个部分组成。本系统神经网络智能模型拓扑结构中输入层节点数为6，隐含层数为1，隐含层节点数为27，输出层节点数为1。在实际的模型训练过程中，选择采样数据点的80％数据作为训练集，20％数据作为验证集，在进行模型验证过程中，以MSE数值大小判定模型训练的效果，当训练误差持续上升时停止训练。最终完成对神经网络智能模型的训练过程。
如图3所示，为本系统中设计采用的非常规窄条式称重传感器布局形式，该种布局形式是基于仿真技术与大量的工程实际经验确定的，每个车道设置有三排传感器组，每个传感器组由两台窄条式称重传感器组成。第一排传感器组与第二排传感器组之间的间距为2000mm，第二排传感器组与第三排传感器组之间的间距为500mm，每一个传感器组中的两台窄条式称重传感器之间采用对接的方式布局，不做严格尺寸要求。采用的窄条式称重传感器的长度为1750mm，宽度为80mm。该种布局形式可以有效降低车辆行驶过程中的振动与路面振动对称重精度的影响，提升称重精度。
为了更好地理解本发明专利中的标定算法部分，下面结合附图和具体实施方式对该部分进一步说明，以下实施例，使用基于窄条传感器的车辆动态称重系统。
实例一：以单车道车辆动态称重系统标定过程为例
步骤1：用一辆标准四轴车，以40km/h左右速度多次驶过系统，使得该标定车辆每一侧的轮胎都有通过每一列传感器的情况，每种情况重复5次。
步骤2：选择标定哪一列的传感器。
步骤3：导入对应的传感器数据。
步骤4：计算各传感器粗标定结果K值。
步骤5：重复5次，计算平均值作为结果。
步骤6：使用2、3、4、6轴车按不同速度梯度进行跑车，速度梯度按5km/h递增，从5km/h跑到80km/h。
步骤7：改变通过情况，重复步骤6，通过情况有1车道正向、逆向、跨道。
步骤8：使用精标数据在粗标定K值的基础上，使用插值法对各类情况进行修正。
如图4所示，为信号放大器的组成模块与实际的电路设计图。信号放大器由稳压降压模块、负电压转换模块、低通滤波模块、信号放大模块组成。所述的稳压降压模块由型号为LM7808的三端集成稳压芯片及其外围电路组成，其主要的功能是为传感器与放大芯片提供稳定的供电电压。所述的负电压转换模块由型号为ICL7662的变极性DC-DC变换器及其外围电路组成，其主要的功能是为放大芯片的负电压供电提供保证。所述的低通滤波模块是由普通电容及电感元器件组成的两个低通滤波器，分别对信号放大前与放大后的传感器信号进行高频降噪处理。所述的信号放大模块是由型号为AD8429的低噪声仪表放大器及其外围电路组成，其主要的功能是将采集到的窄条式称重传感器的毫伏级电压信号放大，便于后续的信号采样过程。
如图5所示，为本系统中的现场软件系统。主要完成现场数据的采集、计算、现场调试、数据发送等部分的工作内容。包括完成称重计算、图像采集、数据发送等功能的后台算法模块和完成现场系统标定、参数设置、实时检查等功能的人机交互模块。
所述的后台算法模块中的车重及参数计算算法单元，用于根据车检器给出的分车信号区分各个车辆的窄条式称重传感器数据段，将电压信号通过算法处理与神经网络模型的求解得到重量信息；图像采集单元用于处理车辆通过称重区域时候的图像抓拍与车牌识别等工作；数据打包发送单元用于将现场经过计算得到的车辆信息与车牌数据打包发送至非现场治超服务器上。
所述的人机交互模块中的登录验证单元用于验证系统登陆者的权限，保护参数配置等数据不被误删除；主显示界面单元用于实时显示通过称重区域的车辆的各项重量信息与超限判定结果，并可双击进入每个车辆的行驶结果显示车辆波形；参数配置单元用于现场调试人员进行现场系统的车道参数、相机参数、激光参数、上传参数等的配置；实时分析单元用于实时显示全部的窄条式称重传感器波形，为系统初建立时候的传感器与硬件部分连接调试提供可视化的支持；系统标定单元用于对系统的称重结果进行标定修正，主要分为粗标定与精标定两个部分。
如图6所示的为本系统配套的APP。主要是运行在系统管理者或者维护者侧，方便工程人员或者执法人员完成对各个现场试点情况的监控、故障的排除、系统调试以及超限人工判别的过程。极大提升了整个系统的便捷性，便于使用者更好、更快处理相关数据内容。其中的登录及软件设置模块用于以不同的账户类型给予不同的访问、修改、操作权限，并对软件内的基本配色、账户信息等做出修改；试点实时模块用于向使用者展示系统记录的各个试点近期动态称重结果信息，可以查阅每日、每月的超载超限统计性数据；超限判别模块用于协助人工完成对现场超载超限车辆的执法判别，提升执法可靠新，方便执法人员操作；故障提示模块用于向工作人员提示各个试点出现的故障问题，当试点出现故障时，会通过此模块向用户提供故障代码与解决方法推荐；远程调试模块用于工程调试人员对现场系统中的配置参数进行调整修改，完成简单的远程调试工作。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，包括
路面部分：包含有用于将车轮重量信息转换为电压信号的窄条式称重传感器和地磁线圈，路面部分用于为行驶车辆提供平整的动态称重平台；
电柜部分：用于搭载数据处理核心的PC机、信号采集的数据采集卡、信号处理的信号处理器、方便工程人员接线的线路转换器以及完成数据通信的交换机。
2.如权利要求1所述的一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，路面部分还包括：
车牌识别系统：用于在车辆通过车辆动态称重系统的时候完成图片抓拍与车牌识别，为后续的车辆超载超限判别执法提供图片数据支持与车牌数据；包括交通智能抓拍一体机和与抓拍机配套的夜间抓拍补光设备；
LED大屏系统：用于在车辆通过车辆动态称重区域以后将称重结果显示在LED大屏上，提示驾驶员是否超重，是否需要留意后续的治超执法信息；
现场软件系统：用于搭载在现场的PC机上面运行，完成车辆称重系统工作与现场人员调试、标定工作,包括后台算法模块与人机交互模块。
3.如权利要求1所述的一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，后台算法模块包括：
车重及参数计算算法单元：用于将窄条式称重传感器与车检器提供的信号进行融合协同，将车检器的信号用于各个车辆的数据区分，将窄条式称重传感器的电压信号，转换为重量数据，并经过计算获得车重结果；
图像采集单元：用于接收多台交通智能抓拍一体机给出的车辆通过称重区域的车辆主抓拍、侧抓拍、尾抓拍图片信息以及由主抓拍相机给出的车牌识别结果，并结合车检器的分车信号将各个图片数据与通过车辆的其他信息完成匹配；
数据打包发送单元：用于将现场系统处理以后的包含有车辆通过时间、车辆轮重、车辆轴重、车辆总重、超限值、车辆抓拍图片、车牌小图信息打包并发送到非现场治超服务器，用于后续的非现场治超判别；
人机交互模块包括：
登录验证单元：用于进行系统登录与系统参数修改的权限验证，避免系统数据被误修改，导致参数丢失；
主显示界面单元：用于配合调试人员完成现场的结果测试，将通过称重区域车辆的实时结果数据在主显示界面上，并支持调试人员双击对应数据显示详细的过车数据波形；
参数配置单元：用于现场调试人员，根据现场的实际传感器布设情况与标定车辆数据完成系统的车道参数配置、相机参数配置、激光参数配置以及上传参数配置，完成系统所需要的各种参数的设置；
实时分析单元：用于实时显示所设定的全部传感器的采集数据曲线，为系统初建立时候的系统调试，验证传感器及数据处理、采集部分硬件的功能完整性；
系统标定单元：用于现场调试人员在完成了系统的基本参数配置与系统的安装调试以后，指定标定车辆通过称重系统完成系统的参数标定的工作，提升系统的称重工作效率与称重系统工作精度；具体包括系统粗标定与系统精标定两个步骤。
4.如权利要求1所述的一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，每个车道设置称重区域，称重区域设置第一排传感器组、第二排传感器组、第三排传感器组；所述第一排传感器组与第二排传感器组之间的间距为2000mm，第二排传感器组与第三排传感器组之间的间距为500mm，每排传感器组由两台同等规格的窄条式称重传感器组成，每台窄条式称重传感器长度为1750mm，宽度为80mm，二者以对接方式排布。
5.如权利要求1所述的一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，电控部分中，
PC机：用于搭载现场算法与软件系统，作为系统运算处理核心，完成对各种信息的计算、采集以及系统的调试、数据发送工作；
数据采集卡：用于采集车辆检测器给出的分车信号与窄条式称重传感器的电压信号，将两种电压信号采集送入工控机，为后续的车重计算、分车逻辑实现等提供原始数据；
信号处理器：用于检测、处理采集的传感器信号，包括：
信号放大器：用于完成对窄条式称重传感器信号的降噪与信号放大，为后续的数据采集以及重量计算提供更加优质的信号；
车辆检测器：用于将地磁线圈的磁场变化转变为PC机的数据采集卡可以直接采集的电压信号，用于后续的分车逻辑的实现。
6.如权利要求1所述的一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，所述信号放大器包括：
稳压降压模块：包括型号为LM7808的三端集成稳压芯片，以及电容、二极管等元器件组成的外围电路，用于对供电进行降压与稳定性强化，保障传感器8V的电压供电与放大电路的正电压供电稳定性；
负压转换模块：包括型号为ICL7662的变极性DC-DC变换器，以及电容元器件组成的外围电路，用于将单电源变换为成对输出的双电源，为后续的信号放大电路提供其所需要的双电源供电；
低通滤波模块：包括电容与电感元器件组成的一个四阶低通滤波器与一个二阶低通滤波器，用于对采集到的窄条式称重传感器电压信号进行放大前和放大后的滤波处理工作；
放大模块：包括型号为AD8429的低噪声仪表放大器，以及由电阻、电容等元器件组成的外围电路，用于将采集到的窄条式称重传感器的毫伏级电压信号放大至伏级电压信号，便于数据采集卡采集。
7.如权利要求1所述的一种基于智能算法的高精度窄条式车辆动态称重系统，其特征在于，还包括一个远程APP客户端：用于方便系统管理与工程人员完成系统的超限判别与系统远程检测、简单调试工作；包括
登录及软件设置模块：用于根据使用人员的不同账户登录类型分配不同的访问、操作权限，并支持修改软件配色、头像等基本信息；
试点实时模块：用于实时观察添加的各个试点的动态称重结果信息，可通过此模块查阅各个试点实时的通过车辆数据信息以及每日、每月的统计性超限超载结果数据；
超限判别模块：用于协助人工完成人工辅助的超限判别，根据系统提供的超载车辆信息，结合超载车辆图片数据，人工完成超限超载最终判定，方便执法人员操作；
故障提示模块：用于向工作人员提示各个试点的故障问题，当有试点的动态称重系统出现运行故障时，提供故障代码及原因简单分析，提供解决方法，便于尽早处理、解决故障；
远程调试模块：用于工程调试人员远程完成对系统的参数配置与系统调试、标定过程，完成简单的远程调试。
8.一种采用权利要求1至6任意一项所述基于智能算法的高精度窄条式车辆动态称重系统的称重方法，其特征在于，包括：
标定步骤：在系统正式投入执法之前进行系统的标定，系统标定分为粗标定与精标定，首先进行系统的粗标定，使已知重量的四轴车辆，按照指定的通过方式，以指定车速，分别压过指定的窄条式称重传感器，然后根据系统计算的车重结果与标准重量对比，获得传感器粗标定系数，然后执行精标定过程，使已知重量的2/3/4/6轴车辆分别以5—80km/h，每个速度间隔5km/h进行跑批，采集相关数据，进行系统对对应轴型车辆的速度区间误差修正，完成系统精标定；
称重步骤：车辆通过称重区域导致地磁线圈磁感应发生变化，磁感应变化通过车辆检测器转化为数字量信号与485信号输出，数字量信号由数据采集卡DI采集用于分车，485信号完成抓拍触发，系统通过网线接收抓拍相机数据反馈，车辆通过称重区域，每个轮胎将依次通过三排称重传感器，获得三个称重波形，波形通过信号放大电器，然后通过数据采集卡被PC采集，算法通过基本计算公式，由各传感器的波形数据计算得到车辆的速度、加速度、轴数等基本参数，然后将各个基本参数与波形宽度、高度等波形数据输入到已经训练完成的神经网络模型中，获得该波形对应的载荷数值，在完成信息计算与汇总后，将结果发送至非现场治超服务器并在现场LED大屏显示，同时APP端也更新车辆通过信息。
9.根据权利要求7所述的称重方法，其特征在于，所述标定步骤具体包括：对于每一个单车道，标定步骤相同，包括
步骤1：用一辆标准四轴车，以40km/h左右速度多次驶过系统，使得该标定车辆每一侧的轮胎都有通过每一列传感器的情况，每种情况重复5次；
步骤2：选择标定哪一列的传感器；
步骤3：导入对应的传感器数据；
步骤4：计算各传感器粗标定结果K值；
步骤5：重复5次，计算平均值作为结果；
步骤6：使用2、3、4、6轴车按不同速度梯度进行跑车，速度梯度按5km/h递增，从5km/h跑到80km/h；
步骤7：改变通过情况，重复步骤6，通过情况有1车道正向、逆向、跨道；
步骤8：使用精标数据在粗标定K值的基础上，使用插值法对各类情况进行修正。
10.根据权利要求7所述的称重方法，其特征在于，称重步骤包括
步骤1、车辆通过称重系统区域，窄条式称重传感器信号通过信号放大器处理以后，由数据采集卡采集进PC机中，与称重处理过程直接相关的信号包括车检器信号与窄条式称重传感器输出信号；
步骤2、PC机中分车算法根据采集的车检器信号对各个窄条式称重传感器进行波形的划分与区别；
步骤3、PC机中称重算法根据车辆通过时采集的波形数据进行计算，得到车辆车速、加速度、轴数以及每个轮胎波形的宽度、高度等基本数据；
步骤4、PC机中算法将步骤3中得到的各种基本数据输入神经网络智能算法模型中进行数据求解，得到重量数据；
步骤5、PC机中算法将各个轮胎重量数据进行组合，最终得到车辆总重数据；
所述步骤4中，神经网络智能模型的训练步骤具体包括：
步骤1、定义BP神经网络拓扑结构，通过对训练的数据类型以及特点的分析，本神经网络智能模型输入层节点数定为6个，传入数据分别为车辆速度、车辆加速度、车辆轴数、波形宽度、波形高度和波形面积，输出层节点数为1个，是被称重轮胎重量的估计值，隐含层的定义综合考虑系统过拟合、泛化能力等因素，最终确定隐含层数为1层，隐含层节点数为27个；
步骤2、通过选取多个试点采集到的已知重量的车辆数据中的80％数据作为训练集，剩下20％数据作为验证集，验证样本集目的在于防止因为训练次数的增加导致神经网络过拟合的情况出现；
步骤3、每轮训练后计算一次误差，如果其误差持续上升就停止训练，模型误差采用数理统计中的均方误差评定，即是参数估计值与参数值之差平方的期望值，记为MSE，MSE越小，说明预测模型描述实验数据具有更好的精确度；
式中，N-样本数量，
-预测值，yn-实际值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146542.4A CN115127652A (zh) | 2022-02-17 | 2022-02-17 | 一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146542.4A CN115127652A (zh) | 2022-02-17 | 2022-02-17 | 一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115127652A true CN115127652A (zh) | 2022-09-30 |
Family
ID=83375419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210146542.4A Pending CN115127652A (zh) | 2022-02-17 | 2022-02-17 | 一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115127652A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115472019A (zh) * | 2022-11-03 | 2022-12-13 | 广东泓胜科技股份有限公司 | 平板式动态称重系统中轴重称量和轴型识别的方法及系统 |
| CN115683294A (zh) * | 2022-10-27 | 2023-02-03 | 江苏省农业科学院 | 一种牛的动态称重系统及方法 |
| CN116183010A (zh) * | 2023-04-19 | 2023-05-30 | 深圳亿维锐创科技股份有限公司 | 动态称重传感器的故障诊断方法、装置、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102200466A (zh) * | 2011-01-26 | 2011-09-28 | 中南大学 | 光纤光栅高速称重装置及现场标定方法 |
| US20120150778A1 (en) * | 2010-12-14 | 2012-06-14 | Ki Tae Kim | Method and system for detecting overload and unlawful measurement of vehicle |
| CN106530737A (zh) * | 2016-12-01 | 2017-03-22 | 郑州海为电子科技有限公司 | 非现场执法高速动态称重检测系统及方法 |
| CN106710231A (zh) * | 2017-01-23 | 2017-05-24 | 上海良相智能化工程有限公司 | 一种超限超载非现场执法系统 |
| CN206282430U (zh) * | 2016-08-31 | 2017-06-27 | 江苏苏科畅联科技有限公司 | 一种路政交警超限超载联合非现场执法系统 |
| CN109830103A (zh) * | 2019-03-06 | 2019-05-31 | 河南省特利衡器有限公司 | 一种车辆超载超限非现场执法检测系统 |
| CN111627221A (zh) * | 2020-04-02 | 2020-09-04 | 深圳亿维锐创科技股份有限公司 | 一种基于不停车动态智能计重的自动化综合检测系统 |
| CN112414528A (zh) * | 2020-11-26 | 2021-02-26 | 重庆中亚慧通科技有限公司 | 一种窄条弹性板式动态称重方法及系统 |
| CN112435463A (zh) * | 2020-10-20 | 2021-03-02 | 北京科技大学 | 一种基于道路物联网监测的车型与车重分类方法 |
| CN112539816A (zh) * | 2020-12-03 | 2021-03-23 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
| CN112710371A (zh) * | 2020-12-03 | 2021-04-27 | 湖南大学 | 基于车辆实时空间位置的桥梁动态称重方法及系统 |
| CN113624313A (zh) * | 2021-09-14 | 2021-11-09 | 武汉理工大学 | 并行车辆的动态称重方法、设备、系统及存储介质 |
-
2022
- 2022-02-17 CN CN202210146542.4A patent/CN115127652A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120150778A1 (en) * | 2010-12-14 | 2012-06-14 | Ki Tae Kim | Method and system for detecting overload and unlawful measurement of vehicle |
| CN102200466A (zh) * | 2011-01-26 | 2011-09-28 | 中南大学 | 光纤光栅高速称重装置及现场标定方法 |
| CN206282430U (zh) * | 2016-08-31 | 2017-06-27 | 江苏苏科畅联科技有限公司 | 一种路政交警超限超载联合非现场执法系统 |
| CN106530737A (zh) * | 2016-12-01 | 2017-03-22 | 郑州海为电子科技有限公司 | 非现场执法高速动态称重检测系统及方法 |
| CN106710231A (zh) * | 2017-01-23 | 2017-05-24 | 上海良相智能化工程有限公司 | 一种超限超载非现场执法系统 |
| CN109830103A (zh) * | 2019-03-06 | 2019-05-31 | 河南省特利衡器有限公司 | 一种车辆超载超限非现场执法检测系统 |
| CN111627221A (zh) * | 2020-04-02 | 2020-09-04 | 深圳亿维锐创科技股份有限公司 | 一种基于不停车动态智能计重的自动化综合检测系统 |
| CN112435463A (zh) * | 2020-10-20 | 2021-03-02 | 北京科技大学 | 一种基于道路物联网监测的车型与车重分类方法 |
| CN112414528A (zh) * | 2020-11-26 | 2021-02-26 | 重庆中亚慧通科技有限公司 | 一种窄条弹性板式动态称重方法及系统 |
| CN112539816A (zh) * | 2020-12-03 | 2021-03-23 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
| CN112710371A (zh) * | 2020-12-03 | 2021-04-27 | 湖南大学 | 基于车辆实时空间位置的桥梁动态称重方法及系统 |
| CN113624313A (zh) * | 2021-09-14 | 2021-11-09 | 武汉理工大学 | 并行车辆的动态称重方法、设备、系统及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 李海龙;李丽宏;徐静楠;: "基于BP网络的整车式动态称重数据处理" * |
| 杨楠: "公路超限检测系统的研究与设计" * |
| 武奇生;王丹;陈圆媛;潘珍亮;: "基于ETC的车辆动态称重系统轴载数据处理算法研究" * |
| 陈超波;沈辰;高嵩;: "公路超载车辆动态预检系统的研究" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115683294A (zh) * | 2022-10-27 | 2023-02-03 | 江苏省农业科学院 | 一种牛的动态称重系统及方法 |
| CN115472019A (zh) * | 2022-11-03 | 2022-12-13 | 广东泓胜科技股份有限公司 | 平板式动态称重系统中轴重称量和轴型识别的方法及系统 |
| CN116183010A (zh) * | 2023-04-19 | 2023-05-30 | 深圳亿维锐创科技股份有限公司 | 动态称重传感器的故障诊断方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115127652A (zh) | 一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法 | |
| CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统 | |
| CN107248284B (zh) | 基于多源信息融合的实时交通评价方法 | |
| CN109655055B (zh) | 一种轨检机器人的定位方法及装置 | |
| CN101571997A (zh) | 多源交通信息融合处理方法及其装置 | |
| CN102226711B (zh) | 一种车辆动态称重方法及装置 | |
| CN113183973B (zh) | 基于can网络的胎压监测与路面信息智能感知平台及方法 | |
| CN107490423A (zh) | 一种整车重量测试方法、系统及车辆 | |
| CN104792937A (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
| CN105806637A (zh) | 一种轨道车辆通用的测试系统 | |
| CN109916494B (zh) | 称重设备标定方法及装置 | |
| CN110264741B (zh) | 基于运动传感器的路况检测方法、装置、设备及介质 | |
| CN115828425A (zh) | 轮胎模型及路面附着系数协同辨识方法、系统 | |
| CN117406027A (zh) | 一种配电网故障测距方法及其系统 | |
| CN116309610B (zh) | 一种基于人工智能的车辆管理方法及系统 | |
| CN206610479U (zh) | 一种轨道交通检测实验装置 | |
| CN109816736B (zh) | 车辆摄像头的自动标定方法、系统、车载控制设备 | |
| CN109916484B (zh) | 称重设备联合称重方法及装置 | |
| CN112729366B (zh) | 自动驾驶场地测试的天气模拟设备测试评价方法及装置 | |
| CN116151650A (zh) | 一种基于车云交互的车辆自动驾驶功能公共道路测试评价系统 | |
| CN115314528A (zh) | 桥梁结构健康监测系统、方法和平台 | |
| JP7320755B2 (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
| CN113569491A (zh) | 一种轮对尺寸检测数据的分析和校正方法及装置 | |
| CN202041264U (zh) | 一种车辆动态称重装置 | |
| CN113310516A (zh) | 一种智能网联车远程监控系统 |
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 |
Application publication date: 20220930 |