CN117705248B - 一种车载式检测超载联网报警系统 - Google Patents

Abstract

本发明公开了车载式检测超载联网报警系统，属于车辆超载检测领域。系统包括测量模块、车载处理模块和云平台。测量模块向车载处理模块传输测量数据。车载处理模块包括车载数据分析模块。车载数据分析模块计算第一载重值和第二载重值，根据误差校正指令调整计算参数。云平台包括神经网络模型和云端数据分析模块。神经网络模型根据测量数据获取第三载重值。云端数据分析模块对载重值进行误差分析得到误差分析结果。本申请通过车载的激光测量装置和应变式传感器确保检测实时性；并通过神经网络模型验证车载检测的准确性，并实现自动校正误差。

Description

一种车载式检测超载联网报警系统

技术领域

本发明涉及车辆超载检测领域，具体是一种车载式检测超载联网报警系统。

背景技术

现如今，由于车辆超载而导致的车辆侧翻事故时有发生，超载车辆发生交通事故的危害是非常巨大的，首先是人员伤亡严重，其次的对公路的破坏，缩短了公路正常的使用寿命，增加了公路维护成本。

现有技术通常通过地磅称重实现车辆超载的静态测量，可获得较准确的重量测量，不受车辆动态因素如振动、加速度等的影响。然而，其缺点在于，需要车辆到特定地点进行称重，不能在路途中进行实时测量；称重过程耗时，可能引起交通拥堵，特别是在高流量的检查站或港口区域；对于可移动货物，称重后可能再次发生负载变化，无法持续追踪载重状态。

而现有的动态称重通常通过单一的车载应变式传感器实现。然而，单一的测量方式容易难以消除如车辆和路面情况等非载重因素的影响；并且车辆经过长期使用会影响载重系统的性能，为此需要定时对测量器件进行校正，而校正过程往往需要人工干预，费时费力且无法实时执行。

发明内容

为解决上述背景技术中存在的问题，本发明采用以下技术方案：

一种车载式检测超载联网报警系统，包括测量模块、车载处理模块和云平台；

所述测量模块向车载处理模块传输测量数据；所述测量模块包括激光测量装置、应变式传感器和六轴陀螺仪；所述测量数据包括货箱下沉距离、形变量、倾斜角和三维加速度；所述激光测量装置用于测量货箱下沉距离；所述应变式传感器用于测量钢板弹簧悬架的形变量；所述六轴陀螺仪用于测量货箱的倾斜角和三维加速度；

所述车载处理模块包括车载数据分析模块、联网通信模块、警报模块和车载显示模块；所述车载数据分析模块根据所述倾斜角和货箱下沉距离计算第一载重值，根据所述倾斜角和形变量计算第二载重值，根据误差校正指令调整第一载重值和第二载重值的计算参数；所述联网通信模块用于将测量数据、第一载重值和第二载重值传输至所述云平台，以及接收误差校正指令并传输至车载数据分析模块；所述警报模块根据第一载重值和第二载重值生成警报数据并传输至云平台；

所述云平台包括神经网络模型、云端数据分析模块和超载处理模块；所述神经网络模型根据所述测量数据获取第三载重值；所述云端数据分析模块根据第一载重值、第二载重值和第三载重值进行误差分析得到误差分析结果，并根据误差分析结果生成误差校正指令传输至联网通信模块。

作为本申请优选方案，所述第一载重值的计算模型为：

W₁ = k × (h - h₀) / cos(θ_p+θ₀)，

其中，W₁表示第一载重值；h₀表示数据分析模块存储的空载下沉距离；h表示货箱下沉距离；θ_p为货车的倾斜角；θ₀为倾斜角校正参数；k为载重系数；

所述第二载重值的计算模型为：

W₂ = (Q₁W₂₁ + Q₂W₂₂ + Q₃W₂₃ + Q₄W₂₄)/ cos(θ_p+θ₀)，

其中，W₂表示第二载重值；W₂₁为左前悬架载重，W₂₂ 为右前悬架载重，W₂₃为左后悬架载重，W₂₄为右后悬架载重；Q₁、Q₂、Q₃和Q₄分别为W₂₁、W₂₂、W₂₃和W₂₄的校正系数。

作为本申请优选方案，所述误差校正指令包括倾斜角校正参数θ₀，载重系数k，空载下沉距离h₀，W₂₁、W₂₂、W₂₃和W₂₄的校正系数Q₁、Q₂、Q₃和Q₄。

作为本申请优选方案，所述误差校正指令的生成方式具体为根据第三载重值的变化曲线、形变量和倾斜角拟合新的第一载重值的计算模型，根据第三载重值的变化曲线、货箱下沉距离和倾斜角拟合新的第二载重值的计算模型，根据计算模型中的各项参数生成误差校正指令。

作为本申请优选方案，所述载重系数通过以下步骤拟合：

在车辆不同载重状态下通过激光测量装置测量货箱下沉距离；所述不同载重状态至少包括空载载重W₀和超载阈值W_T，载重的取值范围为[W₀,W_T]；

建立线性回归模型W₁₁ = k × (h - h₀)，通过最小化观测值和模型预测之间的误差平方和拟合线性回归模型；

通过测试数据验证线性回归模型。

作为本申请优选方案，所述警报模块在第一载重值和第二载重值的偏差小于5%时，若第一载重值和第二载重值的平均值大于载重阈值，则生成警报数据；在第一载重值和第二载重值的偏差大于或等于5%时，若第一载重值和第二载重值中的最大值大于载重阈值，则生成警报数据；所述第一载重值和第二载重值的偏差表示为： W₂ = |W₁ - W₂| / min(W₁,W₂)，

其中，W₁表示第一载重值；W₂表示第二载重值。

作为本申请优选方案，所述云端数据分析模块根据第一载重值、第二载重值和第三载重值进行误差分析，包括以下步骤：

将第一载重值、第二载重值和第三载重值数据根据时间戳进行数据同步与对齐；

对收集到的数据进行质量评估，包括异常值检测；所述异常值检测具体为若检测到货箱下沉距离或形变量连续异常，且异常值大于设定的硬件正常数值范围，则认定为硬件故障并传输至监控客户端，结束误差分析；若检测到货箱下沉距离或形变量为非连续的偶发异常，则进行数据剔除处理；

通过统计指标评估第一载重值和第三载重值的一致性指标，以及第二载重值和第三载重值的一致性指标，若一致性指标低于预设的一致性评估阈值，则输出误差评估结果，并生成误差校正指令并传输至联网通信模块。

作为本申请优选方案，所述神经网络模型为全连接前馈神经网络；所述全连接前馈神经网络在训练过程中通过网格搜索进行超参数优化；

所述通过网格搜索进行超参数优化包括步骤如下：

确定超参数列表，并为每个超参数定义一个搜索范围或固定值列表；超参数列表包括隐藏层数以及每层隐藏层的神经元数量、学习率和批次大小;

选择衡量模型性能的评估指标；

系统地构建超参数的每种可能组合，并训练模型；使用所述评估指标对每一组超参数下的模型进行评估；

比较所有模型的性能，并选择出一个最优模型；

使用独立的测试集对最优模型的超参数设置进行评估。

作为本申请优选方案，所述车载数据分析模块还根据所述钢板弹簧悬架的形变量计算得到货箱的偏载值；所述警报模块偏载值大于预设的偏载阈值时生成警报数据并传输至云平台和车载显示模块。

作为本申请优选方案，所述偏载值包括前后形变比和左右形变比；所述根据所述钢板弹簧悬架的形变量计算得到货箱的偏载值计算步骤如下：

设定钢板弹簧的原始未加载长度为L₀，测量四个钢板弹簧在装载后的形变后长度分别设为L₁,L₂,L₃,L₄；

计算每个悬架的形变量，所述形变量表示为：，

其中，是第i个悬架的形变，i=1,2,3,4；/>为左前悬架形变，/>为右前悬架形变，/>为左后悬架形变，/>为右后悬架形变；

计算偏载值，所述偏载值包括前后形变比和左右形变比，所述前后形变比表示为：

，

所述左右形变比表示为：

。

与现有技术相比，本发明具有如下有益效果：

本申请通过综合车载的激光测量装置和应变式传感器两个不同测量手段得到的载重值，可以对各自的测量误差进行互补，在确保超载检测实时性的同时增加了超载检测的可靠性；并通过神经网络模型计算第三载重值，以验证前述两种测量手段的准确性，通过误差校正指令实现自动校正误差。

本申请神经网络模型设置在云平台，可以降低车载设备成本，云平台相较于本申请的车载处理模块具有更加强大的计算能力和存储资源，能够提供更准确的数据分析以及模型运算；并且云平台易于扩展和升级，能够快速适应业务的增长和技术的进步，以支持大规模超载联网报警系统的扩展需求。

本申请通过生成误差校正指令能够及时修正模型参数，使得第一和第二载重值的估计更加贴近真实情况，避免未校正误差在长时间积累后对车辆操作、维护和安全造成的负面影响。并且，车辆经过长期使用，车辆零件磨损会影响载重系统的性能。自动误差校正可以帮助在车辆零件磨损或其他长期变化情况下，维持载重监测系统的准确性和可靠性。

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附图作简单地介绍，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为本发明一实施例的车载式检测超载联网报警系统的结构示意图。

具体实施方式

下面将结合实施例对本发明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。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

请参阅图1，本发明提供了一种车载式检测超载联网报警系统，包括测量模块、车载处理模块和云平台。所述测量模块分别与所述车载处理模块和云平台通信连接。

所述测量模块向车载处理模块传输测量数据。所述测量模块包括激光测量装置、应变式传感器和六轴陀螺仪。所述激光测量装置连接车辆货箱和车辆底盘车桥，用于测量货箱下沉距离；所述应变式传感器设置在车轮的钢板弹簧悬架中，用于测量钢板弹簧悬架的形变量；所述六轴陀螺仪用于测量货箱的倾斜角和三维加速度。所述测量数据包括货箱下沉距离、形变量、倾斜角和三维加速度。

所述车载处理模块包括车载数据分析模块、联网通信模块、车载显示模块和警报模块。所述车载数据分析模块根据所述倾斜角和货箱下沉距离计算第一载重值，根据所述倾斜角和形变量计算第二载重值，根据误差校正指令调整第一载重值和第二载重值的计算参数。所述联网通信模块用于将测量数据、第一载重值和第二载重值传输至所述云平台，以及接收误差校正指令并传输至车载数据分析模块。所述警报模块根据第一载重值和第二载重值生成警报数据并传输至云平台和车载显示模块。所述车载显示模块用于展示所述警报数据。

其中，所述警报模块在第一载重值和第二载重值的偏差小于5%时，若第一载重值和第二载重值的平均值大于载重阈值，则生成警报数据并传输至云平台和车载显示模块；在第一载重值和第二载重值的偏差大于或等于5%时，若第一载重值和第二载重值中的最大值大于载重阈值，则生成警报数据并传输至云平台和车载显示模块。所述第一载重值和第二载重值的偏差表示为： W₂ = |W₁ - W₂| / min(W₁,W₂)，

其中，W₁表示第一载重值；W₂表示第二载重值。

本申请通过综合激光测量装置和应变式传感器两个不同测量手段得到的载重值，可以对各自的测量误差进行互补，在确保超载检测实时性的同时增加了超载检测的可靠性。

所述云平台包括神经网络模型、云端数据分析模块和超载处理模块。所述神经网络模型根据所述测量数据获取第三载重值；所述云端数据分析模块根据第一载重值、第二载重值和第三载重值进行误差分析得到误差分析结果，并根据误差分析结果生成误差校正指令传输至联网通信模块。所述超载处理模块用于对第三载重值、警报数据和误差分析结果进行可视化处理并传输至监控客户端。

在实际应用过程中，前述两种测试方式均存在其固有的局限性和潜在的缺点。例如，对于通过激光测量装置测量货箱下沉距离，因偏载（当货物不均匀分布时）导致重心位置的不同，激光测量装置测量的下沉距离可能无法完全精确地反映载重状况，并且随时间车辆的自然磨损和可能发生的损伤，如悬挂系统损伤，可能导致激光测量得到的下沉数据误差加大；对于通过应变式传感器测量形变量，需要定期校准来确保应变式传感器的精度，因为应变片可能会随时间和使用发生漂移，特别是在受到温度变化、振动和长期载重等因素的影响下；并且其同样会因悬挂系统的结构弹性发生变化，导致基于形变量测定载重的方法准确性下降。

基于前述内容，本申请通过神经网络模型计算第三载重值，以验证前述两种测量手段的准确性，并为监控客户端提供比车载显示模块更精确的检测结果。

需要说明，本申请方案不同于直接结合第一载重值和第二载重值的计算参数，输入神经网络模型的测量数据还包括三维加速度。原因在于三维加速度可以间接地反映车辆受力情况，三维加速度是质量在受力时速度变化的量化表达，而载重会对车辆在动态状态下的运动产生影响。本申请将三维加速度作为神经网络模型的输入参数，可以提供区别于形变量和货箱下沉距离的特征，以对第三载重值进行准确预测。

基于前述内容，因神经网络模型需要较大的数据量进行计算以及较高的计算资源进行数据处理，神经网络模型设置在云平台，可以降低车载设备成本，云平台相较于本申请的车载处理模块具有更加强大的计算能力和存储资源，能够提供更准确的数据分析以及模型运算；并且云平台易于扩展和升级，能够快速适应业务的增长和技术的进步，以支持大规模超载联网报警系统的扩展需求。

进一步地，所述云端数据分析模块根据第一载重值、第二载重值和第三载重值进行误差分析，包括以下步骤：

将第一载重值、第二载重值和第三载重值数据根据时间戳进行数据同步与对齐，以便于分析。

对收集到的数据进行质量评估，包括查找和修正缺失值和异常值检测。所述异常值检测具体为若检测到货箱下沉距离或形变量连续异常，即在一定数据量的货箱下沉距离或形变量数据中包括多个异常值，且异常值大于设定的硬件正常数值范围，则认定为硬件故障并传输至监控客户端，结束误差分析；若检测到货箱下沉距离或形变量为非连续的偶发异常，即在一定数据量的货箱下沉距离或形变量数据中仅有一个异常值，则进行数据剔除处理。

通过统计指标评估第一载重值和第三载重值的一致性指标，以及第二载重值和第三载重值的一致性指标，若一致性指标低于预设的一致性评估阈值，则输出误差评估结果，并生成误差校正指令并传输至联网通信模块。

其中，所述一致性指标包括均值、标准差和协方差，评估一致性指标通过使用现有技术中常规的回归分析和主成分分析方式实现。

作为优选实施例，所述第一载重值的计算模型为：

W₁ = k × (h - h₀) / cos(θ_p+θ₀)，

其中，W₁表示第一载重值；h₀表示数据分析模块存储的空载下沉距离；h表示货箱下沉距离；θ_p为货车的倾斜角；θ₀为倾斜角校正参数，默认值为0；k为载重系数。

进一步地，所述载重系数通过以下步骤拟合：

在车辆不同载重状态下通过激光测量装置测量货箱下沉距离；所述不同载重状态至少包括空载载重W₀和超载阈值W_T，载重的取值范围为[W₀,W_T]。

建立线性回归模型W₁₁ = k × (h - h₀)，通过最小化观测值和模型预测之间的误差平方和拟合线性回归模型。

采用交叉验证方法，通过测试数据验证线性回归模型，以确保模型准确性，最终得到线性回归模型的斜率即为载重系数k。

作为优选实施例，所述第二载重值的计算模型为：

W₂ = (Q₁W₂₁ + Q₂W₂₂ + Q₃W₂₃ + Q₄W₂₄)/ cos(θ_p+θ₀)，

其中，W₂表示第二载重值；W₂₁为左前悬架载重，W₂₂ 为右前悬架载重，W₂₃为左后悬架载重，W₂₄为右后悬架载重；θ₀为倾斜角校正参数；Q₁、Q₂、Q₃和Q₄分别为W₂₁、W₂₂、W₂₃和W₂₄的校正系数。

基于前述内容，所述误差校正指令包括倾斜角校正参数θ₀，载重系数k，空载下沉距离h₀，W₂₁、W₂₂、W₂₃和W₂₄的校正系数Q₁、Q₂、Q₃和Q₄。所述车载数据分析模块根据误差校正指令调整第一载重值的计算参数，包括倾斜角校正参数θ₀，载重系数k，空载下沉距离h₀；根据误差校正指令调整第二载重值的计算参数，包括倾斜角校正参数θ₀以及校正系数Q₁、Q₂、Q₃和Q₄。

所述误差校正指令的生成方式具体为根据第三载重值的变化曲线、形变量和倾斜角拟合新的第一载重值的计算模型，根据第三载重值的变化曲线、货箱下沉距离和倾斜角拟合新的第二载重值的计算模型，根据计算模型中的各项参数生成误差校正指令。

本实施例通过生成误差校正指令能够及时修正模型参数，使得第一和第二载重值的估计更加贴近真实情况，避免未校正误差在长时间积累后对车辆操作、维护和安全造成的负面影响。并且，车辆经过长期使用，车辆零件磨损可能会影响载重系统的性能。自动误差校正可以帮助在车辆零件磨损或其他长期变化情况下，维持载重监测系统的准确性和可靠性。

作为优选实施例，所述神经网络模型为全连接前馈神经网络（FeedforwardNeural Network，简称 FNN）。所述全连接前馈神经网络包括输入层、隐藏层和输出层。所述输入层代表待处理数据的节点（或称为神经元），直接接收输入特征；所述隐藏层为网络中间的一层或多层，每层含有若干神经元。每个神经元在这些层中都会接收到来自上一层所有神经元的输入，并输出到下一层的所有神经元。所述输出层包含输出节点的层，数量取决于需要预测的结果。对于本申请的回归问题，输出层只有一个节点。在全连接前馈神经网络中，数据从输入层流向输出层，每层都通过一个激活函数对其输入进行处理。这个激活函数为非线性函数，可选ReLU、Sigmoid、TanH等激活函数。

所述全连接前馈神经网络通过反向传播和梯度下降调整神经元之间的连接权重和层间偏差进行学习。具体的，在反向传播阶段，根据损失函数输出结果和实际结果之间的差异计算损失值，并根据损失值计算关于每个权重和偏差的损失梯度。根据损失梯度，梯度下降算法对权重和偏差进行调整，以减小损失。

具体的，所述输入层包括6个输入层神经元，表示测量数据特征的数量，即货箱下沉距离、形变量、倾斜角以及X、Y和Z轴加速度。所述隐藏层至少为2层，第一层隐藏层包括64个隐藏层神经元，第二层隐藏层包括128个隐藏层神经元。所述隐藏层采用ReLU激活函数，能有效防止梯度消失的特性而被广泛使用。输出层包括一个输出层神经元，目标是得到第三载重值。反向传播阶段的损失函数采用均方误差，用于衡量预测值与真实值之间的差距。全连接前馈神经网络中使用的优化器为Adam 优化器，其结合了RMSprop和梯度下降的动量概念，从而快速收敛。在训练过程中，学习率设置为0.001作为初始值，如果训练过程中出现不稳定或者收敛太慢，可以进一步调整学习率。

作为优选实施例，所述全连接前馈神经网络在训练过程中通过网格搜索进行超参数优化。其中，网格搜索是一种穷举搜索方法，通过系统地遍历多种超参数的组合来找到最好的一组。

具体的，所述通过网格搜索进行超参数优化包括步骤如下：

定义超参数空间:确定要优化的超参数列表，包括隐藏层数以及每层隐藏层的神经元数量、学习率和批次大小，并为每个超参数定义一个搜索范围或固定值列表。

制定评估标准:选择一个衡量模型性能的评估指标，具体为验证集的均方误差。

系统搜索与评估:系统地构建超参数的每种可能组合，并训练模型。使用所述评估指标对每一组超参数下的模型进行评估。

选择最优模型:比较所有模型的性能，并选择出一个最优的模型。

优化验证:使用独立的测试集对最终选择的超参数设置进行评估，确保模型具有良好的泛化能力。

本实施例中，超参数优化是一种经验和技术相结合的过程，从较广泛的超参数范围开始，然后逐渐缩小搜索范围以定义更精细的搜索空间，最终确定性能最优的超参数组合。

作为优选实施例，所述车载数据分析模块还根据所述钢板弹簧悬架的形变量计算得到货箱的偏载值；所述警报模块偏载值大于预设的偏载阈值时生成警报数据并传输至云平台和车载显示模块。所述偏载值包括前后形变比和左右形变比；所述根据所述钢板弹簧悬架的形变量计算得到货箱的偏载值，计算步骤如下：

设定钢板弹簧的原始未加载长度为L₀，测量四个钢板弹簧在装载后的形变后长度分别设为L₁,L₂,L₃,L₄。

计算每个悬架的形变量，所述形变量通过以下公式计算： _，

其中，是第i个悬架的形变，i=1,2,3,4。/>为左前悬架形变，/>为右前悬架形变，/>为左后悬架形变，/>为右后悬架形变。

计算偏载值，所述偏载值包括前后形变比和左右形变比，所述前后形变比表示为：

，

所述左右形变比表示为：

。

本实施例车载数据分析模块通过计算形变量和形变比，以监测货物在货箱内部的分布情况。这有助于确保货物平衡地载运，减少由于货物集中在货箱某一侧或前后的不等分布而导致的驾驶风险。并且，长期的偏载可能会造成车辆特定部分的不平衡磨损，如轮胎、悬挂、制动系统等，影响车辆寿命。通过及时检测和调整偏载，可以减少不平衡引起的额外维修成本。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，read-onlymemory）、随机存取存储器（RAM，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (7)

1.一种车载式检测超载联网报警系统，其特征在于：包括测量模块、车载处理模块和云平台；

所述测量模块向车载处理模块传输测量数据；所述测量模块包括激光测量装置、应变式传感器和六轴陀螺仪；所述测量数据包括货箱下沉距离、形变量、倾斜角和三维加速度；所述激光测量装置用于测量货箱下沉距离；所述应变式传感器用于测量钢板弹簧悬架的形变量；所述六轴陀螺仪用于测量货箱的倾斜角和三维加速度；

所述车载处理模块包括车载数据分析模块、联网通信模块、警报模块和车载显示模块；所述车载数据分析模块根据所述倾斜角和货箱下沉距离计算第一载重值，根据所述倾斜角和形变量计算第二载重值，根据误差校正指令调整第一载重值和第二载重值的计算参数；所述联网通信模块用于将测量数据、第一载重值和第二载重值传输至所述云平台，以及接收误差校正指令并传输至车载数据分析模块；所述警报模块根据第一载重值和第二载重值生成警报数据并传输至云平台；

所述云平台包括神经网络模型、云端数据分析模块和超载处理模块；所述神经网络模型根据所述测量数据获取第三载重值；所述云端数据分析模块根据第一载重值、第二载重值和第三载重值进行误差分析得到误差分析结果，并根据误差分析结果生成误差校正指令传输至联网通信模块；

所述第一载重值的计算模型为：

W₁ = k × (h - h₀) / cos(θ_p+θ₀)，

其中，W₁表示第一载重值；h₀表示数据分析模块存储的空载下沉距离；h表示货箱下沉距离；θ_p为货车的倾斜角；θ₀为倾斜角校正参数；k为载重系数；

所述第二载重值的计算模型为：

W₂ = (Q₁W₂₁ + Q₂W₂₂ + Q₃W₂₃ + Q₄W₂₄)/ cos(θ_p+θ₀)，

其中，W₂表示第二载重值；W₂₁为左前悬架载重，W₂₂ 为右前悬架载重，W₂₃为左后悬架载重，W₂₄为右后悬架载重；Q₁、Q₂、Q₃和Q₄分别为W₂₁、W₂₂、W₂₃和W₂₄的校正系数；

所述车载数据分析模块还根据所述钢板弹簧悬架的形变量计算得到货箱的偏载值；所述警报模块偏载值大于预设的偏载阈值时生成警报数据并传输至云平台和车载显示模块；

所述偏载值包括前后形变比和左右形变比；所述根据所述钢板弹簧悬架的形变量计算得到货箱的偏载值计算步骤如下：

设定钢板弹簧的原始未加载长度为L₀，测量四个钢板弹簧在装载后的形变后长度分别设为L₁,L₂,L₃,L₄；

计算每个悬架的形变量，所述形变量表示为：

∆L_i = L₀ - L_i，

其中，∆L_i是第i个悬架的形变，i=1,2,3,4；∆L₁为左前悬架形变，∆L₂为右前悬架形变，∆L₃为左后悬架形变，∆L₄为右后悬架形变；

计算偏载值，所述偏载值包括前后形变比和左右形变比，所述前后形变比表示为：

μ₁=(∆L₁+∆L₂)/(∆L₃+∆L₄)，

所述左右形变比表示为：

μ₂=(∆L₁+∆L₃)/(∆L₂+∆L₄)。

2.根据权利要求1所述的车载式检测超载联网报警系统，其特征在于：所述误差校正指令包括倾斜角校正参数θ₀，载重系数k，空载下沉距离h₀，W₂₁、W₂₂、W₂₃和W₂₄的校正系数Q₁、Q₂、Q₃和Q₄。

3.根据权利要求1所述的车载式检测超载联网报警系统，其特征在于：所述误差校正指令的生成方式具体为根据第三载重值的变化曲线、形变量和倾斜角拟合新的第一载重值的计算模型，根据第三载重值的变化曲线、货箱下沉距离和倾斜角拟合新的第二载重值的计算模型，根据计算模型中的各项参数生成误差校正指令。

4.根据权利要求1所述的车载式检测超载联网报警系统，其特征在于：所述载重系数通过以下步骤拟合：

在车辆不同载重状态下通过激光测量装置测量货箱下沉距离；所述不同载重状态至少包括空载载重W₀和超载阈值W_T，载重的取值范围为[W₀,W_T]；

建立线性回归模型W₁₁ = k × (h - h₀)，通过最小化观测值和模型预测之间的误差平方和拟合线性回归模型；

通过测试数据验证线性回归模型。

5.根据权利要求1所述的车载式检测超载联网报警系统，其特征在于：所述警报模块在第一载重值和第二载重值的偏差小于5%时，若第一载重值和第二载重值的平均值大于载重阈值，则生成警报数据；在第一载重值和第二载重值的偏差大于或等于5%时，若第一载重值和第二载重值中的最大值大于载重阈值，则生成警报数据；所述第一载重值和第二载重值的偏差表示为：

W₂ = |W₁ - W₂| / min(W₁,W₂)，

其中，W₁表示第一载重值；W₂表示第二载重值。

6.根据权利要求1所述的车载式检测超载联网报警系统，其特征在于：所述云端数据分析模块根据第一载重值、第二载重值和第三载重值进行误差分析，包括以下步骤：

将第一载重值、第二载重值和第三载重值数据根据时间戳进行数据同步与对齐；

对收集到的数据进行质量评估，包括异常值检测；所述异常值检测具体为若检测到货箱下沉距离或形变量连续异常，且异常值大于设定的硬件正常数值范围，则认定为硬件故障并传输至监控客户端，结束误差分析；若检测到货箱下沉距离或形变量为非连续的偶发异常，则进行数据剔除处理；

通过统计指标评估第一载重值和第三载重值的一致性指标，以及第二载重值和第三载重值的一致性指标，若一致性指标低于预设的一致性评估阈值，则输出误差评估结果，并生成误差校正指令并传输至联网通信模块。

7.根据权利要求1所述的车载式检测超载联网报警系统，其特征在于：所述神经网络模型为全连接前馈神经网络；所述全连接前馈神经网络在训练过程中通过网格搜索进行超参数优化；

所述通过网格搜索进行超参数优化包括步骤如下：

确定超参数列表，并为每个超参数定义一个搜索范围或固定值列表；超参数列表包括隐藏层数以及每层隐藏层的神经元数量、学习率和批次大小;

选择衡量模型性能的评估指标；

系统地构建超参数的每种可能组合，并训练模型；使用所述评估指标对每一组超参数下的模型进行评估；

比较所有模型的性能，并选择出一个最优模型；

使用独立的测试集对最优模型的超参数设置进行评估。