本发明专利技术公开了一种适用于汽车衡的称重方法，所述称重方法包括使用称重传感器、数据采集装置、微处理器和显示器；称重方法的步骤包括建立称重数学模型、称重信号采集、在线称重；建立称重数学模型的模型包括理想称重模型、实际称重模型及它们的训练方法；理想称重模型为线性函数；实际称重模型为三层BP神经网络，第一层为输入层，第二层为隐含层，第三层为输出层；在线称重前，必须对理想称重模型和实际称重模型进行设定样本数量的训练，训练过程在微处理器与外部计算机连接的情况下进行，采集设定数量的样本信息，以理想称重模型及其导数为约束条件，最后获得实际称重模型参数W、b(1)、V和b(2)保存在微处理器中，然后撤离外部计算机。
【技术实现步骤摘要】
本专利技术涉及。
技术介绍
汽车衡是衡器的重要分支，主要用于大宗货物计量。目前模拟式电子汽车衡占据汽车衡市场的主导地位，其主要由承重传力机构(秤体)、模拟称重传感器、称重显示仪表三大主部件组成。汽车衡根据量程不同，一般具有4 12路称重传感器。这些传感器按照一定拓扑结构，对称地分布在秤体下方，构成了一个多传感器系统。该多传感器系统存在I禹合性，各路传感器输出相互关联，并与载荷加载位置有关。汽车衡在模拟接线盒中将各路称重传感器的输出信号集中累加，获得一个与被测载荷质量成比例的电压信号，经信号调理、A/D转换后，由单片机处理获得称重结果，送显示、通信，完成被测载荷的称重。偏载误差和线性度误差是影响汽车衡称重结果准确性的两个主要因素。偏载误差是由于汽车衡受各种非线性因素的影响，被测载荷处于汽车衡承载面上不同位置时，称重结果不一致而产生的误差；线性度误差是由于各路称重传感器的特性不一致，导致汽车衡的输入与输出并非理想的线性关系，从而产生的称重误差。现有汽车衡的偏载误差与线性度误差补偿过程是分开的，传统的偏载误差补偿方法是通过人工反复调节汽车衡接线盒中电阻器，改变每路传感器通道增益，补偿偏载误差，这种方法人工操作繁琐，工作效率低，补偿效果差；为此，有学者提出多元线性回归方法(“大型衡器系统偏载荷数字化补偿方法的研究”，陈昌，王孝良，秦子君，大连理工大学学报，1994，I)、利用线性方程组求解角差修正系数的方法(“基于先进数据处理技术的智能称重传感器研究”，朱子健，南京航空航天大学博士论文，2005),但这些方法不能解决因拓扑结构所带来的各传感器输出关联性问题，也没有考虑汽车衡各种非线性因素影响，因此补偿效果较差；有学者采用神经网络方法进行汽车衡偏载误差与线性度误差补偿(“基于多传感器信息融合的汽车衡误差补偿”，林海军，滕召胜，迟海，等，仪器仪表学报，2009，6 基于多RBF神经网络的汽车衡误差补偿”，林海军，滕召胜，迟海，等，湖南大学学报，2010，5)，虽 然能大大减少称重误差，但是神经网络需要大量的训练样本，工作量大；工作量大的主要原因是汽车衡量程大，测试时需要的标准砝码多、加载点多，称重信息获取不易。现有汽车衡线性度误差补偿是在偏载误差补偿完成后，利用如下方法完成:首先利用不同重量的标准砝码依次加载在汽车衡秤体上，获得目标称重结果与实际称重结果，然后将实际称重结果倍乘修正系数，使之等于目标称重结果。这种方法是在基于汽车衡输入-输出为线性关系的基础上的，与实际相差较大，因此补偿效果较差。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种新的适用于汽车衡的称重方法:即利用神经网络良好的逼近非线性函数能力，构造汽车衡的实际称重模型；同时利用汽车衡的理想称重模型构造神经网络的约束条件，以减少神经网络训练所需的样本，降低工作量，完成汽车衡实际称重模型的优化，最终实现汽车衡准确称重与误差补偿。本专利技术的目的通过下述技术方案予以实现: 所述称重方法包括使用称重传感器、数据采集装置、微处理器和显示器；所述称重传感器通过数据采集装置与微处理器连接；所述显示器与微处理器连接；所述称重方法的步骤包括建立称重数学模型、称重信号采集、在线称重；所述建立称重数学模型的数学模型包括理想称重模型、实际称重模型及它们的训练方法，其步骤: 1)所述理想称重模型为线性函数；所述线性函数的输入为#路称重传感器输出的数据Xiyi ,输出为A(X);其输入-输出关系表达式为公式(I):权利要求1.，所述称重方法包括使用称重传感器、数据采集装置、微处理器和显示器；所述称重传感器通过数据采集装置与微处理器连接；所述显示器与微处理器连接；所述称重方法的步骤包括建立称重数学模型、称重信号采集、在线称重；其特征在于:所述建立称重数学模型的数学模型包括理想称重模型、实际称重模型及它们的训练方法，其步骤； 1)所述理想称重模型为线性函数；所述线性函数的输入为#路称重传感器输出的数据P1,输出为A(X);其输入-输出关系表达式为公式(I):2.根据权利要求1所述的适用于汽车衡的称重方法，其特征在于:所述在线称重应当在实际称重模型训练合格后进行，其步骤如下: 1)将采集到#路称重传感器的称重信号作为BP神经网络第一层的输入向量X； 2)将输入向量X和保存在存储单元中的实际称重模型参数W、b(1)、V和b(2)—起代入公式(3)中，求得BP神经网络输出为最终称重结果； 3)显示器上显示最终称重结果。3.根据权利要求1或2所述的适用于汽车衡的称重方法，其特征在于:所述称重信号采集的方法，将各路称重传感器的输出信号进行信号放大、滤波和模数转换处理后获得的数据，作为理想称重模型和实际称重模型训练与在线称重的输入向量X。4.根据权利要求1或2所述的适用于汽车衡的称重方法，其特征在于:所述微处理器为单片机、DSP处理器或其他嵌入式系统设备，并带有存储单元。5.根据权利要求3所述的适用于汽车衡的称重方法，其特征在于:所述微处理器为单片机、DSP处理器或其他嵌入式系统设备，并带有存储单元。全文摘要本专利技术公开了，所述称重方法包括使用称重传感器、数据采集装置、微处理器和显示器；称重方法的步骤包括建立称重数学模型、称重信号采集、在线称重；建立称重数学模型的模型包括理想称重模型、实际称重模型及它们的训练方法；理想称重模型为线性函数；实际称重模型为三层BP神经网络，第一层为输入层，第二层为隐含层，第三层为输出层；在线称重前，必须对理想称重模型和实际称重模型进行设定样本数量的训练，训练过程在微处理器与外部计算机连接的情况下进行，采集设定数量的样本信息，以理想称重模型及其导数为约束条件，最后获得实际称重模型参数W、b(1)、V和b(2)保存在微处理器中，然后撤离外部计算机。文档编号G06N3/02GK103234610SQ20131017718公开日2013年8月7日 申请日期2013年5月14日 优先权日2013年5月14日专利技术者林海军, 滕召胜, 汪鲁才, 杨进宝 申请人:湖南师范大学本文档来自技高网...
【技术保护点】
一种适用于汽车衡的称重方法，所述称重方法包括使用称重传感器、数据采集装置、微处理器和显示器；所述称重传感器通过数据采集装置与微处理器连接；所述显示器与微处理器连接；所述称重方法的步骤包括建立称重数学模型、称重信号采集、在线称重；其特征在于：所述建立称重数学模型的数学模型包括理想称重模型、实际称重模型及它们的训练方法，其步骤；1）所述理想称重模型为线性函数；所述线性函数的输入为N路称重传感器输出的数据????????????????????????????????????????????????，输出为A(X)；其输入?输出关系表达式为公式（1）：??????（1）；式中，pi为称重传感器的增益系数，其值通过对理想称重模型进行训练获得；2）所述实际称重模型为三层BP神经网络，第一层为输入层，第二层为隐含层，第三层为输出层，它们的网络结构分别如下：输入层的神经元数量N为称重传感器的个数；隐含层的神经元数量M=，式中：k=1~10为修正系数；L为输出层的神经元数量；隐含层激励函数采用Log?Sigmoid函数，即输出为公式（2）：????????????????????（2）；输出层的神经元数量L为1个；输出层激励函数采用线性函数；输出层的神经网络输出为公式（3）：?????（3）；式中，W为神经网络输入层到隐含层的权矩阵，b(1)为隐含层偏置向量，V为隐含层到输出层的权向量，b(2)为输出层偏置值，X为神经网络输入向量，wmi为输入层第i路输入到隐含层的第m个神经元的连接权值，为隐含层第m个神经元的偏置值，vm为隐含层第m个神经元到输出层的连接权值，x(i)为输入层第i路输入；3）在汽车衡投入在线称重前，必须对理想称重模型和实际称重模型进行设定次数的训练，训练过程在微处理器与外部计算机连接的情况下进行，以理想称重模型及其导数为约束条件，最后获得实际称重模型参数W、b(1)、V和b(2)保存在微处理器中，然后撤离外部计算机；外部计算机中安装有专用训练软件；对实际称重模型进行训练的步骤如下：ⅰ）采集训练样本：准备一定数量的标准砝码，每个标准砝码质量不同，将不同质量的标准砝码随机加载在汽车衡秤体上，N路传感器就有N个输出数据，N个输出数据和对应的标准砝码质量构成一组训练样本保存在外部计算机中；ⅱ）构造训练目标函数，其关系表达式为公式（4）：（4）；ⅲ)?求汽车衡理想称重模型的导数，其关系表达式为公式（5）：?????????????????????????????（5）；ⅳ)?求理想称重模型在训练目标函数中的权重系数，其关系表达式为公式（6）：???????????????（6）；ⅴ)?求第三层输出层的导数，其关系表达式为公式（7）：??????（7）；ⅵ）分别求W、b(1)、V和b(2)的增量，、、，并对W、b(1)、V和b(2)进行更新，它们的关系表达式分别为公式（8）、（9）：??（8）????????????????????????????????????????????（9）式（9）中，、、、分别为、、、更新后的值，、、、分别为、、、更新前的值；vii)?设置训练初始条件，按照公式（6）~（9）进行设定数量的训练，使训练产生的误差值在设定范围内，分别获得输入层到隐含层的权矩阵W、隐含层偏置向量b(1)、隐含层到输出层的权向量V、输出层偏置值b(2)的最终值，并保存在微处理器的储存单元中，供汽车衡在线称重时被调用；在对理想称重模型的训练过程中，首先利用实际称重模型训练过程中采集的训练样本，然后利用最小二乘法进行训练，获得最终的模型系数pi，其关系表达式为公式（10）：?????（10）式（10）中，P为由pi的向量，即P=[p1,p2,…,pN]T，N为称重传感器的个数；X=[X1,X2,…,Xj,…,XK]为输入样本矩阵，Y=[y1,?y2,…yj,…,yK]。390203dest_path_image001.jpg,717280dest_path_image002.jpg,188581dest_path_image003.jpg,601108dest_path_image004.jpg,363528dest_path_image005.jpg,482793dest_path_image006.jpg,938045dest_path_image007.jpg,837868dest_path_image008.jpg,590930dest_path_image009.jpg,627019dest_path_image010.jpg,...
【技术特征摘要】
【专利技术属性】
技术研发人员：林海军，滕召胜，汪鲁才，杨进宝，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。