基于BP神經網絡的車輛動態(tài)載荷算法研究

張學文 王滿力 魏芳

摘 要：貨車超載問題一直是我國影響交通安全的重要因素。傳統(tǒng)的稱重系統(tǒng)主要是靜態(tài)稱重，雖然靜態(tài)稱重的精度高，但存在耗時較長，效率低的問題。文章根據模擬實驗，在BP神經網絡的基礎上，對車輛動態(tài)荷載算法進行了研究。

關鍵詞：動態(tài)稱重；車輛載荷；BP神經網絡

中圖分類號：U461.99 文獻標識碼：A 文章編號：1671-7988（2018）17-154-03

Abstract： Overloading is an important problem to the safety of transportation. Static weighing is the main part of traditional weighing， it has reached high accuracy but it is ineffective and time-consuming. In this paper， according to the experiment and BP network， a research on dynamic weighing of vehicle has been done.

Keywords： dynamic weighing； vehicle load； BP network

CLC NO.： U461.99 Document Code： A Article ID： 1671-7988（2018）17-154-03

前言

近年來，我國的經濟水平不斷提高，交通運輸行業(yè)也在蓬勃發(fā)展，其中的公路運輸是重要的組成部分。但是，由于超載現(xiàn)象的存在，對交通安全造成了很大威脅，傳統(tǒng)的檢查超載的方式主要是靜態(tài)稱重，雖然靜態(tài)稱重精度高，但是耗時較長，執(zhí)行效率低，不能實時的檢測車輛的載荷情況。在這樣的背景下，本文根據模擬實驗，采集了大量數據，在BP神經網絡的基礎上，對車輛動態(tài)載荷算法進行了研究。

1 計算原理

本文實驗中采用的模型為二軸貨車車架模型，車輛受力情況與車輛載荷關系如圖1所示。

其中，A、B分別為前、后輪與地面的接觸點，α為坡度角，F(xiàn)rf和Frr分別為前、后車輪的滾動阻力，F(xiàn)tf和Ftr分別為前輪、后輪驅動力，其中如果車輛為前驅，則Ftf為零，若車輛為后驅，則Ftf為零。Ff、Fr分別為地面對前、后輪的法向作用力，V為車輛行駛速度。

則車輛的整車載荷為：

Ff、Fr分別為車輛前軸與后軸的載荷。其中作用在前后軸的載荷由兩個部分組成。

1.1 靜態(tài)載荷

該部分為車輛重力分配到前后軸的分量產生的地面法向反作用力。

1.2 動態(tài)分量

該部分為汽車行駛中由于加速度變化引起的地面法向反作用力。

由此可知，車輛在行駛過程中由于加速減速以及路況的變化，會引起車輛前后軸載荷的分布變化。

1.3 動態(tài)稱重系統(tǒng)

車輛動態(tài)稱重系統(tǒng)總框圖如圖2所示，傳感器安裝位置如圖3所示。

2 實驗設計與數據采集

本實驗中采用的車架模型為全金屬車架，其懸架為鋼板彈簧懸架，減速箱采用行星齒輪結構，輪轂采用鋁合金制造而成，輪轂施加有配重，保證模型的重心較低與行駛平穩(wěn)性。

實驗中采用的位移傳感器為夏普紅外距離傳感器，檢測車架與車軸之間的距離變化；通過MPU6050采集車輛的加速度數據；傳感器采集的數據直接上傳到K60單片機，單片機通過無線模塊將數據發(fā)送到上位機。

實驗時，采用0.5kg的標準重物塊，依次加載到實驗車，分別采集了車輛的靜態(tài)數據和動態(tài)數據，靜態(tài)數據見表1，動態(tài)數據見表2。

3 BP神經網絡算法原理及結果分析

BP神經網絡是一種分層型的多層神經網絡結構，包含有輸入層、隱藏層及輸出層，層與層之間多數采用全連接方式，同一層神經元之間不存在相互連接。

本文搭建的BP神經網絡為單隱層的BP神經網絡。輸入量分別為鋼板彈簧位移信號與加速度信號；隱藏層采用5個隱藏層神經元；輸出量為鋼板彈簧位移信號預測值。BP神經網絡結構圖如圖4所示。

本文采用Matlab2016a中包含的神經網絡工具箱處理實驗數據，根據軟件中自帶的函數建立本文設計的神經網絡算法訓練，具體步驟如下：

1）選擇歸一化函數mapminmax對數據進行歸一化處理。

2）確定訓練數據及測試數據。

3）創(chuàng)建神經網絡。

4）分別使用tansig函數、purelin函數作為隱藏層及輸出層的傳輸函數；選用trainglm函數訓練整個網絡。

5）制定網絡訓練參數。訓練次數為20000，最小性能梯度為1e-7，目標精度為0.01%，學習率為0.01。

當迭代次數為159時，訓練精度已經達到了目標精度。由結果可知，通過BP神經網絡建立的動態(tài)稱重系統(tǒng)在誤差允許范圍內是一致的。處理結果見表3。

4 結論

針對當前稱重系統(tǒng)的不足之處，本文提出了一種車載式車輛荷載質量動態(tài)稱重系統(tǒng)的設計方案，并進行了算法研究，提出基于BP神經網絡的動態(tài)載荷計算方法。

參考文獻

[1] 李惠敏.車載動態(tài)稱重系統(tǒng)的研究與設計[D].太原理工大學，2016.

[2] 賀清梅.公路超限運輸多元治理模式研究[D].長安大學，2014.

[3] 朱杰，明平順.載重汽車荷重測量方法初探[J].武漢汽車工業(yè)大學學報，1996，18（2）.

[4] 程路，李青，張宏建.基于軟質電容式稱重傳感器的車輛動態(tài)稱重系統(tǒng)[J].計量學報，2008（04）：334-338.

[5] 郝曉嫻.車載動態(tài)治超監(jiān)控系統(tǒng)的研究與設計[D].太原理工大學，2017.