一种整车外部尺寸快速检测装置及方法与流程

本发明涉及测量技术领域，具体涉及一种整车外部尺寸快速检测装置及方法。

背景技术：

整车车辆外部尺寸类参数的测量是汽车产品定型及强制性产品认证检测中的重要项目，目前涉及该项目的检测参数多、且任务量非常大，包括变形车在内，几乎每个车型都会涉及相关参数的测量；涉及到gb4785、gb1589、gb/t12673、gb7258、gb25990、gb15741等标准的规定。

以车辆外廓尺寸测量为例，依据gb/t12673-1990《汽车主要尺寸测量法》和gb1589-2004《道路车辆外廓尺寸、轴荷及质量限值》中参数的要求，在该项目现行的实际检测过程中，传统的测量手段是采用平面投影的方式，即通过肉眼先确定车辆轮廓的边缘位置，然后对应的找到其在地面上的垂直投影点，将车辆移开后，通过测量地面的标记可以实现车辆外廓的测量。检测过程中受人为因素影响较大，且检测耗时比较长，同时，测得数据的复现性差，而中机中心对尺寸类的允许误差范围是不超过1％，因此就导致了测量效率的低下。

而对于gb4785-2007《汽车及挂车外部照明和光信号装置的安装规定》中，对于车辆各灯具及光信号装置的安装位置参数(e、d、h、k)等的测量，目前也都停留在卷尺和钢板尺投影的方式，直接受人为因素影响比较大，且测得数据的复现性差，准确率低，数据可信度差，进而使得测量不具有说服力和可信度，且效率低下。

鉴于此，一方面是激增的测量任务，与之对应的严重滞后的测量手段，使得新的检测方法和检测系统呼之欲出。

技术实现要素：

本发明设计开发了一种整车外部尺寸快速检测装置，本发明的发明目的是解决整车外部尺寸检测装置局全面、合理，进行多参数、多系统实时在线检测以及数据判断的问题。

本发明设计开发了一种整车外部尺寸快速检测方法，本发明的发明目的是解决在实际过程中数据不可靠，判断数据准确性繁琐等问题。

本发明提供的技术方案为：

一种整车外部尺寸快速检测装置，包括：

检测平台，其为矩形，待检测车辆能够在所述检测平台上行驶；

第一无线遥控滑轨，其对称平行安装在所述检测平台两侧，并且所述第一无线遥控滑轨垂直高度可调节；

第二无线遥控滑轨，其平行安装在所述检测平台前沿，并且所述第二无线遥控滑轨垂直高度可调节；

第三无线遥控滑轨，其垂直安装在所述检测平台上；

定位测量滑块，其分别安装在所述无线遥控滑轨上，能够在所述无线遥控滑轨上滑动；

无线传输模块，其电联所述定位测量滑块；

工控机，其分别电联所述定位测量滑块以及所述无线传输模块，用于对数据进行接收、输出以及检测。

优选的是，所述定位测量模块包括激光定位探头以及激光测距传感器。

优选的是，所述无线传输模块采用zigbee无线传输模块。

一种整车外部尺寸快速检测方法，包括如下步骤：

步骤一、调整待检测车辆，使所述车辆通过检测平台；

步骤二、使调整后的车辆进入检测区域后，调整无线遥控滑轨高度，按照采样周期，采集所述车辆的长度l、宽度d以及高度h，同时，监测待检测车辆在通过检测平台时的车速v以及方向盘转角β；

步骤三、依次将参数进行规格化，确定三层bp神经网络的输入层向量x＝{x1,x2,x3,x4,x5}；其中，x1为待检测车辆长度系数、x2为待检测车辆宽度系数、x3为待检测车辆高速系数、x4为待检测车辆在检测平台上行驶的车速系数、x5为待检测车辆在检测平台上行驶的方向盘转角系数；

步骤四、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；

步骤五、得到输出层向量o＝{o1,o2}；其中，o1为数据可用，o2为数据不可用，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，i为数据状态值，i＝{1,2}，当ok为1时，此时检测装置处于ok对应的数值状态；

步骤六、如果输出层为数据不可用，则将待检测车辆重新进行检测。

优选的是，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

优选的是，步骤三中，将车辆长度l、车辆宽度d以及车辆高度h，车辆在通过检测平台时的车速v以及方向盘转角β进行规格化的公式为：

其中，xj为输入层向量中的参数，xj分别为测量参数l、d、h、v、β，j＝1,2,3,4,5；xjmax和xjmin分别为相应测量参数中的最大值和最小值。

优选的是，所述中间层及所述输出层的激励函数均采用s型函数fj(x)＝1/(1+e^-x)。

本发明与现有技术相比较所具有的有益效果：采用bp神经网络的运算方法，对整车外部尺寸做出实时快速检测，并且将结果输出，进行数据可靠性判断，运行可靠，操纵简便，能够同时处理多参数、非线性系统的检测问题，能够根据装置工作过程中对得检测车辆进行整体全面的数据进行有效检测，使用本方法系统工作更稳定，数据更准确，具有良好的现实意义。

附图说明

图1为本发明所述的总体流程示意图。

图2为本发明所述基于神经网络的检测方法流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供一种整车外部尺寸快速检测装置，其主体结构包括：检测平台、第一无线遥控滑轨110、第二无线遥控滑轨120、第三无线遥控滑轨130、速度传感器140、角度传感器150、无线传输模块200以及工控机300；其中，检测平台为矩形结构，待检测车辆能够在检测平台上行驶，在行驶的过程中间进行检测，进而对检测数据进行判断，第一无线遥控滑轨110对称平行安装在检测平台的两侧，并且第一无线遥控滑轨110垂直高度可以调节，第二无线遥控滑轨120平行安装在检测平台的前沿，并且第二无线遥控滑轨120垂直高度可以调节，第三无线遥控滑轨130垂直安装在检测平台上的一个顶角，第一定位测量滑块111安装在第一无线遥控滑轨110上，能够在第一无线遥控滑轨110上进行滑动，第二定位测量滑块121安装在第二无线遥控滑轨120上，能够在第二无线遥控滑轨120上进行滑动，第三定位测量滑块131安装在第三无线遥控滑轨130上，能够在第三无线遥控滑轨130上进行滑动，无线传输模块200分别电联第一定位测量滑块111、第二定位测量滑块121、第三定位测量滑块131、速度传感器140以及角度传感器150，工控机300分别电联第一定位测量滑块111、第二定位测量滑块121、第三定位测量滑块131、速度传感器140、角度传感器150以及无线传输模块200，用于对数据进行接收、输出以及检测判断。

在另一种实施例中，测量平台是测量的水平基准面及高度尺寸的基准零点，规格为4000m×14000m的面积，由规格为20×20的小块结构拼接而成，单块测量平台的平面度≤0.5mm，拼装后整块测量平台的平面度≤1mm；两块平台对接面垂直度≤0.05mm；其余垂直面的垂直度≤0.15mm；该平台的基础结构型式采用箱形半包围结构，网格状加强筋，加工分铸造、粗加工、精加工三个阶段，需进行两次人工时效处理：铸件毛坯进行时效处理，以消除铸造时所产生的内应力；粗加工后，精加工前进行第二次时效处理，以消除机加工产生的应力和残存内应力。测量平台精加工后对工作表面进行人工刮研处理。

在另一种实施例中，无线遥控变频滑轨，采用空心梁式结构，高强度铝合金，定位精度达到0.05mm，水平承重27.5kg；驱动力强，垂直提升力10kg；采用2.4g无线模块互联具有超强抗干扰性和超灵敏反应速度，彻底摆脱一大堆线缆的束缚，其内部集成的步进电机可实现导轨的变速移动。

在另一种实施例中，定位及测量滑块是该系统的关键部件，由三部分组成，激光定位探头、sankoe激光测距传感器和zigbee无线传输模块，其中探头和传感器有严格的位置装配关系，是测量的核心部分，激光器由激光管、晶体及玻璃镜片组成，输出波长为532nm，输出功率：45-55mw；在本发明中的zigbee无线传输模块由两部分组成：coordinator(主节点)和router(从节点)，因为按照坐标系整车尺寸从三个方向上测量，因此，本系统有一个主节点和三个从节点组成，其中，这一个主节点通过rs232串口线与pc主机相连，三个从节点分别与三个方向滑轨上的传感器串口相连，通电后，所有的节点可自动组网，此时可以通过pc主机发送测量指令控制传感器工作，并通过无线网络依次获取三个方向上传感器采集的数据。再经过软件设定的程序，即可获得最终的测量值；

本发明还提供了一种整车外部尺寸快速检测方法，主要包括如下步骤：

步骤一、调整待检测车辆，使待检测车辆通过检测平台；

步骤二、使调整后的车辆进入检测区域后，调整无线遥控滑轨高度，按照采样周期，采集所述车辆的长度l、宽度d以及高度h，同时，检测待测车辆在通过检测平台时的车速v以及方向盘转角β；

步骤三、依次将上述参数进行规格化，确定三层bp神经网络的输入层向量x＝{x1,x2,x3,x4,x5}；其中，x1为待检测车辆长度系数、x2为待检测车辆宽度系数、x3为待检测车辆高速系数、x4为待检测车辆在检测平台上行驶过程中的车速系数、x5为待检测车辆在检测平台上行驶过程中的方向盘转角系数；

步骤四、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；

步骤五、得到输出层向量o＝{o1,o2}；其中，o1为数据可用，o2为数据不可用，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，i为数据状态值，i＝{1,2}，当ok为1时，此时检测装置处于ok对应的数值状态；

步骤六、如果输出层为数据不可用，则将待检测车辆重新进行检测；

其中，采用bp神经网络对数据进行判断，包括如下步骤：

步骤(1)s210、建立bp神经网络模型；

本发明采用的bp网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定；

该网络的数学模型为：

输入向量：x＝(x1,x2,...,xn)^t；

中间层向量：y＝(y1,y2,...,ym)^t；

输出向量：o＝(o1,o2,...,op)^t；

本发明中，输入层节点数为n＝5，输出层节点数为p＝2，隐藏层节点数m由下式估算得出：

输入信号5个参数分别表示为：x1为待检测车辆长度系数、x2为待检测车辆宽度系数、x3为待检测车辆高速系数、x4为待检测车辆在检测平台上行驶过程中的车速系数、x5为待检测车辆在检测平台上行驶过程中的方向盘转角系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同，因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数；

归一化的公式为其中，xj为输入层向量中的参数，l、d、h、v、β，j＝1,2,3,4,5；xjmax和xjmin分别为相应测量参数中的最大值和最小值，采用s型函数。

具体而言，对于使用第一定位测量滑块111测量的车身长度l，进行规格化后，得到车身长度系数x1：

其中，lmin和lmax分别为第一定位测量滑块111能够测量的最小车身长度和最大车身长度。

同样的，使用第二定位测量滑块121测量的车身宽度d，进行规格化后，得到车身宽度系数x2：

其中，dmin和dmax分别为第二定位测量滑块121能够测量的最小车身宽度和最大车身宽度。

使用第三定位测量滑块131测量的车身高度h，进行规格化后，得到车身高度系数x3：

其中，hmin和hmax分别为第三定位测量滑块131能够测量的最小车身高度和最大车身高度。

使用速度传感器140测量的车速v，进行规格化后，得到车速系数x4：

其中，vmin和vmax分别为速度传感器140能够测量的最小车速和最大车速。

使用角度传感器150测量的方向盘转角β，进行规格化后，得到方向盘转角系数x5：

其中，βmin和βmax分别为角度传感器150能够测量的最小方向盘转角和最大方向盘转角。

输出层2个参数分别表示为：o1为数据可用，o2为数据不可用，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，i为技术状态值，i＝{1,2}，当ok为1时，此时检测装置处于ok对应的数值状态。

步骤(2)s220、进行bp神经网络的训练；

建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值wjk，隐层节点j的阈值θj，输出层节点k的阈值θk、wij、wjk、θj、θk均为-1到1之间的随机数。

在训练过程中，不断修正wij和wjk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值，表2为训练用的输出样本。

表1训练过程各节点值

表2网络训练用的输出样本

步骤(3)s230、将第一定位测量滑块111、第二定位测量滑块121、第三定位测量滑块131、速度传感器140以及角度传感器150的运行参数输入神经网络得到检测技术状态。

使用第一定位测量滑块111、第二定位测量滑块121、第三定位测量滑块131、速度传感器140以及角度传感器150测量初始车辆长度l、车辆宽度d、车辆高度h、车辆在通过检测平台时的车速v以及方向盘转角β，通过将上述参数规格化后，得到bp神经网络的初始输入向量通过bp神经网络的运算得到初始输出向量

通过上述设置，通过bp神经网络算法，对整车进行整体快速检测，并且对检测数据可行性进行判断。

在另一种实施例中，中间层及输出层的激励函数均采用采用s型函数fj(x)＝1/(1+e^-x)。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。