基于数据驱动的货车载重量在线估计方法

本发明涉及车辆工程领域，具体涉及一种基于数据驱动的货车载重量在线估计方法。

背景技术：

1、货运车辆超载运输已经成为导致道路交通事故的主要原因之一。货车超载导致发动机超负荷运作，油耗增加，影响车辆的使用寿命。为避免超载加剧车辆的损耗以及保证人员生命和财产安全，采用更加精准的货车载重估计方法可有效预防由超重导致对的交通安全事故。

2、早期采用的基于地磅设备的静态称重技术，能够得到高精度的载重值，但过程繁琐，需对车辆进行频繁停驶，又因场地固定，容易造成拥堵和效率低下等方面的问题；后期发明的动态称重设备，一定程度上解决了效率低下以及车辆通过性的问题，但同样受设备安装条件等因素的影响。近年来，发明的基于介入式传感设备采集车辆承重部件变形量的方法，能够实现车辆载重的全过程监测，但需要依靠传统的车辆载荷计算方法，且存在传感器安装和后期维护困难、以及车辆行驶过程中受到的道路条件干扰等问题；另外，车辆称重还可以通过车载传感器收集车辆行驶过程中的速度和发动机扭矩等参数利用车辆动力学方程或者建立神经网络学习模型来实现，目前针对该方法的实施过程通常需事先假定试验场景，而且对部分数据的采集与处理方式要求较高，运用到实际问题中难度较大。

3、本发明采用数据驱动的方法在线估计货车的载重量。针对货车静止状态和行驶状态分别构建了适用的网络模型。首先，利用位移传感器获取货车钢板弹簧的变形量，通过构建bp神经网络模型对输入数据进行训练来对静止状态下的货车进行载重量的估计；其次，建立基于卷积神经网络的深度学习模型对车辆行驶状态下的速度、加速度和发动机转速等特征进行提取和训练，以此达到动态质量估计的目的；最后利用静态模型得到的质量值对动态模型的输出进行校核，根据误差精度的实际要求适当调整卷积神经网络中的参数。利用本发明提出的货车载重量在线估计方法，预测精度高且具有较高的可靠性，同时也可避免外在复杂称重设备的安装，节省人力和物力。

技术实现思路

1、为解决现有技术存在的不足，本发明提供了一种基于数据驱动的货车载重量在线估计方法，具体方案如下：

2、s1.构建静止状态下货车载重量估计的数据驱动模型

3、包括两个阶段：第一阶段是数据的采集和预处理过程，针对位移传感器采集货车的钢板弹簧变形量，通过归一化的手段将其换算到[0，1]范围内，以加速模型的收敛；第二阶段是bp神经网络模型的设计，主要利用预处理后的数据对网络模型进行训练以期得到货车载重量的信息。

4、s2.构建行驶状态下货车载重量数据驱动模型

5、包括两个阶段：第一阶段是数据的采集和预处理，对车载传感器采集到的货车行驶状态的速度v、加速度a以及发动机转速n进行预处理，便于网络模型的训练；第二阶段是卷积神经网络模型的构建，在网络模型中对输入信号进行特征的提取和转化，并在每层卷积层后使用relu激活函数来最大程度避免过拟合问题的发生。

6、s3.修正卷积神经网络模型并输出结果

7、采用静止状态下的数据驱动模型对行驶状态下的模型进行修正。当货车由行驶转为静止时，利用静止状态下的数据驱动模型再一次对货车的载重量进行估计，将估计结果和行驶状态下的结果进行比较，用于修正行驶状态下的数据驱动模型，调整卷积神经网络的层数、卷积核大小以及步长等超参数重新得到输出质量。

8、进一步地，步骤s1具体为：

9、s1.1数据采集和预处理

10、处于静止状态下的货车，其钢板弹簧受到负载后将产生弹性变形，通过位移传感器收集不同位置的弹簧变形量。弹簧在某一载重量下的形变量可通过下式计算得到：

11、l＝l1-l2式中：l1、l2分别为钢板弹簧加载和空载状态下位移传感器收集到的数据。

12、为了加速数据驱动模型的收敛速度，以及避免陷入局部极小值的问题，对收集到的初始数据进行归一化处理，变换公式如下：

13、

14、式中：l′为归一化后的数据；l为原始数据；lmax、lmin分别为测量数据的最大值、最小值。

15、s1.2设计bp神经网络模型

16、静止状态下的数据驱动模型通过构建bp神经网络来实现。bp神经网络是一种按照误差逆向传播算法的多层前馈神经网络，其结构主要包括输入层、隐含层和输出层。将归一化处理后的钢板弹簧变形量经输入层输入bp神经网络进行正向传递，根据网络的输出结果决定误差反向传递的次数。

17、神经网络中输入层与输出层的神经元个数可由输入数据和输出结果确定，但隐含层作为神经网络中最重要的结构，其神经元个数需通过下面的公式对范围进行初步的估计。

18、

19、式中：h为隐含层神经元个数；m、n分别为输入层和输出层神经元个数，取4和1；a为1～10之间的正整数。

20、经上述公式计算得出隐含层神经元个数范围为[4,12]，从h＝4开始构建神经网络进行训练，通过比较网络输出与期望值的误差，选择最合适的隐含层神经元个数。

21、输入数据经隐含层处理后传递至输出层。当网络输出与目标值的误差不符合精度要求时，将误差通过隐含层向输入层逐层传递并均摊至各层的所有神经元，获得各层的误差信号，以此对各层神经元之间的权值和阈值进行调整。调整之后重新进行正向输入，直至输出误差符合要求。

22、以第k次训练为例，记输入数据为χ(k)，实际输出值为z(k)，目标输出值为z′。bp神经网络正向输入算法如下：

23、

24、

25、式中：y(i)为隐含层第i个神经元的输出值；wij为输入层第j个神经元与隐含层第i个神经元的连接权值；θi为隐含层第i个神经元的激活阈值；vi为隐含层第i个神经元与输出层神经元之间的连接权值；r为输出层神经元的激活阈值。

26、对网络输出质量和目标质量计算误差：

27、e(k)＝z(k)-z′

28、将误差作为目标函数对各层神经元之间的权值进行调整。利用调整后的权值重新计算网络的输出误差，直至误差符合精度要求为止。权值调整过程如下。

29、

30、

31、式中：α∈(0，1)，为动量系数；η∈(0，1)，为学习率。

32、学习率反映了每次参数更新的幅度大小。若选择过小，则收敛速度太慢；若选择过大，则可能跳过最佳修正点。故可先设定一个较小的数值，然后根据模型训练过程中误差的变化进行调整。

33、进一步地，步骤s2具体为：

34、s2.1采集数据和预处理

35、通过车载传感器采集货车行驶过程中的加速度、速度以及发动机转速，进行滤波和标准化预处理，去掉异常数据以及对数据归一化处理，提高模型的训练速度，之后再将采集到的数据输入卷积神经网络模型。

36、s2.2构建货车载重量动态估计的卷积神经网络(cnn)模型

37、行驶状态下的数据驱动模型通过构建卷积神经网络来实现。利用卷积算法将车载传感器采集到的货车行驶速度、加速度和发动机转速对卷积神经网络进行训练，使其拟合输入数据与货车载重量之间的映射关系，最终得到质量的输出值。

38、本发明提出的基于数据驱动的卷积神经网络模型由输入层、卷积层、池化层、全连接层以及输出层组成。

39、将车载传感器采集的货车行驶速度、加速度以及发动机转速等特征经过预处理之后输入卷积神经网络，通过卷积层中的卷积核对特征图进行元素的乘法求和并叠加偏差量，用于提取输入数据中与载重量相关的特征信息，具体算法如下：

40、

41、上式中，

42、

43、表达式中：b为偏差量、zl-1和zl为第l层的卷积输入与输出，也称特征图、z(i，j)为特征图的大小、k为特征图通道数、f为卷积核大小、s0为卷积步长、p表示填充层数。

44、经卷积层提取过的数据会被传递到池化层继续进行特征的选择与过滤，同时减少下层卷积层的大小。选择极大值池化的方法进行池化层的操作能够减小卷积层参数误差造成的估计均值的偏移。多重提取后的特征参数需在全连接层中被再次整合之后经输出层输出，以此建立输入数据与载重量之间的映射关系，由卷积神经网络输出得到行驶状态下货车的载重量信息。

45、本发明所达到的有益效果为：

46、1.本发明采用bp神经网络与卷积神经网络相结合的方法对货车载重量进行在线估计，依据车速判断选择数据驱动的方法，可以同时满足静止状态(车速为0)与行驶状态下(车速大于0)对货车称重的需求，提供了多种状况下称重的随机性。避免了车载式称重设备对车体结构的过分改造以及外在环境中复杂称重设备的安装，既能保证货车行驶过程中的安全稳定，又节省人力和财力。

47、2.本发明以货车钢板弹簧的变形量作为数据输入bp神经网络模型，并对网络预测模型进行训练和测试，建立货车载重量静态估计模型，可只利用传感器采集到的变形量数据在线估计货车的载重量，比传统称重技术节省大量的时间和成本，并可精确在线估计货车的载重量。

48、3.本发明基于货车实际运行中产生的多种传感器数据，利用卷积神经网络自动特征提取的优势，建立更科学有效的货车载重量在线估计的动态数据驱动模型，并可利用静态估计模型对其网络结构参数进行自动优化，更准确估计货车实时运行过程中的载重量，摆脱了传统数理模型的使用，称重过程中几乎不会受到外部因素的干扰，能够更加便捷地得到货车的载重量信息。