基于传感器网络的动态车重测量系统设计

2010-07-09欧全梅韦彬贵

制造业自动化 2010年9期

梁强，欧全梅，韦彬贵

（1. 北海职业学院，北海 536000；2. 柳州职业技术学院，柳州 545006）

0 引言

近年来，公路交通线上各种运输车辆为了追求经济利益的最大化，经常超载运输，不仅给车辆的行车带来安全隐患，同时也给交通设施造成巨大压力。很多公路路面和桥梁因此而大大缩短了使用寿命。目前，为了解决这一难题，各地交警部门往往采用突击检查的方式，对过往货车停车称重，检测其是否有超载的现象。然而这种方式却并不能很好地解决货车超载问题。其一，停车检测效率极低，很容易造成交通拥塞；其二、检查点需要配备大型称重设施，不易挪动，一旦设立很多违规车辆会绕行以避开检查。因此，解决这一问题的最好方法对设计一套可灵活部署的车辆侧重系统，测量过程中无需车辆停车，在其正常行驶过程中完成对货车的重量完成称量。

这也是当前国际上研究非常热门的动态称重方法。然而，由于货车行驶过程中的动态称重实现起来比较复杂，其称重的结果主要受车辆的类型、轮胎数量、行驶速度、行驶过程中的加速度、行驶过程中纵向振动等等因素的影响。目前，国际上一些比较成功的动态称重系统设计误差大约在5%～20%之间，比如德国的PAT动态称重系统、美国的WIM动态称重系统和瑞士的Kistler动态称重系统等等。这些动态称重系统主要采用高精度的压力传感器对车辆重量进行测量，然后设计相关的货车模型，进行建模分析后，建立其实际重量与测量参数之间的关系，以此推测行驶中的货车实际重量。这些系统设计过程中最为关键的是对货车进行建模与分析，国外在这一领域已经有较长的时间积累，并通过实际测量验证，建立起了比较完善和有效的称重数据处理算法。然而我国在这一领域还处于起步阶段，对动态称重的理论和相关模型研究并不深入，因此，本文从车辆称重的基本原理出发，着力研究对车辆行驶压力的研究，避开对车辆复杂模型的分析，提出了一种基于传感器网络的车辆动态称重系统的实现方案。

由于传感器网络是专门针对某一类数据采集和处理的网络，整个传感器网络节点可以随机部署，网络中某一个节点的性能不会对整个传感器网络的信息处理结果造成决定性的影响。因此，使用传感器网络采集货车行驶过程中对路面产生的压力，既能够获得详细、全面的原始数据，又避免了个别节点受车辆颠簸、加速等问题引起得数据测量误差。并且传感器网络节点之间具有很强的协同能力，能够相互协调配合，完成数据的融合与测量误差的消减。

1 动态车重测量原理

车辆行驶过程中的动态测重系统的工作原理是由部署在路面的压力传感器采集车辆行驶过去时产生的压力。车辆行驶的压力主要分成两部分，分别是车辆自身重力产生的压力和行驶过程中各种干扰因素对传感器产生的压力。

图1 传感器受力分析模型

为了简化分析模型，本文将单个传感器所受到的压力情况进行建模分析，如图1所示。传感器中，该传感器所受到的压力分别为车辆分摊在该传感器上的重力、车辆运动过程中产生的压力和探头自身重量，传感器称重探头质量mc产生的压力。压力传感器的弹簧倔强系数为K，u为传感器的等效阻尼系数。S(t)为压力传感器的变形位移。m(t)为车辆分配到该传感器上的压力，mr(t)为车辆行驶时对压力传感器产生的附加压力。由此，可得到传感器的实时压力关系式：

由于传感器节点受力后的位移情况与其受力的动态变化是密切相关，所以定义u(t)=δs(t)，式中δ为传感器节点受力与变形位移之间的系数关系，该参数可以通过静态测试的方法获得。将u(t)=δs(t)代入上式后得到：

考虑到车辆运行过程中的称量，车辆行驶时的动态压力相当于是作用在传感器节点上的一个脉冲压力f(t)，脉冲压力对应的车辆运行状态即为车辆行驶过程中颠簸，对于很短的一个分析片断，可以将颠簸产生的压力等价于一个固有频率的脉冲压力。该压力直接对传感器探头产生作用，但是不影响前面建立的传感器节点受力分析模型。此时得到的探头受力关系式为：

若已知弹簧的倔强系数K、并通过对车辆行驶速度动态分析，得到其颠簸的固有频率ωn和阻尼比值λ，联立上面式2和式3即可计算得到f(t)和等价后的阻尼系数µ。

2 传感器网络数据融合算法

实际部署传感器网络节点时，为了提高测量的精确性，在一个测量点上都部署了一群传感器网络节点。理论上，测量点越多得到的测量结构精度可能越高。然而，由于在这一群传感器节点组成的网络中，不可能每个节点都处于真实压力的最中心。因此在传感器网络对车辆产生压力监测时，会出现离中心压力点越近的地方测量得到的数值与实际值差额越小，而离中心压力点越远，则测量得到的数值误差越大。而在每一次真实的测量过程中，中心压力点却又不是固定不变的，因此，传感器网络节点采集到数据后，需要进行数据的融合处理。本文设计的传感器网络以一个压力测量点作为一个簇，在该簇中选择一个中心汇聚节点，该节点负责对该簇的传感器网络中的数据汇聚融合，同时，也负责与其他传感器簇汇聚节点交换数据。

数据融合的处理流程是在一个传感器网络簇中，所有的节点将采集到压力信息以广播的形式发送给相邻节点，各传感器节点接收到其他节点传递过来的压力数据，根据预先建立起来的节点到中心汇聚节点路由信息进行数据转发。因此，对于各节点采集到压力数据，只有处于中心数据汇聚路径上的节点才转发数据，不在该路径上的传感器节点并不转发数据，因此，这种数据传递方式不会产生广播风暴。各汇聚路径传递的数据最终都集中到中心节点上，中心节点将采用数据融合算法对一个簇内节点数据进行处理。

数据融合算法实现起来并容易，主要是由于中心节点收到的大量信息中，无法判断那些数据是离真实数据差距小，那些是离真实数据差距大，因此，也就无法制定出有效的数据融合算法。这个问题可以用非常经典的“拜占庭问题”进行类比，有关“拜占庭问题”的相关研究和文献已经有很多，本文直接使用前人的相关研究结果：

若节点之间能够传递数据时都附带有各自的身份信息，各节点也能够认证相互的身份。则当传感器节点数为X时，出现拜占庭错误的节点数为k，当k＜=X/3时，可以解决拜占庭错误问题。若k＜=X-2时，需要在数据包中带上身份信息以解决拜占庭错误问题。所有能够解决拜占庭错误问题的数据一定服从最佳的正态分布形式。

按此结论，本文设计的数据融合算法过程为：中心汇聚节点将收集到的各传感器节点传递的信息组成一个数据序列，该序列中有的离真实的测量值差距很小，有的差距很大，所有数值按从小到大进行排列。然后将该序列中的最大值和最小值都舍弃，因为从概率而言，这两个值是与真实的测量值误差最大，算法中如此设计主要时为了提供算法的精度和抗干扰性。最后对剩下的数据按正态分布模型进行统计，逐个遍历选取测量的数据作为正态分布的中心点，得到整个数据序列的正态分布状况，取最接近正态分布情况的中心点作为本次测量的最佳中心点，该数值作为一个传感器网络簇数据融合的输出结果。整个数据融合流程如图2所示。

图2 一个传感器网络簇内节点数据融合流程

通过这种数据融合算法，可以在一个传感器网络簇内将其测量到的所有数据进行综合处理，得到的融合结果是使该网络簇内所有测量结果服从最佳的正态分布形式。该算法能够有效地抵抗传感器网络簇测量过程中不准确的问题。比如传感器受压点位置与预期位置发生偏移，这将导致一部分传感器测量得到的数值比较准确，而另一部分则偏差较大，但所有的测量结果实际是以最中央受力点的压力值为对称轴，整体上服从正态分布。因此采用本文设计的数据融合算法，将自动定位到测量最准确的数值作为中心点，有效避免了测量过程中受力点不均匀的问题。

3 测试结果

车辆动态测重系统的实际工作性能是检验本文设计方案的最终标准。本文在实验过程中选择大众宝莱1.6TL型的小轿车作为测试对象。该车的主要物理参数如表1所示。

表1 大众宝莱1.6TL型的小轿车主要物理参数

测量过程中，驾驶员自身重量70kg，车辆已不同加速度和行驶速度通过布有传感器测重网络平台，得到的测试结果如表2所示。

表2 大众宝莱1.6TL型的小轿车行驶过程中测重结果

测试结果表明本文设计的动态车重测量系统受车辆行驶的加速度影响比较大，其中在车辆为20km/h的速度行驶，进行的一组对比测试对比非常明显，当加速度提高4倍后，测量结果的误差明显放大。其余在恒定加速度的情况下，随着车辆行驶速度的增加，动态测重的精度有所下降，但幅度不大，总体的测量误差基本可以控制在8%以内，达到实用要求。