基于BP神经网络的车辆动态载荷算法研究

张学文 王满力 魏芳

摘 要：货车超载问题一直是我国影响交通安全的重要因素。传统的称重系统主要是静态称重，虽然静态称重的精度高，但存在耗时较长，效率低的问题。文章根据模拟实验，在BP神经网络的基础上，对车辆动态荷载算法进行了研究。

关键词：动态称重；车辆载荷；BP神经网络

中图分类号：U461.99 文献标识码：A 文章编号：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

近年来，我国的经济水平不断提高，交通运输行业也在蓬勃发展，其中的公路运输是重要的组成部分。但是，由于超载现象的存在，对交通安全造成了很大威胁，传统的检查超载的方式主要是静态称重，虽然静态称重精度高，但是耗时较长，执行效率低，不能实时的检测车辆的载荷情况。在这样的背景下，本文根据模拟实验，采集了大量数据，在BP神经网络的基础上，对车辆动态载荷算法进行了研究。

1 计算原理

本文实验中采用的模型为二轴货车车架模型，车辆受力情况与车辆载荷关系如图1所示。

其中，A、B分别为前、后轮与地面的接触点，α为坡度角，Frf和Frr分别为前、后车轮的滚动阻力，Ftf和Ftr分别为前轮、后轮驱动力，其中如果车辆为前驱，则Ftf为零，若车辆为后驱，则Ftf为零。Ff、Fr分别为地面对前、后轮的法向作用力，V为车辆行驶速度。

则车辆的整车载荷为：

Ff、Fr分别为车辆前轴与后轴的载荷。其中作用在前后轴的载荷由两个部分组成。

1.1 静态载荷

该部分为车辆重力分配到前后轴的分量产生的地面法向反作用力。

1.2 动态分量

该部分为汽车行驶中由于加速度变化引起的地面法向反作用力。

由此可知，车辆在行驶过程中由于加速减速以及路况的变化，会引起车辆前后轴载荷的分布变化。

1.3 动态称重系统

车辆动态称重系统总框图如图2所示，传感器安装位置如图3所示。

2 实验设计与数据采集

本实验中采用的车架模型为全金属车架，其悬架为钢板弹簧悬架，减速箱采用行星齿轮结构，轮毂采用铝合金制造而成，轮毂施加有配重，保证模型的重心较低与行驶平稳性。

实验中采用的位移传感器为夏普红外距离传感器，检测车架与车轴之间的距离变化；通过MPU6050采集车辆的加速度数据；传感器采集的数据直接上传到K60单片机，单片机通过无线模块将数据发送到上位机。

实验时，采用0.5kg的标准重物块，依次加载到实验车，分别采集了车辆的静态数据和动态数据，静态数据见表1，动态数据见表2。

3 BP神经网络算法原理及结果分析

BP神经网络是一种分层型的多层神经网络结构，包含有输入层、隐藏层及输出层，层与层之间多数采用全连接方式，同一层神经元之间不存在相互连接。

本文搭建的BP神经网络为单隐层的BP神经网络。输入量分别为钢板弹簧位移信号与加速度信号；隐藏层采用5个隐藏层神经元；输出量为钢板弹簧位移信号预测值。BP神经网络结构图如图4所示。

本文采用Matlab2016a中包含的神经网络工具箱处理实验数据，根据软件中自带的函数建立本文设计的神经网络算法训练，具体步骤如下：

1）选择归一化函数mapminmax对数据进行归一化处理。

2）确定训练数据及测试数据。

3）创建神经网络。

4）分别使用tansig函数、purelin函数作为隱藏层及输出层的传输函数；选用trainglm函数训练整个网络。

5）制定网络训练参数。训练次数为20000，最小性能梯度为1e-7，目标精度为0.01%，学习率为0.01。

当迭代次数为159时，训练精度已经达到了目标精度。由结果可知，通过BP神经网络建立的动态称重系统在误差允许范围内是一致的。处理结果见表3。

4 结论

针对当前称重系统的不足之处，本文提出了一种车载式车辆荷载质量动态称重系统的设计方案，并进行了算法研究，提出基于BP神经网络的动态载荷计算方法。

参考文献

[1] 李惠敏.车载动态称重系统的研究与设计[D].太原理工大学，2016.

[2] 贺清梅.公路超限运输多元治理模式研究[D].长安大学，2014.

[3] 朱杰，明平顺.载重汽车荷重测量方法初探[J].武汉汽车工业大学学报，1996，18（2）.

[4] 程路，李青，张宏建.基于软质电容式称重传感器的车辆动态称重系统[J].计量学报，2008（04）：334-338.

[5] 郝晓娴.车载动态治超监控系统的研究与设计[D].太原理工大学，2017.