白云高空车出租公司， 高空车出租，白云高空车出租     RBF 神经网络高空车载重估计实验方法？

  1 实验介绍： 为了测试称重系统实际工作的可行性和稳定性，安装在高空车上并进行动态称重测试，结合实际情况，选取一辆型号为 CLX250 的高空车进行车载动态称重实验。本次实验要测量车身与车轴距离值、倾斜度值、温度值，具体原理已经在前面章节中讲述。根据高空车结构，将永磁体固定在高空车的底筒处，霍尔传感器安装于固定在车轴上的连杆，使得传感器于永磁体成平行运动状态。受到实验条件的限制，对于称重传感器的安装没有做专门的机械结构设计，采用较为简化的安装方法将其固定在车身上。其他传感器与车载系统放置在高空车后备箱中，计算机通过串口方式获取倾角传感器、温度传感器等数据。静态称重数据采集： 数据采集的输入由两轴称重传感器、倾角传感器、温度传感器构成。实验装载量为 60~105kg，以等差的方式分为 10 组。实现通过改变高空车载荷量的方法来进行称重。实验高空车测试的载荷量范围为5860kg-105kg，一次以 5kg 为单位增加测试高空车的载荷量，每次改变载荷量后先进行静态数据采集，采集时间为 10 秒；然后再选择一段路面较为平缓的道路，高空车以 20km/h 的速度行驶进行动态采集，所采集的数据包括高空车载荷信号、环境温度信号和高空车倾角信号，标准静态称重值。可以看出，随着高空车载荷量的增加，车身相对于车轴有明显的位移量变化。且载重量与位移量有着唯一对应的映射关系。所以可以通过实验数据采集，来确定载重量与车身相对于车轴位移量的动态映射关系，从而提高动态称重的精确度。将实验获取的各项数据作为测试集对 RBF 神经网络进行训练，为了训练样本更具有代表性，对于每一组不同载重量的数据随机抽取 10 组数据，共 100 组数据作为训练集。将训练集的每一组的称重信号、温度信号和高空车倾角信号一起作为输入信号，进行 RBF 神经网络的训练，同时静态情况下采集的数据作为期望输出值。

   白云高空车出租公司， 高空车出租，白云高空车出租

   2 基于 RBF 神经网络载重结果分析： 将车载动态称重训练集导入径向基神经网络模型进行训练，当训练误差达到设定的目标后，完成训练并停止，在进行 此训练后，神经网络的训练误差达到目标值。为了验证算法的正确性，在整个动态采集数据中随机抽取 50 组数据作为测试集进行验证。将测试集输入到 RBF 神经网络后可以得到数据处理后的位移预测量，将测试集的预测值和实际测量得到的静态值进行比较。通过 RBF 神经网络处理后的动态称重数据与静态测量值相比可以看出，预测值与静态值的误差较小。由此说明，通过神经网络处理后的高空车动态载荷位移值几乎不受其他影响因素干扰，非常接近高空车静态载荷时的位移值。由此，可以通过神经网络处理后的位移量建立高空车载荷值与前后轴之间的函数关系式，从而计算得到整车的载荷量。所以，高空车的动态称重就转化为高空车静态下的载重量计算。

   3 拟合结果分析，当高空车装载不同重量的货物时，高空车车身对车轴的相对位置会产生不同程度的位移，根据称重设备测得的前后轴位移量，可以计算出高空车所装载货物的质量。为验证提出的动态称重系统的实际应用可行性，进行实车试验。在高空车行驶过程中采集高空车的货物载荷量与车身对前、后轴的位移量，然后利用最小二乘法建立高空车载荷量与车身与前、后轴的位移量的关系。其相关系数为：0.9989。经过 RBF 神经网络处理后的车身对车前、后轴位移量与高空车载荷量的数据同样采用最小二乘法进行曲线拟合。随机抽取 20 组动态载荷的实验数据，进行数据处理前、后的最终预测值数据对比。将未经过算法处理的称重值 Go、经过改进卡尔曼滤波和 RBF 神经网络计算的称重值 Gf、高空车的实际载重量 Gt 进行比较，在进行称重算法处理前的称重测量值的误差绝对值超过了 4%，其中还有一部分的结果误差绝对值超过了 6%。而进行称重算法处理后的测量值的误差绝对值控制在了 4%以内，该误差范围满足车载动态称重系统的设计性能要求。计算测试集样本称重误差的平均误差、误差方差、最大误差和最小误差,得到最终的计算结果。数据处理后的称重算法所得的称重平均误差，明显小于未数据处理的称重算法，改进卡尔曼滤波的称重算法精确度更高。应用改进卡尔曼滤波的称重算法所得的称重误差方差更小，说明滤波处理后的称重数据平滑性更好。由此可以说明此算法能够有效的处理车载动态称重系统所采集到的称重数据，对于称重计算的精确度有很大的提升。

    白云高空车出租公司， 高空车出租，白云高空车出租