[发明专利]一种适用于汽车衡的称重方法

说明书

技术领域

本发明涉及一种适用于汽车衡的称重方法。

技术背景

汽车衡是衡器的重要分支，主要用于大宗货物计量。目前模拟式电子汽车衡占据汽车衡市场的主导地位，其主要由承重传力机构（秤体）、模拟称重传感器、称重显示仪表三大主部件组成。汽车衡根据量程不同，一般具有4~12路称重传感器。这些传感器按照一定拓扑结构，对称地分布在秤体下方，构成了一个多传感器系统。该多传感器系统存在耦合性，各路传感器输出相互关联，并与载荷加载位置有关。汽车衡在模拟接线盒中将各路称重传感器的输出信号集中累加，获得一个与被测载荷质量成比例的电压信号，经信号调理、A/D转换后，由单片机处理获得称重结果，送显示、通信，完成被测载荷的称重。偏载误差和线性度误差是影响汽车衡称重结果准确性的两个主要因素。偏载误差是由于汽车衡受各种非线性因素的影响，被测载荷处于汽车衡承载面上不同位置时，称重结果不一致而产生的误差；线性度误差是由于各路称重传感器的特性不一致，导致汽车衡的输入与输出并非理想的线性关系，从而产生的称重误差。现有汽车衡的偏载误差与线性度误差补偿过程是分开的，传统的偏载误差补偿方法是通过人工反复调节汽车衡接线盒中电阻器，改变每路传感器通道增益，补偿偏载误差，这种方法人工操作繁琐，工作效率低，补偿效果差；为此，有学者提出多元线性回归方法（“大型衡器系统偏载荷数字化补偿方法的研究”，陈昌，王孝良，秦子君，大连理工大学学报，1994, 1）、利用线性方程组求解角差修正系数的方法（“基于先进数据处理技术的智能称重传感器研究”，朱子健，南京航空航天大学博士论文，2005），但这些方法不能解决因拓扑结构所带来的各传感器输出关联性问题，也没有考虑汽车衡各种非线性因素影响，因此补偿效果较差；有学者采用神经网络方法进行汽车衡偏载误差与线性度误差补偿（“基于多传感器信息融合的汽车衡误差补偿”，林海军，滕召胜，迟海，等，仪器仪表学报，2009,6；“基于多RBF神经网络的汽车衡误差补偿”，林海军，滕召胜，迟海，等，湖南大学学报，2010,5），虽然能大大减少称重误差，但是神经网络需要大量的训练样本，工作量大；工作量大的主要原因是汽车衡量程大，测试时需要的标准砝码多、加载点多，称重信息获取不易。现有汽车衡线性度误差补偿是在偏载误差补偿完成后，利用如下方法完成：首先利用不同重量的标准砝码依次加载在汽车衡秤体上，获得目标称重结果与实际称重结果，然后将实际称重结果倍乘修正系数，使之等于目标称重结果。这种方法是在基于汽车衡输入-输出为线性关系的基础上的，与实际相差较大，因此补偿效果较差。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种新的适用于汽车衡的称重方法：即利用神经网络良好的逼近非线性函数能力，构造汽车衡的实际称重模型；同时利用汽车衡的理想称重模型构造神经网络的约束条件，以减少神经网络训练所需的样本，降低工作量，完成汽车衡实际称重模型的优化，最终实现汽车衡准确称重与误差补偿。

本发明的目的通过下述技术方案予以实现：

所述称重方法包括使用称重传感器、数据采集装置、微处理器和显示器；所述称重传感器通过数据采集装置与微处理器连接；所述显示器与微处理器连接；所述称重方法的步骤包括建立称重数学模型、称重信号采集、在线称重；所述建立称重数学模型的数学模型包括理想称重模型、实际称重模型及它们的训练方法，其步骤：

1）所述理想称重模型为线性函数；所述线性函数的输入为N路称重传感器输出的数据                                               ，输出为A(X)；其输入-输出关系表达式为公式（1）：

      （1）；

式中，p_i为称重传感器的增益系数，其值通过对理想称重模型进行训练获得；

2）所述实际称重模型为三层BP神经网络，第一层为输入层，第二层为隐含层，第三层为输出层，它们的网络结构分别如下：

输入层的神经元数量N为称重传感器的个数；

隐含层的神经元数量M=，式中：k=1~10为修正系数；L为输出层的神经元数量；隐含层激励函数采用Log-Sigmoid函数，即输出为公式（2）：

                    （2）；

输出层的神经元数量L为1个；输出层激励函数采用线性函数；输出层的神经网络输出为公式（3）：

     （3）；