[发明专利]一种适用于汽车衡的称重方法

摘要

本发明公开了一种适用于汽车衡的称重方法，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；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；建立称重数学模型的模型包括理想称重模型、实际称重模型及它们的训练方法；理想称重模型为线性函数；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；在线称重前，必须对理想称重模型和实际称重模型进行设定样本数量的训练，训练过程在微处理器与外部计算机连接的情况下进行，采集设定数量的样本信息，以理想称重模型及其导数为约束条件，最后获得实际称重模型参数W、b⁽¹⁾、V和b⁽²⁾保存在微处理器中，然后撤离外部计算机。

主权项

1.一种适用于汽车衡的称重方法，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；其特征在于：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）；式中，W为神经网络输入层到隐含层的权矩阵，b⁽¹⁾为隐含层偏置向量，V为隐含层到输出层的权向量，b⁽²⁾为输出层偏置值，X为神经网络输入向量，w_mi为输入层第i路输入到隐含层的第m个神经元的连接权值，为隐含层第m个神经元的偏置值，v_m为隐含层第m个神经元到输出层的连接权值，x(i)为输入层第i路输入；3）在汽车衡投入在线称重前，必须对理想称重模型和实际称重模型进行设定次数的训练，训练过程在微处理器与外部计算机连接的情况下进行，以理想称重模型及其导数为约束条件，最后获得实际称重模型参数W、b⁽¹⁾、V和b⁽²⁾保存在微处理器中，然后撤离外部计算机；外部计算机中安装有专用训练软件；对实际称重模型进行训练的步骤如下：ⅰ）采集训练样本：准备一定数量的标准砝码，每个标准砝码质量不同，将不同质量的标准砝码随机加载在汽车衡秤体上，N路传感器就有N个输出数据，N个输出数据和对应的标准砝码质量构成一组训练样本保存在外部计算机中；ⅱ）构造训练目标函数，其关系表达式为公式（4）：（4）；ⅲ) 求汽车衡理想称重模型的导数，其关系表达式为公式（5）：（5）；ⅳ) 求理想称重模型在训练目标函数中的权重系数，其关系表达式为公式（6）：（6）；ⅴ) 求第三层输出层的导数，其关系表达式为公式（7）：（7）；ⅵ）分别求W、b⁽¹⁾、V和b⁽²⁾的增量，、、，并对W、b⁽¹⁾、V和b⁽²⁾进行更新，它们的关系表达式分别为公式（8）、（9）：（8）（9）式（9）中，、、、分别为、、、更新后的值，、、、分别为、、、更新前的值；vii) 设置训练初始条件，按照公式（6）~（9）进行设定数量的训练，使训练产生的误差值在设定范围内，分别获得输入层到隐含层的权矩阵W、隐含层偏置向量b⁽¹⁾、隐含层到输出层的权向量V、输出层偏置值b⁽²⁾的最终值，并保存在微处理器的储存单元中，供汽车衡在线称重时被调用；在对理想称重模型的训练过程中，首先利用实际称重模型训练过程中采集的训练样本，然后利用最小二乘法进行训练，获得最终的模型系数p_i，其关系表达式为公式（10）：（10）式（10）中，P为由p_i的向量，即P=[p₁,p₂,…,p_N]^T，N为称重传感器的个数；X=[X₁,X₂,…,X_j,…,X_K]为输入样本矩阵，Y=[y₁, y₂,…y_j,…,y_K]。