一种基于神经网络的胎压式实时车载称重方法、系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115931096A(43)申请公布日2023.04.07(21)申请号202211615423.5G06N3/04(2023.01)(22)申请日2022.12.15G06N3/006(2023.01)G06N3/08(2023.01)(71)申请人南京工程学院G06F111/08(2020.01)地址211167江苏省南京市江宁区弘景大道1号(72)发明人羊玢李安楠冷妍吴金国李鑫高峰袁梦丽葛梦琪(74)专利代理机构北京康隆智佳专利代理事务所(普通合伙)11704专利代理师祁永强(51)Int.Cl.G01G19/03(2006.01)G01D21/02(2006.01)G06F30/27(2020.01)G06F18/214(2023.01)权利要求书4页说明书9页附图3页(54)发明名称一种基于神经网络的胎压式实时车载称重方法、系统(57)摘要本发明涉及车辆称重技术领域，具体涉及一种基于神经网络的胎压式实时车载称重方法、系统；在本方法中，通过传感器获取车辆行驶过程中的胎压、胎温、倾角和车辆位置等信号，利用小波重构以及GA‑PSO‑BP神经网络模型得到精确的车辆实时称重结果，并判断得到车辆是否超载以及是否存在货物丢失风险的信息；该系统能够根据判断结果对驾驶员发出警报提醒，并上传到云端和路政系统进行记录以及监控管理；本方案可实现高效的实时车载称重，有效解决了现有的称重技术效率低下等问题。CN115931096ACN115931096A权利要求书1/4页1.一种基于神经网络的胎压式实时车载称重方法，其特征在于，该方法包括以下步骤：(1)在待称重的车辆每个轮胎内部分别安装压力传感器和温度传感器，在车辆上安装定位装置，并在车辆底盘安装倾角传感器；(2)将每个传感器专属的id信息以及与该传感器相对应的轮胎位置安装信息写入到称重系统中；(3)称重系统接收来自各传感器发送的信号并将该信号转换为数字信号，对转换后的数字信号进行小波重构得到去噪后的车载称重信号；(4)将所述去噪后的车载称重信号作为GA‑PSO‑BP神经网络的输入端，将汽车载重量作为神经网络模型的输出端，通过多组数据训练GA‑PSO‑BP神经网络，对训练结果进行比较，确定最优的神经网络模型，将所述车载称重信号输入该最优的神经网络模型，得到车载称重结果；(5)所述称重系统内预设有称重变化阈值，将所述车载称重结果与历史称重结果进行实时对比，若所述车载称重结果相较历史结果的降低值大于所述称重变化阈值，则判断车辆存在货物丢失的风险，所述称重系统对该风险进行记录；若所述车载称重结果大于历史称重结果，则判断车辆存在超载风险，所述称重系统同样对该风险进行记录；(6)所述称重系统将所述车载称重结果、通过各传感器得到的车辆工况以及所述货物丢失风险信息反馈给驾驶员。2.根据权利要求1所述的基于神经网络的胎压式实时车载称重方法，其特征在于，在所述步骤(4)中，所述GA‑PSO‑BP神经网络模型的实现过程包括以下步骤：(4.1)将所述去噪后的车载称重信号作为样本数据，建立训练测试集和测试数据集：建立特征向量集T，T中的每一个特征向量均包含5个元素，选取N个特征向量作为训练样本建立训练数据集，T中其余特征向量作为测试样本建立测试数据集；(4.2)初始化GA‑PSO‑BP神经网络模型，确定网络结构和权值、阈值：确定所述GA‑PSO‑BP神经网络模型的输入节点数M，输出节点数N，隐含层有B个节点，输入节点对应传感器信号，输出节点对应汽车载重量；(4.3)建立表示所述GA‑PSO‑BP神经网络模型的粒子群，初始化所述粒子群，根据网络结构确定所述粒子群的规模R、维度D、每个例子的速度v，位置p和最大迭代次数gmax，以所述GA‑PSO‑BP神经网络的误差函数E(w)作为适应度值函数，其中维度D＝M×B+B+B×N+N，所述适应度函数为：其中，l为输出节点数，yi为期望输出，oi为预期输出；(4.4)将粒子位置每个维度的值按顺序赋予所述GA‑PSO‑BP神经网络的权值和阈值，将所述训练数据集输入所述GA‑PSO‑BP神经网络模型进行车载称重，得到初始称重结果；(4.5)通过所述适应度函数对所述初始称重结果计算误差值，当误差值大于误差阈值ε或迭代次数未达到所述最大迭代次数gmax，迭代次数加1并进入步骤(4.6)，否则结束迭代并进入到步骤(4.8)；(4.6)通过以下公式计算更新粒子的速度、位置以及粒子的适应度，得到新种群pop1：Vij(t+1)＝ω×Vij(t)+c1×r1×[pij(t)‑xij(t)]+c2×r2×[pgj(t)‑xij(t)]；2CN115931096A权利要求书2/4页xij(t+1)＝xij(t)+Vij(t+1)；在上