一种提高中等车速下汽车动态称重精度的方法

　　1　引　　言

　　汽车动态称重(weigh-in-motion, WIM)是智能交通系统的重要组成部分。动态称重时,汽车以一定的速度通过汽车衡,不仅轮胎对秤台的作用时间很短,而且除真实轴重外,还有许多因素产生的 干扰,如车速、汽车自身振动、路面激励、轮胎驱动力等,真实轴重往往被淹没在各种干扰中,这给高准确度的汽车动态称重造成很大的困难。根据车辆通过秤台时 速度的不同,大致可以将动态汽车衡分为高速和中低速两大类。车速高于30 km/h就算高速。高速动态汽车衡直接埋在高速公路路面上,由于其称重精度较低,它的结果通常仅仅作为超重预警,而真正的车重要到高速公路出口处进行中低 速下的高精度动态称重。车速低于30 km/h为中低速。在当前动态汽车衡的实际使用中,通常车速必须处在低速段(低于15 km/h)才能保证称重精度,而且是速度越低精度越高。

　　然而,在高速公路计重收费系统中,车辆从高速公路上下来后驶入称重台的车速经常处在中速段(15 ~30 km/h),如果不对原有的低速称重系统进行改进,误差甚至可能超过40%。这样很容易引起纠纷,影响执法的权威性[1-2]。

　　现有汽车动态称重技术中常用的算法有算术平均法、非线性拟合法、系统辨识法、神经网络法等。算术平均法对传感器产生的轴重信号取其算术平均值作 为测量结果,它的缺点是受到汽车上台下台冲击以及汽车自身振动的影响,中等车速时精度很低[1]。非线性拟合法用非线性拟合的方法去除动态载荷干扰,但中 等车速时因为过秤时间有限,信号波形非常短,难以准确分解提取[3]。经验模分解法是将轴重信号分解成若干阶固有函数模式(IMF)和一个残余量的和,每 一阶IMF都反映了信号动态特性,而残余量反映了信号的偏移量或稳态值,它同样面临信号波形过短的问题[4]。系统辨识法根据先验知识推导出一个含有未知 参数的模型,然后用该模型去拟合动态称重过程的输出信号,它的缺点是一个模型只能适用于一个特定车型[5]。神经网络法利用一个动态系统的输入输出数据建 立它的输入输出模型,通过这个模型可以根据该系统的后继输入预测出想求得的对应输出值,但它同样也和车型高度相关[6]。此外,系统辨识法和神经网络法都 还处在研究阶段,尚无实际应用的先例。

        针对以上方法在中等车速下精度不够以及与车型相关的问题,本文从实验数据中提取出称重误差的规律,以此作为先验知识,在使用中根据测得的车速和轴重来反向 加上误差,修正测量值,显著提高中等车速下的称重精度。该规律从混合各车型的数据中总结得出,因此与车型相关度很小。