登高车衡多传感器相关性研究 江海登高车出租, 江海登高车租赁, 江海登高车 登高车衡根据设计要求，一般具有4~12路称重传感器。这些传感器按一定的拓扑结构分布在登高车衡秤体下方，构成典型的多传感器称重系统。实验发现，各称重传感器的输出以及相邻传感器输出的比值相互影响，存在相关性，这些相关性受许多因素影响。现有登高车衡利用并联方式，在模拟接线盒中将各路称重传感器的输出信号进行累加，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；这种方式由于通过硬件电路直接将各路称重传感器输出信号集中累加，割裂了称重传感器之间的联系，忽视了多传感器的相关性，失去了利用登高车衡本身多路称重传感器的关联特性进行故障诊断和容错控制的可能性，从而使得任意一路传感器发生故障都将导致整个称重系统失效。近年来，神经网络在智能信息处理中得到了广泛的应用。作为前馈神经网络的重要分支，径向基函数神经网络(RBFNN)由于具有很强的逼近非线性函数能力和自学习功能，收敛速度快，鲁棒性好，已广泛应用于系统建模、函数逼近与非线性估计等。登高车衡各路称重传感器的输出信号以及输出信号比值相互关联，它们之间存在某种非线性函数关系，利用RBFNN逼近这种非线性函数，分别构造多路称重传感器输出信号的关联模型以及输出信号比值的关联模型，建立各路传感器输出的预估网络和相邻称重传感器输出比值的预估网络。由于这两个预估网络相互独立，从而可以获得两个独立的、冗余的传感器输出预测值。登高车衡现场使用时因受噪声影响，单独利用其中任何一个关联模型都将产生较大误差。为此以这两个关联模型产生的独立冗余估计值为输入，构建一种自适应加权融合方法，以获得更准确的称重传感器输出估计信号，为登高车衡的故障诊断与智能容错奠定基础。
登高车衡多传感器的全关联模型多路称重传感器按一定的拓扑结构分布在登高车衡承载器（秤体）下方，构成典型的多传感器称重系统，共同完成被测载荷的称重。 具有8路称重传感器的登高车衡传感器分布示意图。 系统利用RBFNN建立多路称重传感器输出信号的关联模型和相邻传感器输出信号比值的关联模型，分别获得每个称重传感器的两个独立预测值，并以这两个预测值为输入信号，构建一种自适应加权融合方法，完成两个预测值的融合，获得更准确的传感器输出估计值。 基于多传感器关联模型的自适应加权融合原理框图，ˆjx为称重传感器j的输出估计值；X为N路相互独立的传感器称重信号，即X=(x1,x2,…,xN)T；jkx%为传感器j关联模型k的输出；201σ、202σ分别为关联模型1和关联模型2的方差；hw1，hw2为自适应加权融合权值，其由方差2kσ决定；j=1,2,…,N；k=1,2，除特别说明，文的j,k取值范围不变。 系统首先通过选择开关工作在训练模式，即利用离线训练网络完成多路称重传感器输出信号的关联模型（即关联模型1）和相邻传感器输出信号比值的关联模型（即关联模型2）的离线训练，获得相应模型参数并分别保存在关联模型1、2中；训练完成后，系统利用在线检测网络，完成称重传感器输出的准确估计。
多路称重传感器输出的关联模型大量实验发现，登高车衡各路称重传感器的输出相互关联，存在某种非线性函数关系。设xj为第j个称重传感器称重信号(j=1,2,…,N)，称重传感器j的输出是其它N-1路称重传感器输出的非线性函数。这种函数关系复杂，实验发现它们至少受以下因素影响：（1）被测载荷加载在承载器上的位置，这种位置关系体现为各传感器输出变化量的相互影响。（2）被测载荷的重量。同等条件下，被测载荷重量越大，称重传感器j的输出xj越大。（3）登高车衡秤体结构与安装的影响，主要是秤体的刚度与强度、登高车衡加工与安装过程中产生的内应力、机械形变和尺寸误差等非线性因素。（4）称重传感器本身的影响，如称重传感器灵敏度的分散性和称重传感器线性度误差等。因此，很难找到登高车衡各称重传感器输出之间的明确函数解析式。以N-1路正常传感器的称重信号为输入，利用RBFNN逼近，可完成称重传感器j的输出估计。 称重传感器j的关联模型图中，j1x%为称重传感器j的预测输出，m为隐层神经元的个数；W1为连接RBFNN隐层至输出层的权矢量，W=(w10,w11,w12,…,w1m)T，其中w10=b1；b1为输出层偏置值；H为径向基函数矢量（即隐层节点输出），且H=(h0,h1,h2,…,hm)T，其中h0=1。如果采用高斯函数作为网络的基函数，X为输入矢量，即X=(x1,x2,…,xj-1,xj+1,…,xN)T；rl为第l个节点的扩展常数；Cl为第l个节点的中心矢量，Cl=(c1,l,c2,l,…,cN-1,l) 为欧几里德距离。利用梯度法、聚类法、正交最小二乘法等，可实现对RBFNN的训练。
称重传感器输出关联模型的梯度训练法, 称重传感器输出信号关联模型的梯度训练方法通过最小化目标函数，实现各隐层节点的扩展常数rl、中心矢量Cl、输出权值W1和偏置值b1的调节。设yti为网络的目标输出，则RBFNN学习的目标函数 ，βi为遗忘因子；ei为误差信号，F(X)为RBFNN函数。考虑到所有训练样本、遗忘因子βi和学习率μ的影响，Cl、rl、w1l和b1的调节量分别为. 称重传感器输出关联模型的聚类训练法称重传感器输出关联模型（即关联模型1）的聚类训练法首先采用无监督学习方法（如K-means算法）确定关联模型中m个隐层节点的中心矢量Cl，并根据各中心之间的距离确定隐层节点的扩展常数rl，然后用有监督学习方法（如LMS法）训练各隐层节点的输出权值w1l和偏置值b1。设第i次迭代时的聚类中心，相应的聚类域。利用K-means算法可以确定中心矢量Cl和扩展常数rl，即（1）从输入样本中随机选取m个不同的初始聚类中心；（2）计算所有输入样本与聚类中心的距离；
（3）将输入样本X按照最小距离原则对其进行分类，当X=X−Ci时，X被归入第l类，即()lX∈Ai；（4）计算各类新的聚类中心，Nl为第l个聚类域Al(i)中包含的样本数；（5）如果Ci+≠Ci，转到步骤（2）；否则聚类结束，并开始确定扩展常数；（6）根据各聚类中心之间的距离确定各隐层节点的扩展常数，即llr=αd（3.10）式中，α为重叠系数，dl为第l个聚类中心与其它最近聚类中心之间的距离，=Ci−Ci中心矢量和扩展常数确定后，利用LMS算法（最小二乘法）即可确定输出权值W1和偏置值b1。当关联模型输入矢量为X时，其中，ytn为目标输出值，n=1,2,…,M1。令训练误差e为 则当满足T1minmin 时，即可求得关联模型的输出权值W1和偏置值b1，此时有ty+W=H W=(b1,W1)T，H+为的H的广义逆矩阵.
江海登高车出租, 江海登高车租赁, 江海登高车
