基于自适应加权融合的汽车衡故障传感器预估

　　传统地磅任意一路称重传感器发生故障都将导致称重系统失效。提出了一种基于自适应加权融合的地磅故障传 感器预估方法:根据多路称重传感器输出相关性和相邻传感器输出比值的相关性，建立基于径向基函数神经网络(RBFNN)的 故障传感器输出预估网络和传感器输出比值的预估网络,得到两组冗余估计信号，采用自适应加权融合方法完成冗余信号融 合，获得故障传感器输出估计值。仿真实验与现场测试表明，采用该方法的故障传感器称重误差小于任何单个预估网络误差和 算术平均值融合误差，任一传感器发生故障时的汽车衡整体称重误差忘0.5% ,避免了称重系统失效。

　　1.引 言

　　传统地磅在接线盒中将多路称重传感器并联连 接,获得多路传感器信号之和,并传送至显示仪表，完成 被测载荷称重，任何一路传感器出现故障都将导致称 重系统失效。各称重传感器对称分布在地磅秤体下 方，根据这种对称关系，当某一传感器失效时,利用相应 的对称传感器输出代替失效传感器的输出，可完成故障 传感器输出信号估计，但若载荷加载点偏离中心时，将 会影响估计精度。利用数字称重传感器可以实现不间断 工作，当某一传感器发生故障时,系统能够在一定时间内 以一定精度称重，但数字称重传感器价格昂贵，增加了 称重系统的成本。

　　径向基函数神经网络(RBFNN)由于具有很强的逼 近非线性函数和自学习功能,收敛速度快、鲁棒性好、无 局部小点等优点，已广泛应用于系统建模、函数逼 近_与非线性估计等。对称分布的各称重传感器之 间存在某种非线性函数关系，以RBFNN为核心建立预估 网络，逼近这种函数关系,估计出故障传感器的正常输 出,即可获得预估信号。然而因地磅现场使用将受噪声影响，预估信号会产生一定的误差。为此根据称重传 感器之间的关联特性，建立故障传感器的两个立预估 网络，以正常传感器的称重信号或相邻传感器称重信号 的比值为输入产生两个估计值,由于它们具有冗余性，采 用一种自适应加权融合方法，可获得更准确的估计信号， zui后以该估计信号与其他正常传感器的称重信号为称重 系统的输入,获得故障状态下汽车衡的称重结果。

　　2.地磅称重原理

　　图1为地磅8路称重传感器的分布示意图，设x‘ 为第i个称重传感器的称重信号(i = 1，2,…,8)，则地磅输出的总称重量y为：

　　3.地磅故障传感器预估原理

　　基于自适应加权融合的地磅故障传感器预估方法 利用以RBFNN为核心的两个预估网络，分别估计故障传 感器的输出信号,得到两个立的预估值，采用一种自适 应加权融合方法，完成这两个预估值的融合，获得一个更 的估计值，从而减少因受噪声影响而产生的估计信 号误差。图2为基于自适应加权融合的地磅故障传感 器预估的原理框图。图中，X为除去故障传感器i后的称

　　4.实验与结果分析

　　利用基于自适应加权融合的地磅故障传感器预估 方法对SCS40型地磅进行了多次实验,均获得了良好的 效果。该地磅的量程为40吨，分度数为4 000，检定分度 值e和实际分度值d均为10 kg，采用8路称重传感器， 每个传感器的zui大容量为20吨。为了简便而不失一般 性，从8路称重传感器中任取一路，本文以称重传感器3为 实验对象。其他传感器采用同样的实验与测试方法。

　　4.1预估网络的RBFNN训练

　　利用不同吨位的标准砝码(如0.5吨、1吨、6吨、 12吨、18吨等)加载在地磅的不同位置，采集160组8 路称重传感器输出信号,经粗大误差剔除、数字滤波等数 据预处评后,得到样本数据X,其中97组用于训练RBF 神经网络(*, ,x2,x4 ,... ,xs作为输入,*3作为目标输出), 63组用于网络测试。采用高斯函数作为RBFNN的基函 数，利用梯度训练法对预估网络1、2进行离线训练，分别 获得预估网络1、2的参数(如权向量W、扩展常数向量 «、中心矩阵C和偏置值6)。通过多次仿真，预估网络 1、2的隐层神经元数目分别取m, = 15和= 10时,预 估效果。

　　图5 ( a)为预估网络1的估计值(” netl ”曲线所示).

　　与目标值(” desire"曲线所示)的比较;图5 ( b)为预估网 络2的估计值(”net2?曲线所示)与目标值("desire"曲 线所示)的比较;图5 ( c)为预估网络1的预测误差曲线 (” netl-error"曲线所示)和预估网络2的预测误差曲线 (”net2-error?曲线所示)比较。由图5可以看出，预估网 络1、2能较好地预测称重传感器3的输出，但还存在一 定的误差，需进一步改进,以减少这种预测误差。

　　4.2自适应加权融合测试

　　基于RBFNN的预估网络1、2训练完成后，系统将分 别获得它们的方差为=1.355 1、‘ =0.874 8。取 重复预估次数凡=10，采用63组网络测试样本,分别利 用算术平均值融合方法(MFM)与自适应加权融合方法 (AWFM)对预估网络1与预估网络2的输出值融合，获 得故障传感器3的估计值,如图6所示。

　　图6(a)为算术平均值融合的结果(即皂=y(*,, +

　　气2) ;”desire-曲线为目标输出;”mean”曲线为算术平均值 融合输出);图6(b)为自适应加权融合的结果(esire”曲线 为目标输出;”adaptive?曲线为自适应加权融合输出);图6 (c)为这两种方法的融合误差(” mean-error”曲线为算术平均 值融合误差;” adaptive-eiror"曲线为自适应加权融合误差)。

　　表1比较了预估网络1输出信号的方差netl_(T2、预 估网络2输出信号的方差net2_(r2、算术平均值融合输出 信号的方差MFM_cr2、自适应加权融合输出信号的方差 AWFM_cr2。由图6、图5和表1可以看出，自适应加权融 合误差(或方差)小于算术平均值融合误差(或方差)，同 时也小于预测网络1、2的输出误差(或方差)，因此采用 自适应加权融合方法获得的传感器3估计值更准确。

　　4.3任一传感器故障状态下的地磅现场测试

　　当任何一个称重传感器失效时，分别采用预估网络 1(net1)、预估网络2(net2)、算术平均值融合(MFM)与 自适应加权融合方法(AWFM)获得故障传感器信号的估 计值。将该估计值与正常传感器的输出值代人式(1)， 完成故障状态下的地磅称重功能。按照标准要求，对SCS40型地磅进行了现场测试，表2为部分 测试结果。由表2可知，采用AWFM方法的地磅置零 准确度、各秤量段误差与重复性等均优于netl、net2与 MFM方法,其整体称重误差忘0.5%，避免了采用传统方 法所导致的称重系统失效。

　　5结 论

　　传统地磅的任意一路称重传感器发生故障都将导 致称重系统失效。本文根据地磅各路称重传感器之间 的关联特性，以RBFNN为核心，从不同方面建立了故障 传感器的两个立预估网络，获得了故障传感器的两组 立、冗余估计信号，并采用一种自适应加权融合算法， 获得了比立预估网络更准确的故障传感器估计值。大 量实验表明，采用这种自适应加权融合方法的地磅，当 任意一路称重传感器失效时，其整体称重误差专0. 5% , 避免了传统地磅由于传感器故障而导致的称重系统失 效，这种地磅可实现不间断测量功能，大大提高了称重 系统的可靠性。