仁化县地磅公司/地磅厂地址
上海鹰衡称重设备有限公司为了适应动态地磅称重精度的要求,本文通过分析干扰因素,提取出真实的轴重信号,将汽车质量信号分成两部分进 行分析建模,应用卡尔曼滤波作为信息处理器,得到较准确的真实信号。在实际测试中通过加载砝码,得到了较准确的实验数据,与 其AD值的平均值进行对比。结果表明:该方法提高了动态称重的精度,实现了动态精度在国标范围中。
0.引言
为适应现代自动化管理,动态汽车衡已经广泛应用于高速 公路超限检测系统和计重收费系统,高精度、高速度是汽车动 态称重系统的迫切需求,由于路面不平和车辆振动等因素使得 采集到的重量信号中掺杂了复杂的干扰信号,在外界随机干 扰因素作用下如何准确测量真实轴重信号,就成了汽车动态 称重系统的技术难点和关键。
汽车驶入秤台时,由于汽车自身因素以及路面的不平整度 的影响,使得汽车信号受到各种干扰因素。依据汽车动力学,可以得到其数学模型为一个单自由度二阶线性系统。本文通 过分析干扰因素,提取出真实的轴重信号,结合卡尔曼滤波将 信号加以处理,得到较准确的真实信号。
1.测试系统及原理
结合地磅模型和汽车驶入秤台的测量数据后,我们得出 理想状态下汽车在秤台上产生的波形是一个梯形波。如图1所示,汽车均速驶入秤台时为一直线,到达梯形波底则是汽车 在上秤台的过程,中间的平稳直线是汽车完全作用与汽车所产 生的波形,同理另一个腰是汽车在下秤台的过程。
我们所讨论的汽车质量信号是一个多干扰因素的复杂信 号,将汽车的动态车道线作为跟踪目标,车道线具有连续性,动 态地磅的传感器输出的信号主要由汽车质量真实信号 和噪声信号组成。将汽车质量信号进行分析:可以看作有两部 分组成,即一部分由已知的运动方程正确地预测出来,即为线 性随机微分系统,另外一部分可以看作是均值为零的随机分 量,即为高斯白噪声。对于满足上面的条件(线性随机微分系 统,过程和测量都是高斯白噪声),卡尔曼滤波器是Zui优的信息处理器。
2.基于卡尔曼滤波的动态地磅建模
结合地磅模型和汽车驶入秤台的测量数据后,我们得出 理想状态下汽车在秤台上产生的波形是一个梯形波。均速驶 入秤台时为一直线,到达梯形波底则是汽车在上秤台的过程, 中间的平稳直线是汽车完全作用与汽车所产生的波形,同理另 一个腰是汽车在下秤台的过程。下一章将具体分析此过程的 实际波形。
2.1卡尔曼滤波简介
卡尔曼滤波是以Zui小均方误差为估计的zuijia准则,来寻求 一套递推估计的算法,其基本思想是:采用信号与噪声的状态 空间模型,利用前一时刻的估计值和现时刻的观测值来更新对 状态变量的估计,求出现时刻的估计值。
卡尔曼滤波即为Zui优线性滤波.应用这种滤波方法的优点 是,每加进一个新的量测值,只需要利用已经算出的前一状态 的滤波值和滤波误差的方差阵,便可算出新的状态的滤波值和 新的滤波误差方差阵.这样,不论量测次数如何增加,既不需 要解高阶的逆矩阵,又不需要存储大批过时的量测数损,从而 满足了应用滤波时的实时需要,也大大减少计算机的存储量。
2.1卡尔曼滤波算法流程
首先,我们先要引入一个离散控制过程的系统。该系统可 用一个线性随机微分方程来描述:
oxk_i+suk+wk ⑴
再加上系统的测量值:Zk=H^k+ Vk ⑵
上两式子中,Xk是k时刻的系统状态,Uk是k时刻对系统 的控制量。O和S是系统参数,对于多模型 系统,他们为矩阵。Zk是k时刻的测量值,
H是测量系统的参数,对于多测量系统,风 为矩阵。W和Vk分别表示过程和测量的 噪声。他们被假设成高斯白噪声,他们的 covariance分别是Q, R (所讨论模型中假 设他们不随系统状态变化而变化)。