基于多传感器数据融合算法的轴荷称重_石振东.pdf

湖北汽车工业学院学报Journal of Hubei University of Automotive Technology第 37 卷第 1 期2023 年 3 月Vol.37 No.1Mar.2023doi：10.3969/j.issn.1008-5483.2023.01.009基于多传感器数据融合算法的轴荷称重石振东1，陈磊1，胡映秋1，郝琪1，安炯2（1.湖北汽车工业学院 汽车工程学院，湖北 十堰 442002；2.襄阳群龙汽车部件股份有限公司，湖北 襄阳 441000）摘 要：为了提升轴荷动态称重系统在载荷任意位置加载时的称重精度，提出了基于多传感器的卡尔曼数据融合算法。通过分析均载与偏载下纯位移称重算法输出的称重数据，建立位移与车厢姿态角度关系的车厢数学模型；利用该模型建立位移与角度的卡尔曼数据融合算法；通过实车数据采集验证该算法的有效性。多传感器数据融合算法与单一位移称重算法相比，平均称重准确率提高了2.78%。关键词：车载轴载称重；卡尔曼数据融合算法；轴荷偏载中图分类号：U492.3+21；TP212.9文献标识码：A文章编号：1008-5483（2023）01-0045-05Axle Load Weighing Based on Multi-sensor Data Fusion AlgorithmShi Zhendong1,Chen Lei1,Hu Yingqiu1,Hao Qi1,An Jiong2（1.School of Automotive Engineering,Hubei University of Automotive Technology,Shiyan 442002,China;2.Xiangyang Qunlong Automotive Components Co,Xiangyang 441000,China）Abstract：In order to improve the weighing accuracy of the axle load dynamic weighing system whenthe load was loaded at any position,a multi-sensor-based Kalman data fusion algorithm was proposed.The weighing data output from the pure displacement weighing algorithm under uniform load arrangement and bias load was analyzed.And a mathematical model of the carriage for the relationship betweendisplacement and carriage attitude angle was established.The Kalman data fusion algorithm of displacement and angle was established by using this model.The effectiveness of the algorithm was verified byreal vehicle data collection.The average weighing accuracy of the multi-sensor data fusion algorithmwas improved by 2.78%,compared with that of the single displacement weighing algorithm.Key words：vehiclemountedaxleweighing;Kalmandatafusionalgorithm;axialloaddeflection收稿日期：2022-11-17；修回日期：2023-02-22基金项目：国家自然科学基金（52072116）第一作者：石振东（1972-），男，讲师，从事汽车电子设计方面的研究。E-mail：huat_随着动态称重技术的发展，车载动态称重技术的研究也在不断深入1-2。针对偏载工况下的称重误差问题，一般选择多种传感器采集不同信息来分析并消除偏载对称重准确性的影响3-4。袁伟明等5通过研究载荷与车轴形变之间的关系建立车载称重模型，实时获取载重信息。王彤6结合应变传感器分析了车速及偏载对动态称重的影响。鞠颖7通过建立车辆各轮胎胎压间与车辆载重间的数学模型，应用多传感器数据融合算法实现检测胎压与载重信息。Hong X F等8以车速、加速度信号和去噪权值信号为输入层构建BP神经网络，降低车速和加速度对权值信号的影响。多传感器数据融合的应用能大幅改善目标属性测量的准确性9-12。现有研究从车速、加速度等多个角度针对2023年3月湖北汽车工业学院学报应变、胎压、载重权值进行融合，提高称重精度，对于偏载工况下载重与偏载的关系论述较少。偏载工况是车辆行驶过程中常见的工况，且对行驶稳定性有重要作用。文中通过研究车辆在行驶过程中车厢与钢板弹簧间的相对位移及车厢姿态，针对车厢货物发生偏载及车辆侧偏时对车载轴荷称重精度的影响，提出多传感器卡尔曼数据融合算法13-15对位移数据与姿态数据进行融合处理，以提高在行驶时的轴荷称重精度。1车厢模型分析及数据采集系统1.1 车厢均载及偏载模型分析车厢货物装载状态分为均载与偏载，其中均载为偏载下的特殊情况。测试车辆为东风锐骐，通过均载与偏载实测发现，施加小载荷时车厢侧偏角度变化较小，且左右两侧位移变化偏差较小，偏载质量对称重精度的影响有限。因此试验主要分析加载180400 kg的影响。为了验证均载与偏载不同放置方式下的差异性，采用对比试验，以10 kg为单位加载，在均载与偏载工况下进行23次试验。利用LMS SCADAS数据采集系统采集左右两侧悬架位移传感器的位移量，通过纯位移称重算法获取均载与偏载下位移所对应的载重。纯位移算法利用标定方法建立位移与载重的关系，通过标定关系测得均载与偏载工况下的载重。试验中使用标称10 kg的沙袋，货物密度适中，具有一定的普遍性。偏载与均载的纯位移称重算法测量结果如图1所示，偏载测量值为车厢货物在单侧施加载荷时纯位移输出的测量结果，均载测量值为车厢在载荷均匀布置纯位移输出的测量结果。由图1a可知，轻载荷时均载与偏载的误差不大，此时车厢及车架内部机构的扭转变形量不大，左右两侧的变化量一致，重载时左右两侧悬架的位移测量值差距加大。由图 1b 可知，偏载工况下最大误差出现在载重390 kg时，达到25.01 kg，而均载工况下最大误差出现在载重400 kg时，为6.72 kg。偏载工况下载荷420368316264212160质量/kg实验序列/次16202404812a 测量结果3020100-10实验序列/次16202404812质量/kgb 测量误差载重真实值偏载测量值均载测量值偏载误差值均载误差值图1 偏载与均载测量结果图测量值偏小，误差过大。将姿态传感器解算输出的角度测量值作为补偿值进行质量补偿，车厢偏载角度分析模型如图2所示。图2中y1、y2为位移传感器测得的位移量，为角度传感器测得的角度，L为车轴长度。将货物放置在单侧时，车厢左侧悬架的位移变化相比右侧悬架变化更大，由于车厢及车架在扭转变形下对位移有影响，两侧位移的变化差距随偏载载荷的增加而增加，因此在偏载载荷越大时轴载测量误差越大。为了补偿缺失的这部分载重，传统卡尔曼滤波算法的基础上，提出位移传感器与姿态传感器相融合的多传感器卡尔曼融合算法。1.2 数据采集系统利用LMS SCADAS数据采集系统的高精度数据采集模块采集位移信号。数据采集系统结构如图3所示，实物见图4。左右两侧悬架位移传感器选用 MPSFS-S-500MM-防水型拉绳位移传感钢板弹簧称重沙袋y1y2LO图2 车厢偏载角度分析模型左侧悬架位移传感器右侧悬架位移传感器车厢姿态传感器数据转换单元LMS SCADAS数据采集系统PC机图3 数据采集系统结构框图 46第37卷 第1期图4 数据采集系统实物图a 右侧悬架载重对比b 右侧悬架位移传感器c 姿态传感器及数据转换单元d 均置载荷e 偏置载荷f 数据采集系统试验车辆器，安装于钢板弹簧中间至车厢处；姿态传感器选用GY-521 MPU-6050传感器，安装在车厢下方中轴线的车架上，此处能准确测得车厢的翻滚角，数据转换单元将姿态数据发送至数据采集系统。2多传感器卡尔曼数据融合算法2.1 加速度与角速度的卡尔曼数据融合算法由于MPU-6050传感器的加速度计易受到高频噪声的影响，且陀螺仪存在积分累积误差，因此对加速度计输出的角度值与陀螺仪积分计算出的角度值进行数据融合，以提高测量精度。进行姿态数据采集前需要考虑传感器自带的偏移量，将传感器水平静置，通过2000次周期采集，然后计算加速度计及陀螺仪的偏移量。车厢偏载时需要考虑其他轴的加速度及角速度分量，因此需要对翻滚角与俯仰角一起进行解算，建立加速度与角速度卡尔曼数据融合算法模型。1）角速度修正计算Vroll=Ax+sinPksinRkcosRkAy+sinPkcosRkcosPkAzVpitch=AycosRk-AzsinRk（1）式中：Vroll、Vpitch分别为车辆坐标系中的翻滚角与俯仰角角速度；Ax、Ay、Az分别为车辆坐标系中围绕x轴、y轴与z轴的角速度；Rk、Pk分别为翻滚角与俯仰角的卡尔曼预估值。2）先验状态估计r-=Rk+tVroll,p-=Pk+tVpitch（2）式中：r-、p-分别为翻滚角与俯仰角先验估计值；t为1个采样周期。3）先验误差协方差矩阵P-roll(k)=Proll(k-1)+Q,P-pitch(k)=Ppitch(k-1)+Q（3）式中：P-roll(k)、P-pitch(k)分别为k时刻翻滚角与俯仰角的先验协方差；Proll(k-1)、Ppitch(k-1)分别为（k-1）时刻翻滚角与俯仰角的后验协方差；Q为过程噪声方差。4）卡尔曼增益Kroll=P-roll(k)(P-roll(k)+R)-1Kpitch=P-pitch(k)(P-pitch(k)+R)-1（4）式中：Kroll、Kpitch分别为翻滚角与俯仰角的卡尔曼增益；R为观测噪声的方差。5）后验状态估计Rk=Aroll+Kroll(Croll-Aroll)Pk=Apitch+Kpitch(Cpitch-Apitch)（5）式中：Aroll、Apitch分别为角速度解算的翻滚角与俯仰角；Croll、Cpitch分别为加速度解算的翻滚角与俯仰角。6）协方差矩阵更新Proll(k)=(1-Kroll)P-roll(k)Ppitch(k)=(1-Kpitch)P-pitch(k)（6）式中：Proll(k)、Ppitch(k)分别为k时刻翻滚角与俯仰角的后验协方差。2.2 位移与角度的卡尔曼数据融合算法根据车厢角度模型的分析结果，对偏载与均载状态进行实车测试，通过位移与载重的线性关系计算左右两侧的质量。Wl=Wa+10DR-DL(Da-DL)Wr=Wb+10DR-DL(Db-DL)（7）石振东，等：基于多传感器数据融合算法的轴荷称重 472023年3月湖北汽车工业学院学报式中：Wl、Wr分别为左右侧悬架载重；Wa、Wb分别为左右侧位移数字量标定的载重值；DL、DR分别为位移传感器数字测量值的左右标定值；Da、Db分别为左右侧位移传感器的数字测量值。为了解决偏载产生的测量误差，建立位移与角度的卡尔曼数据融合模型。1）先验状态估计W-l(k)=Wl(k-1)-WlsinRkW-r(k)=Wr(k-1)+WrsinRk（8）式中：W-l(k)、W-r(k)分别为车辆k时刻左右侧的卡尔曼先验估计载重；Wl(k-1)、Wr(k-1)分别为车辆（k-1）时刻左右侧的卡尔曼后验估计载重。2）先验误差协方差矩阵P-l(k)=Pl(k-1)+Q