基于车联网大数据的重型货车载重估计方法

针对当前货车载重计算方法普遍存在的成本高昂及泛化性能不明确的问题,提出一种创新的重型货车载重估计方法,方法融合了车辆行驶动力学理论与机器学习算法,通过有监督学习,利用高速通行大数据对模型进行训练与验证.首先采用聚类分析,确定车辆空、半、满载判断阈值,为后续的计算提供了重要依据.随后,利用随机森林算法训练分类模型,用以判断车辆在一段行驶过程中的基本载重情况.在此基础上,进一步在车辆行驶数据中筛选出稳定行驶的小片段,根据车辆系统动力学理论,对这些小片段车重进行计算.最后,根据载重状态的判断结果,对小片段车重结果进行筛选与计算,得到最终车辆载重计算结果.研究表明,在高速通行大数据的验证下,该方法对于空载及满载状态下趟次车重计算结果的整体平均绝对百分比误差(mean absolute percent error,MAPE)均可控制在10%以内,展现了较高的准确性.相比于现有技术,由于该方法无需安装额外传感器,对数据采集、存储、运算设备的要求也相对较低,因此在成本方面具有显著优势.在交通监管、物流运输、基于大数据的产品开发方面具有快速广泛推广的潜力.

基于拓展卡尔曼滤波的货运列车载重估计算法

货运列车的作业场景多样、线路条件恶劣,其牵引、制动系统具有大时延、强约束等特点。目前在货运列车的控制系统中,通常通过建立复杂的列车多质点运动模型来设计控制算法以实现精确控制。但在实际运营中,货运列车的编组情况、作业时间和牵引质量都不固定,车载设备获取精准模型参数的代价高,这也是货运列车自动驾驶(automatic train operation,ATO)系统难以大规模应用的主要原因。针对货运列车牵引质量不固定的问题,文章提出了一种基于拓展卡尔曼滤波(EKF)的货运列车载重估计算法,其在ATO系统控制列车起动过程中,以ATO系统的控制输出和列车运动状态作为输入,实时估算列车的载重,校正控制系统模型和参数,减少了司机在人机交互界面频繁输入/确认列车数据的操作,同时也提高了ATO系统的控制精度和效率。仿真结果显示,在司机输入相对准确载重值的基础上,所提算法可以估计得到更准确的载重值,在2 000 t载重仿真实验中,估计误差控制在3.5%~4.0%之间。这表明该算法能有效降低ATO系统对多质点运动模型的要求,提高了ATO系统控车的精度。

融合多头注意力机制的货车载重估计模型

为了提高实时货车载重估计的便捷性和精准度,辅助开展大范围低等级公路网的货车运输过程中载重的实时监管,本文从货车动静态信息的交互效应出发,提出了一种融合多头注意力机制的货车载重估计模型(Mix-MAN)。首先,在模型中引入了多头注意力机制,增强网络对运动学时序特征的提取能力;其次,利用堆叠自编码器捕获货车的静态特征;最后,设计了一种特征融合结构,融合提取动态特征和静态特征,建立输入特征与货车载重之间的非线性映射关系,得到货车载重估计结果。试验结果表明:与未考虑货车静态信息的MAN模型对比,Mix-MAN的平均绝对值误差减小了6%,均方根误差减小了5%,平均绝对百分比误差减小了0.5%。本文模型可为我国公路货物运输监管、道路养护等方面提供技术支持。

基于改进卡尔曼滤波的叉车载重快速准确估计方法

针对工作环境恶劣、操作工况复杂的伸缩臂叉车载重实时快速准确估计需求,对伸缩臂叉车的载重估计数学模型及其求解算法进行了研究。首先,利用叉车现有功能模块中已装配的各类传感器,提出并分析了三种载重估计方案,在综合比较各方案的优缺点之后,确定并建立了基于动力学原理的载重估计数学模型;然后,将载重作为估计系统的状态变量,将液压系统压力、臂架变幅角度和伸缩臂伸缩长度等实时信号作为测量值,将基于转动定律建立的载重计算公式作为状态变量与测量值之间的观测方程,运用卡尔曼滤波算法对该数学模型进行求解;同时,为解决卡尔曼滤波算法在递推过程中状态变量发生改变从而导致大量新测量数据对状态变量失去校正能力的问题,提出了一种基于改进卡尔曼滤波的载重估计算法;最后,对某企业超长载重伸缩臂叉车进行了不同载重的离线试验和在线试验。研究结果表明:对于454 kg的轻载荷,该算法的估计结果的最大绝对误差小于91 kg,而对于1100 kg、2268 kg、3368 kg和4536 kg的重载荷,其平均绝对百分比误差小于3%;趋于稳定估计值的响应时间可在1 s之内,完全优于实际应用需求。该方法模型简单、可移植强,可推广应用到起重机、抓料机等其他工程机械载重动态估计。

基于深度学习的货车载重实时估计方法研究

为了解决现有货车称重技术在实时性、可靠性、便捷性、扩展性和精确性等方面的问题,提出一种基于人工智能方法的货车载重实时估计技术框架,包括网联车载传感设备与数据采集模块、网联云平台与数据处理模块和基于车辆动力学的AI估重算法模块,运用车辆动力学原理,借助人工智能理论方法,通过感知车辆行驶时的运动参数特征,实现对车辆载重的实时测算。通过自主设计研发的物联网车载传感设备和云平台,实现对多车行驶运动特征信息的动态采集和集成处理,进一步对车辆加速度特征进行提取,构建基于双向长短时记忆网络(LSTM)的车辆质量估计模型,通过学习车辆运动特征与车重之间的非线性关系,在实时估计的基础上实现对货车质量的精确测量。研究结果表明:在车辆自估重测试中,基于车辆历史数据训练的LSTM模型,在每分钟逐点估计时,80%以上样本点的平均相对误差为3.58%,按照行程估计的误差为3.15%;在车辆间交叉估重测试中,采用其他车辆历史数据所训练的模型进行逐点估计的平均相对误差为5.29%,行程估计的误差为3.42%;相比于现有技术,所提出的技术框架在测算自动化、精准化,设备便捷化、普适化以及面向监管的实时性、覆盖性方面均有显著优势,在物流调度、货物监管、安全运输、能耗监测等方面有广阔的应用前景。