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。