车辆动态称重技术

第27卷第8期2006年8月

仪器仪表学报

Chinese Journal of Scient ific Instrument

Vo l127No18

A ug12006

车辆动态称重技术*

程路张宏建曹向辉

(浙江大学工业控制技术国家重点实验室杭州310027)

摘要随着公路运输业和商业贸易的发展,车辆动态称重技术已成为车辆载荷测量的关键技术和发展方向。文中对车辆动态称重系统的结构和弯板、压电传感器、单传感器及光纤传感器4种常用的动态称重传感器进行了介绍,并对系统产生的轴重信号进行了分析,重点讨论和研究了算术平均、神经网络、系统辨识等运用到车辆动态称重系统中的算法,并且阐述了今后的发展趋势。

关键词动态称重传感器轴重信号处理汽车

中图分类号T P273.5文献标识码A国家标准学科分类代码510.8040

Vehicle weigh-in-motion technology

Cheng Lu Zhang H ong jian Cao Xiang hui

(N ational key Labor ator y of I ndustr ial Contr ol T echnol ogy,Zhej iang Univers ity,H angz hou310027,China)

Abstract A long w ith the development of the highw ay transpo rtation and trade,vehicle w eigh-in-m otion be-comes the key techno logy and the trend o f measuring traffic loads1T he paper presents the structure of vehicle WIM system and four ty pes of commo nly used WIM sensors:bending plate,piezoelectric sensor,load cell and fiber optic sensor1T he output signal of ax le load in the WIM sy stem is analyzed1Sever al alg orithm s used in veh-i cle WIM system,such as arithmetic averaging,neural netw ork and sy stem identification are deeply dis-cussed1The future trend for WIM is also described.

Key words w eig h-in-motion sensor ax le load sig nal pro cessing vehicle

1引言

车辆的负荷对公路和桥梁的设计有着十分重要的意义。调查表明,车辆在运输中普遍存在超载运输现象,而行驶于公路的车辆如果轴重超过限值的30%,公路使用寿命就会缩短56%,使得公路维修费用巨增,路面使用寿命缩短。另外,超载运输由于载重量超过了车辆的额定吨位,使得车辆的性能受到影响:首先是车辆的稳定性受到影响,其次在弯道和纵坡较大路段,由于超载使得车辆的动力性能受到影响,严重影响了车辆的安全行驶,最后超载运输对车辆的通行能力也有一定的影响。因此,建立公路及桥梁的称重站势在必行[1]。

对于车辆的称重,传统的方法都是在静态下进行的,这种整车测量方法准确度虽然很高,但是存在着很大的缺点,如价格较高、不能分别测出轴重等。另外,实际应用中停止汽车运行进行重量测量也是不方便的。因此,近年来许多国家都对车辆动态称重技术进行了研究,并有一些实际的应用。

车辆动态称重的主要方式有两种:整车计量和轴计量方式。应用整车计量方式,需要比较大的秤台,这大大增加了工程造价和难度,所以这种方式使用地越来越少了。目前较为流行的是轴重测量,即分别测出车辆各轴的轴重,再由称重系统计算出整车重量。在静态称重时,车辆的轮胎平稳地作用于汽车衡上,除真实轴重外,无任何其他外力干扰,因此容易实现高准确度测量。但是动态称重时,车辆以一定的速度通过汽车衡,不仅轮胎对秤台的作用时间很短(在几百毫秒以内),而且作用在秤台上的力除真实轴重外,还有许多因素产生的干扰力,如车速、车辆自身振动、路面激励、轮胎力等[2-3]。可以说真实轴重往往被淹没在各种干扰力中,这给高准确度的动态称重造成很大的困难。

*本文于2005年4月收到。

944 仪 器 仪 表 学 报第27卷

在车辆动态称重技术方面,传感器的最新硬件技术起着重要的作用,随着最新硬件技术的使用,车辆动态称重的准确度、汽车过衡速度、工程造价等方面得到了改善。但是,基于对系统产生的轴重信号进行处理的软件技术,对于设计动态称重的算法来说,也有着非常重要的作用,也就是说,利用测量系统的数学模型以及合适的算法对于研究车辆动态称重技术也是必要的[4]。

本文首先介绍车辆动态称重系统的结构及常用的称重传感器,并对动态称重系统中产生的轴重信号进行分析,在此基础上重点讨论目前车辆动态称重技术中常用的一些算法及发展趋势。

2 车辆动态称重系统结构

211 汽车衡

按照安装方式,汽车衡可以分为固定式和便携式两种[5]

。

固定式汽车衡一般的结构如图1所示,主要由秤台、称重传感器和称重仪表组成。其中,秤台小于1m,基本等于一个汽车轮胎的直径,这样既可以避免同时测量两个轴重值又可以减少工程造价。称重传感器主要采用应变式传感器。固定式汽车衡的基本工作原理为:车辆轴重通过秤台传递给称重传感器,传感器受力时将重量信

号转化成电压信号传递给称重仪表,经过仪表处理显示

出被称重物品即车辆的重量。

图1 车辆动态称重系统结构示意图

便携式汽车衡相对来说结构轻小,便于携带,目前主要有以下几种结构形式:

(1)传统式秤台。基本采用与固定式汽车衡相同的结构,使用4个剪切悬臂梁式传感器,这种结构的优点是技术难度小,生产容易,抗偏载能力强。但是它的缺点较明显,由于采用剪切悬臂梁式传感器,秤台高度高,一般为80mm 左右;重量大,一般超过50kg,很难适宜便携的要求。

(2)称重传感器嵌K 式秤台。采用4~8支称重传感器分别嵌K 平板式秤台中,称重传感器就是秤台的承载

点,台面一般采用硬铝合金板,整个秤台结构简单、重量轻、高度低、抗偏载和过载能力强。缺点是必须生产专用的薄型称重传感器,数量较多,技术难度较大,性能不易保证。

(3)整体平板式秤台。将秤台与称重传感器做成一体,秤台本身就是一个称重传感器。由于采用整体结构,高度低,一般为30mm 左右;重量轻,一般为30kg 左右,便于携带。缺点是技术难度大,对生产工艺要求高,抗偏载和过载能力较差。

(4)软质地毯式秤台。有人提出采用软质材料做成传感器,利用此传感器进行车辆动态称重,秤台是一种宽度不超过1m 、长度约为路面宽度、厚度不超过1cm 的软质材料(像地毯状)传感器。使用时将软质地毯式传感器铺在路面上,待称重的汽车驶过即可得出重量,不用时可将其卷成桶状带走,便于携带,安装方便。212 动态称重传感器

目前在车辆动态称重系统中比较常用的动态称重传感器主要有弯板、压电传感器、单传感器及光纤传感器[6-7]。 (1)弯板

弯板动态称重系统是利用下方粘结有应变传感器的金属板进行测量。当车辆通过弯板时,系统测量出应变传感器产生的应变力由此计算出动态重量值,然后利用测量出的动态重量值预测出车辆的真实轴重。利用弯板进行测量,测量准确度一般为?5%(整车重量的相对百分比误差)。基于弯板的汽车衡有固定式和便携式两种,一般情况下,便携式只适合测量低速行驶时的车辆。 (2)压电传感器

压电式动态称重系统利用检测由车辆轴重引起的压电传感器的电压变化,测量出车辆的轴重值。当车辆通过压电传感器时,系统测量出传感器产生的电荷由此计算出动态重量值,然后利用测量出的动态重量值预测出车辆的真实轴重。目前,在美国、德国等一些国家正在使用压轴传感器测量轴重,在车辆高速行驶下测量车辆的

轴重。压轴传感器一般宽度在6.6mm 左右,厚度大约1.6mm 。因为传感器的宽度很小,所以当车轮经过条状传感器时,无论车速多少,虽然采集时间不同,但是对于所有车辆均采集到轮胎触地长度的信息,并且从传感器输出的完整信号组成了轴重的估计值。

压轴传感器的主要特点:输出信号大,有很高的信噪比;使用寿命长,最高达一亿次;无需激励电压,属于无源传感器;响应时间极短,可达几十微秒;极宽的动态范围,约为1012量值;高机械强度,抗冲击力强;工作温度:-40~80e ;温度系数较大为0.2%/e ;安装快速、方便,只需要在地面挖一宽为19mm,深19~25mm 的沟,埋入

第8期程 路等:车辆动态称重技术945

数小时后即可使用;传感器输出有较大的非一致性,传感器长度方向的输出一致性在用于动态称重(weigh -in -mo -t ion,WIM )时为?7%,用于其他如车辆分类统计、车速监测、闯红灯拍照等时为?20%。

传感器准确度与车辆振动和跳动有关,与轮胎压在传感器上的面积有关,与温度有关,需要温度补偿。尤其是道路质量对系统准确度影响很大,用在水泥路面较好,寿命长于沥青路面,用于动态称重的道路质量应符合AST M 的有关规定。通常可以保证的准确度为?10%。 (3)单传感器

单传感器动态称重系统利用一个称重传感器测量车辆的轴重值,一般来说,安装此种汽车衡需要挖设比较深的基坑,通常测量准确度为?3%。 (4)光纤传感器[7]

当车辆通过光纤传感器时,系统测量出光纤内反射光强度的改变,由此计算出动态重量值,然后利用测量出的动态重量值预测出车辆的真实轴重。基于光纤传感器的汽车衡有固定式和便携式两种方式。光纤传感器在车辆动态称重中具有广泛的应用前景。光纤传感器与其他类型的传感器相比具有若干优点:它不受电磁干扰(包括光照射)和路面振动的影响、尺寸小、质量轻、低功耗,能够在较为恶劣的环境下使用,并且其响应频率相当高。因此,在动态测量中是比较理想的传感器。

3 车辆动态轴重信号及处理方法

图2是当两轴车辆通过秤台时从称重传感器产生的轴重信号。从图中可以看出,当车辆接触到秤台后,将产生一个上台冲击振动,并逐渐呈现出衰减现象。车速越高,车辆轴重信号前部上升段越陡峭,上台冲击振动越大,上升段终值偏离轴重真实值越远,因此低速的情况下,可以直接将传感器测量值视为轴重值。但是随着车速升高,测量误差增大,最后将无法满足测量的准确度

要求。

图2 传感器产生的轴重信号

有时会发现轴重信号的最后一个峰值大于它前面的一个峰值,破坏了上台冲击振动的衰减规律,产生这种现象的原因是由于车轮离开台面时有时产生了附加冲击,因此在信号处理时常常需要去掉这种下台冲击的影响

[8-11]

。

动态称重时,传感器产生的轴重信号伴随各种干扰,因此需要采用合适的算法提高测量准确度。动态称重技术中常用的算法有以下几种。311 最大值测量法

最大值测量法就是寻找轴重信号的最大值,利用这个值来近似实际轴重。这种方法测量准确度不高,尤其对车速有严格的限制。这种方法惟一的优点是算法简单。

312 算术平均测量法

算术平均测量法就是对传感器产生的轴重信号取其算术平均值作为测量结果。从理论上讲,该方法应能保证一定的准确度,但是在实际应用中会受到很多因素的影响,如秤台较小,测量时间有限,测量中受到车辆上台下台冲击以及车辆自身振动的影响等。

文献[12-13]提出了一种改进方法,即取出信号相对平稳的中间平台段计算其相应的平均值,以减少上台和下台冲击对结果的影响,具体算法如下:

(1)对采样值a 1,a 2,,,a n (即车轮在秤台时称重系统的采样值)进行排序,去掉n/2个较小的采样值,保留n/2个较大的采样值,设为b 1,b 2,,,b m (m =n/2); (2)求b 1,b 2,,,b m 的平均值,设为b ;

(3)求b 1-b =c 1,b 2-b =c 2,,b m -b =c m ,对c 1,c 2,,,c m 进行排序;

(4)在c 1,c 2,,,c m 中找到n/4个较小值c c 1,c c 2,,,c c p (p =n/4),再找到与c c 1,c c 2,,,c c p 对应的b c 1,b c 2,,,b c p ;

(5)求b c 1,b c 2,,,b c p 的平均值,设为b c ,即为所求值。其中,m 、n 、p 均为整数。

使用以上算法,可以减少上台和下台冲击的影响,并且可以去掉较大的干扰,使之不会影响测量结果,但从算法中可以看出需要大量的数据才能保证测量准确度。因此,当提高车辆过衡速度时,将影响测量准确度,所以该方法只适合于车速较低的情况。313 神经网络法

神经网络是一种有效的非线性函数拟合工具,已经被应用到许多工程问题中。使用神经网络的方法,可以利用一个动态系统的输入输出数据建立它的输入-输出模型,通过这个模型可以根据该系统的后继输入预测出想求得的对应输出值。

在车辆动态称重中,该方法主要是基于并行技术的

946仪器仪表学报第27卷

思想,以神经网络技术为控制核心,采取多因素协调,将

测量过程中对影响测量准确度和限制车辆过衡速度起主

导作用的因素作为训练样本,通过训练来获得较好的网

络模型,再根据该模型和网络输入数据预测出车辆的真

实轴重,并期望提高测量准确度。车辆动态称重系统可

以被看成如下模型:

Y

i=f(X1i,X2i,,,X n i)+E i(1)

式中:Y i代表预测的真实轴重,X i代表模型的输入值(可

以是传感器输出的测量值[14-15],也可以是从测量值中提

取的特征值[16-18]),E i代表噪声,f表示车辆动态称重过程

函数(此函数多为非线性)。

文献[16-17]提取轴重信号的特征值作为输入,文献

[16]中采用轴重信号3个连续的峰值和这些峰值与信号

波谷的时间间隔作为输入,文献[17]中采用车速、轴重信

号斜率、信号峰值作为输入,而不是直接采用传感器输出

信号的采样值作为神经网络的输入,利用特征值作为输

入可以大大减少神经元个数,提高了网络的训练速度。

为了进一步提高神经网络性能,文献[18]采用遗传

算法选取神经网络结构,具体步骤如下:

(1)对神经网络节点间的连接情况进行编码,即节点

之间相连用1表示,不相连用0表示;

(2)利用遗传算法选择最合适的模型结构,为了进行

模型选择,采用以下算子:

突变算子突变为0:使编码中随机一个1变为0

(减少一个神经线的连接);突变为1:使编码中随机一个0变为1

(增加一个神经线的连接);

随机算子:产生一个新的编码(产生一种新的结构);

交叉算子:两组编码在相同的随机位置各截成两端,分别取两组编码的前一段和后一段组成一个新的编码(由不同的两种结构合成新的结构)。

使用以上算子产生各种神经网络结构,选择预测结果与真实轴重误差最小的一种结构作为最合适的网络结构进行使用。

这种方法要对大量的网络结构进行训练,计算量很大,需要花费很长的计算时间,但是,在一般情况下都可以找出使预测结果准确度较高的网络结构,提高了预测的准确度和模型的推广性。

另外,目前支持向量机(SVM)作为一种新的通用学习算法被广泛地应用到函数拟合的求解问题中,它具有完备的数学理论基础,是一种基于结构风险最小化的算法,与神经网络相比,具有更好的泛化性能。SVM被应用到许多传统的神经网络应用领域,已经取得了很好的效果。作者曾经利用SV M建立了车辆动态称重系统模型,通过此模型预测车辆的真实轴重,取得了比较理想的结果[19]。

利用非线性函数拟合预测真实轴重的方法具有较高的测量准确度,抗干扰能力较强。但这种方法还不是很成熟,例如提取信号有效特征值、增强建立模型的推广性等方面,目前主要是理论研究,还没有在实际应用中采用。

314基于参数估计的系统辨识法

基于参数估计的系统辨识方法主要是把动态测量作为一个参数估计和预测问题来处理,即首先根据有关车辆动态称重系统的先验知识,推导出一个含有未知参数的模型,然后用该模型去拟合动态称重过程的输出信号,从而获得最小平方误差意义上的参数估计。由于被测重量值可以看成是称重过程的终值,因此它们可以用模型参数加以估计或预测出来。基于初步的实验和研究,一般模型采用A RX(1,2,1)模型[20-21]:

y(t)=-a

1y(t-1)-a2y(t-2)+b0u(t-1)+n(t)

(2)式中:y(t)、y(t-1)、y(t-2)为系统输出值,即传感器输出的测量值;u(t-1)为系统输入值,n(t)为均值为零的白噪声,此处为了使模型参数易于辨识,假设系统输入信号为阶跃信号;a1、a2、b0为待辨识参数。

对于参数a

1

、a2、b0的辨识可以采用多种方法,如最小二乘法、自适应K alman滤波等模型辨识方法[22-23]。

对于车辆动态称重系统,冲击振动的影响使测量值无法精确地反映真实轴重,但振动随着时间衰减,逐渐趋于稳定值。因此,利用系统辨识方法是为了获得模型y](t)的值,即相当于车辆始终在秤台情况时获得的稳定值,与静态称重时一样。对于一个离散时间系统:

m

y=H(z-1)m u(3)式中:m y和m u分别代表系统输出信号与输入信号的平均值,此处即为所要求的稳定值和输入值;H(z-1)为系统的传递函数。

由于系统输入信号为阶跃信号,因此:

m u=u]=lim

t→]

u(t-1)=1。则:

m

y=lim

t→]

E(y(t))=

b0

1+a1+a2

(4)

通过这种方法预测的轴重值为:

M=^b0

1+^a1+^a2CON ST(5)式中:^a1、^a2、^b0代表参数的估计值,CON ST为轴重与电压的比值,是一个常数。

从以上的处理方法可以看出,系统输入信号不必一定是阶跃信号,可以随意选择,这是由于随着输入信号的不同,^b0将随之变化,并不影响最终的结果。

文献[24]建立了车辆动态称重系统的四阶模型

y(t)=-a1y(t-1)-a2y(t-2)-a3y(t-3)-a4y(t-4)+

第8期程路等:车辆动态称重技术947

b0u(n)并进行了详尽的理论分析。证明该模型更加适应车辆动态称重系统,能够取得理想的测量结果。

基于参数估计的系统辨识方法可由极短的轴重信号估计出模型参数和轴重值,而且具有较高的准确度,同时利用适合的辨识算法可以进一步减小速度对测量结果的影响,可以在车辆中速及高速的情况下使用此种方法,该方法具有很好的前途。

315其他方法

除了以上方法外,对于轴重信号还有一些其他的处理方法。文献[25]将经验模分解技术(empirical mode decomposit ion,EM D)应用于轴重信号的静态值求解,并验证了EM D处理单自由度、二自由度系统及含其噪声信号的能力。

EM D在1998年最先提出,EM D分解方法认为任何信号都是由不同的固有模式函数IM F(int rinsic mode funct ion)的合成,因此可以将信号中的各阶IM F分解出来。分解的结果是若干阶IM F和一个残余量的和,每一阶IM F都反映了信号动态特性,而残余量反映了信号的偏移量或稳态值。

EM D中的每一阶IM F由如下方法筛选得到:

(1)对于要进行分解的信号y(t),找出y(t)上所有的极值点,用三次样条曲线连接所有的极大值点,形成y(t)的上包络线;连接所有极小值点形成下包络线,确保所有的点在上下包络线之间。定义上下包络线的均值为m1(t),y(t)与m1(t)的差定义为:h1l(t)=y(t)-m1(t)。如果h1l(t)满足以下2个条件,则为第一阶IM F:①在整个时程内,极值点的个数与穿越零点的次数相等或最多差1;②在任意点处上下包络线的均值为零。如果h1l(t)不满足上述条件,则对h1l(t)当作上述过程中的y(t)进行筛选。

(2)假定经过k次筛选后(通常k<10),得到的h k

l(t)满足IM F的定义,则信号y(t)的第一阶IM F分量为imf1(t)=h k l(t)。然后,将y(t)与i mf1(t)的差r1(t)= y(t)-i mf1(t)作为新的分析信号重复步骤(1)的筛选过程,得到第二阶IMF分量imf2(t)。

(3)按此方法继续分解,直到第n阶IM F分量imf

n (t)或其余量r n(t)小于预先设定的值,或者余量r n(t)已经成为单调函数的时候,整个筛选过程停止。于是,y(t)可以表示成n个IM F分量和一个余量的和,即:

y(t)=E n

i=1

imf i(t)+r n(t)(6)由于各阶IM F分量的上下包线的均值相等,关于零轴对称,因此可以认为各阶IM F只与信号所含的固有振动特性有关,与信号的偏移量无关,而将分解得到的残余量r n(t)看作信号的偏移量,根据这个思路,将EM D用于轴重信号的处理,滤除信号中的动态部分E n i=1imf i(t),而求出与真实轴重相对应的稳态部分r n(t)。

EM D技术是一种比较新的信号处理方法,在车辆动态称重系统中的应用还处于理论研究阶段,还有待进一步的研究和实验测试。

4结论

随着公路运输工业生产和商业贸易的不断发展,产生了对车辆动态称重越来越严格的要求,为了提高测量准确度和车辆过衡速度,减少干扰因素的影响,对于车辆动态称重系统,不仅需要采用先进的称重技术、提高传感器性能,而且也需要采用合适的算法对轴重信号进行处理,本文提出并讨论了几种常用的算法。但是,对于轴重信号的处理及提高测量准确度等方面仍有很多地方可以进一步的改进:(1)今后可以尝试利用非线性拟合算法对一组轴重的采样数据(或特征值)进行建模(而不是仅仅利用系统辨识的方法建立线性模型),利用此非线性模型预测出信号稳定时的稳定值(真实轴重);(2)由于气流的影响,在不同车速下,气流对车辆造成的附加浮力也不同,而且不同的车型影响也不同,因此也可以采用专家系统,即把优秀的称重专家的思维过程固化到测量程序的软件中,在车辆动态称重过程中,根据不同情况采取不同的信号处理方法,并且利用车型识别装置对不同的车型在不同的车速下进行附加修正;(3)提高测量准确度单单靠好的算法还是不够的,例如还需要平整的路面及秤台,需要定期对车辆动态称重系统进行校准[26-27]等,以期使系统具有最好的性能,满足对运输车辆的管理要求。车辆动态称重技术的发展将有利于减少交通事故、减少路面破坏、节约国家公路养护资金等,将产生直接和间接的经济效益。

参考文献

[1]刘王景,胡江碧,彭利人,等.论我国高速公路建立超载

称重站的紧迫性[J].东北公路,2003,26(2):1214. [2]CEBON D,CO OR DIN A T OR B J1Weig h-in-motio n of

axles and vehicles for Euro pe(WA V E)[R].G ener al

Repo rt,2001.

[3]樊丽辉.车辆动态称重技术[J].中南汽车运输,1998

(2):57.

[4]施昌彦.动态称重测力技术的现状和发展趋势[J].计量

学报,2001,22(3):201205.

[5]王斌.电子汽车衡的选用[J].衡器,2002,31(6):40

41.

[6]M CCAL L B1State.s successful practices w eigh-in-mo-

t ion handbo ok[M]11997.

[7]ST EPH A NE R T1F iber optic weig h-in-motio n:loo king

948仪器仪表学报第27卷

back and ahead[J]1O pt ical Eng ineering,1998,3326:

129137.

[8]CH A N T H T,L AW S S,YU N G T H.A n interpretive

metho d for moving for ce identificat ion[J]1Journal o f

So und and V ibratio n,1999(219):503524.

[9]O NO T.On dynamic weighing o f hig hw ay v ehicles in

mo tio n[C]1SICE A nnual Conference,2003,2:2108

2115.

[10]T A RIQ M,BA LA CH AN DR AN W,SON G S1Check-

w eig her mo deling using dynamical subsy stems[C]

1Industry A pplicat ions Co nfer ence T hir tieth IA S Annual

M eet ing,1995,2:17151722.

[11]张雨,袁明新,吴文兵.车辆动态称重仪使用现状及其轴

重信号分析[J].长沙交通学院学报,2003,19(1):1 6.

[12]魏鲁原,伍斌,崔霞.动态称重系统的设计[J].自动化仪

表,2002,23(8):3437.

[13]徐志玲.动态公路车辆电子秤的设计[J].衡器,2002,

31(6):1820.

[14]BA HA R H B,H ORR OCKS D H1Dy namic weig ht est-i

mation using an artif icial neur al netw or k[J].A rt ificial

I ntelligence in Eng ineer ing,1998,12:135139.

[15]G A GA RIN E N,F LO OD I,AL BR ECH T P1W eighing

t rucks in mot ion using gaussian-based neural netwo rks

[C]1International Joint Conference on Neura l Netw or ks,

1992,2:484489.

[16]AL M O DA RRESI S M T,WH IT E N M1A pplicat ion o f

a rtificial neural netw or ks to intelligent w eighing systems

[C]1Science,M easurement and T echno lo gy,IEE Pr o-

ceeding s11999,146(6):265269.

[17]袁明新,张勇,张雨.基于RBF网络的动态称重系统设

计[J].交通与计算机,2003,21(2):6063.

[18]M A NG EAS M,GL A SER S,DO LCEM A SCO L O V.

Neural netw orks estimation of t ruck static w eig ht s by fu-

sing weig ht-in-motion data[C]1P ro ceedings of the F ifth

I nter nat ional Conference on Info rmation Fusion,2002,1:

456462.

[19]CH ENG L,ZH A NG H J1A pplication o f support vector

machine to vehicle w eigh-in-mot ion systems[C]1Pr o-

ceeding s of the T hird International Symposium on I n-

str umentatio n Science and T echnolo gy,2004,1:1196

1200.[20]SHU W Q1Dy namic w eig hing under no nzero init ial co n-

ditions[J]1IEEE T r ansactio ns on Instrumentatio n and

M easur ement,1993,42(4):806811.

[21]ZH AN G K F,XU S F1Fast f inding the steady so lution

of an elastic system[C]1IEEE Reg ion10Conference on

Co mputer and Co mmunication Systems,1990:827829.

[22]NI EDZ WIECKI M,W ASIL EWSK I A1A pplicatio n o f a-

daptive filter ing to dy nam ic w eig hing of vehicles[J].

Co nt rol Eng1Practice,1996,5(4):635644.

[23]NI EDZ WIECKI M,W A SIL EW SKI A1N ew algo rit hms

for the dynamic w eig hing o f freight t rains[J].Contro l

Eng1P ractice,1997,5(5):603618.

[24]徐光华,张继军,屈梁生.基于系统辨识的动态汽车衡称

重方法[J].中国机械工程,2002,13(8):682685. [25]于哲峰,扬智春1EM D技术在动态称重数据处理中的应

用[J].机械科学与技术,2004,23(4):444446. [26]P AP A GIA N N AK IS T,SENN K1WIM system calibr a-

t ion using av-i equipped vehicles[C]1Vehicle Nav ig ation

and Informat ion Systems Conference,1995:299304. [27]SU L,K OM A T A C1Er ror co rr ect ion using fuzzy log ic

in vehicle load measurement[C]1First Internatio nal Co n-

fer ence on K no wledg e-Based Int elligent Electr onic Sy s-

tems,1997:595598.

作者简介

程路男1980年12月出生博士主要研究方向为车辆动态称重。

E-mail:lcheng@https://www.360docs.net/doc/1e3796689.html,