傳統(tǒng)地磅任意一路稱重傳感器發(fā)生故障都將導致稱重系統(tǒng)失效。提出了一種基于自適應加權融合的地磅故障傳 感器預估方法:根據多路稱重傳感器輸出相關性和相鄰傳感器輸出比值的相關性，建立基于徑向基函數神經網絡(RBFNN)的 故障傳感器輸出預估網絡和傳感器輸出比值的預估網絡,得到兩組冗余估計信號，采用自適應加權融合方法完成冗余信號融 合，獲得故障傳感器輸出估計值。仿真實驗與現場測試表明，采用該方法的故障傳感器稱重誤差小于任何單個預估網絡誤差和 算術平均值融合誤差，任一傳感器發(fā)生故障時的汽車衡整體稱重誤差忘0.5% ,避免了稱重系統(tǒng)失效。

　　1.引 言

　　傳統(tǒng)地磅在接線盒中將多路稱重傳感器并聯(lián)連 接,獲得多路傳感器信號之和,并傳送至顯示儀表，完成 被測載荷稱重，任何一路傳感器出現故障都將導致稱 重系統(tǒng)失效。各稱重傳感器對稱分布在地磅秤體下 方，根據這種對稱關系，當某一傳感器失效時,利用相應 的對稱傳感器輸出代替失效傳感器的輸出，可完成故障 傳感器輸出信號估計，但若載荷加載點偏離中心時，將 會影響估計精度。利用數字稱重傳感器可以實現不間斷 工作，當某一傳感器發(fā)生故障時,系統(tǒng)能夠在一定時間內 以一定精度稱重，但數字稱重傳感器價格昂貴，增加了 稱重系統(tǒng)的成本。

　　徑向基函數神經網絡(RBFNN)由于具有很強的逼 近非線性函數和自學習功能,收斂速度快、魯棒性好、無 局部小點等優(yōu)點，已廣泛應用于系統(tǒng)建模、函數逼 近_與非線性估計等。對稱分布的各稱重傳感器之 間存在某種非線性函數關系，以RBFNN為核心建立預估 網絡，逼近這種函數關系,估計出故障傳感器的正常輸 出,即可獲得預估信號。然而因地磅現場使用將受噪聲影響，預估信號會產生一定的誤差。為此根據稱重傳 感器之間的關聯(lián)特性，建立故障傳感器的兩個立預估 網絡，以正常傳感器的稱重信號或相鄰傳感器稱重信號 的比值為輸入產生兩個估計值,由于它們具有冗余性，采 用一種自適應加權融合方法，可獲得更準確的估計信號， zui后以該估計信號與其他正常傳感器的稱重信號為稱重 系統(tǒng)的輸入,獲得故障狀態(tài)下汽車衡的稱重結果。

　　2.地磅稱重原理

　　圖1為地磅8路稱重傳感器的分布示意圖，設x‘ 為第i個稱重傳感器的稱重信號(i = 1，2,…,8)，則地磅輸出的總稱重量y為：

　　3.地磅故障傳感器預估原理

　　基于自適應加權融合的地磅故障傳感器預估方法 利用以RBFNN為核心的兩個預估網絡，分別估計故障傳 感器的輸出信號,得到兩個立的預估值，采用一種自適 應加權融合方法，完成這兩個預估值的融合，獲得一個更 的估計值，從而減少因受噪聲影響而產生的估計信 號誤差。圖2為基于自適應加權融合的地磅故障傳感 器預估的原理框圖。圖中，X為除去故障傳感器i后的稱

　　4.實驗與結果分析

　　利用基于自適應加權融合的地磅故障傳感器預估 方法對SCS40型地磅進行了多次實驗,均獲得了良好的 效果。該地磅的量程為40噸，分度數為4 000，檢定分度 值e和實際分度值d均為10 kg，采用8路稱重傳感器， 每個傳感器的zui大容量為20噸。為了簡便而不失一般 性，從8路稱重傳感器中任取一路，本文以稱重傳感器3為 實驗對象。其他傳感器采用同樣的實驗與測試方法。

　　4.1預估網絡的RBFNN訓練

　　利用不同噸位的標準砝碼(如0.5噸、1噸、6噸、 12噸、18噸等)加載在地磅的不同位置，采集160組8 路稱重傳感器輸出信號,經粗大誤差剔除、數字濾波等數 據預處評后,得到樣本數據X,其中97組用于訓練RBF 神經網絡(*, ,x2,x4 ,... ,xs作為輸入,*3作為目標輸出), 63組用于網絡測試。采用高斯函數作為RBFNN的基函 數，利用梯度訓練法對預估網絡1、2進行離線訓練，分別 獲得預估網絡1、2的參數(如權向量W、擴展常數向量 «、中心矩陣C和偏置值6)。通過多次仿真，預估網絡 1、2的隱層神經元數目分別取m, = 15和= 10時,預 估效果。

　　圖5 ( a)為預估網絡1的估計值(” netl ”曲線所示).

　　與目標值(” desire"曲線所示)的比較;圖5 ( b)為預估網 絡2的估計值(”net2?曲線所示)與目標值("desire"曲 線所示)的比較;圖5 ( c)為預估網絡1的預測誤差曲線 (” netl-error"曲線所示)和預估網絡2的預測誤差曲線 (”net2-error?曲線所示)比較。由圖5可以看出，預估網 絡1、2能較好地預測稱重傳感器3的輸出，但還存在一 定的誤差，需進一步改進,以減少這種預測誤差。

　　4.2自適應加權融合測試

　　基于RBFNN的預估網絡1、2訓練完成后，系統(tǒng)將分 別獲得它們的方差為=1.355 1、‘ =0.874 8。取 重復預估次數凡=10，采用63組網絡測試樣本,分別利 用算術平均值融合方法(MFM)與自適應加權融合方法 (AWFM)對預估網絡1與預估網絡2的輸出值融合，獲 得故障傳感器3的估計值,如圖6所示。

　　圖6(a)為算術平均值融合的結果(即皂=y(*,, +

　　氣2) ;”desire-曲線為目標輸出;”mean”曲線為算術平均值 融合輸出);圖6(b)為自適應加權融合的結果(esire”曲線 為目標輸出;”adaptive?曲線為自適應加權融合輸出);圖6 (c)為這兩種方法的融合誤差(” mean-error”曲線為算術平均 值融合誤差;” adaptive-eiror"曲線為自適應加權融合誤差)。

　　表1比較了預估網絡1輸出信號的方差netl_(T2、預 估網絡2輸出信號的方差net2_(r2、算術平均值融合輸出 信號的方差MFM_cr2、自適應加權融合輸出信號的方差 AWFM_cr2。由圖6、圖5和表1可以看出，自適應加權融 合誤差(或方差)小于算術平均值融合誤差(或方差)，同 時也小于預測網絡1、2的輸出誤差(或方差)，因此采用 自適應加權融合方法獲得的傳感器3估計值更準確。

　　4.3任一傳感器故障狀態(tài)下的地磅現場測試

　　當任何一個稱重傳感器失效時，分別采用預估網絡 1(net1)、預估網絡2(net2)、算術平均值融合(MFM)與 自適應加權融合方法(AWFM)獲得故障傳感器信號的估 計值。將該估計值與正常傳感器的輸出值代人式(1)， 完成故障狀態(tài)下的地磅稱重功能。按照標準要求，對SCS40型地磅進行了現場測試，表2為部分 測試結果。由表2可知，采用AWFM方法的地磅置零 準確度、各秤量段誤差與重復性等均優(yōu)于netl、net2與 MFM方法,其整體稱重誤差忘0.5%，避免了采用傳統(tǒng)方 法所導致的稱重系統(tǒng)失效。

　　5結 論

　　傳統(tǒng)地磅的任意一路稱重傳感器發(fā)生故障都將導 致稱重系統(tǒng)失效。本文根據地磅各路稱重傳感器之間 的關聯(lián)特性，以RBFNN為核心，從不同方面建立了故障 傳感器的兩個立預估網絡，獲得了故障傳感器的兩組 立、冗余估計信號，并采用一種自適應加權融合算法， 獲得了比立預估網絡更準確的故障傳感器估計值。大 量實驗表明，采用這種自適應加權融合方法的地磅，當 任意一路稱重傳感器失效時，其整體稱重誤差專0. 5% , 避免了傳統(tǒng)地磅由于傳感器故障而導致的稱重系統(tǒng)失 效，這種地磅可實現不間斷測量功能，大大提高了稱重 系統(tǒng)的可靠性。