汽车衡偏载误差补偿与称重融合方法研究

摘要

汽车衡作为衡器的重要分支，具有称重范围广、测量速度快、便于控制计算等优点，广泛应用于仓储贸易、交通运输、工矿企业等部门。现有汽车衡受到偏载误差与线性度误差的影响，称重结果准确度有待提高;同时，汽车衡称重数据获取不易，称重系统处于小样本状态。针对这些缺点，在国家自然科学基金项目“大型衡器偏载误差机理与多传感器称重融合方法研究”的支持下，本文开展汽车衡称重误差补偿方法研究:利用汽车衡先验知识，构建一种基于偏导数约束与Lagrange乘子法神经网络(PD-LMNN)优化的称重融合方法，提高小样本下神经网络的泛化能力，从而减少汽车衡的称重误差;建立以单片机MSP430F449为信息处理核心的汽车衡实验平台，通过实验平台测试，验证了这种方法的有效性。
　　本文主要进行以下工作:首先，介绍了汽车衡基本情况及发展趋势、汽车衡的构成及工作原理，指出了现有汽车衡称重误差补偿的不足，阐述本文工作的重点;其次，构建了BP神经网络的汽车衡称重误差补偿模型，通过传统的利用数据样本训练算法(DINN)，对该模型进行训练，指出了这种方法在小样本情况下的不足;通过研究汽车衡输入-输出函数偏导数，并以此作为先验知识，构建有约束条件的神经网络，利用Lagrange乘子法构造增广拉格朗日函数作为神经网络的目标函数，弥补了传统神经网络因训练样本不足导致的泛化能力差的问题，通过两种算法对比仿真实验，验证了PD-LMNN算法的优越性;再次，以单片机MSP430F449为信息处理核心、24bit模/数转换器CS5532为称重数据采集单元，搭建了最大量程为250kg、分度值为0.2kg的汽车衡称重实验平台，给出了硬件电路与软件设计流程图;最后，根据非自动秤通用检定规程，对采用PD-LMNN方法的汽车衡称重实验平台进行了偏载误差、重复性误差、示值误差和鉴别力进行现场测试，给出了测试结果。
　　测试表明，在实验室条件下，该汽车衡称重实验平台的偏载误差、重复性误差、示值误差和鉴别力指标均达到了国家标准《JJG555-1996非自动秤通用检定规程》Ⅲ级秤要求。

目录

摘要

第1章 绪论

1．1 论文的研究背景

1．2 汽车衡的发展及研究趋势

1．2．1 汽车衡发展简介

1．2．2 汽车衡研究现状

1．2．3 汽车衡发展趋势

1．3 人工神经网络

1．4 本文的主要内容

第2章 电子汽车衡的构成及称重误差分析

2．1 模拟式电子汽车衡的构成

2．1．1 秤体的构成及要求

2．1．2 称重传感器的构成及工作原理

2．1．3 称重显示仪表的作用和工作过程

2．1．4 接线盒基本工作原理

2．2 多路称重传感器并联式电子汽车衡

2．3 汽车衡的称重误差分析

2．3．1 汽车衡的偏载误差

2．3．2 称重传感器的线性度误差

2．4 汽车衡称重误差补偿方法的不足

2．5 本章小结

第3章 汽车衡称重误差的补偿算法研究

3．1 基于BP神经网络的汽车衡称重融合方法

3．1．1 BP神经网络算法

3．1．2 基于BP神经网络的汽车衡称重融合方法

3．1．3 基于BP神经网络的汽车衡仿真实验

3．2 基于导数约束与乘子法神经网络的汽车衡称重融合优化

3．2．1 理想情况下的汽车衡称重结果

3．2．2 基于导数约束与乘子法神经网络优化的称重融合算法

3．2．3 PD-LMNN算法实现

3．3 基于PD-LMNN算法的汽车衡称重融合实验

3．3．1 PD-LMNN算法与DINN算法的称重结果比较

3．3．2 罚函数对PD-LMNN算法的影响及分析

3．3．3 隐层神经元数目对PD-LMNN算法影响及分析

3．3．4 基于PD-LMNN算法的汽车衡称重融合实验的结论

3．4 本章小结

第4章 汽车衡称重实验平台的实现

4．1 汽车衡称重实验平台的构成

4．2 传感器的选择及使用

4．2．1 称重传感器的选择

4．2．2 温度传感器的选择

4．3 模／数转换电路

4．3．1 高精度模／数转换器CS5532

4．3．2 称重信号的采集

4．4 称重信号的处理

4．4．1 称重信号采集电路设计

4．4．2 称重数据的预处理

4．5 单片机及相关外围电路设计

4．5．1 MSP430F449性能与内部资源

4．5．2 MSP430F449开发平台

4．5．3 通信接口电路

4．5．4 其他外围电路

4．6 汽车衡称重实验平台硬件电路的PCB制板

4．7 汽车衡称重实验平台的程序设计

4．7．1 主程序的设计

4．7．2 称重子程序的设计

4．8 本章小结

第5章 汽车衡称重实验平台的检测

5．1 汽车衡的技术指标

5．2 汽车衡称重实验平台的测试情况

5．2．1 偏载误差的测试

5．2．2 重复性误差的测试

5．2．3 示值误差的测试

5．2．4 鉴别力的测试

5．3 本章小结

总结与展望

参考文献

附件

攻读硕士学位期间发表的论文与参加的科研项目

致谢

声明