基于多传感器相关性的汽车衡智能容错方法

　　1 引 言

　　汽车衡根据设计的称重量程，一般具有 4~12 路称重传感器。这些传感器按一定的拓扑结构分布在汽车衡承载器下方，构成典型的多传感器称重系统，各称重传感器的输出相互影响，存在相关性[1]。现有汽车衡利用串联或并联连接方式，在模拟接线盒中将各路称重传感器的输出信号通过电路方式进行信号累加，获得一个与被测载荷质量成比例的电压信号，经信号调理、A/D 转换后，由单片机处理获得称重结果,送显示、通信, 完成被测载荷的称重[1];这种方式缺陷明显：由于通过硬件电路直接将各路称重传感器信号集中累加，割裂了传感器之间的联系，忽视了多传感器的相关性，任一传感器失效都将造成整个称重系统失效，即汽车衡不具备容错功能。文献[2]提出了一种称重传感器亚健康及早诊断方法，给出了汽车衡称重传感器亚健康的故障特征，利用空载与加载标准砝码时各传感器的输出信息，完成称重传感器的故障诊断;该方法有效，但需要较多的人工干预，自动化程度低。文献[3]根据称重传感器对称分布关系，在某一传感器失效时，利用其相应的对称传感器输出代替失效传感器的输出，实现失效传感器称重信号的容错估计;该方法在均匀负载、对称加载的理想情况下有效，但汽车衡加载称量不可能处于理想状态，其受加载位置和载荷非均匀性的影响较大，不能满足汽车衡的实际需要。

　　近年来，传感器的各种故障诊断与智能容错方法发展迅速。对于具有典型多传感器系统特征的汽车衡，基于神经网络方法[4-5]的传感器故障诊断与智能容错方法具有重要的参考价值，径向基函数神经网络(RBFNN)由于具有很强的逼近非线性函数能力和自学习功能，收敛速度快，鲁棒性好，无局部极小点，已广泛应用于系统建模、函数逼近与非线性估计等　　[6-7]。汽车衡各路称重传感器的输出相互关联，它们之间存在某种非线性函数关系，以 RBFNN 为核心建立预估网络，构造该函数关系模型，当任一传感器失效时，估计该传感器的正常输出，并与其它正常传感器的称重信号组合，完成任一传感器失效状态下汽车衡的准确称重，以避免采用传统方法所导致的称重系统失效。

　　2 基于多传感器相关性的智能容错算法

　　图 1 为基于多传感器相关性的汽车衡智能容错原理框图。图中，系统首先分别独立采集各路称重传感器的称重信号，获得 I 路传感器的称重信号矢量 X，即X=(x1,x2,…,xI)T;ix 为预估网络的输出信号;Xc为去除第i 路 传 感 器 后 的 称 重 信 号 矢 量 ， 即Xc=(x1,x2,…,xi-1,xi+1…,xI)T; X 为 Xc与ix 的组合信号，即X =(x1,x2,…,xi-1,ix ,xi+1…,xI)T;Xp为称重融合网络输入矢量;y 为汽车衡称重结果。