摘要
随着我国公路运输行业快速发展，车辆超载引起众多交通事故发生，造成了严重交通拥堵，影响交通安全。车辆动态称重技术是解决车辆超载的重要方法之一，但传统动态称重系统存在测量误差较大等问题。本文对车辆动态称重技术进行研究，对EEMD算法进行优化并提出了一种改进GA-ACO-BP神经网络算法，提高车辆动态称重系统测量精度，通过搭建实验平台进行试验测试满足预定的技术指标。本文所做的主要工作如下： 1)根据车辆动态称重国家相关规定，首先通过对现有的车辆动态称重系统进行分析研究，对称重系统的总体方案进行设计，之后对车辆动态称重系统的工作流程进行阐述，最后通过动力学模型对影响车辆称重结果的因素进行了分析。 2)针对动态称重信号存在噪声干扰问题，通过对比传统噪声信号处理方法，本文采用集合经验模态分解(EEMD)算法对信号进行处理，并通过仿真分析验证其具有良好的处理非平稳信号的能力。但由于EEMD在分解过程中受白噪声影响，采用了一种基于改进小波阈值去噪的方法优化EEMD，并通过仿真验证对比改进后的方法与原方法的效果，验证了该方法具有更好的去噪效果。 3)针对车辆动态称重测量精度不高的问题，分析几种常见的车辆动态称重算法的优缺点，采用神经网络的方法进行车重测量。首先，基于BP神经网络建立车辆动态称重预测模型。其次，针对随机初始化参数导致BP神经网络训练过程陷入局部最优的问题，引入了蚁群算法对其初始化权值和阈值进行优化。最后，提出改进的GA-ACO-BP的神经网络模型，与ACO-BP神经网络相比，本文所提出的算法有效提高了BP神经网络的收敛速度和训练精度。 4)根据车辆动态称重系统的总体研究方案完成了其硬件、软件的设计与实现。对系统的各模块硬件电路进行了设计，采用模块化结构思想对各模块软件进行设计，并对硬件软件进行调试。在实验室搭建车辆动态称重模拟实验平台，对本文所提出的算法进行了实验验证。 根据实验数据表明，本文所提出的算法测量结果误差可达到5%以内，实现了系统的性能与功能需求，具有一定的研究意义与工程实际应用价值。
NETL