路灯维修车衡多传感器相关性研究    江海路灯维修车出租, 江海路灯维修车租赁, 江海路灯维修车   路灯维修车衡根据设计要求，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路灯维修车衡秤体下方，构成典型的多传感器称重系统。实验发现，各称重传感器的输出以及相邻传感器输出的比值相互影响，存在相关性，这些相关性受许多因素影响。现有路灯维修车衡利用并联方式，在模拟接线盒中将各路称重传感器的输出信号进行累加，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；这种方式由于通过硬件电路直接将各路称重传感器输出信号集中累加，割裂了称重传感器之间的联系，忽视了多传感器的相关性，失去了利用路灯维修车衡本身多路称重传感器的关联特性进行故障诊断和容错控制的可能性，从而使得任意一路传感器发生故障都将导致整个称重系统失效。近年来，神经网络在智能信息处理中得到了广泛的应用。作为前馈神经网络的重要分支，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，已广泛应用于系统建模、函数逼近与非线性估计等。路灯维修车衡各路称重传感器的输出信号以及输出信号比值相互关联，它们之间存在某种非线性函数关系，利用RBFNN逼近这种非线性函数，分别构造多路称重传感器输出信号的关联模型以及输出信号比值的关联模型，建立各路传感器输出的预估网络和相邻称重传感器输出比值的预估网络。由于这两个预估网络相互独立，从而可以获得两个独立的、冗余的传感器输出预测值。路灯维修车衡现场使用时因受噪声影响，单独利用其中任何一个关联模型都将产生较大误差。为此以这两个关联模型产生的独立冗余估计值为输入，构建一种自适应加权融合方法，以获得更准确的称重传感器输出估计信号，为路灯维修车衡的故障诊断与智能容错奠定基础。本章研究路灯维修车衡多路称重传感器的相关性，构建任意一路传感器与其它N-1路传感器的关联模型（全关联模型），即利用RBFNN分别建立多路称重传感器输出信号的关联模型和相邻传感器输出信号比值的关联模型，获得两个独立的预测值，并利用它们的冗余性，构建一种自适应加权融合方法，完成称重传感器输出结果的准确估计。为实现路灯维修车衡多路传感器故障的智能容错，建立了任意一路称重传感器与其它N-2路传感器的关联模型（即多传感器局部关联模型），以实现该状态下故障传感器的输出估计。通过仿真验证这种方法的准确性与有效性。

     路灯维修车衡多传感器的全关联模型多路称重传感器按一定的拓扑结构分布在路灯维修车衡承载器（秤体）下方，构成典型的多传感器称重系统，共同完成被测载荷的称重。 具有8路称重传感器的路灯维修车衡传感器分布示意图。 系统利用RBFNN建立多路称重传感器输出信号的关联模型和相邻传感器输出信号比值的关联模型，分别获得每个称重传感器的两个独立预测值，并以这两个预测值为输入信号，构建一种自适应加权融合方法，完成两个预测值的融合，获得更准确的传感器输出估计值。 基于多传感器关联模型的自适应加权融合原理框图，ˆjx为称重传感器j的输出估计值；X为N路相互独立的传感器称重信号，即X=(x1,x2,…,xN)T；jkx%为传感器j关联模型k的输出；201σ、202σ分别为关联模型1和关联模型2的方差；hw1，hw2为自适应加权融合权值，其由方差2kσ决定；j=1,2,…,N；k=1,2，除特别说明，文的j,k取值范围不变。 系统首先通过选择开关工作在训练模式，即利用离线训练网络完成多路称重传感器输出信号的关联模型（即关联模型1）和相邻传感器输出信号比值的关联模型（即关联模型2）的离线训练，获得相应模型参数并分别保存在关联模型1、2中；训练完成后，系统利用在线检测网络，完成称重传感器输出的准确估计。

     江海路灯维修车出租, 江海路灯维修车租赁, 江海路灯维修车 http://www.zhaoqingyuntichechuzu.com/

    多路称重传感器输出的关联模型大量实验发现，路灯维修车衡各路称重传感器的输出相互关联，存在某种非线性函数关系。设xj为第j个称重传感器称重信号(j=1,2,…,N)，称重传感器j的输出是其它N-1路称重传感器输出的非线性函数。这种函数关系复杂，实验发现它们至少受以下因素影响：（1）被测载荷加载在承载器上的位置，这种位置关系体现为各传感器输出变化量的相互影响。（2）被测载荷的重量。同等条件下，被测载荷重量越大，称重传感器j的输出xj越大。（3）路灯维修车衡秤体结构与安装的影响，主要是秤体的刚度与强度、路灯维修车衡加工与安装过程中产生的内应力、机械形变和尺寸误差等非线性因素。（4）称重传感器本身的影响，如称重传感器灵敏度的分散性和称重传感器线性度误差等。因此，很难找到路灯维修车衡各称重传感器输出之间的明确函数解析式。以N-1路正常传感器的称重信号为输入，利用RBFNN逼近，可完成称重传感器j的输出估计。 称重传感器j的关联模型图中，j1x%为称重传感器j的预测输出，m为隐层神经元的个数；W1为连接RBFNN隐层至输出层的权矢量，W=(w10,w11,w12,…,w1m)T，其中w10=b1；b1为输出层偏置值；H为径向基函数矢量（即隐层节点输出），且H=(h0,h1,h2,…,hm)T，其中h0=1。如果采用高斯函数作为网络的基函数，X为输入矢量，即X=(x1,x2,…,xj-1,xj+1,…,xN)T；rl为第l个节点的扩展常数；Cl为第l个节点的中心矢量，Cl=(c1,l,c2,l,…,cN-1,l) 为欧几里德距离。利用梯度法、聚类法、正交最小二乘法等，可实现对RBFNN的训练。

     称重传感器输出关联模型的梯度训练法,  称重传感器输出信号关联模型（即关联模型1）的梯度训练方法通过最小化目标函数，实现各隐层节点的扩展常数rl、中心矢量Cl、输出权值W1和偏置值b1的调节。设yti为网络的目标输出，则RBFNN学习的目标函数  ，βi为遗忘因子；ei为误差信号，F(X)为RBFNN函数。考虑到所有训练样本、遗忘因子βi和学习率μ的影响，Cl、rl、w1l和b1的调节量分别为.  称重传感器输出关联模型的聚类训练法称重传感器输出关联模型（即关联模型1）的聚类训练法首先采用无监督学习方法（如K-means算法）确定关联模型中m个隐层节点的中心矢量Cl，并根据各中心之间的距离确定隐层节点的扩展常数rl，然后用有监督学习方法（如LMS法）训练各隐层节点的输出权值w1l和偏置值b1。设第i次迭代时的聚类中心，相应的聚类域。利用K-means算法可以确定中心矢量Cl和扩展常数rl，即（1）从输入样本中随机选取m个不同的初始聚类中心；（2）计算所有输入样本与聚类中心的距离；

    （3）将输入样本X按照最小距离原则对其进行分类，当X=X−Ci时，X被归入第l类，即()lX∈Ai；（4）计算各类新的聚类中心，Nl为第l个聚类域Al(i)中包含的样本数；（5）如果Ci+≠Ci，转到步骤（2）；否则聚类结束，并开始确定扩展常数；（6）根据各聚类中心之间的距离确定各隐层节点的扩展常数，即llr=αd（3.10）式中，α为重叠系数，dl为第l个聚类中心与其它最近聚类中心之间的距离，=Ci−Ci中心矢量和扩展常数确定后，利用LMS算法（最小二乘法）即可确定输出权值W1和偏置值b1。当关联模型输入矢量为X时，其中，ytn为目标输出值，n=1,2,…,M1。令训练误差e为   则当满足T1minmin 时，即可求得关联模型的输出权值W1和偏置值b1，此时有ty+W=H W=(b1,W1)T，H+为的H的广义逆矩阵.  

      称重传感器输出关联模型正交最小二乘算法（OLS）的训练方法利用Gram-Schmidt正交化，从输入的样本中选取中心矢量Cl，其思想如下：

     （1）首先将所有输入样本（Nl组样本）均作为中心矢量，并令各扩展常数相同，计算隐层节点输出H，并令H的Nl个列向量为11P,21P,…,1lNP，它们构成Nl维欧氏空间lHNE。

    （2）把输出矢量j1X%投影到11P,21P,…,1lNP上，如果j1X%与某个11nP具有最大的夹角（n1=1,2,…,Nl），则把11nP对应的输入样本选为第1个中心，11nP构成一维的欧氏空间lNE。（3）利用式（3.15）、（3.16），计算关联模型的输出权值和偏置值，并得到关联模型对训练样本的训练误差e。如果e满足yeε−WH< 则终止训练；否则对步骤（2）中剩下的Nl-1个向量作Gram-Schmidt正交化，使之正交于域E1，得到12P,22P,…,12NP−。式中，yt为目标输出，eε为给定误差阈值。

   （4）利用与j1X%有最大投影的22nP，选择与之对应的输入样本为第2个中心，计算关联模型的输出权值和偏置值，并判断是否终止训练。

   （5）重复以上步骤，直到找到m个中心，从而获得中心矢量Cl、扩展常数rl、输出权值W1和偏置值b1。比较梯度训练法、聚类训练法与OLS训练法可知，OLS训练法容易实现，且37能在权值训练的同时确定节点数目，并保证训练误差不大于设定误差阈值，但中心矢量从输入样本中获取，因此不一定最优；聚类训练法能够根据各聚类中心之间的距离确定各隐层节点的扩展常数，但由于利用无导师学习确定中心矢量和扩展常数，只用到了输入样本的信息，没用到网络输出信息；梯度训练法原理简单明了，容易理解，但训练时间长，容易陷入局部最优，尽管如此，梯度法仍然是RBFNN最常用的训练方法之一。

     江海路灯维修车出租, 江海路灯维修车租赁, 江海路灯维修车