基于多RBF神经网络的汽车衡误差补偿摘要:传统汽车衡称重误差补偿过程繁琐、称重结果准确度低,为此提出了一种基于多径向基函数神经网络(RBFNN)的汽车衡误差补偿方法。根据汽车衡不同检定秤量段的最大允许误差确定多个子RBFNN,每个子RBFNN负责一段秤量范围的误差补偿,建立相应秤量段的称重误差补偿模型,并给出补偿模型的训练算法。将各子RBFNN并联组合,利用自适应选择网络,自动选择合适的子RBFNN,完成不同称重段的最优补偿,从而获得全量程的最佳补偿效果。仿真实验表明,这种多RBFNN补偿方法与由单个RBFNN实现全量程补偿的方法相比,子RBFNN规模小,补偿效果更好。现场检定表明,采用该方法的40t量程的汽车衡最大偏载误差为-3kg,最大线性度误差为+6kg,远低于国家标准《JJG555-1996非自动秤通用检定规程》规定的三级秤最大误差。关键词:汽车衡;称重误差;自适应补偿;多径向基函数神经网络TP183文献标识码A国家学科分类代码510.40ErrorCompensationforTruckScaleBasedonMultipleRBFNeuralNetworksLINHai-jun1,2,TENGZhao-sheng1,CHIHai1,WUNYang-ping1,TANGLi-jun1(1.CollegeofElectricalandInformationEngineering,HunanUniversity,Changsha410082,China;2.PolytechnicCollegeofHunanNormalUniversity,Changsha,410081,China)Abstract:Conventionalmethodoferrorcompensationfortruckscalesisfussyandtheweighingresultsarenotprecise,anerrorcompensationmethodbasedonmultipleradialbasisfunctionneuralnetworks(RBFNN)isproposed.Thesub-RBFNNsareconfirmedaccordingtothemaximumpermissibleerrorofscale’sdifferentverifiedweighingcapacities.ThecompensationmodelsareestablishedandthenthealgorithmoftrainingRBFNNispresented.Sub-RBFNNsarecombinedandoneofthemischosentofullycompensateweighingerrorofeverycapacitybyadaptivenetwork,andthenoptimumcompensationoftotalweighingrangeisobtained.Emulationalexperimentsshowthatthesub-RBFNN’ssizeofthisproposedmethodissmallerandtheerrorsarelessthanthoseofthemethodthatcompensatestheerroroftotalweighingrangewithsingleRBFNN,andallresultsoffieldverificationshowthatthemaximumeccentricerroris-3kgandthemaximumlinearerroris+6kg,whichisfarlessthanthatofclass3scalesdefinedbyChinesenationalstandardofJJG555-1996.Keywords:truckscale;weighingerror;adaptivecompensation;multipleradialbasisfunctionneuralnetworks传统汽车衡利用串联或并联的电路连接方式,在模拟接线盒中将各称重传感器的输出信号集中累加,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。然而因受偏载误差(主要是由于受承载器的刚度与强度、汽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和称重传感器灵敏度的分散性等影响而产生的误差)和称重传感器线性度误差等影响[1,2],汽车衡将产生称重误差。通过反复调节接线盒中的可变电阻器,调整各传感器通道的增益,可以减少传统汽车衡的称重误差[1],然而该方法繁琐,工作效率低。为此,有学者利用标准砝码加载在汽车衡各受力支点(即称重传感器)上,得到一组线性方程,通过求解该方程获得良好的偏载误差修正,以减小称重误差[3]。还有学者通过建立了汽车衡的多维线性回归模型,利用最小二乘法,获得偏载误差补偿模型的参数,完成偏载误差补偿,从而减小称重误差[4]。但上述两种方法忽略了内应力、机械形变和尺寸误差等非线性因素对称重误差的影响。文献[5]利用位置传感器检测载荷加载在承载器上的位置,然后根据位置信息实现偏载误差补偿,以减少称重误差,该方法适合小型的电子秤,对于大承载面的汽车衡,需要进一步改进,同时该方法需要附加的位置传感器,增加了系统成本,且不易工程实现。径向基函数神经网络(RBFNN)具有很强的逼近非线性函数和自学习功能,收敛速度快、鲁棒性好、无局部极小点,已广泛应用于函数逼近、非线性预测和补偿等[6,7]。根据国家标准《JJG555-1996非自动秤通用检定规程》的要求[8],汽车...