一种动态车载称重的方法及系统与流程

本发明涉及车载称重技术领域，尤其涉及一种动态车载称重的方法及系统。

背景技术：

我国快递物流行业发展迅速，已经成为我国新型经济产业的代表之一。据不完全统计，我国2018年快递业务量高达507.1亿件，同比增长26.6％。快递业务收入6038.4亿元，同比增长21.8％。随着快递行业突飞猛进，传统过磅称重耗费人力物力，甚至加重物流积压等一系列问题。比较典型的，9.6米厢式快递货车传统称重方式需要经过地磅称出全车重量，再减去全空车的重量才能得到实际整车装在货量的实际重量，这种快递车传统的称重方式存在一下几个主要缺点：第一，耗时，往往一个厂区只有有限的地磅数量，加之要预先得知空车的皮重重量，每进入一个厂区需要称重一次。因此，过地磅的传统方法是费时费力的。第二，在运转高峰期，每辆车需要依次过磅，增加了不必要的排队等待时间；第三，行车过程中会存在加水、加油等操作，因此会给整车货重带来额外的误差。第四，对货车超载情况没有及时预警。第五，对丢货的情况也不能实时监控。第六，称重方式只能在车辆处于完全静止的状态才可以实现。

现有称重技术中较多集中在静止状态下进行计量的方法，即称重和车辆行驶状态相分离，由于货车运行过程中存在诸多外界影响因素：包括路面状况、车轴位置、车身结构、轮胎材料、油耗与加水等等情况都会对重量精度造成一定影响；而现有的动态秤重技术中，常考虑车辆速度及加速度、车辆动态平衡等一系列因素，结合滤波法进行计算，该方法存在缺点是车辆速度容易受到gps信号影响，一旦信号不稳定出现漂移没那么速度会异常波动，会带来额外噪声，且滤波方法计算存在一定的延迟性。

技术实现要素：

本发明为了解决现有的问题，提供一种动态车载称重的方法及系统。

为了解决上述问题，本发明采用的技术方案如下所述：

一种动态车载称重的方法，包括如下步骤：s1：采集数据，所述数据包括车辆装载货物过程中车桥部位安装的应变计的数值；s2：利用线性回归模型建立所述应变计的数值与所述货物的重量的映射关系；s3：提取差分作为特征向量；s4：根据所述特征向量，通过机器学习方法中支持向量机进行训练，识别出车辆运行状态；s5：依据所述车辆运行状态，实时输出车辆重量。

优选地，采用can总线或rs485将所述应变计采集的形变信号转换为数字信号。

优选地，所述线性回归模型是：

weight＝w1x1+…+w2x3+wnxn

其中，wi表示第i个特征的权重；xi表示第i个特征，i＝1，2，…，n表示应变计的个数，weight表示货物的重量。

优选地，所述车辆运行状态包括车辆上货、车辆运行、车辆下货和车辆静止；提取当所述车辆上货时的差分diff1的波动情况；θ10＜diff1＜θ11；其中，θ10、θ11分别表示车辆上货差分变动的上下界；提取当所述车辆载货完成时差分diff2的波动情况；θ20＜diff2＜θ21；其中，θ20、θ21分别表示车辆运行时差分变动的上下界；提取当所述车辆卸货时差分diff3的波动情况：θ30＜diff3＜θ31；其中，θ30，θ31分别表示车辆卸货时差分变动的上下界；提取所述车辆静止状态时的差分diff0。

优选地，车辆上货时所述差分diff1的取值范围是(5，20]；车辆运行时所述差分diff2的取值范围是(20,50]；车辆下货时所述差分diff3的取值范围是[100,1000]；车辆静止时所述差分diff0的取值范围是[0，50]。

优选地，识别出所述车辆运行状态包括：

yj(w0·diff0j+w1·diff1j+w2·diff2j++w3·diff3j+bj)≥1

其中，w是约束权重，j＝1，...，n，bj表示样本的偏重，n表示样本总数，diffkj表示第j个样本的差分信息值，k＝0，1，2，3；yj表示对应状态值，取值0，1，2，3，找出边界最大的情况下的支持向量，并由此构建决策边界，对样本状态进行分类。

本发明又提供一种动态车载称重的系统，包括：数据采集单元，用于采集数据，所述数据包括车辆装载货物过程中车桥部位安装的应变计的数值；映射关系获取单元，用于利用线性回归模型建立所述应变计的数值与所述货物的重量的映射关系；特征向量提取单元，用于提取差分作为特征向量；车辆运行状态识别单元，用于根据所述特征向量，通过机器学习方法中支持向量机进行训练，识别出车辆运行状态；车辆重量输出单元，用于依据所述车辆运行状态，实时输出车辆重量。

优选地，所述车辆运行状态包括车辆上货、车辆运行、车辆下货和车辆静止。

优选地，采用can总线或rs485将所述应变计采集的形变信号转换为数字信号。

优选地，所述车辆重量输出单元将所述车辆重量传输给客户端应用程序。

本发明的有益效果为：提供一种动态车载称重的方法及系统，通过提取差分作为特征向量；根据特征向量，通过机器学习方法中支持向量机进行训练，识别出车辆运行状态，根据运行状态确定车载重量。避免通过计算货车皮重与毛重获取净重时间，缩短了货车过磅称重所需时间；提高载货量的精度，缓解转运中心货物积压压力；同时，实时获取车辆的车载重量，可以追溯货物丢失情况；对货车超重情况进行及时预警；节约人力成本，提高运输效率；规避了油耗、冷却液等外部因素干扰。

附图说明

图1是本发明实施例1中截流系统的结构示意图。

图2是本发明实施例中车辆的示意图。

图3是本发明实施例中实时获取所述货物运输车辆的车载重量的方法的示意图。

图4是本发明实施例中一种动态车载称重的系统的示意图。

图5是本发明实施例中实验重量误差分布结果示意图。

其中，1-车头，2-车厢，3-前车桥，4-后车桥，5、5a、5b-应变计。

具体实施方式

为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

相关名词解释：

控制器局域网(controllerareanetwork，简称can或者canbus)是一种功能丰富的车用总线标准。

rs485是隶属于osi模型物理层的电气特性规定为2线、半双工、平衡传输线多点通信的标准。

通用封包无线服务器(generalpacketradioservice，缩写：gprs)是gsm移动电话用户可以使用的一种移动数据业务/技术。

如图1所示，本发明提供一种动态车载称重的方法，包括如下步骤：

s1：采集数据，所述数据包括车辆装载货物过程中车桥部位安装的应变计的数值；

s2：利用线性回归模型建立所述应变计的数值与所述货物的重量的映射关系；

s3：提取差分作为特征向量；

s4：根据所述特征向量，通过机器学习方法中支持向量机进行训练，识别出车辆运行状态；

s5：依据所述车辆运行状态，实时输出车辆重量。

在本发明的一种实施例中，采用can总线或rs485将所述应变计采集的形变信号转换为数字信号。

如图2所示，车头1后面连接车厢2，两个应变计5装在前车桥3的正上方，两个应变计5a装在后车桥4的正上方，两个应变计5b装在后车桥4的后侧方。这是典型的4米2车型，这是当前快递运输中常见的车型。当然也适用于其他运输车辆，比如9米6车型，可以安装8个应变计，其中2个在第一前轴的正上方，还有2个在第二前轴的正上方，有4个在后轴的正上方。

在本发明的一种实施例中，应变计可以在前、后车桥对称的安装偶数个，可以多于6个或8个；通过应变计将车桥形变大小转化为应变计模拟信号值，作为模型输入的特征值。在前、后车桥部分，对称地安装偶数个数的应变计应变计可以均匀地获取到由货物带给车厢的受力，避免受力不均衡带来的形变扑捉丢失的情况，造成精度的丧失。

如图3所示，实时获取所述货物运输车辆的车载重量的方法包括如下步骤：

采集标定数据：至少采集15次所述运输车辆的地磅重量并得到地磅重量构成的向量yi(i∈1,...,n)；同时依次获取所述运输车辆的车桥部位安装的应变计的数值及传感器数值构成的矩阵xi,j(i∈1,2,3,...,n；j∈1,2,3,...,m)，其中n是称重次数，m是所述应变计的数量；

可以理解的是，采集至少15次的不同的重量货物的地磅重量。

利用线性回归建立所述应变计的数值与所述地磅重量的映射关系。

所述线性回归模型是：

weight＝w1x1+…+w2x3+wnxn

其中，wi表示第i个特征的权重；xi表示第i个特征，i＝1,2,…,n表示应变计的个数，weight表示货物的重量。

在一种实施例中，车辆运行状态包括车辆上货、车辆运行、车辆下货和车辆静止；

货车载货之前会将车驶入装货台，并且载货前数值处于相对平稳的状态，随装货过程中，应变计的数值会随着重量的增加呈现递增趋势，即斜率k＞0。此时记录数据递增变化以及相应差分diff1的波动情况；提取当所述车辆上货时的差分diff1的波动情况；θ10＜diff1＜θ11；其中，θ10、θ11分别表示车辆上货差分变动的上下界；

载货完成后，车辆会起步驶出车辆，此时差分diff2波动偏大，远大于载货状态水平，且初始载货与载货完成阶段会出现相对大的差值，两者时间相隔较大，由此载货完毕；提取当所述车辆载货完成时差分diff2的波动情况；θ20＜diff2＜θ21；其中，θ20、θ21分别表示车辆运行时差分变动的上下界；

卸货过程中，应变计的数值会随着重量的减少呈现递减趋势，即k＜0；提取当所述车辆卸货时差分diff3的波动情况：θ30＜diff3＜θ31；其中，θ30，θ31分别表示车辆卸货时差分变动的上下界；

当车辆静止时，提取所述车辆静止状态时的差分diff0。

在本发明的一种实施例中，车辆上货时所述差分diff1的取值范围是(5，20]；

车辆运行时所述差分diff2的取值范围是(20,50]；

车辆下货时所述差分diff3的取值范围是[100,1000]；

车辆静止时所述差分diff0的取值范围是[0，50]。

利用差分提取得到diff0，diff1，diff2，diff3，通过机器学习方法中支持向量机(svm)进行训练，对货车时刻状态进行识别。识别出所述车辆运行状态包括：

yj(w0·diff0j+w1·diff1j+w2·diff2j++w3·diff3j+bj)≥1

其中，w是约束权重，j＝1，...，n，bj表示样本的偏重，由于目标函数是二次的，是一个凸函数，而约束在权重w和偏移b上是线性的，n表示样本总数，diffkj表示第j个样本的差分信息值，k＝0,1,2,3；yj表示对应状态值，取值0,1,2,3，找出边界最大的情况下的支持向量，并由此构建决策边界，对样本状态进行分类。

依据所述车辆运行状态，实时输出车辆重量。当车辆载重超过载重限制的时候，可以发出超载提醒。

本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本发明通过提取差分作为特征向量；根据特征向量，通过机器学习方法中支持向量机进行训练，识别出车辆运行状态，根据运行状态确定车载重量。避免通过计算货车皮重与毛重获取净重时间，缩短了货车过磅称重所需时间；提高载货量的精度，缓解转运中心货物积压压力；同时，实时获取车辆的车载重量，可以追溯货物丢失情况；对货车超重情况进行及时预警；节约人力成本，提高运输效率；规避了油耗、冷却液等外部因素干扰。

如图4所示，一种动态车载称重的系统，包括：

数据采集单元，用于采集数据，所述数据包括车辆装载货物过程中车桥部位安装的应变计的数值；

映射关系获取单元，用于利用线性回归模型建立所述应变计的数值与所述货物的重量的映射关系；

特征向量提取单元，用于提取差分作为特征向量；

车辆运行状态识别单元，用于根据所述特征向量，通过机器学习方法中支持向量机进行训练，识别出车辆运行状态；

车辆重量输出单元，用于依据所述车辆运行状态，实时输出车辆重量。

在本发明的一种实施例中，车辆运行状态包括车辆上货、车辆运行、车辆下货和车辆静止。采用can总线或rs485将所述应变计采集的形变信号转换为数字信号。所述车辆重量输出单元将所述车辆重量传输给客户端应用程序，比如通过4g、蓝牙或无线网络传输。

在本发明一种具体的实施例中，以9.6米长厢式货车实际称重情况为例。获取时间区间2019.7.26—2019.7.31的数据，一共256个数据，确保精度在3％以内，达标情况如表1所示，平均达标率95.99％。

实验误差如图5所示，横轴表示样本点的个数，纵轴表示重量误差以kg为单位，图形显示误差分布集中在300kg以内，最大误差489kg。实验结果表明，该系统提供车载秤重方法，实时快速而且准确性高。误差分布集中在300kg以内，达标率95.99％，最大五误差489kg.

表1模型效果

其中，精确准则误差在3％以内，误差率＝真实重量-预测重量)/真实重量；达标率＝1-(真实重量-预测重量)/真实重量。

在本发明的另一种实施例中，以9.6米长厢式货车实际称重情况为例。采取一周传感器数据，每一秒采集一条数据，一共产生627177条数据，提取各个状态差分获取特征数据数据分布如表2所示，将得到的数据带入svm模型进行训练，训练所有数据70％，测试数据30％。最终得到准确率96.7％。

表2数据分布

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。