一种车载称重自动标定的方法及计算机可读存储介质与流程

本发明涉及自动标定技术领域，尤其涉及一种车载称重自动标定的方法及计算机可读存储介质。

背景技术：

现有的标定技术中，实现车载称重标定系数的方法主要通过在轴轮上放置称重台，在空车状态下，手持称重应变计进行标零操作，再在车辆载货时，根据车辆出厂的最大额标定参数，在对轴重和应变计进行标量。或者记录空车时输出数值变化，再记录载货后输出的数值变化，最后根据两组数据获取标定系数。这类方法存在以下几个缺点：1)需要人为进行标零、记录等操作，如果人为因素记录不准确，最终结果将会受到影响；2)对不同的车都需要进行一样的操作，当车辆增大时，将耗费巨大时间以及人力；3)标定后系数需要人工录入，操作工序较为繁琐；4)一旦应变计受损，将会严重影响输出重量的真实性；5)用来标定的数据量有限，当通道数量大于标定的数据量时，会导致计算的结果集不准确。

在物流领域中，通常要准确获取整车的载货量，否则载货不足会导致成本上升，超载则不允许上高速，甚至会存在潜在的交通风险。如何准确获取载货量，快速称重是物流行业亟待解决的问题。准确的载重量依赖于准确的数据源和最优的标定参数。从而促进快递业快速稳健发展。

已有标定算法中存在一定的缺陷，如依赖人为因素，标定样本数据量小，且工序复杂，装载量精度不高等问题。

现有技术中缺乏一种简便、准确的车载称重标定方法。

技术实现要素：

本发明为了解决现有的问题，提供一种车载称重自动标定的方法及计算机可读存储介质。

为了解决上述问题，本发明采用的技术方案如下所述：

一种车载称重自动标定的方法，包括如下步骤：s1：获取不同车辆状态下的车辆的车桥部位安装的应变计的数值，并从所述应变计的数值中提取特征向量构建标定数据库；s2：根据所述特征向量采用梯度树提升的方法识别出车辆运行状态；s3：从所述应变计的选择至少3个组成应变计组合；s4：根据所述应变计组合中对应的应变计的数值，建立所述应变计的数值与货物的重量的映射关系；确定所述映射关系的标定系数。

优选地，步骤s4之后还包括如下步骤：根据3σ原则将所述货物的重量的误差在区域外所述货物重量剔除，重新得到所述应变计的数值与货物的重量的映射关系；其中，σ是所述货物的重量的误差的标准差，是所述货物的重量的误差的均值。

优选地，所述车辆的不同状态包括车辆静止、车辆上货、车辆运行和车辆下货。

优选地，获取所述车辆的不同状态分别对应的至少30个应变计的数值；建立所述映射关系中所述应变计的数值为车辆上货或车辆下货状态下的数值。

优选地，所述特征向量包括一阶差分和斜率；获取所述一阶差分包括如下步骤：将一个时刻下所述应变计的数值求平均得到平均值获得平均值的一阶差分值diff，其中，j是第j个应变计，n是应变计的总个数，xj是第j个应变计的数值；获取所述斜率包括如下步骤：在车辆静止状态下，选取一个时刻的平均值作为基点α0，记下一个时刻的平均值α1的斜率为δ10＝(α1-α0)/1，记第m个时刻的斜率δm0＝(αm-α0)/m,其中m＞0。

优选地，识别出车辆运行状态包括：

其中，m表示树的个数，x表示提取的应变计的数据,θm表示第m颗决策树的参数，t(x，θm)表示决策树，fm(x)表示车辆状态的识别结果；

fm(x)＝fm-1(x)+t(x，θm)

通过经验风险极小化确定下一棵树的参数：

l0表示梯度损失函数，即求取使得残差最小时的参数值。

优选地，步骤s1之后还包括：在车辆上货状态或车辆下货状态时，每个所述应变计的数值在上货或下货前后的差值。

优选地，所述应变计组合为均方误差最小的组合，所述均方误差表示预测值与真实值之间的一个差异程度，表达方式如下：

其中，yi表示第i个应变计的数值对应的重量真实值，表示第i个应变计的数值的重量预测值。

优选地，线性回归模型为：

y＝wlx1+…+w2x2+wnxn

其中，wi表示第i个应变计的权重，i＝i,2,…,n,n是应变计的总数，xi表示第i个应变计的数值。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。

本发明的有益效果为：提供车载称重自动标定的方法及计算机可读存储介质，通过应变计的数值重提取特征向量，经过梯度提升树方法对车辆状态进行分类识别，准确获取车辆状态；选取最优的应变计组合，然后回归算法建模，实现了对车辆参数自动标定，简化标定过程，节省标定时间，且拟合车载重量更准确。

进一步的，当有应变计异常时，最优应变计组合会随之发生变化，从而重新进行标定，确保标定准确。

更进一步的，适合大量车辆的标定，极大提高标定效率，提高快递物流领域的运转效率。

附图说明

图1是本发明实施例中一种车载称重自动标定的方法示意图。

图2是本发明实施例中车辆的示意图。

图3是本发明实施例中又一种车载称重自动标定的方法示意图。

图4是本发明实施例中再一种车载称重自动标定的方法示意图。

图5是本发明实施例中残差图分布示意图。

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。

相关术语解释

均方误差(mean-squareerror,mse)是反映估计量与被估计量之间差异程度的一种度量。

高斯过程回归模型(gaussianprocessregression,gpr)是使用高斯过程(gaussianprocess,gp)先验对数据进行回归分析的非参数模型(non-parametericmodel)。

如图1所示，本发明的一种实施例中车载称重自动标定的方法，包括如下步骤：

s1：获取不同车辆状态下的车辆的车桥部位安装的应变计的数值，并从所述应变计的数值中提取特征向量构建标定数据库；

s2：根据所述特征向量采用梯度树提升的方法识别出车辆运行状态；

s3：从所述应变计的选择至少3个组成应变计组合；

s4：根据所述应变计组合中对应的应变计的数值，建立所述应变计的数值与货物的重量的映射关系；确定所述映射关系的标定系数。

可以理解的是，建立所述映射关系中所述应变计的数值为车辆上货或车辆下货状态下的数值。

在本发明的一种实施例中，车辆的不同状态包括车辆静止、车辆上货、车辆运行和车辆下货，分别记为：stat0，stat1，stat2，stat3，获取所述车辆的不同状态分别对应的至少30个应变计的数值，根据具体的情况，数值个数可以改变。

在本发明中定义特征向量包括一阶差分和斜率；

获取所述一阶差分包括如下步骤：

将一个时刻下所述应变计的数值求平均得到平均值

获得平均值的一阶差分值diff，

其中，j是第j个应变计，n是应变计的总个数，xj是第j个应变计的数值。

获取所述斜率包括如下步骤：

在车辆静止状态下，选取一个时刻的平均值作为基点α0，记下一个时刻的平均值α1的斜率为δ10＝(α1-α0)/1，记第m个时刻的斜率δm0＝(αm-α0)/m,其中m＞0。

通过差分、斜率作为特征向量准确获取标定所需数据，且无需人工可以不断收集数据，丰富数据量，提高标定的准确性，从而提高快递货车装载量的准确性。

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。

在本发明的一种实施例中，采用梯度树提升的方法(gbdt)识别出车辆运行状态包括：

其中，m表示树的个数，x表示提取的应变计的数据,θm表示第m颗决策树的参数，t(x，θm)表示决策树，fm(x)表示车辆状态的识别结果；

fm(x)＝fm-1(x)+t(x，θm，)

通过经验风险极小化确定下一棵树的参数：

l0表示梯度损失函数，即求取使得残差最小时的参数值。

如图3所示，另一种实施例中车载称重自动标定的方法，在上述方法的步骤s1之后还包括：

在车辆上货状态或车辆下货状态时，每个所述应变计的数值在上货或下货前后的差值。

具体的，以车辆上货状态stat1为例，一般30～50个时刻应变计对应的数值。

(1)对于上货状态stat1，在车辆上货之前，一般处于静止状态，载货前应变计的数值也处于相对平稳的状态，记初始上货状态为ts，上货过程中，应变计的数值会随着货物重量的增加呈现递增趋势,此时差分θ,存在5＜θ≤20,斜率δ≥0.01。记录初始上货应变计数值ach_value1(t1，t2，......，tn),其中n表示安装应变计个数。

(2)上货完成状态记为te，上货完成后，车辆会起步驶出载货台，此时差分波动偏大，100＜θ≤1000，斜率|δ|＞10，满足条件则记录此时ad数值ach_value2(t1，t2，......，tn)。

(3)输出每个上货过程中：载货完成te、以及初始载货ts对应通道的差值。

deltai(t1，t2，......，tn)＝ach_value2(t1，t2，......，tn)，-ach_value1(t1，t2，......，tn)

其中，i表示第i个样本数据，一般取值[30，50]之间。

(4)对于每辆车都提取上货状态的样本数据，写入数据库中。

(6)不同车次，重复执行(2)至(4)，直到所有车次数据存入数据库中。

当处理车辆增多时，该方法可以有效快捷获取所需标定的值，不需要通过砝码或者其他货物反复称量进行标定。

对每一辆车，连续获取30-50组应变计的数值，每组应变计的数值作为一个样本，假定每台车辆安装8个应变计，则每个样本中包括8个应变计组成，利用组合方法可以得到(n*(n-1)*(n-i+1))/(i！)种组合方式，遍历不同的组合计算相应均方误差mse，以均方误差为评价标准选出一组最佳应变计组合，即筛出均方误差相对最小的一个通道组合样本作为训练特征。

所述均方误差表示预测值与真实值之间的一个差异程度，表达方式如下：

其中，yi表示第i个应变计的数值对应的重量真实值，表示第i个应变计的数值的重量预测值。

在试验中，应变计组合中包括3个及以上的应变计时效果比较好。

可以理解的是，当一个应变计受损，应变计组合就会随之发生变化，再从所有没有受损的应变计中重新选择出新的组合，及时更新系数，确保输出重量的准确性。

获得了应变计组合以后，就可以利用应变计组合中包括的应变计的数值进行线性回归模型为：

y＝w1x1+…+w2x2+wnxn

其中，wi表示第i个应变计的权重，i＝i,2,…,n,n是应变计的总数，xi表示第i个应变计的数值。

可以理解的是，当车辆上货或车辆下货时，应变计的数值才会随着货物重量的增多或减少出现波动，所以此处建模的数据为车辆上货或车辆下货状态下的应变计的数值。

上述回归模型可能存在一定误差，计算误差情况，查看是否有异常值，如果有则根据基于3σ原则，排除重量数据异常的点；如果没有异常则确定回归模型的系数。

如图4所示，本发明另一种实施例中车载称重自动标定的方法在步骤s4之后还包括如下步骤：

根据3σ原则将所述货物的重量的误差在区域外所述货物重量剔除，重新得到所述应变计的数值与货物的重量的映射关系；

其中，σ是所述货物的重量的误差的标准差，是所述货物的重量的误差的均值。

具体如下所示：

(1)计算误差，误差＝真实重量–预测重量即

(2)计算误差向量e的标准差σ,均值

(3)3σ原则:当误差落在区域外，则认为异常，因此排除。

如果一次不能将所有异常点排出，则需要重复上述步骤直至误差达到要求。

本发明通过应变计采集各个通道输出的电压信号，经ad转换成数字信号，通过差分、斜率等特征，经过梯度提升树方法(gbdt)对货车状态进行分类预测，准确获取载货状态，提取车辆载货完成状态与初始载货状态的差值为样本数据，累积多组数据集后，通过均方误差最小化原则选出最优通道组合，交叉验证结和回归算法进行建模，对训练结果进行可视化，利用3σ排除异常数据，继续迭代模型，直到误差达到一定阈值则退出训练，最终输出对应车辆系数。实现了对车辆参数自动标定，当应变计异常时，即可重新得到新的系数，有效避免通道损坏对真实重量的影响。实现标定的方式快速便捷，不需要传统方法中的利用砝码以及记录空车状态再计算装车后的重量等类似的操作，有效简化了称重过程，可以有效节省单台车标定系数所需时间，并且使得拟合的车载重量更加准确。当需求车量不断增加时，该方法便捷高效，可以极大减少运算时间，节约人力物力成本，提高工作效率，从而提高快递物流领域运转效率。

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。

在本发明的一种具体实施例中，采取一周车辆数据，以每秒采集一次应变计数据的频率，条数据。将采集数据随机划分，70％划分为训练数据，30％划分为测试数据。表1给出梯度树提升在测试数据上的分类效果：

表1测试数据的分类效果

准确利率计算方法：预测准确的个数/总数(66906+66906+38621+3542035420)/186553＝98.52％

以车长9.6米货车车牌为浙a0t152的车为例，车身三个轴，前两个轴装四个应变计，后轴装四个应变计，一共安装8个应变计，根据货车状态的预测结果，提取上货段段差值，一共33条样本数据，建立线性回归回归模型，得到的系数，在对预测重量和真实重量进行比较。

如图5所示，残差单位：吨，大部分残差分布在0.1t以内，货车载重8～11吨左右，符合精度3％的要求。从图中可以明确看出预测值与真实值是非常接近的。可以说明，通过本发明的方法标定的参数准确度高，预测的重量精度也很高。

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。