基于惯性传感器车辆动态称重信号的研究

陈笑颖，马增辉，张河斌，秦 刚

（西安工业大学 电子信息工程学院，西安 710021）

伴随着科技时代的到来，交通运输业成为商业贸易的主要纽带，车辆动态称重技术现已成为最重要的治理手段，并普及应用在了大部分的城市道路中[1]。车辆动态称重技术对治理车辆超载问题收获了显著的成果，在未来交通运输行业中更会发挥出显著作用[2]。所谓车辆动态称重是指车辆在行驶的状态下对其重量进行测量，通过测量行驶车辆对称台产生的振动信号，然后利用称重系统来计算车辆的重量[3]。与静态车辆称重相比，车辆动态称重具有更为便捷、高效、避免交通拥堵等优势，由于受到速度等因素影响，主要存在精度低的问题。动态称重时存在实时性和随机性等，其复杂程度和困难往往大于静态称重[4]。目前，车辆动态称重传感器主要有压电式传感器、弯板式传感器等[5]，现已有传感器仍存在适用性不足、性能水平不高等问题，其中车辆行驶的速度和车辆动态称重的精度是影响性能的重要指标[6]。同时，影响车辆动态称重信号还有很多外界因素，例如外界环境温湿度、轮胎自身特性等都会对处理称重信号产生一定困难[7]。本文提出了采用惯性传感器设计车辆动态称重系统，由于动态称重信号含有非线性随机噪声，且采样时接收信号时间较短，故需要对车辆动态称重系统的称重信号进行降噪处理，从而提高测量的精确度。

1.1 车辆动态称重系统总体设计

本文中车辆动态称重系统采用了一种新型称台式的结构，调节支座结构的阻尼比减小响应时间，使称重信号能够快速地达到稳定状态，从而进行重量计算，车辆动态称重系统结构示意图如图1所示。称重平台的结构主要由3 块主钢板链接成一整块，4 个弹簧支座和4 个水泥墩台三部分组成。车辆动态称重系统所采用的惯性传感器置于称台下方，分别在总称台的四分之一处点各安装1 个传感器，以确保实验的准确性。

图1 结构示意图Fig.1 Structure diagram

车辆动态称重系统主要分为三部分，第一部分为摄像头采集模块，当车辆经过时，摄像头获取车辆车牌等信息保存并发送给工控机端；
同时，第二部分为车辆称重模块，当车辆经过钢板称台时，惯性传感器开始采集数据获取数据并实时存储，将存储的数据实时发送控制中心；
第三部分为显示控制模块，通过工控机对数据进行滤波处理、数据分析滤波后，将超载车辆信息通过远程通信传送到高速公路违章车辆显示屏上。

1.2 惯性传感器工作原理

本文采用了由陀螺仪、加速度计组成的惯性传感器，利用惯性传感器采集车辆行驶时对钢板产生的振动信号[8]。将传感器采集到的振动信号发送至工控机端进行信号处理，并将处理后所得到的数据通过远程通信系统发送至本地监测端，最后在高速公路违章车辆显示屏上实现数据的显示与预警。下文针对陀螺仪及加速度计工作原理展开研究。

加速度计其工作原理是作用在单位质量物体上不包括引力的其他力，即比力[9]。其工作原理具体如下：加速度计由位移指示器、弹簧、质量块和外壳组成，其中加速度计的敏感轴方向与弹簧运动方向需确保在同一水平方位，质量块与外壳通过弹簧进行连接。当壳体受到外力作用时，其弹簧会受到相应的变形，从而会使质量块在敏感轴方向相对运动产生位移。此时，壳体的加速度与质量块相对于外壳产生的相对位移存在着比例关系，故加速度的值可通过位移指示器测量显示出来。

陀螺仪其工作原理是测量旋转物体的角速度，其具有定轴性和进动性的特点[10]。本系统所采用的MEMS 陀螺仪，主要工作原理是通过振动力学原理测量非旋转器件。由于旋转物体径向运动，故受到科氏力的影响，MEMS 陀螺仪通过测量其运动中产生的位移来获取旋转物体的角速度。

本文通过加速度计测量车辆运动时的信号，利用陀螺仪对车辆信号进行补偿，将车辆称重信号进行处理，通过神经网络算法得到车辆的静态称重值。由于受多因素的影响，测量称重信号时会产生多种干扰信号，故需对称重信号进行降噪处理。

2.1 改进小波阈值降噪

小波变换通常用于解决非平稳信号问题，其在局部特征提取方面具有显著效果，能够把原始信号的有效信息从含噪声的非平稳信号中提取出来[11]。目前，最为传统且应用广泛的小波阈值降噪主要分为2 种：硬阈值小波降噪和软阈值小波降噪。

硬阈值：

软阈值：

式中：ωj，k为原小波系数；
为估计后的小波系数；
λ 为门限阈值。其软阈值小波去噪虽可得平滑信号但信噪比低，且估计后的小波系数与原小波系数有一定的偏差；
而硬阈值小波去噪可得较高的信噪比但容易出现局部震荡的现象[12]。由于传统的小波阈值降噪方法皆存在不同的不足之处，故而进行了改进处理，其优化方法具体如下：

式中：λ1为minimax 阈值；
λ2为通用阈值。

式中：N 为采样点数；
ω1，k为第一层的高频系数；
σ 为估计噪声标准差。由于优化后的阈值函数其偏差会随着ωj，k的增大而减小，其具有非线性特性适用于车辆动态称重的信号去噪，通过利用其更好的数学特性，从而使信号更加平滑，去噪效果更加明显且更加趋近于真实信号。

2.2 基于EEMD 改进小波阈值降噪信号处理

EEMD 算法基于经验模态分解的改进算法[13]，其主要是为改变原始信号的极值点分布，通过在原始信号中加入白噪声，并利用噪声辅助分析，同时，随着集成平均次数的增加剩余噪声会逐渐减小，从而可以有效改进EMD 分解中容易产生频率混叠的问题[14]。其中EEMD 算法分解需进行以下三步：

步骤1参数初始化，令m 为EMD 算法的分解次数，设白噪声标准差为α；

步骤2将标准差为α 且具有零均值的随机白噪声序列多次加入原始信号x（t），再将所得到的新序列再进行EMD 分解，最后得到各自的剩余分量和IMF 分量；

步骤3对m 次EMD 分解结果进行集成平均运算，消除白噪声影响，最终得到EEMD 的分解结果：

式中：cij（t）为IMF 分量；
m 为EMD 分解次数；
cj（t）为分解后的信号。

本文结合了小波降噪与集合经验模态分解算法的优势，利用EEMD 具有自适应性的特征分解，通过信号的自身特性进行分解可得到n 个IMF 分量和1个残差Res，再结合小波阈值去噪算法，利用小波去噪的时频局部化特性对IMF 分量进行降噪处理，其可弥补EEMD 算法中对复杂噪声信号无法处理的缺陷，又能够保留原始信号的细节特征[15]。其具体操作步骤如下：

步骤1对原始信号x（t）进行EEMD 分解，可得到残差Res 和IMF 分量；

步骤2对残差Res 和IMF 分量进行小波阈值降噪；

步骤3去噪后的残差Res 和IMF 分量用于信号重构，即去噪后的信号。

式中：x′（t）为降噪后的信号；
ci′（t）（i=1，2，…，n）为降噪后的IMF 量；
rn′（t）为降噪后的残差。

本文利用实验平台对车辆动态称重信号进行采集，以模拟两轴实验小车通过时不同速度进行模拟实验。通过实验车辆速度以15 km/h，30 km/h，45 km/h，60 km/h 左右的速度进行测量，通过利用惯性传感器采集加速度信号，令其采样频率为1.25 kHz，采集时间为10 ms，且为连续采样过程。根据加速度信号的特性，为分析数据规律、提取特征值，故需要对加速度信号进行去噪处理。将采集到的车辆动态称重信号进行EEMD 分解，并对比原始信号、传统小波阈值降噪算法处理后的信号，从而验证EEMD改进小波阈值降噪算法的性能分析。图2～图7所示为以不同速度下的原始信号、通过小波阈值算法改进的信号及基于EEMD 改进的小波阈值算法的信号图。

图2 速度15 km/h 加速度原始信号图Fig.2 Original signal diagram of 15 km/h acceleration

图3 速度15 km/h 小波阈值改进信号图Fig.3 Signal diagram of 15 km/h wavelet threshold improvement

图4 速度15 km/h EEMD 改进小波阈值信号图Fig.4 EEMD improved wavelet threshold signal diagram with speed of 15 km/h

图5 速度30 km/h 加速度原始信号图Fig.5 Original signal diagram of 30 km/h acceleration

图6 速度30 km/h 小波阈值改进信号图Fig.6 Signal diagram of 30 km/h wavelet threshold improvement

图7 速度30 km/h EEMD 改进小波阈值信号图Fig.7 EEMD improved wavelet threshold signal diagram with speed of 30 km/h

从上图中可见，以不同车速行驶的车辆动态称重的有效信号不同，基于EEMD 改进小波阈值降噪信号处理相较于小波阈值降噪，较好地保留了原始信号的局部特征，其方法的降噪效果显著适用于车辆动态称重。

本文在对车辆动态称重信号处理中，利用惯性传感器测量车辆经过时产生的信号，从而对振动信号进行理论分析。通过EEMD 改进小波阈值的降噪算法，对噪声进行降噪处理，从而起到了显著的降噪作用并得到车辆动态称重的频谱特点。此算法保留小波阈值降噪算法的时频局部特性，且结合了EEMD 算法的自适应特性，可在不同速度下有效地还原真实信号，从而提高系统的测量精度和实时性。