CEEMD-GRU模型动态称重算法研究.pdf
《CEEMD-GRU模型动态称重算法研究.pdf》由会员分享,可在线阅读,更多相关《CEEMD-GRU模型动态称重算法研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、引用格式:引用格式:杨帮,赖征创,杨晓翔.CEEMD-GRU 模型动态称重算法研究J.中国测试,2023,49(9):108-114.YANGBang,LAIZhengchuang,YANGXiaoxiang.ResearchondynamicweighingalgorithmbasedonCEEMD-GRUmodelJ.ChinaMeasurement&Test,2023,49(9):108-114.DOI:10.11857/j.issn.1674-5124.2021110133CEEMD-GRU 模型动态称重算法研究杨帮1,赖征创1,2,杨晓翔1,3(1.福州大学机械工程及自动化学院,福建
2、福州350108;2.福建省计量科学研究院,福建福州350003;3.泉州师范学院,福建泉州362000)摘要:针对车辆动态称重过程中称重信号受外界干扰导致称重精度不高的问题,提出结合互补集合经验模态(CEEMD)和门控循环单元(GRU)神经网络的称重算法。采用 CEEMD 对原始称重信号进行分解,得到的残余分量为初步滤除干扰信号的轴重信号;然后将残余分量归一化后作为 GRU 神经网络输入层构建网络模型,输出车辆轴重。研究结果表明,除去个别因异常数据导致的不良结果,该方法车辆动态称重误差控制在 1.2%以内。相比于传统的单一模型,称重精度更高,实用性更强。关键词:动态称重;互补集合经验模态分解
3、;门控循环单元神经网络;信号处理;深度学习中图分类号:TH823;TP274文献标志码:A文章编号:16745124(2023)09010807Research on dynamic weighing algorithm based on CEEMD-GRU modelYANGBang1,LAIZhengchuang1,2,YANGXiaoxiang1,3(1.CollegeofMechanicalEngineeringandAutomation,FuzhouUniversity,Fuzhou350108,China;2.FujianProvinceInstituteofMetrology,F
4、uzhou350003,China;3.QuanzhouNormalUniversity,Quanzhou362000,China)Abstract:Aimingattheproblemoflowweighingaccuracycausedbyexternalinterferenceintheweighingprocessofdynamictruckscale,aweighingalgorithmcombiningcomplementaryensembleempiricalmodedecomposition(CEEMD)andGRUneuralnetworkwasproposed.Firstl
5、ytheoriginalweighingsignalwasdecomposedbyCEEMD,andtheresidualcomponentobtainedwastheaxleloadsignalthatpreliminarilyfilteredouttheinterferencesignal.ThentheresidualcomponentwasusedastheinputlayerofGRUneuralnetworktoconstructthenetworkmodelandoutputthevehicleaxleload.Theresearchresultsshowthatthevehic
6、ledynamicweighingerrorofthismethodiscontrolledwithin1.2%afterremovingindividualabnormaldata caused by measurement error.Compared with the traditional single model,it has higher weighingaccuracyandstrongerpracticability.Keywords:dynamicweighing;complementaryensembleempiricalmodedecomposition;gatedrec
7、urrentunitneuralnetwork;signalprocessing;deeplearning收稿日期:2021-11-19;收到修改稿日期:2022-01-27基金项目:福建省属公益类科研院所基本科研专项项目(2019R1016-2);泉州市科技局科技计划项目(2020C055)作者简介:杨帮(1997-),男,江西南昌市人,硕士研究生,专业方向为动态称重系统的开发。通信作者:杨晓翔(1963-),男,内蒙古赤峰市人,教授,研究方向为力学在工程中的应用。第49卷第9期中国测试Vol.49No.92023年9月CHINAMEASUREMENT&TESTSeptember,20230
8、 引言动态汽车衡因为其高精度、高效性等特点广泛应用于高速公路超限检测和计重收费系统。然而,由于车辆振动和路面不平等因素使得称重传感器的输出信号掺杂了复杂的干扰因素,极大影响称重系统的精度。相比于分析改进汽车衡硬件设备,对称重算法的优化成本更低,且不受安装条件的限制。当前动态称重算法主要包含两类:第一类是平均法如算数平均法、滑动平均法1-2、中值法3等,通过对称重信号作不同方式的平均处理进行滤波提高称重准确度。平均法对采集信号长度有要求,且在高速称重下受信号中包含噪声影响较大,精度较低。第二类是智能化算法,如小波分解算法4-5、EMD 分解算法6、神经网络算法7、遗传算法8、数据融合等。智能化算
9、法处理称重信号精度更高,自适应性更强,并与当前发展迅速的大数据和深度学习技术相结合9,逐渐向复合智能化算法发展10。JGajda 等11对多传感器数据融合后采用最大似然估 计 量 进 行 动 态 称 重 估 计,精 度 提 升 明 显。Kirushanth12利用车载诊断模块和智能手机的 VT数据来推断车辆的有效载荷,并讨论了车辆 VT 数据与车辆有效载荷之间的相关性实验,使得车辆动态称重更加智能化。秦伟等13使用 BP 神经网络算法建立了载重计算模型,利用在轻型货车上进行加载实验得到的数据,对神经网络进行训练、检验和预测,最后模型预测误差在 5%以内。郝晓娴14把称重信号用小波算法降噪处理后
10、作为 BP 神经网络的学习样本,最终模型计算载荷误差在 2%以内。但 BP 神经网络需要对输入信号进行长度对齐,直接使用全部的信号数据使得神经网络具有大量的输入节点,从而导致网络训练收敛和计算效率方面的困难。使用部分信号数据,会引起重要信息的损失15,对不同长度的信号处理效果存在偏差。而小波分解算法降噪需要设定小波基16,对不同信号分解的模式固定,不利于处理非平稳和复杂多变的称重信号。因此,本文针对动态汽车衡称重信号处理过程中存在的信号噪声问题和传统 BP 神经网络处理变长信号效果不佳的问题,提出一种将 CEEMD 和GRU 神经网络结合的处理算法。1 理论基础1.1 CEEMD 算法原理CE
11、EMD 算法是在经验模态分解(empiricalmodedecomposition,EMD)和集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)算法的基础上所提出的改进方法。EMD 算法基于信号自身的特征,将信号分解为若干个本征模函数(intrinsicmodefunction,IMF)和残余分量 Residual。具有良好的自适应时频分析的效果,但存在不同时间尺度的模态分量混叠问题。EEMD 通过对信号添加白噪声,在一定程度上抑制了模态混叠的问题,但也因此产生了信号重构问题,最终信号包含残余噪声。CEEMD 在EEMD基础上改为对两组原信号添加
12、正、负成对的白噪声,进行 EMD 处理后,两者的结果取平均值作为分解结果17。这一方法既抑制了模态混叠的现象,又消除了信号中的残余噪声,同时相比于 EEMD 添加噪声的次数需求从百量级降低到几十的量级,计算精度和效率均得到提升。CEEMD算法分解步骤18如下:2nM1M21)向原始信号添加组正负成对的白噪声,得到两组混合信号和。M1M2=1111SN(1)S式中:原信号;N添加的白噪声;M1M22n和原信号添加正、负成对的白噪声后的信号,总计个信号。2nijCij2)对得到的混合信号进行 EMD 分解,产生组 IMF 分量,其中第 个信号的第 个 IMF 分量表示为。R3)将得到的 IMF 分
13、量分组求和取平均值,输出原信号的 IMF 分量和残余分量。Cj=12n2n1Cij(2)R=Sj1Cj(3)Cjj式中:原信号经过 CEEMD 分解后得到的第个 IMF 分量;R原信号不满足分解条件,停止分解后所剩的残余分量 Residual。1.2 GRU 神经网络传统 BP 神经网络通过误差逆向传播对线性权函数进行不断调整,达到拟合数据中存在的模式或第49卷第9期杨帮,等:CEEMD-GRU 模型动态称重算法研究109者函数模型的目的。然而当输入的数据前后存在关联时,BP 神经网络的结构无法保存这一信息,例如称重信号中每一时刻之间的关联,因此也就无法很好地挖掘时间序列中存在的模式。于是产生
14、了RNN 神经网络(recurrentneuralnetwork),RNN 神经网络能够记忆输入数据前后关联信息,但长记忆模式容易产生梯度爆炸和梯度消失的问题。LSTM神经网络(longshort-termmemorynetwork)在 RNN神经网络的基础上添加门控循环机制,选择性地记忆和遗忘信息,有效解决了梯度爆炸和消失的问题19。LSTM 通过输入门、遗忘门和输出门来选择性记忆和传递数据信息,GRU 对 LSTM 结构进一步优化,将遗忘门和输出门组合为更新门,决定之前记忆保存到当前时间步的量;重置门则直接作用于之前的隐藏状态,决定新输入信息与保存的记忆结合的量20。GRU 神经网络保留
15、LSTM 的计算效果的同时,数据需求量更小,参数更少,收敛更快。xththt1t1rtztht11ztht1HGRU 神经网络单元结构如图 1 所示。为当前时刻输入,为当前时刻输出,为时刻隐藏层输出,为重置门,为更新门,为包含当前时刻输入和上一时刻部分信息的输出候选值。“”表示以为权值矩阵对中信息选择性记忆,“”表示哈达玛积运算,“”表示矩阵相加,需为同型矩阵。ht1rtxtzththtHHHtanh1图 1 GRU 神经网络单元结构Sigmoid其中,为激活函数,值域范围是(0,1)。Sigmoid(x)=11+ex(4)tanh为双曲正切激活函数,值域范围是(0,1)。tanh(x)=ex
16、exex+ex(5)GRU 神经网络计算过程21如下:zt=(Wzhht1+Wzxxt)(6)rt=(Wrhht1+Wrxxt)(7)ht=tanh(Whh(rtHht1)+Whxxt)(8)ht=(1 zt)Hht1+htHzt(9)WzhWzx式中:和更新门的权值矩阵;WrhWrx和重置门的权值矩阵;WhhWhxht和计算输出候选值的权值矩阵。2 CEEMD-GRU 模型2.1 GRU 模型搭建GRU 网络模型总共分为 6 层。1)信号序列输入层:输入层将称重信号时间序列归一化后传递给下一层。2)GRU 层:GRU 层通过权值矩阵选择性从整个数据序列获取合适信息构建模型。3)全连接层:全连
17、接层负责将序列数据中提取到的数据特征进行加权和,变换到输出层的特征空间。4)舍弃层:舍弃层在样本训练过程中按一定比例随机删掉部分神经元,从而避免训练的网络模型出现过拟合问题。5)回归输出层:回归层输出拟合轴重信号,采用均方误差(meansquarederror,MSE)作为损失函数,衡量拟合轴重与真实轴重误差。损失函数趋于0 且保持平稳后,可视为模型收敛并结束训练。本文建立的是单层一维序列输入 GRU 神经网络模型,通常由经验确定网络超参数初始范围,再根据模型训练效果进行超参数调整。神经元个数和单次训练样本数在一定范围内增大能提高网络拟合效果,但过大时会导致过拟合问题,即训练结果过于依赖训练样
18、本,对样本外的数据拟合效果较差。学习率影响模型的收敛,通常取 0.0010.1,过大会导致模型训练无法收敛,过小则可能陷入局部最优值陷阱。舍弃率一般取 0.30.5,用于调整舍弃层舍弃神经元比例,避免过拟合问题。2.2 CEEMD-GRU 模型框架原始车辆称重信号由车辆真实轴重信号和干扰信号组成。真实轴重信号是车辆的静态载荷,为低频线性信号。干扰信号分为高频和低频干扰,高频干扰来自于车轮、发动机的高速转动,或由称重系统电气特性产生,可达数百赫兹;低频干扰由车辆自身振动,车辆与秤台和地面间的耦合振动引起,通常在 30Hz 以内22。组合模型主要由两部分构成,流程如图 2 所示。第一步对传感器采集
19、到的原始称重信号按一定条件110中国测试2023年9月选取后进行 CEEMD 分解,将复杂称重信号中包含的 IMF 分量按频率从高到底逐层剥离,直至无法满足分解条件。开始信号采集与选取GRU 神经网络输出拟合轴重信号CEEMD 分解残余分量 ResidualIMF 分量满足精度要求?输出拟合轴重是否结束调整网络参数图 2 CEEMD-GRU 组合模型流程IMF 分量是称重信号中不同频率的趋势,反映了称重信号中的干扰信号。而残余分量 Residual 是去除趋势后得到的信号稳态部分,主要包含低频线性的车辆静态载荷,但由于称重装置与 EMD 类算法本身限制,与低频干扰项仍有混合重叠的部分。第二步将
20、残余分量 Residual 归一化处理后作为 GRU 神经网络的输入,训练神经网络模型,达到预期精度要求后,输出拟合的车辆轴重。2.3 模型评价指标组合模型输出结果的拟合轴重信号为时间序列。为更清晰地评价模型拟合效果,将输出的拟合轴重信号取平均值作为最终结果与静态轴重进行对比,两者之间的误差即为模型评价指标。3 实验仿真及结果分析3.1 实验数据实验数据来自于 2019 年 6 月在山东日照某动态汽车衡测试现场实验结果,选取不同载重车辆,在 590km/h 的速度范围内,对动态汽车衡进行称重实验。实验选用二轴、四轴、六轴货车各一辆,在对三辆车分别进行静态标定后,得到了对应的轴重分布和静态轴重,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- CEEMD GRU 模型 动态 称重 算法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。