基于复合RBFNN的路灯维修车衡智能容错方法   佛山路灯维修车出租, 佛山路灯维修车租赁, 佛山路灯维修车公司  被测载荷的准确称量是路灯维修车衡的核心要求。现有路灯维修车衡利用并联方式，在模拟接线盒中将各路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MCU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、称重传感器线性度误差、蠕变误差和温度误差等影响，路灯维修车衡将产生称重误差；同时现有路灯维修车衡因不具备容错功能，任意一路称重传感器发生故障都将导致路灯维修车衡失效。偏载误差与称重传感器线性度误差是影响路灯维修车衡、特别是大型路灯维修车衡称量准确度的主要因素之一。由于受承载器的刚度与强度、路灯维修车衡加工与安装过程中产生的内应力、机械形变、尺寸误差等非线性因素和称重传感器灵敏度分散性等因素影响，将同一载荷加载在承载器的不同位置时，路灯维修车衡显示仪表的示值不一致，从而产生了偏载误差。现有路灯维修车衡偏载误差补偿方法是在路灯维修车衡承载器上的几个区域内加载标准砝码（每个区域必须包含一个称重传感器，且以该称重传感器为中心），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，以改变多路称重传感器的输出，使载荷处于路灯维修车衡承载器上不同位置时，显示仪表的示值均一致；该方法极为繁琐，工作效率低，称重误差大。为此，有学者利用标准砝码加载在路灯维修车衡各受力支点上（即称重传感器），得到一组线性方程，通过求解该方程获得各称重传感器通道的增益系数，从而完成路灯维修车衡的偏载误差修正，以减小称重误差。通过建立路灯维修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。但上述两种方法均忽略了内应力、机械形变和尺寸误差等非线性因素对称重误差的影响。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，对于大承载器的路灯维修车衡，需要进一步改进，同时该方法需要附加位置传感器，增加了系统成本，且不易工程实现。利用模糊信息处理技术、神经网络技术等实现了单个称重传感器的温度、蠕变、滞后性误差的补偿。然而对于路灯维修车衡这样一个典型的多传感器系统，由于各称重传感器补偿的不一致性，将导致路灯维修车衡产生称重误差，鲜有文献资料对路灯维修车衡的这种误差补偿方法进行阐述。本章详细阐述路灯维修车衡称重误差产生的机理，分析路灯维修车衡偏载误差、线性度误差、温度误差和蠕变误差等产生的原因，在本文第4章的基础上，利用称重传感器故障融合检测模型获得的称重融合输入向量，构建基于复合径向基函数神经网络（CRBFNN）的路灯维修车衡称重模型，即首先建立一种基于多径向基函数神经网络（MRBFNN）的路灯维修车衡称重融合方法，实现路灯维修车衡称重融合和偏载误差与线性度误差的自动补偿；然后以MRBFNN的融合结果、环境温度信号、载荷加载持续时间信号为输入，构建一种路灯维修车衡输出融合模型，完成路灯维修车衡称重结果的温度和蠕变误差补偿。通过仿真验证这种CRBFNN路灯维修车衡称重模型和误差补偿方法的准确性与有效性。

       路灯维修车衡复合RBFNN融合的构成与工作机理,   路灯维修车衡称重结果受偏载误差、线性度误差、温度和蠕变等非线性因素的影响，因此必须改进现有路灯维修车衡的称重方法，以补偿各种称重误差，完成路灯维修车衡的智能容错，实现称重传感器正常状态下与任意1~2路传感器故障状态下的准确称重。CRBFNN路灯维修车衡融合网络。系统首先利用N路称重融合输入信号Xp，根据基于MRBFNN的路灯维修车衡称重融合网路，获得路灯维修车衡称重融合结果y，并实现偏载误差与线性度误差的自动补偿；然后根据MRBFNN融合结果、实时采集的工作环境温度信号和载荷加载的持续时间信号，利用路灯维修车衡输出融合网路，完成MRBFNN融合结果的温度和蠕变误差补偿，提高路灯维修车衡称重结果的准确性和可靠性，获得最终的称重结果。基于MRBFNN路灯维修车衡称重融合网络主要由子RBFNN网络、子RBFNN选择网络等组成，完成路灯维修车衡称重融合和偏载与线性度误差的自动补偿。

    佛山路灯维修车出租, 佛山路灯维修车租赁, 佛山路灯维修车公司

     基于MRBFNN的路灯维修车衡称重融合原理设路灯维修车衡具有N路称重传感器，xi为传感器i输出的称重量（即分布在各称重传感器上的载荷重量，x=1Niix=∑，x为被测载荷总重量，i=1,2,…,N；若传感器i发生故障，则xi为传感器i的估计值），传感器i的输出电压为ui（i=1,2,…,N），路灯维修车衡总的输出信号电压为u，则理想状态下，路灯维修车衡总称重结果 ，Kp为路灯维修车衡总的输出信号电压与总称重结果的比例系数；ki为称重传感器通道i的增益。由于受各种非线性因素的影响，为实际情况下具有N路称重传感器的路灯维修车衡称重模型。因路灯维修车衡称重模型的高度非线性，提出的角差修正方法和LMS方法，都将带来较大的称重误差。因此本节提出了一种基于MRBFNN的路灯维修车衡称重融合方法，按照nqtnny−y≤εq=L的要求，自适应地调整各子RBFNN参数，使之良好地逼近。  ynq为被测载荷加载在承载器q处时路灯维修车衡输出的称重结果；ytn为第n秤量段的目标量；εn为满足国家标准要求的三级秤最大允许误差。 三级秤的最大允许误差Epmax为maxmax0.5500  M为路灯维修车衡的秤量；Mmax为路灯维修车衡最大秤量；e为检定分度值。路灯维修车衡不同秤量段的最大允许误差不同。为减小称重融合模型的规模，更准确地实现称重融合和减少称重误差，采用一种基于MRBFNN的路灯维修车衡称重融合方法，即根据不同秤量段的最大允许误差确定多个不同的RBFNN子网络，每个子RBFNN负责相应秤量范围内的称重融合和误差补偿，这些子RBFNN共同配合完成全量程范围内的路灯维修车衡称重融合和误差补偿。其基于MRBFNN路灯维修车衡称重融合网络。通过子RBFNN选择网络，自适应地选取合适的子RBFNN，然后利用RBFNN良好的逼近非线性函数功能，以多路传感器的称重信号或重构信号为输入，完成相应秤量段范围内的称重融合、偏载误差与线性度误差自动补偿。第n个子RBFNN以N路传感器的称重信号或重构信号Xp为输入，以称重结果yn为输出，因此，此时的子RBFNN是一个N输入1输出的三层网络。  Wn为隐层至输出层的权值；bn为输出层的偏置值。如果采用高斯函数作为网络的基函数，rnl为隐层节点l的扩展常数；Cnl为中心矢量。利用本文第3章所述的梯度训练法可以完成对第n个子RBFNN的训练。基于MRBFNN的路灯维修车衡称重融合模型。

     网络子RBFNN选择网的判决规则，完成子RBFNN的自适应选择。因此子RBFNN选择网络应能够以一定精度实现对被测载荷重量的估计， 理想路灯维修车衡称重的数学模型，并考虑到偏置值的影响，子RBFNN选择网络模型如图5.3所示。ΣM1x2xNxcbcyc1wc2wcNw中，1Nccciiiybwx==+∑ Wc为选择网络的权值，Wc=(wc1,wc2,…,wcN)T；bc为选择网络的偏置值。子RBFNN选择网络实为N输入1输出的线性神经网络，利用LSM算法可完成训练，从而获得参数Wc和bc。实际上，子RBFNN选择网络模型为理想路灯维修车衡的称重结果估计器，由于忽略了各种非线性因素的影响，称重结果精度较低，不能满足国家标准规定的要求，只能作为子RBFNN选择的判决数据。基于MRBFNN路灯维修车衡称重融合网络，子RBFNN选择的判决规则可修改为123max，Mmax为路灯维修车衡最大秤量；e为检定分度值。

    利用基于LMS的路灯维修车衡称重融合方法，即理想路灯维修车衡的称重方法）、基于单RBFNN的称重融合方法（SRBFNN，即利用单个RBFNN实现路灯维修车衡全量程的称重融合）和基于MRBFNN的称重融合方法对SCS-40型路灯维修车衡进行了多次仿真实验。该路灯维修车衡的最大秤量为40t，分度数为4000，检定分度值e和实际分度值d均为10kg，采用8路额定量程为20t的称重传感器。

   佛山路灯维修车出租, 佛山路灯维修车租赁, 佛山路灯维修车公司