|
|
|
汽车衡故障传感器预估
传统汽车衡在接线盒中将多路称重传感器并联连接，获得多路传感器信号之和，并传送至显示仪表，完成被测载荷称重，任何一路传感器出现故障都将导致称重系统失效。各称重传感器对称分布在汽车衡秤体下方，根据这种对称关系，当某一传感器失效时，利用相应的对称传感器输出代替失效传感器的输出，可完成故障传感器输出信号估计，但若载荷加载点偏离中心时，将会影响估计精度。利用数字称重传感器可以实现不间断工作，当某一传感器发生故障时，系统能够在一定时间内以一定精度称重 ，但数字称重传感器价格昂贵，增加了称重系统的成本。
径向基函数神经网络已广泛应用于系统建模、函数逼近与非线性估计等。对称分布的各称重传感器之间存在某种非线性函数关系，以RBFNN为核心建立预估网络，逼近这种函数关系，估计出故障传感器的正常输出，即可获得预估信号。然而因汽车衡现场使用将受噪声影响，预估信号会产生一定的误差。为此根据称重传感器之间的关联特性，建立故障传感器的两个独立预估网络，以正常传感器的称重信号或相邻传感器称重信号的比值为输入产生两个估计值，由于它们具有冗余性，采用一种自适应加权融合方法，可获得更准确的估计信号，最后以该估计信号与其他正常传感器的称重信号为称重系统的输入，获得故障状态下汽车衡的称重结果。
|
