現(xiàn)有地磅不具備容錯功能，為此提出了一種地磅智能容錯方法。根據(jù)多路稱重傳感器之間的相關(guān)性，利用徑向 基函數(shù)神經(jīng)網(wǎng)絡(luò)建立稱重傳感器預(yù)估網(wǎng)絡(luò)和自適應(yīng)選擇網(wǎng)絡(luò)，完成稱重傳感器故障檢測、失效傳感器正常輸出預(yù)估和地磅工作模式的自動切換，并將預(yù)估信號與其它正常傳感器信號組合，通過稱重結(jié)果融合網(wǎng)絡(luò)完成任一傳感器失效狀態(tài)下汽車衡 的正常稱重。試驗與現(xiàn)場檢定表明，這種智能容錯方法實現(xiàn)了地磅任一傳感器失效狀態(tài)下的正常稱重，其各項指標均優(yōu)于 4級秤的要求，避免了稱重系統(tǒng)失效。

1.引 言

地磅根據(jù)設(shè)計的稱重量程，一般具有4?12路稱重 傳感器。這些傳感器按一定的拓撲結(jié)構(gòu)分布在地磅承載 器下方，構(gòu)成典型的多傳感器稱重系統(tǒng)，各稱重傳感器的 輸出相互影響，存在相關(guān)性[1]。現(xiàn)有汽車衡利用串聯(lián)或并 聯(lián)連接方式，在模擬接線盒中將各路稱重傳感器的輸出信 號通過電路方式進行信號累加，獲得一個與被測載荷質(zhì)量 成比例的電壓信號，經(jīng)信號調(diào)理、A/D轉(zhuǎn)換后，由單片機 處理獲得稱重結(jié)果，送顯示、通信，完成被測載荷的稱重。

這種方式缺陷明顯：由于通過硬件電路直接將各路稱重傳 感器信號集中累加，割裂了傳感器之間的聯(lián)系，忽視了多 傳感器的相關(guān)性，任一傳感器失效都將造成整個稱重系統(tǒng) 失效，即汽車衡不具備容錯功能。文獻提出了一種稱重 傳感器亞健康及早診斷方法，給出了地磅稱重傳感器亞 健康的故障特征，利用空載與加載標準砝碼時各傳感器的 輸出信息，完成稱重傳感器的故障診斷；該方法有效，但 需要較多的人工干預(yù)，自動化程度低。文獻根據(jù)稱重傳 感器對稱分布關(guān)系，在某一傳感器失效時，利用其相應(yīng)的 對稱傳感器輸出代替失效傳感器的輸出，實現(xiàn)失效傳感器 稱重信號的容錯估計；該方法在均勻負載、對稱加載的理想情況下有效，但地磅加載稱量不可能處于理想狀態(tài)， 其受加載位置和載荷非均勻性的影響較大，不能滿足地磅的實際需要。

近年來，傳感器的各種故障診斷與智能容錯方法發(fā) 展迅速。對于具有典型多傳感器系統(tǒng)特征的汽車衡，基 于神經(jīng)網(wǎng)絡(luò)方法的傳感器故障診斷與智能容錯方法 具有重要的參考價值，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)由 于具有很強的逼近非線性函數(shù)能力和自學(xué)習(xí)功能，收斂 速度快，魯棒性好，無局部極小點，已廣泛應(yīng)用于系統(tǒng) 建模、函數(shù)逼近與非線性估計等。地磅各路稱重傳 感器的輸出相互關(guān)聯(lián)，它們之間存在某種非線性函數(shù)關(guān) 系，以RBFNN為核心建立預(yù)估網(wǎng)絡(luò)，構(gòu)造該函數(shù)關(guān)系 模型，當(dāng)任一傳感器失效時，估計該傳感器的正常輸出, 并與其它正常傳感器的稱重信號組合，完成任一傳感器 失效狀態(tài)下地磅的準確稱重，以避免采用傳統(tǒng)方法所 導(dǎo)致的稱重系統(tǒng)失效。

2.基于多傳感器相關(guān)性的智能容錯算法

3.實驗與結(jié)果分析

利用基于多傳感器相關(guān)性的智能容錯方法對SCS-40 型地磅進行了多次實驗，均獲得了良好的效果。該地磅的最大量程為40 t，采用8路稱重傳感器，每個傳 感器的最大容量為20 t。為了簡便而不失一般性，從8 路稱重傳感器中任取一路，本文以稱重傳感器4為實驗 對象，其它稱重傳感器有同樣的分析方法。通過實驗獲 得傳感器4的檢測閾值s4 (歸一化）為0.01;檢測次數(shù) K=5。

3.1預(yù)估網(wǎng)絡(luò)的訓(xùn)練

利用不同噸位的標準砝碼（如1 t、6 t、12 t、24 t、 30 t等）加載在地磅的不同位置，采集120組8路稱 重傳感器輸出信號，經(jīng)數(shù)據(jù)預(yù)處理后，得到歸一化數(shù)據(jù) X，其中80組用于訓(xùn)練RBFNN (以7路數(shù)據(jù)作為輸入 Xc=(Xi, X2, X3, X5,…,X8)T，X4作為目標輸出），40組用于網(wǎng) 絡(luò)測試。利用PC機采用式（9)對RBFNN進行離線訓(xùn) 練。當(dāng)均方誤差（MSE)目標為0.000 000 1，學(xué)習(xí)率u為0.005，遺忘因子％均為0.85，隱層神經(jīng)元數(shù)目m為 10時，經(jīng)多次仿真與實驗發(fā)現(xiàn)RBFNN效果最好。網(wǎng)絡(luò) 結(jié)束訓(xùn)練后，系統(tǒng)將各參數(shù)（如擴展常數(shù)R、中心矢量C、 權(quán)值矩陣W和輸出層偏置《下載到稱重系統(tǒng)的CPU中， 為地磅在線稱重作準備。參數(shù)C、R、W和b如式（15) 所示。

每完成一次7路稱重信號(Xi,X2,X3,X5,"%X8)T采集與數(shù)

據(jù)預(yù)處理后，系統(tǒng)將數(shù)據(jù)XeKXiX〗，X3,X5,…,X8)與RBFNN各參數(shù)C、R、W和b代入式（5)、（6)，經(jīng)計 算、去歸一化等，即可得到稱重傳感器4的預(yù)估值。圖 4(a)為稱重傳感器4的歸一化預(yù)估值（“estimative”曲線) 與歸一化實測值“actual”曲線）比較；圖4(b)為兩者 的誤差。從圖中可以看出，基于RBFNN的預(yù)估網(wǎng)絡(luò)能 夠較好地預(yù)測稱重傳感器4的正常輸出，預(yù)估誤差較小。

3.2 稱重結(jié)果融合網(wǎng)絡(luò)的訓(xùn)練

利用與預(yù)估網(wǎng)絡(luò)相同的訓(xùn)練樣本，采用LMS訓(xùn)練算 法對稱重結(jié)果融合網(wǎng)絡(luò)進行離線訓(xùn)練。網(wǎng)絡(luò)結(jié)束訓(xùn)練后, 系統(tǒng)將各參數(shù)（如權(quán)值矩陣Wf和偏置值bf)下載到稱重 系統(tǒng)的CPU中，為汽車衡在線稱重作準備。參數(shù)Wf和 bf如下：

W= (0.521 998, 0.520 813, 0.521 261, 0.521 937, 0.520 693, 0.521 417, 0.520 982, 0.521 469 )； bf= -0.009 658。

當(dāng)系統(tǒng)檢測到某一稱重傳感器失效時，利用預(yù)估網(wǎng) 路估計該傳感器的正常輸出，并與其它正常傳感器的輸出組合，獲得稱重結(jié)果融合網(wǎng)絡(luò)的輸入Xp。圖5(a)所示 了傳感器4失效狀態(tài)下，稱重結(jié)果融合網(wǎng)絡(luò)輸出（歸一 化)(“estimative”)與地磅歸一化目標值(“desire”)的比 較，圖5(b)為兩者的誤差。由圖5可以看出，當(dāng)傳感器4 失效時，稱重結(jié)果融合網(wǎng)絡(luò)能準確逼近汽車衡的目標輸 出，誤差很小。因此采用基于多傳感器相關(guān)性智能容錯 方法的地磅能夠?qū)崿F(xiàn)傳感器失效狀態(tài)下的正常稱重， 避免了稱重系統(tǒng)失效。

3.3地磅現(xiàn)場檢定

在任一稱重傳感器失效狀態(tài)下，按照國家標準《非自動秤通用檢定規(guī)程JJG555-1996》的要求，對采用基 于多傳感器相關(guān)性智能容錯方法的SCS-40型地磅進 行了現(xiàn)場檢定，表1為檢定結(jié)果。由表可知，地磅的 最大稱重誤差切.5%，重復(fù)性為+8 kg，置零準確度為 +2 kg，各項指標均優(yōu)于國家標準規(guī)定的4級秤要求， 避免了采用傳統(tǒng)方法所導(dǎo)致的稱重系統(tǒng)失效。

4.結(jié) 論

現(xiàn)有地磅由于不具備容錯功能，任一稱重傳感器 發(fā)生故障都將導(dǎo)致稱重系統(tǒng)失效。本文采用了一種基于 多傳感器相關(guān)性的地磅智能容錯方法，利用RBFNN， 建立了各傳感器輸出預(yù)估模型，獲得失效傳感器正常輸 出的估計信號，并與其它正常傳感器的稱重信號組合， 完成任一傳感器失效狀態(tài)下的地磅稱重。大量試驗和 現(xiàn)場檢定表明，這種方法實現(xiàn)了地磅容錯功能，提高 了稱重系統(tǒng)可靠性，當(dāng)任一稱重傳感器失效時，采用該 方法的地磅各項指標均優(yōu)于國家標準《非自動秤通用 檢定規(guī)程JJG555-1996》規(guī)定的4級秤要求，避免了現(xiàn)有 地磅因傳感器失效導(dǎo)致的稱重系統(tǒng)失效，提高了系統(tǒng) 的實用性與可靠性。采用該方法的智能化地磅樣機已 經(jīng)通過柳州市計量技術(shù)測試研究所的現(xiàn)場檢定，并開始 批量生產(chǎn)。