滕州市衡器管理所 山东省枣庄市 277599
摘要：汽车衡的应用不仅局限于公路运输方面，在仓储贸易、工矿企业等也有应用。动态汽车衡不仅满足了高速公路的快速过车要求，而且满足其对称重数据准确性的要求，而称重传感器作为汽车衡的关键部分，起着至关重要的作用。由于称重传感器长时间工作在重负荷下，且工作环境恶劣，导致其较容易发生故障。为了提高动态称重系统的可靠性，对称重传感器的故障诊断是十分有必要的。
关键词：信息融合；汽车衡称重传感器故障诊断；
事实上，就是通过网络将原本丢弃或存储在称重仪表本地的数据上传到远程服务器中进行管理，通过仪表的联网功能实施了对传感器及仪表本身工作状态的监测，对传感器制造厂家而言，收集到物联网称重传感器和物联网仪表的各种工作状态数据，就可以很方便的实现其生命周期及故障预警模型研究，从而为提高产品的质量、可靠性和准确度服务。
一、汽车衡的构成及工作原理
汽车衡主要由称重显示仪表、称重传感器、秤体等三部分组成。其中，秤体是被称物体与转换元件之间的机械、传力复位系统，是汽车衡的主要承载部件，当称重物体或载重汽车停放在秤台上时，载荷通过秤体将重量传递给称重传感器，传感器将重量信号转换为相应的mV电压信号。该信号经前置放大器放大、滤波器滤波、A／D转换，由微处理器对重量信号处理后，数字显示器直接显示出重量。
二、称重传感器介绍
称重传感器是动态称重系统中的信号输入器件。称重传感器是压敏元件，作用是采集车辆的重量信息，为系统提供信号，螺钉将秤体承载器和称重传感器固定在一起，另一端通过压头反作用力于悬臂梁式称重传感器来获得应变片形变而得到称重信号。称重传感器的原理是由四个应变片头尾相连，形成闭合回路，从四个接点分别引出一条引线，其中相对的一对加激励电压，另一对即可取得输出信号，这种电路称作惠斯顿电桥。电桥平衡是指输出信号为零，平衡条件。因为全桥式等臂电桥的灵敏度最高，各臂参数一致，各种干扰的影响容易相互抵消，所以称重传感器均采用全桥式等臂电桥。悬臂梁称重传感器一般是用弯曲引起的形变判断信号强弱，在弯曲面集中的区域上下两面粘贴应变计，形成全桥的测量电路，测量与安装简便。重传感器使用不当引起的故障。没有使用合适量程的称重传感器，造成传感器长期处于过载状态；动态汽车衡在使用过程中，如果经常受到大型重载货车“拖磅”、“跳磅"、“冲磅"等破坏性过车行为，不仅称重台面将会严重变形，而且称重传感器也会受到冲击力的影响，致使其中的应变片阻值也将受到影响，引起传感器故障。称重传感器因使用环境恶劣造成的故障。秤台安装在安装槽中与地面平行，下雨后积水存于安装槽中，使得称重传感器浸在水里；化学物品从货车上洒落，可能会具有腐蚀性，处于如此恶劣的环境中，必定会引起传感器故障。称重传感器因受雷击等因素造成的故障。动态汽车衡多数安装在远离市区的公路附近，没有相应的避雷设备，尤其是在雷雨交加的天气下，称重传感可能被雷击造成故障。
三、基于信息融合的汽车衡称重传感器故障诊断
1.径向基神经网络的传感器系统的模型建立。基于神经网络的故障诊断方法是80年代末90年代初才真正具有实用性的诊断方法。由于人工神经网络具有复杂的模式和关联，猜测和记忆功能，所以它在非线性系统故障诊断的一个很大的优势。由于神经网络不仅可以处理复杂多模式，而且具有联想、推测和记忆的功能，使得神经网络方法有很大的优势在处理非线性系统的故障诊断方面。神经网络应用于故障诊断的方式有两种：一种是离线方式，即先进行离线学习再在线使用；另一种是在线方式，即把神经网络的学习过程与诊断过程相结合。
基于人工神经网络的故障诊断方法作是当前比较有影响力的方法，但也存在一些问题，比如如何选取并确定合适的网络结构和模型；如何选取合适的算法满足网络模型对收敛性、快速性、实时性的要求；以及如何选取完整的并具有代表性的学习样本等问题还需要进一步的研究。从而一种结构简单、收敛速度快、能够逼近任意非线性函数的网络结构—径向基函数神经网络被提出。径向基函数网络是由三层构成的前向网络：第一层为输入层，节点个数等于输入的维数；第二层为隐含层，节点个数根据问题的复杂度而定：第三层为输出层，节点个数等于输出数据维数。不同层有不同的功能，隐含层是非线性的，采用径向基函数作为基函数，从而将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分，输出层则是线性的。但可以进行权值训练，而且可以确定节点数目，使得训练误差不会大于设定的误差阈值，但是不能获取最优的训练样本；自组织选取中心方法中的均值聚类算法通过数据集合与聚类中心之间的绝对距离确定隐含层节点中的各项常数。但是由于算法中没有利用导师对整个学习过程进行监控与矫正，只是通过输入的样本信息，确定的中心矢量以及扩展常数，没能得到整个网络的输出数据。有监督选取中心方法中的梯度训练法原理和计算过程都简单明了，容易理解，但由于其本身的训练时间过长，易陷入局部最优解的死循环中，尽管如此，梯度监督训练法仍然是神经网络中最常用的训练方法之一。
2.故障诊断的实现。利用融合检测，对汽车衡称重传感器进行故障诊断，首先完成称重传感器故障判别，判断各称重传感器是否工作正常，并实现正常工作模式与故障工作模式的自动切换。当各称重传感器正常时，汽车衡以Ⅳ路传感器称重信号为输入，即当第／路传感器发生故障时，利用神经网络对故障传感器进行估计，得到输出的估计值氟，并代替实测值与其他正常传感器输出。重构成文，此时有系统通过仪表对称重数据进行计算得到最终的称重结果。根据动态汽车衡的称重传感器相关性，系统利用故障检测模型完成了汽车衡传感器的故障诊断。融合检测以称重传感器的全关联模型输出信号路称重传感器的实测信号为输入，利用表决融合检测准则，实现故障传感器的寻址与隔离、故障类型识别、故障传感器输出估计与称重融合输入向量重构等功能。通过多传感器全关联模型和传感器故障融合检测方法做了多次故障自动诊断，都取得了良好的效果。
四、展望
传感器故障诊断技术的发展直接动因是为了提高传感器故障诊断的精度和速度，降低误报率和漏报率，确定故障发生的准确时间和部位，并估计出传感器故障的程度，其未来的发展方向必将是与容错控制、冗余控制、自治控制和余度管理等可靠性系统设计相结合。随着人工智能技术的迅速发展，迫使人们对传感器智能诊断问题进行更加深入和更加系统的研究。尤其是像知识工程、专家系统、模糊逻辑和神经网络等这一类智能算法，都在传感器故障诊断领域中有很好的应用。目前和今后的主要研究可归纳为：多传感器数据融合技术；在线实时故障检测算法；混合智能故障诊断技术；基于因特网的远程协作诊断技术；以故障监测及分离为核心的容错控制、监控系统和可信性系统研究等。不同的传感器故障诊断方法有着各自的优点，但也都存在着缺点，将不同的传感器故障诊断方法的优点相结合，尽量消除缺点以达到完美结合，从而进行传感器的故障诊断，是近年来传感器故障诊断的发展方向。
本文针对现有方法的不足，提出了基于径向基神经网络的传感器的故障诊断方法。通过分析动态汽车衡称重传感器的相关性、建立基于径向基神经网络的传感器故障诊断的网络模型，实现对故障传感器的预测使得动态汽车衡在有一路称重传感器发生故障时，系统仍能正常工作，完成称量过程。
参考文献：
[1]赵颖立．称重传感器的应用及故障处理．衡器，2017，36•（6）：48-49
[2]许华峰，武东海．浅谈称重传感器的故障检测．衡器，2017，29（5）：43-46
[3]施汉谦．电子秤技术．北京：中国计量出版社，2018