称重传感器全关联模型的自适应加权融合算法步骤,   路灯维修车出租, 蓬江路灯维修车出租, 蓬江路灯维修车租赁  称重传感器全关联模型的自适应加权融合算法的步骤如下：（1）以N-1路相互独立的传感器称重信号为输入矢量X，利用关联模型1，获得称重传感器j正常输出的估计值j1x%；（2）以N-1路相邻传感器称重信号的比值为输入矢量X，利用关联模型2和xj-1，获得称重传感器j的正常输出估计值j2x%；求取关联模型的方差2kσ，k=1,2；（4）根据求取自适应加权融合权值hwk，k=1,2；（5）求得最终的融合结果ˆjx，完成称重传感器输出估计。

     路灯维修车衡多传感器的局部关联模型, 本文详细阐述了任意一路称重传感器与其它N-1路传感器的关联模型（即多传感器的全关联模型），通过大量实验发现，称重传感器j的输出信号xj不仅是其它N-1路称重传感器正常输出的非线性函数，还是其它N-2路称重传感器正常输出的非线性函数：在称重传感器i,j发生故障的情况下，传感器i的正常输出估计值。系统利用RBFNN逼近式，可获得任意一路称重传感器与其它N-2路传感器的关联模型（即多传感器的局部关联模型。多传感器局部关联模型的建立为路灯维修车衡多传感器故障的自动诊断奠定了基础。

      路灯维修车衡多传感器相关性仿真实验研究利用SCS-40型电子路灯维修车衡进行了大量的多传感器相关性仿真实验，均获得了良好的效果。该路灯维修车衡的最大秤量为40t，分度数[11]为4000，分度值[11]为10kg，采用8路称重传感器，每路传感器的额定量程为20t，它们按照图3.1的拓扑结构分布在路灯维修车衡秤体下方。

    全关联模型的训练将不同重量的标准砝码加载在路灯维修车衡承载器上的不同位置，系统首先完成相互独立的8路称重传感器称重信号采集，获得系统输入X=(x1,x2,…,x8)T。为了简便而不失一般性，从8路称重传感器中任取一路，本节以称重传感器3为实验对象。系统采集150组8路称重传感器输出信号，经粗大误差剔除、数字滤波、归一化等数据预处理后，得到样本数据X，其中85组用于训练RBFNN（以7路数据作为输入，即X=(x1,x2,x4,…,x8)T，x3作为目标输出），65组用于网络测试。采用高斯函数作为RBFNN的基函数，根据梯度训练法在PC机上利用MATLAB软件，对关联模型1、2进行离线训练，分别获得关联模型1、2的参数（如输出权向量、扩展常数向量、中心矩阵和偏置值）。其它称重传感器采用同样的训练与测试方法。对于关联模型1，当均方误差（MSE）目标值为0.000001，学习率μ为0.005，遗忘因子βi均为0.85（为了简单，设定所有的遗忘因子βi均相同）时，通过多次仿真比较，当隐层神经元数目m为10时，实验发现关联模型1的效果最好，关联模型1大约经过10000次训练后，误差变化较小，即可认为训练结束。

     对于关联模型2，系统首先求出相邻各传感器输出信号的比值，当均方误差（MSE）目标为0.0000005，学习率μ为0.005，遗忘因子βi均为0.85时，通过多次仿真比较，当隐层神经元数目n为8时，实验发现关联模型2的效果最好，同时获得关联模型2的参数（如输出权向量W2、扩展常数向量R2、中心矩阵C243和偏置值b2） W系统每完成一次7路称重信号采集与数据预处理后（对于关联模型2还必须求取相邻各传感器输出信号的比值），将数据X=T与关联模型1的各参数C1、R1、W1、b1和关联模型2的各参数C2、R2、W2、b2（对于关联模型，经计算、去归一化等，即可得到称重传感器3的预测值（对于关联模型2，还需利用式（3.21）获得最终的32x%）。关联模型1、2的仿真输出结果及误差比较。其中，关联模型1的输出值与目标值的比较；为关联模型2的输出值与目标值的比较；关联模型1的误差曲线和关联模型2的误差曲线比较。关联模型1、2都能较好地预测称重传感器3的输出，但还存在一定的误差，需进一步减少这种预测误差。

     路灯维修车出租, 蓬江路灯维修车出租, 蓬江路灯维修车租赁 http://www.zhaoqingludengchechuzu.com/

      全关联模型自适应加权融合   测试基于RBFNN的路灯维修车衡称重传感器3的关联模型1、2训练完成后，获得两者的方差分别为201σ=1.3551、202σ=0.8748。取重复预测次数L=10，采用65组网络测试样本，分别利用算术平均值融合方法（MFM）与自适应加权融合方法（AFM）对关联模型1与关联模型2的输出值进行融合处理，获得称重传感器3的估计值。其中，算术平均值融合结果；“desire”曲线为目标输出；“mean”曲线为算术平均值融合输出）；为自适应加权融合结果（“desire”曲线为目标输出；“adaptive”曲线为自适应加权融合输出）；算术平均值融合方法与自适应加权融合方法的融合误差（“mean-error”曲线为算术平均值融合误差；“adaptive-error”曲线为自适应加权融合误差）。分别比较了称重传感器3的关联模型1部分输出信号、关联模型2部分输出信号，以及它们的算术平均值融合结果（MFM）、自适应加权融合结果（AFM）和称重传感器3的目标输出结果（desire）。绝大多数测试样本的自适应加权融合误差小于算术平均值融合误差，同样小于关联模型1与关联模型2输出信号的误差，因此采用自适应加权融合方法获得的称重传感器3估计值精度更高。可以完成其它称重传感器关联模型和自适应加权融合网络的训练和测试。称重传感器4~6的关联模型1与关联模型2的输出及其误差比较。“net1”曲线为关联模型1的输出，“net2”曲线为关45联模型2的输出，“desire”曲线为目标值；“net1-error”曲线为关联模型1的误差输出，“net2-error”曲线为关联模型2的误差输出。称重传感器4~6的算术平均值融合(MFM)与自适应加权融合(AFM)比较，“mean”曲线为算术平均值融合输出，“adaptive”曲线为自适应加权融合输出，“desire”曲线为目标输出；“mean-error”曲线为算术平均值融合误差；“adaptive-error”曲线为自适应加权融合误差。称重传感器4~6的绝大多数测试样本的自适应加权融合误差小于算术平均值融合误差，同样小于关联模型1与关联模型2输出信号的误差，因此采用自适应加权融合方法获得的传感器输出估计值精度更高。

       局部关联仿真实验将不同重量的标准砝码加载在路灯维修车衡承载器上的不同位置，系统首先完成相互独立的8路称重传感器通道信号采集，获得输入向量X=T。为了简便而不失一般性，从8路称重传感器中任取两路，本文以称重传感器5为实验对象。系统采集150组8路称重传感器输出信号，经粗大误差剔除、数字滤波、归一化等数据预处理后，得到测试样本数据X，其中100组用于训练RBFNNT，x5作为目标输出，不考虑x6），50组用于网络测试。采用本文3.4.1节所述的方法完成局部关联模型的训练与测试。“goalvalue”为目标输出曲线，“onesensor”为模型Model5_7的输出曲线，“twosensors”为模型Model5_6的输出曲线；“onesensorerror”为模型Model5_7的误差曲线，“twosensorserror”为模型Model5_6的误差曲线。利用模型Model5_6可以估计出称重传感器5的正常输出，但是由于模型Model5_6的输入向量较Model5_7丢失了部分信息，因此Model5_6的误差大于Model5_7的误差。 路灯维修车衡称重传感器输出信号以及相邻传感器输出信号的比值相互影响，存在某种非线性函数关系。

      研究了路灯维修车衡多传感器的相关性，构建了一种任意一路称重传感器与其它N-1路传感器的全关联模型，即利用RBFNN的万能逼近特性，建立了称重传感器输出关联模型（即关联模型1）和相邻传感器输出信号比值的关联模型（即关联模型2），获得了称重传感器的两个独立预测信号；以关联模型1与关联模型2的预测信号为输入，建立了一种自适应加权融合方法，利用两个关联模型的方差和预测信号的方差实时修正融合权值，实现了两组冗余预测信号的自适应加权融合，进一步提高了称重传感器输出估计信号的准确度。仿真实验结果表明基于全关联模型的自适应加权融合输出比单个关联模型的预测输出及算术平均值融合误差更小，因而获得了更准确的传感器输出估计值。还构建了任意一路称重传感器与其它N-2路传感器的关联模型，即多传感器局部关联模型，仿真验证了局部关联模型的有效性，比较了局部关联模型与关联模型1的误差特性。这些关联模型的建立为路灯维修车衡的故障诊断与容错控制奠定了基础。