２００７年９月北京航空航天大学学报ｓｅｐｔｅｍｂｅｒ２００７第３３卷第９期Ｊｏｕｍａｌ“Ｂｅ；ｊｉｎｇｕｎｉｖｅｒＢｉｔｙｏｆＡｅｒｏｎ９ｕｄｃｓａⅡｄＡＢｔｒｏｎａｕｔｉｃ８Ｖ０１．３３Ｎｏ９
汽车动态称重中的一种信号处理方法
吴杰费玉华于劲松万九卿
（北京航空航天大学自动化科学与电气工程学院，北京１０００８３）
摘要：为了提高汽车葫态称重（ⅣＩＭ，ｗｅ适ｈ．Ｉａ．Ｍｏｌｉ删）系统妁称重精度，基于“逆
模型”的思想，使用了自适应逆滤波器来充分抑制混叠在重量信号频带内的噪声信号．在有限
长冲擞响应滤波器的框架下，通过最小均方自适应算法，离线构建了ｗＩＭ系统的逆系统，并用
此逆系统作为一个新型的滤波器使用．而且，为了进一步提高称重精度，同时又采用了低通滤波器，来滤除分布在重量信号频带毗外的噪声干扰．经过由自适应逆滤波器和低通滤波器构成
的复合滤波嚣处理后，称重结果较经参数估计方法处理后得到的结果，在称重精度上有了很大提高．
关攮词：动态祢重；逆滤波；自适应算法；信号处理
中图分类号：ＴＮ９“．７２文献标识码：Ａ文章编号：ｌｏｏｌ－５９６５（２００７）０９一１０４ｌ－０５
ＭｅｔｈＯｄｏｆｓｉｇｎａＩｐｒｏｃｅｓｓｉｎｇｉｎｗｅｉｇｈ—ｉｎ－ｍＯｔｉｏｎＯｆＶｅｈｉｃＩｅｓ
ＷｕＪｉｅＦｅｉＹｕｈｕａＹｕＪｉｎｓｏ“ｇＷａｎＪｉ“ｑｉ“ｇ
（ｓｃｈｏ札ｏｆ＾ｕｔｏｍｎｍｎｓｃｌｅｎｃｅ趼ｄＥｌｅｍｉｃｍＥ“目“胱血ｇ，Ｂｅｑｉ“ｇｕｎ押ｅ哪ｑ０ｆ＾唧枷Ⅱｃ日肌ｄＡ啦ｏｎｎｕｔｉｃ８，Ｂｅｑｉ“ｇ１０００８３，ｃｈｉｑａ）Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅｃｏｎｃ８ｐｔｏｆｉｎｖｅｒｓｅｍｏｄｅｌ，ａｎａｄａｐｔｉｖｅｉｎｖｅｒｓｅ６ｎｅｆ（ＡＩＦ）ｗａｓｅｍＰｌｏｙｅｄｗｈｉｃｈ
ｃｏｕｌｄｓ“ｐｐｒｅｓｓｎｏｉ￥ｅｗｉｌｈｉｎｔｈｅｂａｎｄｗｉｄＩｈｏｆｌｈｅｄｅＢｉｒｅｄ“Ｂｎａｌ，ＷｉｔｈｉｎＩｈｅｆｒａｍｅｗｏｒｋ甜ｔｈｅ６ｎｉｔｅｉｍｐｕｌｓｅｒｅ・ｓｐｏｎｓｅ（ＦＩＲ）矗ｌｔｅｒ，ｌｈｅｉｎｖｅｒ８ｅｓｙｓｔｅｍｏｆｗｅｉｇｈ・ｉｎ－ｍｏ曲“（ｗＩＭ）Ｂｙ８ｔｅｍｗａｓ∞ｎｓｔ兀王ｃｔｅｄｂｙｕｓｉ“ｇｌｅａ聃
ｍｅａｎ８ｑｕａｒｅ（ＬＭｓ）ａｄａｐｔｉｖｅａｌｇｏｒｉｔｈｍ日ｓａｎｉｎｎｏｖａｔｉｖｅ矗ｌｔｅｒ，Ｍｏｒｅｏｖｅｒ，ｆｏｒｔｈｅ９ａｈｏｆｂｅｓｔｉｍｐｒｏｖｉ“ｇｍｅａｓ—
ｕｒｅｍｅｎｔａｃｃｕｒａｃｙ，ａ８ａｎｏｉ鸵矗ｌｔｅｒ，ａｌｏｗ—ｐａｓｓ（ＬＰ）６１ｔｅｒｄｅｄｉｃａｔｅｄｔｏｒｅ８ｔｒａｉｎｎ０ｉｓｅｏｕｔｏｆｔｈｅｂａｎｄｗｉｄｔｈｏｆ
ｕｓｅｆｕｌｓ培ｎａｌｗａｓａｄｏｐｔｅｄ．Ａｎｅ‘ｐ。ｏｃｅｓｓｅｄｂｙｃａｓｃａｄｅｄｎｌｔｅｒｃｏｍｂｉｎａｔｉｏｎ，ｎａｍｅｌｙ，ＡＩＦ右ｌｔｅｒａｎｄＬＰ矗ｌｔｅｒ，ｏｂｔａｉｎｅｄｒｅｓｕｌｔｓ，ｃｏｍｐａｒｅｄｗｉｔｈｔｈｏｓ８Ｐｍｃｅｓｓｅｄｂｙｔｈｅ印ｐｒＤａｃｈｏｆｐａｒａｍｅｔｅｒｅｓＩｉｍａｔｉｏｎ，ｓｈｏｗａｓｉｇｎ】矗ｃ粕ｔ
ｊｍｐｒｏｖｅｍｅｎｔｊＤｅｓｂｍＢｔｉｏｎｏｆ８ｔａｔｉｃｗｅｌｇｈｌｏｆｌｎｏＶｉ“ｇＶｅｈｌｃ】ｅ９，
Ｋｅｙｗｏｒｄｓ：ｗｅｉｇｈ—ｉｎ—ｍｏｔｉｏｎ（ｗＩＭ）；ｉｎｖｅｒ８ｅ矗ｌｔｅｄ“ｇ；ａｄ３ｐｔｉｖｅａｌｇｏ五ｔｈｍ；ｓｉｇｎａＩＰｒｏｃｅｓ８ｉ“ｇ
汽车动态称重（ｗＩＭ，ｗｅｉｇｈ－Ｉｎ—ＭｏｔｉｏⅡ）就是
在汽车行驶中进行称重，与停车静态称重相比具
有速度快、效率高、不于扰正常交通等优点，但其主要缺点是精度低．动态称重时，车辆以一定速度
通过轴重称量平台，不仅轮胎对平台的作用时间
很短（在几百毫秒以内），而且作用在平台上的力除真实轴重外，还有许多其他因素产生的干扰力；
再加之地面不平整度、车辆自身振动等因素…的
影响，可以说真实轴重被淹没在各种干扰载荷之中，给动态称重实现高精度测量造成很大困难．因
此，在外界随机不确定度干扰力作用下如何准确测量真实轴重，就成了动态称重测试系统的技术难点和关键所在．
目前，车辆动态称重数据处理方法主要有以
下几种：滤波法、积分法、参数估计和ＥＭＤ方法
等“。１．由于汽车振动干扰是低频信号，而轴重信
号也是低频信号，因此，用简单的滤波方法不能有效去除各种低频干扰．积分法精度相对较高，但需
要大量的数据才能保证精度．利用数学模型和递
推最小二乘法进行参数估计得到被称汽车的质
量，需要进行高精度的建模，这对于复杂结构的系
统来说是难以实现的．经验模分解是一种时域信
收穑日期：２０∞－０９瑚作者筒介：昊杰（１９８ｌ一），男．河南信阳人．瓠士生，ｍｎｖｅｄｃｋｗ】＠舯ａｉｌ
ｃ哪
万方数据１０４２北京航空航天大学学撮２００７年
号处理方法，能够对非线性、非平稳信号进行有效分解，获得一系列表征信号特征的内模函数．
但其也存在一些不足，如用上下包络平均估计局
部均值的不准确以及实时处理数据能力较差等．本文通过使用自适应数字滤波技术，离线构
建动态称重的逆系统，有效克服了系统的非线性
问题，充分抑制了与称重信号频谱混叠在一起的
噪声信号．通过使用所设计的滤波器对若干实际
采集的数据进行处理验证，结果表明自适应逆滤波的方法在很大程度上提高了称重的精度．
１动态称重模型
对于汽车动态称重系统模型分析时，常将其
用当量系统来替代”。．汽车可视为由彼此相联系
的悬挂质量和非悬挂质量组成，悬挂质量肘主要包括悬挂弹簧之上的车身、车架及其上的组成；非
悬挂质量ｍ主要包括悬挂弹簧之下的车轮和车
轴．汽车的振动主要由前、后轴２个双质量系统振
动组成．通常情况下，ｍ比Ｍ小得多，而轮胎的刚
度比悬架的刚度大得多，所以，车轮的振动固有频
率（６一１５Ｈｚ）比车身的固有频率（１—２Ｈｚ）大得
多．舀ｌ为车身单质量振动系统模型，由嬲、刚度
Ｋ和减振器阻尼系数ｃ的悬架组成，ｑ为输入位移，：为车身垂直方向的位移输出．系统的振动微
分方程为
肘・：”＋ｃ（ｉ’一ｇ’）＋置（＝一ｑ）＝０（１）
其固有频率为
五＝去后（２）
阻尼比为
ｆ＝—兰＝（３）２√ＭＫ
一般动态称重信号频率分布如下：高于１０００Ｈｚ的是检测系统自身的电噪声；２００—
ｌｏｏｏＨｚ是车轮转动时产生的干扰；５０一２００Ｈｚ是
其他机械装置的振动信号；５０Ｈｚ以下的信号中
有两部分：车轮通过承载板时，稳态载荷引起的线
性项和车辆动态载荷引起的周期振动．这些额外
Ｃ
图１车身单质量系统的动态载荷，其频率范围为３～２０Ｈｚ，具体取值
和车速、汽车载重、车型有关，动态载荷的幅值最
高可达静态轴重的１０％…，严重影响了动态称重精度的提高．
２动态称重系统的逆滤波方法
为了充分抑制混叠在稳态重量信号频谱内的
动态干扰信号，通过在传感器输出端级联一个逆
滤波器，即用滤波器的输出ｄ。代替传感器的输出信号ｙ，则可以克服简单滤波器的缺点，减小动态测量误差．其原理如图２所示．
噪声’ｌｌ噪声也ｌ
图２逆滤波原理图
假设动态称重系统的冲激响应为＾。（ｎ），输
入信号序列为＊（ｎ），并且考虑到输入噪声ｑ和
测量噪声口：，那么传感器的测量信号可以用如下卷积表示：
ｙ（ｎ）＝＾，（ｎ）・＊（ｎ）＋口．（ｎ）＋口：（ｎ）（４）
同理逆滤波器的输出ｄ。可以表示为
，ｄ。。（ｎ）＝∽（ｎ）＋ｙ（ｎ）＝∑”（ｔ）ｙ（ｎ—ｔ）…
（５）其中，∞（ｎ）是逆滤波器的系数；ｐ是滤波器的阶
数．只要设计的滤波器能够很好地逼近系统的逆特性，那么输入信号，即物体的重量值。就能够很
好地被复现．
逆滤波器可以通过两种方法来设计实现：维纳滤波方法和自适应滤波方法．由于在动态称重
系统中，测量信号的自相关矩阵是病态的”］，因
此，维纳霍夫积分方程的解会对计算机有限字长效应很敏感，存在很大的相对误差．而且，维纳滤
波理论要求所有的随机过程都是平稳的，这与工
程实际问题也是不相符合的．因此，本文设有考虑
采用维纳滤波的方法，而是采用了自适应滤波的
方法．
３自适应逆滤波器的设计
构造逆滤波器实际上就是系统的逆向建模过
程，目前此类问题的解决方法主要有两种：直接逆向法和间接逆向法，因为感兴趣的是获得传感器
的输入信号，而非如何控制传感器的信号达到希
望的值，因此本系统采用直接逆向建模”１．直接
万方数据第９期吴杰等：汽车动态称重中的一种信号处理方法１０４３
逆向建模的结构如图３所示
图３动态称重系统的逆向建模框图
自适应逆滤渡器的设计，采用离线设计的方式．在设计的过程中，传感器的测量信号ｙ（￡），作
为滤波器的输入信号，而物体的实际重量作为滤
波器的期望输出值．本文的设计任务就是调节滤波器的权系数来使均方误差（ＭｓＥ）：Ｅ［１ｅ（≈）ｌ２］
达到最小，也即使滤波器的实际输出尽可能的接近于期望输出．
３．１延时因子在离线训练滤波器的过程中，参考信号
ｄ（ｎ），也即滤渡器的期望输出信号，是不能直接选取￥（ｎ）的，而应是输入信号延迟△后得到的，
即ｄ（ｎ）＝ｚ（ｎ一△），原因有以下几点‘…：
１）任何物理系统都有延迟（设为乱）．如果参考信号直接取为ｚ（ｎ），那么自适应滤波就具有
超前特性，这就意味着是一个非因果的系统．而将＃（ｎ一△）作为参考信号，只要是△＞△。，自适应滤
波器就应具有时延△一△。＞０，从而成为一个因果系统．
２）对于非最小相位系统（对于离散系统而
言），由于它有零点在单位圆外，所以，其逆系统就是不稳定的，因为它的极点在单位圆外．若用这
样的系统作为逆滤波器，后果是不堪设想的．这时，则应该用一个因果和稳定的滤波器来逼近逆
系统．最好的做法就是将延时＝“吸收进期望响
应信号的路径内。如图３所示．而对于一个实际的动态称重系统而言，其即为一非最小相位系统．
一般情况下，如果△选得较大，则可以得到
较为理想的延时的逆，但整个系统响应的延时也会较大．在没有任何可供利用的信息之下，一个好
的实际经验是取△大约是为所选择滤波器的权
系数个数的一半”１，一般让这个参数尽可能的小，以便与低的自适应逆建模误差一致．３．２滤波器结构的选择
结构的选取会影响到处理的计算复杂度，还会对达到期望性能指标所需的迭代次数产生影
响．从根本上讲，主要有两类白适应数字滤波器的结构，即有限长冲激响应（ＦＩＲ．Ｆｉｎｉｔｅ．ｄｕｍｔｉｏｎＩｍ－
ｐｕｌｓｅＲｅｓｐｏｎｓｅ）滤波器和无限长冲激响应（ＩＩＲ，Ｉｎ６ｎｉｔｅ—ｄｕｒａｔｉｏｎＩｍｐｕｌｓｅＲｅ８ｐｏｎ８ｅ）滤波器．ＦＩＲ滤
波器利用非递归结构来实现，而ＩＩＲ滤波器利用
递归结构来实现．
采用递归自适应滤波器会存在一些内在的问题（这些问题是由结构决定的，例如要求对极点
的稳定性进行监视），而且收敛速度很慢．与ＩＩＲ
滤波器相比，ＦＩＲ滤波器则具有无极点，不存在失稳情况，具有惟一最优解的二次均方误差函数，且
易于实现等优点”１，因此，在自适应逆滤波器的
设计中，滤波器的框架结构选择为应用最为广泛的ＦＩＲ滤波器。如图４所示．
图４ＦＩＲ滤波器的直接型结构
对于一个Ⅳ阶的ＦＩＲ滤波器而言．其传递函
数和差分方程分别为肌）＝器＝”邓。
似２：。２＋…＋埘一州（６）
和
ｙ（Ⅱ）＝ｍｏ＊（ｎ）＋罅１ｘ（ｎ—１）＋
１‘？２ｘ（ｎ一２）＋…＋俅∥（ｎ一Ⅳ）（７）
其中ｚ（ｎ）和ｙ（ｎ）分别为滤波器的输入和输出信
号；ｘ（ｚ）和ｌｒ（：）分别为滤波器的输入和输出信号
的ｚ变换．
３．３自适应算法的选择算法是为了使某个预先确定的准则达到最小化，而自适应地调整滤波器系数的方法．算法的选
择决定了整个自适应过程的几个因素。如次优解
的存在性，有偏最优解和计算复杂度等‘”
由于最小均方（ＬＭｓ，Ｌｅａｓｔ－Ｍｅａｎ．ＳｑＩｌａｒｅ）算法计算复杂度低，在平稳环境中的收敛性，其均值
无偏地收敛到维纳解以及利用有限精度算法实现
的稳定性等优点，因此，在自适应逆滤波器的设计中选择ＬＭｓ算法．
在最优化中的最速下降法（８ｔｅｅｐｅｓｔｄｅｓｃｅｎｔｍｅｔｈｏｄ）”１中，权向量上的每一步变化都正比于梯度向量的负值：
ｗ。＝ｗ。一÷・卢・ＥＪ（８）
其中，Ｊ是目标函数；Ｅ为在ｎ时刻自适应滤波
器的系数瞬时值；ｐ为收敛因子，它控制了稳定性
万方数据