载荷测量装置和方法以及车辆载荷称重系统和方法与流程

1.本发明涉及工业自动化测量领域，尤其涉及载荷测量装置和方法以及车辆载荷称重系统和方法。


背景技术：

2.载荷测量在各行各业中都有涉及，传统的载荷测量装置(如称重设备)是利用力的形变平衡原理(胡克定律)测定物体质量的。采用现代传感器技术、电子技术和计算机技术一体化的电子称量装置，可满足并解决现实生活中提出的“快速、准确、连续、自动”称量要求，同时有效地消除人为误差，使之更符合法制计量管理和工业生产过程控制的应用要求。
3.载荷测量装置在汽车领域同样得到了广泛应用。但在车辆运行时，在采用应变片作为车辆载荷的数据采集器时，因为应变片设置的角度、温度、气压等环境的不同，导致输出的应变力数据没有明显的规律，故而无法满足载荷测量的准确性和稳定性要求。
4.对此，以往大多采用传统的数据回归分析来解决这一问题，然而该解决方案需要针对不同温度、不同气压、不同运动速度的情况分别以单一变量法进行数据采集，这个过程毫无疑问耗时冗长并且耗费人力财力。同时，因为采集数据过程所涉及的不确定因素过多，并且大多数因素之间也有着关联，例如温度和压强的变化、速度和角度的变化等。这在一定程度上提升了车辆载荷称重的难度。


技术实现要素：

5.本发明的目的在于，提出一种载荷测量装置和方法，以便至少部分克服现有技术中存在的缺陷。本发明提供的装置和方法特别适于进行车辆载荷称重，实现车辆载荷测量的准确性和稳定性。
6.根据本发明的第一方面，提供一种载荷测量装置，包括传感机构和数据处理机构，所述传感机构包括环境参数传感器和应变式载荷传感器，用以采集检测数据；所述数据处理机构与所述传感机构通讯连接，且存储有基于应变值变量及环境参数变量构建的载荷测算模型，所述传感机构采集的检测数据被输入所述数据处理机构并利用所述载荷测算模型求得载荷值；其中，所述载荷测量装置配有神经网络训练模块，所述载荷测算模型通过神经网络优化训练而生成。
7.在本发明的框架下，数据处理机构与传感机构之间的通讯连接可以采取有线或无线方式，于是，当应用于车辆载荷称重时，允许依据需要来实施在本地的车载监测和/或在控制中心的远程监测。所述数据处理机构可以是车载电脑或者外部计算机。所述神经网络训练模块可以内置于车载电脑或者外部计算机，也可以独立于数据处理机构另行设置。本发明在此方面不受限制。
8.按照本发明提出的技术方案，一方面充分考虑传感机构配置因素和环境因素(例如应变片设置的角度以及温度、气压等环境参量)对于载荷测量的影响，另一方面合理引入机器学习机制进行神经网络训练建模，从而在实现自动化测量、提升工作效率的同时保证
了测量结果的稳定性/确定性、准确性和可靠性。
9.按照一些实施方式，所述神经网络训练模块可以内置于所述数据处理机构，该神经网络训练模块能够生成载荷测算的训练模型并对至少一组测试数据进行数据训练，利用神经网络确定所述应变值变量及环境参数变量的权重，其中，所述数据训练包括fft变换(快速傅里叶变换)和进一步的回归分析。
10.在此，所述神经网络训练模块可以设置为：执行至少一次总体针对各组测试数据的整体数据训练和/或至少一次分别针对每组测试数据的分段数据训练。
11.按照一些实施方式，所述数据处理机构可进一步包括数据预处理模块和误差判断模块，其中，所述神经网络训练模块依据所述数据预处理模块、误差判断模块对测试数据的处理和分析结果执行数据训练。
12.所述数据预处理模块可以设置为：对所述测试数据进行分析、剔除、调整和补充。
13.所述误差判断模块可以设置为：计算并判定训练模型的载荷预测值与真实值之间的偏差，在此基础上，所述神经网络训练模块
[0014]-在该偏差小于预定误差范围的情况下，生成目标模型，作为可供实测使用的载荷测算模型予以存储；或者，
[0015]-在该偏差大于等于预定误差范围的情况下，调整应变值变量及环境参数变量的权重，重新生成训练模型并再次执行数据训练。如此反复，直至该偏差小于预定误差范围，生成目标模型，亦即最终获得可供实测使用的载荷测算模型。
[0016]
在此，所述预定误差范围可以设定为
±
5％，以满足实际应用场景中的测量精度要求。
[0017]
根据本发明的第二方面，提供一种车辆载荷称重系统，其具有如上所述的载荷测量装置，其中，所述环境参数传感器和应变式载荷传感器可以设置于车辆的至少一个车轮，以便从车轮获取与车辆载荷信息相关的检测数据。在此，所述环境参数传感器可以包括设置于车轮气室中的胎压传感器和胎温传感器，而所述应变式载荷传感器可以包括固定于车轮轮毂上的应变片。
[0018]
本发明提出的这种系统在车辆外于静止状态或运动状态时均可实现称重操作，且支持远程监控和管理。
[0019]
根据本发明的第三方面，提供一种载荷测量方法，包括以下步骤：
[0020]
(s1)执行载荷测量试验，获取至少一组测试数据，至少包括：环境参数传感器和应变式载荷传感器的检测数据、实际测定的载荷的真实值；
[0021]
(s2)建立载荷测算模型，包括以下子步骤：
[0022]
(s21)预处理数据：分析、剔除、调整和补充检测数据，输出由预处理的检
[0023]
测数据所组成的样本数据；
[0024]
(s22)训练数据：确定载荷测算的训练模型，对所述样本数据进行神经网络
[0025]
训练；
[0026]
(s23)判断误差和生成载荷测算模型：计算并判定训练模型的载荷预测值与真实值之间的偏差，
[0027]-在该偏差小于预定误差范围的情况下，生成目标模型，作为可供实测使用的载荷测算模型予以存储；
[0028]-在该偏差大于等于预定误差范围的情况下，调整变量的权重，重新生成训练模型并再次执行子步骤(s22)的数据训练，直至该偏差小于预定误差范围，
[0029]
生成目标模型，作为可供实测使用的载荷测算模型予以存储；
[0030]
(s3)在实测环境中采集环境参数传感器和应变式载荷传感器的检测数据；以及
[0031]
(s4)将实测的检测数据代入所述载荷测算模型，求得载荷值。
[0032]
值得一提的是，在上述子步骤(22)中，可以采用pytorch框架对采集的(必要时经过预处理的)数据进行神经网络训练。pytorch是一个大量机器学习算法支持的科学计算框架，仅能够实现强大的gpu加速，同时还支持动态神经网络，特别适合应用于本发明的技术方案。
[0033]
于是，按照一些具体实施方式，可以设定：在子步骤(s22)中，对全量样本数据做fft变换后，根据频谱数据进行回归分析，包括：
[0034]
(s221)对每组的应变值数据整体做dft变换(离散傅里叶变换)，得到频谱数据；
[0035]
(s222)将各检测数据合并，进行pca(主成分分析)降维；以及
[0036]
(s223)使用神经网络进行拟合；
[0037]
和/或，
[0038]
(s224)对每组的应变值数据分段做dft变换(离散傅里叶变换)，对分段dft变换结果按幅值做滤波处理，保留幅值较大的频率，并计算全部分段的中心点；
[0039]
(s225)将各检测数据的中心点数据合并，并剔除全为0的维度；以及
[0040]
(s226)使用神经网络进行拟合。
[0041]
根据本发明的第四方面，提供一种车辆载荷称重方法，其应用如上所述的载荷测量方法，来进行车辆载荷称重。据此，在进行车辆载荷称重之前，可以将环境参数传感器和应变式载荷传感器设置于车辆的至少一个车轮。
[0042]
本发明提出的载荷测量方案，在复杂的车辆运行环境中，可以同时采集和协同处理多种与载荷信息相关的检测数据，包括结构件应变值以及温度、压力、车速等环境参数，而非针对不同温度、不同气压、不同速度的情况分别以单一变量法进行数据采集和处理，从而节约了时间和人力成本，更具有经济效益。同时，本发明基于机器学习机制进行神经网络训练建模(例如采用pytorch)的设计，使得载荷测算模型的构造更加精准，最大限度地提升了车辆载荷称重的准确性。
[0043]
根据本发明第一方面提供的载荷测量装置的特征和优点同样适用于本发明第二方面提供的车辆载荷称重系统、第三方面提供的载荷测量方法以及第四方面提供的车辆载荷称重方法。
附图说明
[0044]
在附图中示出了本发明的示例性实施例。本文所公开的实施例和附图应被视作说明性的，而非限制性的。另外值得注意的是，为了图示清楚起见，在附图中对于部分结构细节并不是按照实际比例绘制的。
[0045]
图1是按照本发明的一种实施方式的载荷测量装置结构示意图；
[0046]
图2是按照本发明的一种实施方式的车辆载荷称重系统示意图；
[0047]
图3是按照本发明的一种实施方式的载荷测量方法流程图；
[0048]
图4是按照图3实施方式中步骤s2的方法流程图；
[0049]
图5是按照图4实施方式中步骤s22的方法流程图；
[0050]
图6是按照本发明的一种实施方式的载荷测算模型的输出数值与实际值的对比图；
[0051]
图7是按照图6的实施方式得到的称重数值与实际值的对比图；
[0052]
图8是按照本发明的另一实施方式的载荷测算模型的输出数值与实际值的对比图；
[0053]
图9是按照图8的实施方式得到的称重数值与实际值的对比图。
具体实施方式
[0054]
下文的描述用于阐释本发明的技术方案，以便本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明精神和范围的其他技术方案。同时，值得注意的是，文中结合某一实施例描述的特征、结构或特性并不一定限于该特定的实施方式，也不表示与其他实施方式互斥，在本领域技术人员的能力范围内，可以考虑实现不同实施例中各个特征的不同组合方式。
[0055]
在申请文本中，术语“包括”/“包含”和“具有”以及它们的任何变换措辞，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、产品或设备并不局限于已列出的步骤或单元，而是可选地进一步包括没有列出的步骤或单元，或可选地进一步包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本技术的描述中，某些术语所指示的方位或位置关系是基于附图所示的方位或位置关系而言的，其仅是为了便于描述本发明和简化描述，而不意味着相应的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。另外，术语“一”应理解为“至少一个”或者“一个或多个”，即在某一实施例中，某一元件的数量可以为一个，而在另一实施例中，该元件的数量可以为多个，也就是说，术语“一”不能理解为对数量的限制。
[0056]
除非另有限定，否则本文中使用的所有用语(包括技术用语和科学用语)，均具有与本领域普通技术人员通常理解相同的含义，并可依据它们在相关技术描述上下文中的语境作具体解释。
[0057]
下面将参考附图并结合实施例来详细说明本发明。
[0058]
本技术提出一种载荷测量装置，包括传感机构1和数据处理机构2，传感机构1包括环境参数传感器和应变式载荷传感器，用以采集检测数据；数据处理机构2与传感机构1通讯连接，且存储有基于应变值变量及环境参数变量构建的载荷测算模型，传感机构1采集的检测数据被输入数据处理机构2并利用载荷测算模型求得载荷值；其中，载荷测量装置配有神经网络训练模块22，载荷测算模型通过神经网络优化训练而生成。
[0059]
图1是按照本发明的一种实施方式的载荷测量装置结构示意图，包括：传感机构1和数据处理机构2。其中，传感机构1收到从a端口收集到的模拟量，并在b端口输出采集到的数字量；数据处理机构2与传感机构1相连，数据处理机构2包括神经网络训练模块22，神经网络训练模块22基于检测数据生成载荷测算的训练模型，所述采集数据经所述载荷测算模
型处理后，得到称重数值。其中，传感机构1包括环境参数传感器和应变式载荷传感器。
[0060]
根据本发明的一个实施例，神经网络训练模块22内置于所述数据处理机构2，该神经网络训练模块能够生成载荷测算的训练模型并对至少一组测试数据进行数据训练，利用神经网络确定所述应变值变量及环境参数变量的权重，其中，数据训练包括fft变换和进一步的回归分析。
[0061]
根据实际需要，神经网络训练模块设置为：包含一次整体数据训练过程和一次分段数据训练过程。执行至少一次总体针对各组测试数据的整体数据训练和/或至少一次分别针对每组测试数据的分段数据训练。
[0062]
具体地，图如1所示，所述数据处理机构2进一步包括数据预处理模块21和误差判断模块23，其中，数据预处理模块21、误差判断模块23和神经网络训练模块22一同生成所述载荷测算模型。神经网络训练模块22依据所述数据预处理模块21、误差判断模块23对测试数据的处理和分析结果执行数据训练。
[0063]
根据本发明的一个实施例，数据预处理模块21处于网络训练模块22的上游，数据预处理模块21设置为：对所述测试数据进行分析、剔除、调整和补充，为数据进入神经网络训练模块22做预处理。具体处理过程为：先对采集的数据曲线进行分析整理，剔除数据曲线中存在削峰传感机构1的数据，并对此传感机构1所在的放大电路进行调整，调整完成后，再补充该传感机构1的数据。
[0064]
根据本发明的一个实施例，误差判断模块23处于网络训练模块22的下游，误差判断模块23设置为：计算并判定训练模型的载荷预测值与真实值之间的偏差，神经网络训练模块
[0065]-在该偏差小于预定误差范围的情况下，生成目标模型，作为可供实测使用的载荷测算模型予以存储；或者，
[0066]-在该偏差大于等于预定误差范围的情况下，调整应变值变量及环境参数变量的权重，重新生成训练模型并再次执行数据训练。
[0067]
进一步地，在实践中，预定误差范围可以提前在误差判断模块23中预设，例如为
±
5％。
[0068]
根据本发明的一个实施例，将本发明前述的载荷测量装置设置于汽车领域，构成车辆载荷称重系统，其中，环境参数传感器和应变式载荷传感器设置于车辆的至少一个车轮。进一步地，所述环境参数传感器包括设置于车轮气室中的胎压传感器和胎温传感器。
[0069]
图2是按照本发明的一种实施方式的车辆载荷称重系统示意图，图中左侧为车轮的剖面示意图，图中p处表示出载荷测量装置的安装位置，载荷测量装置与显示器相连，便于直接在客户端观察数据，客户端的用户界面如图2中右上方所示。
[0070]
优选地，可以仅将传感机构1安装于位置p处，数据处理机构2设置于振动较小和安全系数更高的位置。本实施例中传感机构包括环境参数传感器和应变式载荷传感器，其中，环境参数传感器包括胎压传感器和胎温传感器，应变式载荷传感器包括固定于车轮轮毂上的应变片。
[0071]
图2所示的实施例中，在车辆实际载荷为2.5万牛，且车辆运行速度为25km/h时，按照本发明的载荷测量装置的称重结果为2.465万牛，相比较实际载荷，准确率高达为98.6％。由此可见，根据本发明的设计方案构造的车辆载荷称重系统在一定误差范围内可
准确测量车辆载荷称重。
[0072]
图3是按照本发明的一种实施方式的载荷测量方法流程图，包括以下步骤：
[0073]
(s1)执行载荷测量试验，获取至少一组测试数据，至少包括：环境参数传感器和应变式载荷传感器的检测数据、实际测定的载荷的真实值；
[0074]
(s2)建立载荷测算模型，包括以下子步骤：
[0075]
(s21)预处理数据：分析、剔除、调整和补充检测数据，输出由预处理的检测数据所组成的样本数据；
[0076]
(s22)训练数据：确定载荷测算的训练模型，对所述样本数据进行神经
[0077]
网络训练；
[0078]
(s23)判断误差和生成载荷测算模型：计算并判定训练模型的载荷预测值与真实值之间的偏差，
[0079]-在该偏差小于预定误差范围的情况下，生成目标模型，作为可供实测使用的载荷测算模型予以存储；
[0080]-在该偏差大于等于预定误差范围的情况下，调整变量的权重，重新生成训练模型并再次执行子步骤(s22)的数据训练，直至该偏差小于预定误差范围，生成目标模型，作为可供实测使用的载荷测算模型予以存储；
[0081]
(s3)在实测环境中采集环境参数传感器和应变式载荷传感器的检测数据；以及(s4)将实测的检测数据代入所述载荷测算模型，求得载荷值。
[0082]
其中，步骤(s2)中建立载荷测算模型的步骤如图4所示。
[0083]
根据本发明的一个实施例，实现s22的方法有多种，设计思想是：包含至少一次数据训练过程，所述数据训练过程包括对所述检测数据做fft(快速傅里叶)变换得到频谱数据，再对所述频谱数据做回归分析。根据实际需要，可以包含一次整体数据训练过程和一次分段数据训练过程。图5是按照图4实施方式中步骤(s22)的方法流程图，在子步骤(s22)中，对全量样本数据做fft变换后，根据频谱数据进行回归分析，包括：
[0084]
(s221)对每组的应变值数据整体做dft变换，得到频谱数据；
[0085]
(s222)将各检测数据合并，进行pca降维；以及
[0086]
(s223)使用神经网络进行拟合；
[0087]
和/或，
[0088]
(s224)对每组的应变值数据分段做dft变换，对分段dft变换结果按幅值做
[0089]
滤波处理，保留幅值较大的频率，并计算全部分段的中心点；
[0090]
(s225)将各检测数据的中心点数据合并，并剔除全为0的维度；以及
[0091]
(s226)使用神经网络进行拟合。
[0092]
其中，步骤(s221)(s222)(s223)对应前述的整体的所述数据训练，步骤(s224)(s225)(s226)对应前述的分组的所述数据训练。
[0093]
根据本发明的一个实施例，将以上载荷测量方法的步骤应用于车辆载荷称重，即形成车辆载荷称重方法。在进行车辆载荷称重之前，将环境参数传感器和应变式载荷传感器设置于车辆的至少一个车轮。
[0094]
根据本发明提出的车辆载荷称重方法，申请人执行了两组车辆载荷称重实施例，在，图6是实施例1中的载荷测算模型的输出数值与实际值的对比图，图7是按照图6的实施
方式得到的称重数值与实际值的对比图，图8是实施例2中的载荷测算模型的输出数值与实际值的对比图，图9是按照图8的实施方式得到的称重数值与实际值的对比图。图6至图9的横坐标为时间t，单位秒，纵坐标为称重数值，单位为千牛(kn)。
[0095]
在图6至图7对应的实施例1中，图6是按照本发明的一种实施方式的载荷测算模型的输出数值与实际值的对比图，图中线l1表示载荷测算模型的输出数值，线l2表示实际值，可以看到线l2与线l1是几乎是重合的，说明本次对载荷测算模型的创建非常成功。
[0096]
图7是按照图6的实施方式得到的称重数值与实际值的对比图，图中线l1表示本发明的载荷测量装置的称重数值，线l2表示实际值，可以看出在图6的载荷测算模型构造非常成功的情况下，称重数值和实际值有少许偏差，一般认为这个少许偏差是可以容忍的。
[0097]
在图8-图9对应的实施例2中，图8是按照本发明的另一种实施方式的载荷测算模型的输出数值与实际值的对比图，图中线l1表示载荷测算模型的输出数值，线l2表示实际值，可以看到线l2与线l1是的重合的度也是比较高的，说明本次对载荷测算模型的创建比较成功。
[0098]
图9是按照图8的实施方式得到的称重数值与实际值的对比图，图中线l2表示本发明的载荷测量装置的称重数值，线l1表示实际值，可以看出在图8的载荷测算模型构造比较成功的情况下，称重数值和实际值有一些偏差，一般认为这个少许偏差是可以容忍的，有可能这些偏差是由于步骤s21中对采样数据的处理造成的，这类偏差通过对s21的调整可以得到更接近的称重的结果。
[0099]
以上描述仅为本技术的较佳实施方式以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种载荷测量装置，包括传感机构和数据处理机构，其特征在于，所述传感机构(1)包括环境参数传感器和应变式载荷传感器，用以采集检测数据；所述数据处理机构(2)与所述传感机构通讯连接，且存储有基于应变值变量及环境参数变量构建的载荷测算模型，所述传感机构采集的检测数据被输入所述数据处理机构并利用所述载荷测算模型求得载荷值；其中，所述载荷测量装置配有神经网络训练模块(22)，所述载荷测算模型通过神经网络优化训练而生成。2.根据权利要求1所述的载荷测量装置，其特征在于，所述神经网络训练模块(22)内置于所述数据处理机构，该神经网络训练模块能够生成载荷测算的训练模型并对至少一组测试数据进行数据训练，利用神经网络确定所述应变值变量及环境参数变量的权重，其中，所述数据训练包括fft变换和进一步的回归分析。3.根据权利要求2所述的载荷测量装置，其特征在于，所述神经网络训练模块设置为：执行至少一次总体针对各组测试数据的整体数据训练和/或至少一次分别针对每组测试数据的分段数据训练。4.根据权利要求2所述的载荷测量装置，其特征在于，所述数据处理机构进一步包括数据预处理模块(21)和误差判断模块(23)，其中，所述神经网络训练模块依据所述数据预处理模块、误差判断模块对测试数据的处理和分析结果执行数据训练。5.根据权利要求4所述的载荷测量装置，其特征在于，所述数据预处理模块设置为：对所述测试数据进行分析、剔除、调整和补充。6.根据权利要求4所述的载荷测量装置，其特征在于，所述误差判断模块设置为：计算并判定训练模型的载荷预测值与真实值之间的偏差，所述神经网络训练模块-在该偏差小于预定误差范围的情况下，生成目标模型，作为可供实测使用的载荷测算模型予以存储；或者，-在该偏差大于等于预定误差范围的情况下，调整应变值变量及环境参数变量的权重，重新生成训练模型并再次执行数据训练。7.根据权利要求6所述的载荷测量装置，其特征在于，所述预定误差范围为
±
5％。8.一种车辆载荷称重系统，其特征在于，该车辆载荷称重系统具有根据权利要求1至7之任一项所述的载荷测量装置，所述环境参数传感器和应变式载荷传感器设置于车辆的至少一个车轮。9.根据权利要求8所述的车辆载荷称重系统，其特征在于，所述环境参数传感器包括设置于车轮气室中的胎压传感器和胎温传感器。10.根据权利要求8所述的车辆载荷称重系统，其特征在于，所述应变式载荷传感器包括固定于车轮轮毂上的应变片。11.一种载荷测量方法，其特征在于，包括以下步骤：(s1)执行载荷测量试验，获取至少一组测试数据，至少包括：环境参数传感器和应变式载荷传感器的检测数据、实际测定的载荷的真实值；(s2)建立载荷测算模型，包括以下子步骤：(s21)预处理数据：分析、剔除、调整和补充检测数据，输出由预处理的检测数据所组成
的样本数据；(s22)训练数据：确定载荷测算的训练模型，对所述样本数据进行神经网络训练；(s23)判断误差和生成载荷测算模型：计算并判定训练模型的载荷预测值与真实值之间的偏差，-在该偏差小于预定误差范围的情况下，生成目标模型，作为可供实测使用的载荷测算模型予以存储；-在该偏差大于等于预定误差范围的情况下，调整变量的权重，重新生成训练模型并再次执行子步骤(s22)的数据训练，直至该偏差小于预定误差范围，生成目标模型，作为可供实测使用的载荷测算模型予以存储；(s3)在实测环境中采集环境参数传感器和应变式载荷传感器的检测数据；以及(s4)将实测的检测数据代入所述载荷测算模型，求得载荷值。12.根据权利要求11所述的载荷测量方法，其特征在于，在子步骤(s22)中，对全量样本数据做fft变换后，根据频谱数据进行回归分析，包括：(s221)对每组的应变值数据整体做dft变换，得到频谱数据；(s222)将各检测数据合并，进行pca降维；以及(s223)使用神经网络进行拟合；和/或，(s224)对每组的应变值数据分段做dft变换，对分段dft变换结果按幅值做滤波处理，保留幅值较大的频率，并计算全部分段的中心点；(s225)将各检测数据的中心点数据合并，并剔除全为0的维度；以及(s226)使用神经网络进行拟合。13.一种车辆载荷称重方法，其特征在于，应用根据权利要求11至12之任一项所述的载荷测量方法，进行车辆载荷称重。14.根据权利要求13所述的车辆载荷称重方法，其特征在于，在进行车辆载荷称重之前，将环境参数传感器和应变式载荷传感器设置于车辆的至少一个车轮。

技术总结
本申请涉及载荷测量装置和方法以及车辆载荷称重系统和方法。所述载荷测量装置包括传感机构和数据处理机构，其中传感机构包括环境参数传感器和应变式载荷传感器，用以采集检测数据；数据处理机构与传感机构通讯连接，且存储有基于应变值变量及环境参数变量构建的载荷测算模型，传感机构采集的检测数据被输入数据处理机构中并利用载荷测算模型求得载荷值；其中，载荷测算模型通过神经网络优化训练而生成。利用本申请提出的技术方案，特别是对于车辆载荷称重，可以更加省时省力，同时极大提升了测量的准确性和稳定性。了测量的准确性和稳定性。了测量的准确性和稳定性。


技术研发人员：李希 朱志华 徐世文 李世德 盛宏伟 张溪 徐彦福 赵志伟 林阳
受保护的技术使用者：中信戴卡股份有限公司
技术研发日：2022.01.18
技术公布日：2023/7/31