出口式电子汽车衡根据设计要求，一般具有4~12路称重传感器。这些传感器按一定的拓扑结构分布在出口式电子汽车衡秤体下方，构成典型的多传感器称重系统。实验发现，各称重传感器的输出以及相邻传感器输出的比值相互影响，存在相关性，这些相关性受许多因素影响。

    现有出口式电子汽车衡利用并联方式，在模拟接线盒中将各路称重传感器的输出信号进行累加，获得一个与被测载荷质量成比例的电压信号，经信号调理、A/D转换后，由单片机处理获得称重结果，送显示、通信，完成被测载荷的称重；这种方式由于通过硬件电路直接将各路称重传感器输出信号集中累加，割裂了称重传感器之间的，忽视了多传感器的相关性，失去了利用出口式电子汽车衡本身多路称重传感器的关联特性进行故障诊断和容错控制的可能性，从而使得任意一路传感器发生故障都将导致整个称重系统失效。

    近年来，神经网络在智能信息处理中得到了广泛的应用。作为前馈神经网络的重要分支，径向基函数神经网络(RBFNN)由于具有很强的逼近非线性函数能力和自学习功能，收敛速度快，鲁棒性好，已广泛应用于系统建模、函数逼近与非线性估计等。出口式电子汽车衡各路称重传感器的输出信号以及输出信号比值相互关联，它们之间存在某种非线性函数关系，利用RBFNN逼近这种非线性函数,分别构造多路称重传感器输出信号的关联模型以及输出信号比值的关联模型，建立各路传感器输出的预估网络和相邻称重传感器输出比值的预估网络。由于这两个预估网络相互独立，从而可以获得两个独立的、冗余的传感器输出预测值。出口式电子汽车衡现场使用时因受噪声影响，单独利用其中任何一个关联模型都将产生较大误差。为此以这两个关联模型产生的独立冗余估计值为输入，构建一种自适应加权融合方法，以获得更准确的称重传感器输出估计信号，为出口式电子汽车衡的故障诊断与智能容错奠定基础。

    本章研究出口式电子汽车衡多路称重传感器的相关性，构建任意一路传感器与其它N-1路传感器的关联模型（全关联模型），即利用RBFNN分别建立多路称重传感器输出信号的关联模型和相邻传感器输出信号比值的关联模型，获得两个独立的预测值，并利用它们的冗余性，构建一种自适应加权融合方法，完成称重传感器输出结果的准确估计。为实现出口式电子汽车衡多路传感器故障的智能容错，建立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），以实现该状态下故障传感器的输出估计。通过仿真验证这种方法的准确性与有效性。

以上信息由上海越衡实业有限公司提供，转载时请注明。
相关推荐：
scs 电子汽车衡结构介绍    
防爆地磅厂家生产的传感器工作原理