ИНФОРМАЦИОННО ИЗМЕРИТЕЛЬНАЯ СИСТЕМА ПООСНОГО ВЗВЕШИВАНИЯ АВТОМОБИЛЕЙ

​АННОТАЦИЯ

В настоящей работе рассматривается одна из ключевых проблем систем динамического поосного взвешивания транспортных средств (WIM) — высокая погрешность измерений, обусловленная динамическими колебаниями автомобиля при движении. Стандартные методы, основанные на простом усреднении данных с нескольких датчиков, не всегда обеспечивают требуемую точность. В качестве решения предлагается инновационный подход, основанный на применении рекурсивного алгоритма — фильтра Калмана. Предлагается модель, в которой истинная статическая нагрузка на ось рассматривается как скрытое состояние системы, а показания датчиков — как зашумленные измерения этого состояния. Применение фильтра Калмана позволяет на каждом шаге итеративно уточнять оценку нагрузки, эффективно отфильтровывая динамический шум и учитывая неопределенность измерений. Ожидается, что данный подход позволит существенно повысить точность и достоверность систем весогабаритного контроля.

Ключевые слова: Поосное взвешивание, динамическое взвешивание, WIM-система, фильтр Калмана, погрешность измерения, обработка сигналов, весогабаритный контроль.

Постановка проблемы: системы динамического поосного взвешивания (Weigh-in-Motion, WIM) являются неотъемлемым элементом современных интеллектуальных транспортных систем, предназначенных для контроля за соблюдением нормативных нагрузок и защиты дорожного полотна. Основной проблемой, снижающей эффективность WIM-систем, является влияние динамических факторов. Вертикальные колебания транспортного средства, вызванные неровностями дорожного покрытия и работой подвески, приводят к тому, что мгновенная нагрузка на датчик может значительно отличаться от истинной статической нагрузки.

Для минимизации этой погрешности применяются многосенсорные системы, состоящие из нескольких рядов датчиков. Традиционный подход к обработке данных с такого массива заключается в вычислении среднего арифметического полученных измерений. Однако данный метод не является оптимальным, так как не учитывает стохастическую природу динамического шума и не использует информацию о предыдущих измерениях для уточнения последующих.

В данной работе в качестве научного нововведения предлагается использовать для обработки данных с многосенсорной WIM-системы оптимальный рекурсивный фильтр Калмана. Этот подход позволяет рассматривать процесс измерения как задачу оценки состояния динамической системы.

Суть метода:

1. Определение модели системы. Мы постулируем, что истинная статическая нагрузка на ось (x) является константой на коротком участке измерения (пока ось проходит через массив датчиков). Таким образом, уравнение состояния системы предельно простое:

где  — истинная нагрузка в момент проезда k-го датчика, — нагрузка на предыдущем шаге, а — шум процесса (моделирует незначительные изменения или неидеальность модели).

2. Определение модели измерения. Показание k-го датчика () мы рассматриваем как истинную нагрузку , искаженную аддитивным динамическим шумом , который имеет нормальное распределение и нулевое математическое ожидание.

3. Применение алгоритма Калмана. Алгоритм работает итеративно для каждого датчика в массиве:

А) Шаг предсказания: на основе предыдущей оценки нагрузки система предсказывает ее значение для текущего датчика.

Б) Шаг коррекции: Система получает реальное измерение  с текущего датчика. Затем она вычисляет "доверие" к предсказанию и к новому измерению, основываясь на их статистических характеристиках (ковариациях ошибок). На основе этого вычисляется оптимальная, скорректированная оценка нагрузки, которая является взвешенным компромиссом между предсказанным и измеренным значениями.

Эта скорректированная оценка становится основой для предсказания на следующем шаге. Таким образом, проходя через массив датчиков, наша оценка истинного веса рекурсивно уточняется, эффективно "отфильтровывая" случайные всплески и провалы, вызванные динамическими колебаниями.

Ключевым преимуществом данного подхода является не только потенциальное повышение точности по сравнению с простым усреднением, но и получение на выходе оценки ковариации ошибки, то есть система не просто выдает результат, но и сообщает, насколько она "уверена" в этом результате. Это открывает новые возможности для создания адаптивных и более надежных систем весогабаритного контроля.

Список литературы:

1. Щепетов, А. Г.  Основы проектирования приборов и систем : учебник и практикум для вузов / А. Г. Щепетов. — Москва : Издательство Юрайт, 2025. — 458 с. — (Высшее образование).
2. Андреев В.И. Факторы, влияющие на погрешность динамического взвешивания автотранспорта // Датчики и системы. 2018. №5. С. 12-18.
3. ГОСТ 33242-2015. Дороги автомобильные общего пользования. Устройства весового и габаритного контроля транспортных средств. Общие технические требования. — М.: Стандартинформ, 2016.