CN112964345A - 一种货运汽车称重***及其称重方法 - Google Patents
一种货运汽车称重***及其称重方法 Download PDFInfo
- Publication number
- CN112964345A CN112964345A CN202110167142.7A CN202110167142A CN112964345A CN 112964345 A CN112964345 A CN 112964345A CN 202110167142 A CN202110167142 A CN 202110167142A CN 112964345 A CN112964345 A CN 112964345A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- weighing
- mass
- load
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 230000003068 static effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001953 sensory effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 229910000639 Spring steel Inorganic materials 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/08—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles
- G01G19/086—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles wherein the vehicle mass is dynamically estimated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种货运汽车称重***及其称重方法，包括以下步骤：S1：数据采集，得到标定数据集；S2：通过标定数据集训练深度神经网络模型；得车辆载荷模型；S3：依据车辆载荷模型推断输出车辆货物质量。本发明针对现有车载载重检测精度低和稳定性差的缺陷，根据倾角传感器检测的标准砝码质量构成的向量Yi和对应的传感数据组构成的矩阵Xij，利用CNN模型得到车辆载荷模型；最终通过车辆载荷模型得出汽车的载重质量；起到避免汽车超载高精度检测预警的效果；该检测方法相较于传统的检测方法更加具有准确性，同时检测的全面性更好。
Description
技术领域
本发明属于载重检测技术领域，涉及一种货运汽车称重***及其称重方法。
背景技术
随着我国公路运输***和汽车工业技术的不断发展，大量的汽车超载现象也接踵而至。超载运输对桥梁、公路带来严重影响，大幅缩短了公路的使用年限，对交通安全构成了一定的危害，如：
第一，容易诱发交通事故。车辆长期超载运行，刹车***、悬挂***等机械部件容易发生疲劳破坏而失效。又由于超载后，惯性力增大，遇到紧急情况很难短时间内制动，极易诱发交通事故。
第二，降低交通流量。车辆超载后，在公路上运行时，为了保证安全，必须大大低于正常速度行驶，因此会造成后续车辆积压，降低交通***的流速。
第三，破坏交通***基础设施。公路路面材料在超过设计载荷的交变压力下，过早的产生疲劳破坏，降低公路的使用寿命。尤其是桥梁***，在大的交变载荷下，可能会发生桥梁在寿命期内的异常疲劳断裂甚至直接超过桥梁被弯曲、剪切压溃等严重事故。全国近些年多次发生的桥梁断裂事故多为超载车辆引起。
第四，公路养护费用大为提高。根据不完全统计，全国公路部门每年因超载运输产生的额外道路维护保养费高达几百亿元。因此，大力治理车辆超载及发展相应的超载检测设备具有重要现实意义。
当前，超载检测***主要有静态称重和动态称重两种方法。静态称重是在高速公路上设置超载检测站，利用静态称重设备或低速称重设备对超载车辆进行检测。由于车辆需要静止在大型地衡上，对超载车辆的检测时间较长，容易引发高速公路在超载检测站的交通拥堵现象，效率也低；另一方面现有的很多高速公路在建设期没有预留用地建设超载检测站，也没有多余的空地安置超载货物，因此发展了动态称重***。动态称重是在不停车状态下对车辆进行称重。动态称重***的优点是称重过程中不需要车辆停止，但与静态称重相比，其称重不够精确。
且目前主流的车载称重技术，存在的主要问题是虽然称重数据误差可以做到误差在10％-20％左右，但是在长时间的使用的情况下误触会随着时间的推移而增大(达到70％-80％)。这极大地影响了车载动态称重技术的应用和推广。影响这两个问题的关键因素之一是没有具有较强泛化能力的载荷模型。强泛化能力载荷模型的精度和稳定性考虑数据有至关重要的影响,因为传感器的标定是在静态下进行的,当汽车传感器数据移动和静止状态差异很大时,如果载荷模型泛化能力不强,不可避免的会使称重数据误差较大且不稳定。
参考文献：
[1]方波等，基于二维频域光学振动相干层析的悬臂梁模态频率质量称量方法，振动与冲击，Vol 39,No.6,2020；
[2]杨佩琳，厢式货车底盘解析什么是车身框架结构？卡车之家，2019.10.28；
http://www.360che.com/news/191028/119698.html；
[3]汽车的底盘究竟指什么？它包括哪些零部件？我们看到的车底是底盘吗？搜狐网站，2018.02.21；
https://www.sohu.com/a/223405432_560095；
[4]冯蓓,低速货车振动的试验研究,江苏大学硕士学位论文,2007.04；
[5]一种实时车载称重方法，发明专利申请号202010003153.7，2020.01.02，已公开；
[6]一种应用于货车的动态智能监控载重报警装置,发明专利申请号201720744295，2017.06.23，已授权；
[7]一种高精度车载区域称重方法，深圳市汉德网络科技有限公司，202010003157.5。
发明内容
为了实现上述目的，本发明采用了以下技术方案：
一种货运汽车称重***，包括：若干个设置于待检测车辆弹簧钢板上的倾角传感器、设置于待检测车辆内的车载终端、物联网平台，所述物联网平台内预设有若干个对应每个车型的对照载荷模型，所述车载终端与倾角传感器电信号连接，所述车载终端与物联网平台无线数据连接。
作为本发明进一步的方案：还包括：温度传感器。
一种货运汽车称重方法，包括以下步骤：
S1：数据采集，得到标定数据集；
S2：通过标定数据集训练深度神经网络模型；得车辆载荷模型；
S3：依据车辆载荷模型推断输出车辆货物质量。
作为本发明进一步的方案：所述S1中所述的标定数据集具体包括：若干标准砝码质量构成的向量Yi和对应的传感数据组构成的矩阵Xij。
作为本发明进一步的方案：所述标定数据的采集方法具体包括：
从车辆空载开始，每装载一个标准砝码质量的货物后，持续一段时间，在此期间内，每隔一特定时间段随机移动一次货物位置，因此每个标准砝码质量就会得到一组装载传感数据(A*B＝N)其中A为持续时间、B为间隔时间、N装载传感数据的数量；
装载完成后，进行卸载，每装载一个标准砝码质量的货物后，持续一段时间，在此期间内，每隔一特定时间段随机移动一次货物位置，因此每个标准砝码质量就会得到一组卸载传感数据(A’*B’＝N’)其中A’为持续时间、B’为间隔时间、N’卸载传感数据的数量,该步骤为上述步骤的逆过程，因此装载传感数据的数量与卸载传感数据的数量相同；
每个标准砝码质量都会产生一组装载传感数据及一组卸载传感数据；
且在装载的过程中每装载一个标准砝码，车辆上的每个倾角传感器都会产生一条数据记录；
因此一个标准砝码质量会产生组成传感数据组的N组装载传感数据及N组卸载传感数据(N对应车辆安装倾角传感器的数量)。
作为本发明进一步的方案：所述S2中：训练深度神经网络模型的具体方法包括：标定数据集通过车载终端发送至物联网平台中；
物联网平台选用一个CNN模型，输入标定数据集进行训练，但最后一层不使用激活函数，而是直接把输出向量拿来做回归，并采用均方差函数作为优化的目标函数完成车辆载荷模型的训练。
作为本发明进一步的方案：所述S3中：依据车辆载荷模型推断输出车辆货物质量的具体方法包括：物联网平台调用与车辆车型相同的对照载荷模型，将当前实时传感器数据记录作为载荷模型的输入进行推断计算，得到车辆上所装载的货物质量。
作为本发明进一步的方案：车载终端内设置有GPS模块，通过GPS模块检测车辆行驶状态。
作为本发明进一步的方案：在S3之后还包括以下步骤：
S4：在车辆的载货车厢内安装识别摄像头；
车载终端控制识别摄像头，在车辆行驶的运载工作的一段时间后，识别摄像头识别车厢内，当为空载静止状态时，车载终端控制倾角传感器进行0值标定。
本发明的有益效果：本发明针对现有车载载重检测精度低和稳定性差的缺陷，根据倾角传感器检测的标准砝码质量构成的向量Yi和对应的传感数据组构成的矩阵Xij，利用CNN模型得到车辆载荷模型；最终通过车辆载荷模型得出汽车的载重质量；起到避免汽车超载高精度检测预警的效果；
该检测方法相较于传统的检测方法更加具有准确性，同时检测的全面性更好。
具体实施方式
对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，应理解，本申请不受这里公开描述的示例实施例的限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例中，一种货运汽车称重***，包括：若干个设置于待检测车辆弹簧钢板上的倾角传感器、设置于待检测车辆内的车载终端、物联网平台，所述物联网平台内预设有若干个对应每个车型的对照载荷模型，所述车载终端与倾角传感器电信号连接，所述车载终端与物联网平台无线数据连接；
一般情况下倾角传感器安装于车辆的弹簧钢板的两端处，该位置的变形程度较高；而在实际的加工工作中，根据不同的车型根据车辆的弹簧钢板的分类进行定义；
在倾角传感器安装完成后，要进行一次***初始化标定，以便确定该车的载货0值，以及设定超载判别的门限值。
初始化的标定方式是，空载状态下进行***安装。在安装完成后，立即采集数据，得到称重***当前所报的质量值；而后进行标定将该质量值报给物联网平台；物联网平台将此质量值填写到该货车的空载质量偏置值里；正式运行后，该车的超载判别门限，相应地减去该偏置值。
进一步的，还包括：温度传感器，在倾角传感器的实际应用中温度也会影响倾角传感器的精度，为此通过温度传感器检测外界以便补偿弹簧钢板的热胀冷缩效应，在使用的工作中，可根据实际的预设与成本选购带有温度检测功能的倾角传感器，无需另购温度传感器。
进一步的，所述倾角传感器的根据车型而确定，其中2轴货车的倾角传感器数量是8个，3轴货车的倾角传感器数量是12个，以此类推。
一种货运汽车称重方法，包括以下步骤：
S1：数据采集，得到标定数据集；
S2：通过标定数据集训练深度神经网络模型；得车辆载荷模型；
S3：依据车辆载荷模型推断输出车辆货物质量。
进一步的，所述S1中所述的标定数据集具体包括：若干标准砝码质量构成的向量Yi和对应的传感数据组构成的矩阵Xij。
更进一步的，所述标定数据的采集方法具体包括：
从车辆空载开始，每装载一个标准砝码质量的货物后，持续一段时间，在此期间内，每隔一特定时间段随机移动一次货物位置，尽可能覆盖到靠边、居中等各种情形，因此每个标准砝码质量就会得到一组装载传感数据(A*B＝N)其中A为持续时间、B为间隔时间、N装载传感数据的数量；
装载完成后，进行卸载，该卸载为车载终端的反推演计算并非人工卸载，每装载一个标准砝码质量的货物后，持续一段时间，在此期间内，每隔一特定时间段随机移动一次货物位置，尽可能覆盖到靠边、居中等各种情形，因此每个标准砝码质量就会得到一组卸载传感数据(A’*B’＝N’)其中A’为持续时间、B’为间隔时间、N’卸载传感数据的数量,该步骤为上述步骤的逆过程，因此装载传感数据的数量与卸载传感数据的数量相同；
每个标准砝码质量都会产生一组装载传感数据及一组卸载传感数据；
且在装载的过程中每装载一个标准砝码，车辆上的每个倾角传感器都会产生一条数据记录；
因此一个标准砝码质量会产生组成传感数据组的N组装载传感数据及N组卸载传感数据(N对应车辆安装倾角传感器的数量)；
另外，车辆只有在停下来才能装载和卸载货物，因此，行驶过程的承载货物质量可看作不变；标定数据的采集只需要停车时进行；
实际应用实施例：
本实施例中以2轴载货汽车的总质量限值18吨为基准；标准砝码的质量为100KG；
在车辆空载装货时，每递增一个标准砝码质量时(即100KG)持续1分钟，在此期间内每隔3秒随机移动一次货物的位置，尽可能覆盖到靠边、居中等各种情形，如此装载一个标准砝码质量时一个倾角传感器至少会产生120条数据；
而2轴载货汽车的总质量限值18吨，因此会产生120x180＝21600条数据；
而后在满载的状态下车载终端进行卸载反推演，同样会产生120x180＝21600条数据；
需要说明的是推演的持续时间及间隔时间不是固定的，在应用中推演的时间越长越佳、间隔时间越短越佳，所产生的数据数量更多更精准。
进一步的，所述S2中：训练深度神经网络模型的具体方法包括：标定数据集通过车载终端发送至物联网平台中；
物联网平台选用一个CNN模型(例如，LeNet，ResNet-18，等)，输入标定数据集进行训练，但最后一层不使用激活函数，而是直接把输出向量拿来做回归，并采用均方差函数作为优化的目标函数完成车辆载荷模型的训练；
注意本方案中，车辆载荷模型建立的是物理观测量与承载货物质量之间的关系，不是动态的受力(重力、侧向压力、轮子驱动力均无需考虑)。
另外需要说明的是，它针对的是承载货物质量，不包括车身、司机的质量。超载监测计算时，将车身质量、司机质量、车辆载荷模型推断得到的承载货物质量三者相加，得到整体总质量，再做比较。
进一步的，所述S3中：依据车辆载荷模型推断输出车辆货物质量的具体方法包括：物联网平台调用与车辆车型相同的对照载荷模型，将当前实时传感器数据记录作为载荷模型的输入进行推断计算，得到车辆上所装载的货物质量。
进一步的，车载终端内设置有GPS模块，通过GPS模块检测车辆行驶状态。
进一步的，在S3之后还包括以下步骤：
S4：在车辆的载货车厢内安装识别摄像头；
车载终端控制识别摄像头，
随着时间推移，弹簧钢板长期受力会受到不同程度的变形，因此在车辆行驶的运载工作的一段时间后，识别摄像头识别车厢内，当车辆为空载静止状态时，该状态较为平稳，标定数据更加准确，车载终端控制倾角传感器进行0值标定，通过该方式使得倾角传感器的检测精度更高；
同时可通过车载终端接入车队的货运单数据，从而通过车载终端自动找到对应时间段里的传感数据，自动标定相应的承载质量值。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种货运汽车称重***，其特征在于，包括：若干个设置于待检测车辆弹簧钢板上的倾角传感器、设置于待检测车辆内的车载终端、物联网平台，所述物联网平台内预设有若干个对应每个车型的对照载荷模型，所述车载终端与倾角传感器电信号连接，所述车载终端与物联网平台无线数据连接。
2.根据权利要求1所述的一种货运汽车称重***，其特征在于，还包括：温度传感器。
3.一种货运汽车称重方法，根据权利要求1-3任一项所述的一种货运汽车称重***，其特征在于，包括以下步骤：
S1：数据采集，得到标定数据集；
S2：通过标定数据集训练深度神经网络模型；得车辆载荷模型；
S3：依据车辆载荷模型推断输出车辆货物质量。
4.根据权利要求3所述的一种货运汽车称重方法，其特征在于，所述S1中所述的标定数据集具体包括：若干标准砝码质量构成的向量Yi和对应的传感数据组构成的矩阵。
5.根据权利要求4所述的一种货运汽车称重方法，其特征在于，所述标定数据的采集方法具体包括：
从车辆空载开始，每装载一个标准砝码质量的货物后，持续一段时间，在此期间内，每隔一特定时间段随机移动一次货物位置，因此每个标准砝码质量就会得到一组装载传感数据(A*B＝N)其中A为持续时间、B为间隔时间、N装载传感数据的数量；
装载完成后，进行卸载，每装载一个标准砝码质量的货物后，持续一段时间，在此期间内，每隔一特定时间段随机移动一次货物位置，因此每个标准砝码质量就会得到一组卸载传感数据(A’*B’＝N’)其中A’为持续时间、B’为间隔时间、N’卸载传感数据的数量,该步骤为上述步骤的逆过程，因此装载传感数据的数量与卸载传感数据的数量相同；
每个标准砝码质量都会产生一组装载传感数据及一组卸载传感数据；
且在装载的过程中每装载一个标准砝码，车辆上的每个倾角传感器都会产生一条数据记录；
因此一个标准砝码质量会产生组成传感数据组的N组装载传感数据及N组卸载传感数据(N对应车辆安装倾角传感器的数量)。
6.根据权利要求3所述的一种货运汽车称重方法，其特征在于，所述S2中：训练深度神经网络模型的具体方法包括：标定数据集通过车载终端发送至物联网平台中；
物联网平台选用一个CNN模型，输入标定数据集进行训练，但最后一层不使用激活函数，而是直接把输出向量拿来做回归，并采用均方差函数作为优化的目标函数完成车辆载荷模型的训练。
7.根据权利要求3所述的一种货运汽车称重方法，其特征在于，所述S3中：依据车辆载荷模型推断输出车辆货物质量的具体方法包括：物联网平台调用与车辆车型相同的对照载荷模型，将当前实时传感器数据记录作为载荷模型的输入进行推断计算，得到车辆上所装载的货物质量。
8.根据权利要求3所述的一种货运汽车称重方法，其特征在于，车载终端内设置有GPS模块，通过GPS模块检测车辆行驶状态。
9.根据权利要求3所述的一种货运汽车称重方法，其特征在于，在S3之后还包括以下步骤：
S4：在车辆的载货车厢内安装识别摄像头；
车载终端控制识别摄像头，在车辆行驶的运载工作的一段时间后，识别摄像头识别车厢内，当为空载静止状态时，车载终端控制倾角传感器进行0值标定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110167142.7A CN112964345A (zh) | 2021-02-07 | 2021-02-07 | 一种货运汽车称重***及其称重方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110167142.7A CN112964345A (zh) | 2021-02-07 | 2021-02-07 | 一种货运汽车称重***及其称重方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112964345A true CN112964345A (zh) | 2021-06-15 |
Family
ID=76275071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110167142.7A Pending CN112964345A (zh) | 2021-02-07 | 2021-02-07 | 一种货运汽车称重***及其称重方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112964345A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984175A (zh) * | 2021-10-26 | 2022-01-28 | 东北大学秦皇岛分校 | 基于人工神经网络的车载重标定方法及云服务*** |
| CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234610A (zh) * | 2013-05-14 | 2013-08-07 | 湖南师范大学 | 一种适用于汽车衡的称重方法 |
| CN103487125A (zh) * | 2013-10-09 | 2014-01-01 | 招商局重庆交通科研设计院有限公司 | 一种车载重量远程检测方法和*** |
| CN204978387U (zh) * | 2015-09-22 | 2016-01-20 | 潘静 | 用于车辆载重的称量***及汽车 |
| CN105788251A (zh) * | 2016-03-08 | 2016-07-20 | 山东交通学院 | 基于北斗车联网的货车超载实时监控***及方法 |
| US20170234723A1 (en) * | 2016-02-11 | 2017-08-17 | Hill-Rom Services, Inc. | Hospital bed scale calibration methods and patient position monitoring methods |
| CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及*** |
| CN110044451A (zh) * | 2019-04-30 | 2019-07-23 | 湖南行必达网联科技有限公司 | 车辆负载的称重方法、装置及电子设备 |
| CN110414077A (zh) * | 2019-07-08 | 2019-11-05 | 中国铁路上海局集团有限公司科学技术研究所 | 一种装载机的负载称重方法及其称重*** |
| CN111784984A (zh) * | 2020-06-09 | 2020-10-16 | 宁波吉利汽车研究开发有限公司 | 一种分布式预警***、方法及装置 |
| CN112235741A (zh) * | 2020-09-04 | 2021-01-15 | 苏州香农智能科技有限公司 | 一种基于深度学习的巡检机器人车间状态检测*** |
-
2021
- 2021-02-07 CN CN202110167142.7A patent/CN112964345A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234610A (zh) * | 2013-05-14 | 2013-08-07 | 湖南师范大学 | 一种适用于汽车衡的称重方法 |
| CN103487125A (zh) * | 2013-10-09 | 2014-01-01 | 招商局重庆交通科研设计院有限公司 | 一种车载重量远程检测方法和*** |
| CN204978387U (zh) * | 2015-09-22 | 2016-01-20 | 潘静 | 用于车辆载重的称量***及汽车 |
| US20170234723A1 (en) * | 2016-02-11 | 2017-08-17 | Hill-Rom Services, Inc. | Hospital bed scale calibration methods and patient position monitoring methods |
| CN105788251A (zh) * | 2016-03-08 | 2016-07-20 | 山东交通学院 | 基于北斗车联网的货车超载实时监控***及方法 |
| CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及*** |
| CN110044451A (zh) * | 2019-04-30 | 2019-07-23 | 湖南行必达网联科技有限公司 | 车辆负载的称重方法、装置及电子设备 |
| CN110414077A (zh) * | 2019-07-08 | 2019-11-05 | 中国铁路上海局集团有限公司科学技术研究所 | 一种装载机的负载称重方法及其称重*** |
| CN111784984A (zh) * | 2020-06-09 | 2020-10-16 | 宁波吉利汽车研究开发有限公司 | 一种分布式预警***、方法及装置 |
| CN112235741A (zh) * | 2020-09-04 | 2021-01-15 | 苏州香农智能科技有限公司 | 一种基于深度学习的巡检机器人车间状态检测*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984175A (zh) * | 2021-10-26 | 2022-01-28 | 东北大学秦皇岛分校 | 基于人工神经网络的车载重标定方法及云服务*** |
| CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105675101B (zh) | 基于obd的车辆质量动态测量装置及测量方法 | |
| CN112964345A (zh) | 一种货运汽车称重***及其称重方法 | |
| CN101153816B (zh) | 一种用于车辆载重实时检测的方法 | |
| KR101105854B1 (ko) | 교량 응답특성을 이용한 차량중량 계측 시스템 및 그 방법 | |
| CN107389168A (zh) | 一种用于桥梁的车辆移动载荷的识别方法 | |
| CN109829410B (zh) | 一种基于多传感器信息融合的竖向车轮力识别方法 | |
| CN205607509U (zh) | 车辆动态实时监控*** | |
| CN108267742B (zh) | 一种运输途中货物装载加固状态实时监测*** | |
| CN103903443B (zh) | 道路安全运输预警监控*** | |
| CN111348048B (zh) | 货车超载报警方法、装置、设备及存储介质 | |
| CN101806609A (zh) | 一种汽车偏载状态识别及监控预警*** | |
| CN112067102A (zh) | 一种智能计量监管平台 | |
| CN109855711A (zh) | 一种车辆超载超限动态称重*** | |
| CN110361082A (zh) | 一种实时测量车辆总重的监控***及监控方法 | |
| CN111649812A (zh) | 半挂车车载称重*** | |
| CN111537048A (zh) | 一种实时动态车辆载重测量方法 | |
| CN114184265A (zh) | 工程车辆称重方法、装置及工程车辆 | |
| CN110154654A (zh) | 一种大数据与云计算轮胎自动检测*** | |
| CN110782676A (zh) | 道路不停车超载超限智能检测预警*** | |
| CN105292121A (zh) | 一种预判车辆稳定性的方法 | |
| CN113567027A (zh) | 一种道路超荷载等级工况监测方法及*** | |
| Liu et al. | An Optimized Method for Dynamic Measurement of Truck Loading Capacity | |
| CN106938628A (zh) | 一种基于位移传感器的自卸车举升作业侧翻预警装置 | |
| KR20090115317A (ko) | 차량의 과적 및 부정계측 검출장치 | |
| CN109029663A (zh) | 一种车辆称重***及其称重方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |