汽車(chē)衡作為衡器的重要分支，具有稱(chēng)重范圍廣、測量速度快、便于控制計算等優(yōu)點(diǎn)，廣泛應用于倉儲貿易、交通運輸、工礦企業(yè)等部門(mén)?，F有汽車(chē)衡受到偏載誤差與線(xiàn)性度誤差的影響，稱(chēng)重結果準確度有待提高;同時(shí)，汽車(chē)衡稱(chēng)重數據獲取不易，稱(chēng)重系統處于小樣本狀態(tài)。針對這些缺點(diǎn)，在國家自然科學(xué)基金項目“大型衡器偏載誤差機理與多傳感器稱(chēng)重融合方法研究”的支持下，本文開(kāi)展汽車(chē)衡稱(chēng)重誤差補償方法研究:利用汽車(chē)衡先驗知識，構建一種基于偏導數約束與Lagrange乘子法神經(jīng)網(wǎng)絡(luò )(PD-LMNN)優(yōu)化的稱(chēng)重融合方法，提高小樣本下神經(jīng)網(wǎng)絡(luò )的泛化能力，從而減少汽車(chē)衡的稱(chēng)重誤差;建立以單片機MSP430F449為信息處理核心的汽車(chē)衡實(shí)驗平臺，通過(guò)實(shí)驗平臺測試，驗證了這種方法的有效性。

　　本文主要進(jìn)行以下工作:首先，介紹了汽車(chē)衡基本情況及發(fā)展趨勢、汽車(chē)衡的構成及工作原理，指出了現有汽車(chē)衡稱(chēng)重誤差補償的不足，闡述本文工作的重點(diǎn);其次，構建了BP神經(jīng)網(wǎng)絡(luò )的汽車(chē)衡稱(chēng)重誤差補償模型，通過(guò)傳統的利用數據樣本訓練算法(DINN)，對該模型進(jìn)行訓練，指出了這種方法在小樣本情況下的不足;通過(guò)研究汽車(chē)衡輸入-輸出函數偏導數，并以此作為先驗知識，構建有約束條件的神經(jīng)網(wǎng)絡(luò )，利用Lagrange乘子法構造增廣拉格朗日函數作為神經(jīng)網(wǎng)絡(luò )的目標函數，彌補了傳統神經(jīng)網(wǎng)絡(luò )因訓練樣本不足導致的泛化能力差的問(wèn)題，通過(guò)兩種算法對比仿真實(shí)驗，驗證了PD-LMNN算法的優(yōu)越性;再次，以單片機MSP430F449為信息處理核心、24bit模/數轉換器CS5532為稱(chēng)重數據采集單元，搭建了最大量程為250kg、分度值為0.2kg的汽車(chē)衡稱(chēng)重實(shí)驗平臺，給出了硬件電路與軟件設計流程圖;最后，根據非自動(dòng)秤通用檢定規程，對采用PD-LMNN方法的汽車(chē)衡稱(chēng)重實(shí)驗平臺進(jìn)行了偏載誤差、重復性誤差、示值誤差和鑒別力進(jìn)行現場(chǎng)測試，給出了測試結果。
　　測試表明，在實(shí)驗室條件下，該汽車(chē)衡稱(chēng)重實(shí)驗平臺的偏載誤差、重復性誤差、示值誤差和鑒別力指標均達到了國家標準《JJG555-1996非自動(dòng)秤通用檢定規程》Ⅲ級秤要求。