Procesamiento de datos de un sistema WIM

11.1 Filtrado.

Se han implementado diferentes filtros para eliminar ruidos indeseados de la señal que se obtiene en un sistema de peso dinámico; los más utilizados son los filtros Kalman y los estimadores de lógica fuzzy.

El filtro Kalman es un método de estimación en el cual los parámetros se corrigen en cada iteración dependiendo del error de predicción que se haya cometido en la iteración anterior. El filtro Kalman no requiere reprocesar todas las observaciones anteriores cada vez que se actualiza, además este sirve para estimar y predecir el movimiento de una variable que no observamos directamente pero cuyo efecto medimos y puede estar contaminado por ruido o por la correlación con otras variables. En [18] afirman que la repetitividad de una medida en un sistema WIM presenta dificultades en relación a la fluctuación del nivel DC con muy baja frecuencia para cada repetición. Esto indica que el sistema es no-estacionario y que además solamente se puede mejorar los resultados en la repetitividad eliminando la variación del valor medio en cada medida. Por la teoría es conocido que el filtro Kalman es una herramienta para reducir los efectos del  ruido en mediciones. Este estima el nuevo valor de la variable con la mínima varianza. Para el  diseño de un filtro Kalman es  necesario conocer el modelo matemático de la planta. 

El diseño de un estimador de lógica Fuzzy como filtro en un sistema de medición de peso dinámico, incrementa la precisión y mejora la respuesta para mediciones repetitivas. [19]

11.2 Métodos de Modelamiento y compensación.

En lo concerniente al procesamiento y modelado se han realizado varias investigaciones a nivel mundial entre las cuales se encuentran: el modelado estadístico, la identificación de sistemas y el uso de redes neuronales. Siendo la última el foco de desarrollo como herramienta clasificadora y predictiva de la medición de peso dinámico en años recientes.

Almodarresi [20], presenta un nuevo método para el pesaje dinámico usando un extractor de características y una red neuronal artificial de dos capas con un algoritmo de back-propagation para su entrenamiento, teniendo en cuenta una función sigmoidal en la primera capa y una lineal en la capa de salida. Por medio de este sistema se pretende predecir el valor final de la respuesta del sensor de peso mientras éste aún se encuentra excitado por la masa.

Las ventajas de las redes neuronales principalmente son: la no necesidad de un modelo preciso del sensor y la disminución de la complejidad computacional la cual es necesaria en la estimación de los parámetros por métodos como la regresión lineal múltiple o la regresión no lineal.

Para las pruebas realizadas se encontró errores en la predicción del peso menores del 1.5%, esta prueba se realizó con un número mayor a 30 muestras para el entrenamiento de la red.

Dolcemascolo [21], dirigió su investigación hacia la creación de un sistema WIM multi-sensor realizado a partir de la unión de las señales provenientes de una colección de sensores colocados individualmente en la vía. El sistema multi-sensor obtiene mejor estimación de peso dinámico que la lograda por un sistema basado en un único sensor.

El sistema WIM usa redes neuronales artificiales del tipo “general feedforward neural networks” el cual usa el modelo de Perseptron multicapa, para procesar las mediciones y obtener una buena aproximación del peso estático de los ejes de los camiones con una mayor precisión que la obtenida por medio de la regresión no-lineal o la regresión lineal-múltiple. Las entradas de las redes neuronales son las salidas de los sensores utilizados por el sistema, como el de velocidad observada, distancia entre ejes y el peso dinámico del eje al que se le va a hallar su correspondiente peso estático.

Otro de los métodos utilizados en la medición de peso dinámico es presentado por Fukuda [22], este autor presenta  un algoritmo de procesamiento de señales basado en la hipótesis que la vibración del vehiculó la cual es descrita por la superposición de ondas seno. Por lo tanto la señal que describe el paso de vehículo por el sensor corresponde a una constante que se relaciona con la fuerza estática del eje de un vehículo, mas una superposición común de ondas seno.

El método presentado por Fujimoto [23]  utiliza la teoría de error de Grey el cual es utilizado para precisar una estimación de la variable medida, este usa métodos de regresión lineal y depende del comportamiento temporal de la señal de salida del transductor la cual contiene una componente vibratoria influyente en el error de la medición de peso. Mediante el uso del modelo de estimación Grey el cual usa la información conocida de la medición para determinar la desconocida (errores) es posible eliminar o compensar el error causado por las vibraciones y producir una medida más precisa del peso del vehículo. Se hace una comparación entre el método de estimación de Grey y el método de valor medio para algunas mediciones observadas bajo diferentes condiciones, encontrando que el método Grey es más eficiente en la mayoría de las mediciones. El método del valor medio es el sistema que actualmente se utiliza en los sistemas de medición de peso dinámico, este método no toma en cuenta el componente vibratorio por lo cual la precisión en la determinación del peso es inevitablemente baja.

En un sistema Grey, todas las cantidades son aleatorias, la cantidad Grey varia en cierto rango, la cantidad Grey no busca la regularidad estadística, lo que busca es la regularidad de los datos por medio de un método de procesamiento de datos. La teoría de error de Grey es una nueva teoría desarrollada en los últimos años. Esta es especialmente usada para resolver problemas de medición, en las cuales la estadística tradicional no es adecuada.