基于CNN-LSTM融合模型的环卫车动态称重算法研究：从频率感知到精准质量估计

基于CNN-LSTM融合模型的环卫车动态称重算法研究：从频率感知到精准质量估计

摘要：
针对环卫车辆传统静态称重效率低、动态称重精度不足的问题，本研究提出了一种融合卷积神经网络（CNN）与长短期记忆网络（LSTM）的深度学习模型，利用车辆振动频率数据进行实时动态质量估计。通过在实验室环境下构建高精度频率采集系统获取重量-频率数据集，结合MATLAB进行数据预处理、特征工程及变形增强，构建并优化了CNN-LSTM混合模型架构，实现了频率信号到质量值的端到端非线性映射。实验验证表明，该模型在静态和模拟动态场景下均表现出优异的性能（平均绝对误差MAE<1.5%，决定系数R²>0.99），显著优于单一模型及传统回归方法，为环卫车高效、精准的动态称重提供了可靠的技术路径。

关键词： 动态称重；CNN-LSTM；频率分析；质量估计；环卫车；深度学习；MATLAB；实时处理

1. 引言

随着智慧城市建设的推进，环卫作业的精细化、智能化管理需求日益迫切。环卫车辆作为城市垃圾清运的核心载体，其载重状态的实时、精准监测对于优化路线规划、保障行车安全、防止超载违规及