CN103955743B - 一种超高压水射流清除道路标线效果预测方法及装置 - Google Patents

Abstract

本发明提供了一种超高压水射流清除道路标线效果预测方法及装置，所述方法基于蚁群算法建立优化的BP神经网络模型，对BP神经网络模型进行学习训练后，用于预测清洗率。所述装置包括数据采集模块、数据预处理模块、数据库、建模模块、训练模块、预测模块，所述数据采集模块通过通讯接口与数据预处理模块相连，所述数据预处理模块、建模模块、训练模块、预测模块依次相连、且与数据库相连。本发明提出了基于蚁群算法优化的BP神经网络模型，以蚁群算法优化的权值作为BP神经网络的初始权值，使训练出的模型收敛速度更快、预测精度更高、避免陷入局部极小点，能够更好的预测超高压水射流清除道路标线的效果。

Description

一种超高压水射流清除道路标线效果预测方法及装置

技术领域

本发明属于超高压水射流清洗技术领域，尤其是一种超高压水射流清除道路标线效果预测方法及装置。

背景技术

随着城市化进程的加快，公路越来越多。按照相关法规，公路上均要按照交通规则喷涂交通标志线，但是随着时间的推移，交通标志线会逐渐磨损或因其他状况要更改交通标志线。为了使喷涂的新标志线效果更好，在喷涂新的标志线之前要去掉旧的标志线。常用的清洗方法有手工清洗、化学清洗、机械清洗等，但是这些清洗方法效率低，劳动强度大，还会污染环境。由此，为了改变这种传统的清洗工艺方法，近年来超高压水射流清洗技术倍受国际上的青睐。

目前国内在这方面的研究比较晚，且技术处于初步阶段，还存在很多问题，如超高压水射流道路除标线重要清除参数设置无依据，完全依靠设计者的经验，国内也没有相关的理论标准和依据。以致无法设置最佳的清洗参数，最大限度达到清洗车最好的清洗效果。

发明内容

为了解决超高压水射流道路除标线清洗参数设置无依据，清洗时不能达到最佳的清洗效果等问题，本发明提供一种超高压水射流清除道路标线效果预测方法及装置。

本发明是采用以下的技术方案来实现的。

一种超高压水射流清除道路标线效果预测方法，其特征在于，包括以下步骤：

(1)在柏油马路上对不同厚度的标志线样本进行超高压水射流清除试验，获得清除效果和包含射流压力、旋转接头转速、执行机构移动速度、靶距、标线厚度的清除参数的数据；将清洗效果和清除参数的数据进行归一化处理，归一化处理后的数据范围为[0,1]，将归一化 处理后的清洗效果和清除参数的数据中的一部分数据作为BP神经网络模型的训练样本，另一部分作为测试样本；

(2)建立基于蚁群算法优化的BP神经网络模型；

(3)将训练样本输入到优化后的BP神经网络模型中，对BP神经网络模型进行学习训练，通过测试样本对BP神经网络模型进行检测，验证该模型的可靠性和准确性；

(4)根据超高压水射流清除道路标线的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率值。

进一步地，步骤(2)中通过蚁群算法获得BP神经网络初始权值的步骤如下：

(2.1)将BP神经网络权值区间[-1,1]分成a等份，为每个权值参数建立一个信息素表，设置信息素初值δ₀、信息素挥发系数ρ、信息素增量强度Q、蚁群算法最大迭代次数countMax、优化结束条件ε；

(2.2)释放m只蚂蚁，每一只蚂蚁从每一个权值的子区域穿过且仅穿过一次，第k只蚂蚁从一子区域移动到另一子区域的转移概率为记录第k只蚂蚁穿过的子区域的标号，其中i表示子区域的标号，第k只蚂蚁穿过的所有子区域组合组成BP网络的一组权值A_k，根据训练样本计算误差值，再利用误差值进行信息素的更新；

(2.3)将训练样本输入BP神经网络，根据网络中的传递函数，计算得到路由路径值输出，计算误差E_k；

(2.4)所有蚂蚁构造解后记录误差最小的一组权值，并比较最小误差E_min和ε的大小，如果E_min≤ε，则转到第(2.7)，否则转(2.5)；

(2.5)信息素更新：第i个权值的信息素更新公式为：

其中，Δτ_t(i,n)＝Q*exp(-sqr(E_n/M*N))，

E_n为第n只蚂蚁所选权值计算所得的误差平方和，M和N分别表示BP神经网络输入训练样本个数和输出层神经元数，Δτ_t+1(i,n)表示第i个权值对应第t代蚁群的第n只蚂蚁经过后更新的信息素值；

(2.6)重复(2.2)到(2.4)步骤，直到满足最大迭代数countMax，转到步骤(2.7)；

(2.7)将蚁群算法找到的对应E_min、且E_min≤ε或迭代次数Z>coutnMax的权值为最优的权值，并作为BP神经网络的初始权值，进行BP神经网络的训练。

进一步地，所述步骤(2)所建立的BP神经网络模型的结构分三层，分别为输入层、中间层、输出层；输入层有5个神经元节点，分别对应清除参数射流压力、旋转接头转速、执行机构移动速度、靶距、标线厚度；输出层有1个神经元节点，对应清除效果；中间层有8个神经元节点，中间层神经元的传递函数采用双极性S型函数，即其中v1表示输入层神经元节点组成的矩阵；输出层神经元的传递函数采用单极性S型函数，即其中v2表示中间层神经元节点组成的矩阵。

进一步地，步骤(1)中所述的清洗效果用清洗率来表征，所述清洗率为：

进一步地，采集S(标线已清除区域面积)的方法为：清除标线完毕后，用CCD相机拍下标线样本照片，用matlab软件对标线样本照片进行剪切及二值化处理，获得标线已清除区域面积。

进一步地，所述步骤(1)中所述归一化处理的公式为：

其中：A^*为归一化处理后的数值，A为原始的样本数值，A^min、A^max分别为原始样本数据中的最小值和最大值；

步骤(4)中所述反归一化处理的公式为：B＝A^min+(A^max-A^min)B^*，

其中，B^*为网络运算后的输出值，B为反归一化处理后的数值，A^min、A^max分别为原始样本数据中的最小值和最大值。

进一步地，射流压力范围为50Mpa～150Mpa，靶距范围为17mm～37mm，旋转接头转速范围为600rpm～1200rpm，执行机构移动速度范围为60m/h～330m/h，标线厚度为1mm～2.5mm，清洗率范围为0～100％。

一种超高压水射流清除道路标线效果预测装置，其特征在于，包括数据采集模块、数据预处理模块、数据库、建模模块、训练模块、预测模块；所述数据采集模块通过通讯接口与数据预处理模块相连，所述数据预处理模块、建模模块、训练模块、预测模块依次相连、且与数据库相连；所述数据采集模块包括用于测旋转接头转速的转速测速器、用于调节测量喷嘴到标线之间距离的靶距调节刻度盘、用于采集执行机构移动速度的进给速度采集卡、用于测量射流压力的压力传感器、用于采集标线厚度的厚度采集设备、用于采集试验样本照片的CCD相机和用于计算清除效果的PC机，所述转速测速器安装在清洗执行机构的清洗盘上，所述靶距调节刻度盘位于车体支架上，所述进给速度采集卡安装在清洗执行机构的车轮一侧，所述压力传感器安装在超高压管道上；

所述数据预处理模块用于对数据采集模块采集的样本数据进行归一化处理；

所述建模模块用于利用蚁群算法获得BP神经网络的初始权值，并建立BP神经网络模型；

所述训练模块用于根据数据预处理模块的数据对建立的BP神经网络模型进行训练和检测；

所述预测模块用于根据超高压水射流清除道路标线的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率；

所述数据库用于存放数据和建立各个模块之间的数据信息交流。

本发明的有益效果为：

(1)本发明提出了基于蚁群算法优化的BP神经网络模型，以蚁群算法优化的权值作为 BP神经网络的初始权值，使训练出的模型相对其他数学模型或基于模糊控制的网络模型收敛速度更快、预测精度更高、避免陷入局部极小点，能够更好的预测超高压水射流清除道路标线的效果。

(2)鉴于目前国内超高压水射流清洗技术存在很多问题，比如清除标线的清洗参数设置无依据，清洗效果差，效率低等，本发明提供的BP网络模型为超高压水射流清除道路标线的清洗参数设置提供了依据，便于优化清洗参数，对最大限度的发挥清洗车除标线效果、提高清洗效率、节约资源有重大意义。

附图说明

图1为本发明建立的所述BP神经网络模型的结构图。

图2为本发明所述的蚁群算法流程图。

图3为本发明提供的对BP神经网络模型训练的流程图。

图4为本发明超高压水射流清除道路标线效果预测装置的结构框图。

图5为所述清洗率计算方法示意图。

图6为本发明所述预测装置的清洗执行机构简化图。

图中：1-车体支架，2-螺母，3-丝杠，4-靶距调节刻度盘，5-清洗盘，6-旋转喷头，7-压力传感器，8-超高压泵，9-PC机，10-CCD相机，11-喷杆，12-标线，13-柏油马路。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

本发明所述的超高压水射流清除道路标线效果预测方法，包括以下步骤：

步骤一：数据采集和数据预处理。

(1)首先通过超高压水射流清除道路标线12的执行装置进行清除试验，通过数据采集模块获得射流压力、靶距、执行机构移动速度、旋转接头转速、标线厚度、清洗率的数据，其中获得数据的取值范围如下：射流压力范围为50Mpa～150Mpa，靶距范围为17mm～37mm， 旋转接头转速范围为600rpm～1200rpm，执行机构移动速度范围为60m/h～330m/h，标线厚度为1mm～2.5mm，清洗率范围为0～100％。所述清洗率用于表征清除效果，清洗率的的计算公式为如图5所示。采集S(标线已清除区域面积)的方法为：清除标线完毕后，用CCD相机拍下标线样本照片，利用PC机9上的matlab软件对标线样本照片进行剪切及二值化处理，获得S(标线已清除区域面积)；标线样本的长和宽分别为B、D，S(标线样本面积)＝B×D。

(2)由于这些数据要作为BP网络的输入输出数据，又因为它们有不同的物理意义和量纲，所以通过数据预处理模块将这些数据进行归一化处理，处理后的数据值在[0,1]范围内，归一化处理的公式为：其中A^*为归一化处理后的数值，A为原始的样本数值，A^min、A^max分别为原始样本数据中的最小值和最大值。

步骤二：建立基于蚁群算法优化的BP神经网络模型

采用三层的BP神经网络结构，如图1所示，输入层有5个神经元节点，分别对应5个清除参数：射流压力(p)、靶距(h)、执行机构移动速度(w)、旋转接头转速(v)、标线厚度(b)；中间层有8个神经元节点；输出层有1个神经元节点，对应清洗率。中间层神经元的传递函数采用双极性S型函数，即输出层神经元的传递函数采用单极性S型函数，即用蚁群算法对BP网络的初始权值优化，如图2所示，具体步骤为：

【1】、将BP神经网络权值区间[-1,1]分成20等份，为每个权值参数建立一张信息素表，设置信息素初值δ₀＝1，信息素挥发系数ρ＝0.2，信息素增量强度Q＝100，蚁群算法最大迭代次数countMax＝300，优化结束条件ε＝0.0045。

【2】、释放80只蚂蚁，每一只蚂蚁从每一个权值的子区域穿过且仅穿过一次，蚂蚁k根据概率公式从一子区域移动到另一子区域，记录第k只蚂蚁穿过的子区域的标号， 第k只蚂蚁穿过的所有子区域组合组成BP网络的一组权值A_k，根据训练样本计算误差值，再利用误差值进行信息素的更新。

【3】、将训练样本输入BP神经网络，根据网络中的传递函数，计算得到路由路径值输出，计算误差E_k。

【4】、所有蚂蚁构造解以后记录误差最小的一组权值，并比较最小误差E_min和ε的大小，如果E_min≤ε，则转到第【7】，否则转【5】。

【5】、信息素更新：第i个权值的信息素更新公式为其中Δτ_t(i,n)＝Q*exp(-sqr(E_n/M*N))，E_n为第n只蚂蚁所选权值计算所得的误差平方和，M和N分别表示BP神经网络输入训练样本个数和输出层神经元数，Δτ_t+1(i,n)表示第i个权值对应第t代蚁群的第n只蚂蚁经过后更新的信息素值。

【6】、重复【2】到【4】步骤，直到满足最大迭代数countMax,转到步骤【7】。

【7】、将蚁群算法找到的最优的一组权值作为BP神经网络的初始权值，进一步进行BP神经网络的训练。

步骤三：训练和测试优化后的BP神经网络模型

(1)如图3所示，首先将蚁群算法优化的权值作为BP网络的初始权值，输入样本数据，得出网络实际输出值，然后根据实际输出值和期望输出值得出网络累计误差E，由误差E反向传播获得各层的误差信号，此误差信号作为修正个单元权值和阈值的依据，通过周而复始的进行修正，直到网络输出误差达到精度要求，即可停止训练。

(2)用测试样本对训练的BP神经网络模型进行检测，得到网络输出值和期望输出值之间的误差在要求范围内，达到预测清洗率的要求。

步骤四：预测超高压水射流清除道路标线效果

向预测模块中输入一组数据，由通过测试的BP网络预测模型预测清洗率，然后对BP网络预测模型的输出值进行反归一化处理，得到预测的清洗率。所述反归一化处理的公式为： B＝A^min+(A^max-A^min)B^*，

其中，B^*为网络运算后的输出值，B为反归一化处理后的数值，A^min、A^max分别为原始样本数据中的最小值和最大值。

完成上述预测过程的装置，如图4所示，包括数据采集模块、数据预处理模块、数据库、建模模块、训练模块、预测模块；所述数据采集模块通过通讯接口与数据预处理模块相连，所述数据预处理模块、建模模块、训练模块、预测模块依次相连、且与数据库相连。所述数据采集模块包括用于测旋转接头转速的转速测速器、用于调节和测量喷嘴到标线之间距离h的靶距调节刻度盘4、用于采集执行机构移动速度的进给速度采集卡、用于测量射流压力的压力传感器7、用于采集黏在柏油马路13上的标线12的标线厚度b的厚度采集设备、用于采集试验样本照片的CCD相机10和用于计算清洗率的PC机9。如图6所示，所述进给速度采集卡安装在清洗执行机构的车轮一侧，所述压力传感器7安装在与超高压泵8相连的超高压管道上，所述高压管道的另一端与旋转喷头6相连，旋转喷头6上连接有喷杆11，所述喷杆11位于清洗盘5内部、且喷杆11的下表面上设置有多个喷嘴。所述转速测速器安装在清洗执行机构的清洗盘5上，所述靶距调节刻度盘4位于车体支架1上，所述靶距调节刻度盘4与螺母2、丝杠3结合使用完成喷嘴到标线12之间距离h的调节与测量。

所述数据预处理模块用于对数据采集模块采集的样本数据进行归一化处理；所述建模模块用于利用蚁群算法获得BP神经网络的初始权值，并建立BP神经网络模型；所述训练模块用于根据数据预处理模块的数据对建立的BP神经网络模型进行训练和检测；所述预测模块用于根据超高压水射流清除道路标线12的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率；所述数据库用于存放数据和建立各个模块之间的数据信息交流。

所述实施例为本发明的优选的实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (8)

1.一种超高压水射流清除道路标线效果预测方法，其特征在于，包括以下步骤：

(1)在柏油马路上对不同厚度的标志线样本进行超高压水射流清除试验，获得清除效果和包含射流压力、旋转接头转速、执行机构移动速度、靶距、标线厚度的清除参数的数据；将清洗效果和清除参数的数据进行归一化处理，归一化处理后的数据范围为[0,1]，将归一化处理后的清洗效果和清除参数的数据中的一部分数据作为BP神经网络模型的训练样本，另一部分作为测试样本；

(2)建立基于蚁群算法优化的BP神经网络模型；

(3)将训练样本输入到优化后的BP神经网络模型中，对BP神经网络模型进行学习训练，通过测试样本对BP神经网路模型进行检测，验证该模型的可靠性和准确性；

(4)根据超高压水射流清除道路标线的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率值。

2.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，步骤(2)中通过蚁群算法获得BP神经网络初始权值的步骤如下：

(2.1)将BP神经网络权值区间[-1,1]分成a等份，为每个权值参数建立一个信息素表，设置信息素初值δ₀、信息素挥发系数ρ、信息素增量强度Q、蚁群算法最大迭代次数countMax、优化结束条件ε；

(2.2)释放m只蚂蚁，每一只蚂蚁从每一个权值的子区域穿过且仅穿过一次，第k只蚂蚁从一子区域移动到另一子区域的转移概率为记录第k只蚂蚁穿过的子区域的标号，其中i表示子区域的标号，第k只蚂蚁穿过的所有子区域组合组成BP网络的一组权值A_k，根据训练样本计算误差值，再利用误差值进行信息素的更新；

(2.3)将训练样本输入BP神经网络，根据网络中的传递函数，计算得到路由路径值输出，计算误差E_k；

(2.4)所有蚂蚁构造解以后记录误差最小的一组权值，并比较最小误差E_min和ε的大小，如果E_min≤ε，则转到第(2.7)，否则转(2.5)；

(2.5)信息素更新：第i个权值的信息素更新公式为：

其中，Δτ_t(i,n)＝Q*exp(-sqr(E_n/M*N))，

E_n为第n只蚂蚁所选权值计算所得的误差平方和，M和N分别表示BP神经网络输入训练样本个数和输出层神经元数，Δτ_t+1(i,n)表示第i个权值对应第t代蚁群的第n只蚂蚁经过后更新的信息素值；

(2.6)重复(2.2)到(2.4)步骤，直到满足最大迭代数countMax，转到步骤(2.7)；

(2.7)将蚁群算法找到的对应E_min、且E_min≤ε或迭代次数Z>countMax的权值为最优的权值，并作为BP神经网络的初始权值，进行BP神经网络的训练。

3.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，所述步骤(2)所建立的BP神经网络模型的结构分三层，分别为输入层、中间层、输出层；输入层有5个神经元节点，分别对应清除参数射流压力、旋转接头转速、执行机构移动速度、靶距、标线厚度；输出层有1个神经元节点，对应清除效果；中间层有8个神经元节点，中间层神经元的传递函数采用双极性S型函数，即其中v1表示输入层神经元节点组成的矩阵；输出层神经元的传递函数采用单极性S型函数，即其中v2表示中间层神经元节点组成的矩阵。

4.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，步骤(1)中所述的清洗效果用清洗率来表征，所述清洗率

5.根据权利要求4所述的超高压水射流清除道路标线效果预测方法，其特征在于，采集S(标线已清除区域面积)的方法为：清除标线完毕后，用CCD相机拍下标线样本照片，用matlab软件对标线样本照片进行剪切及二值化处理，获得S(标线已清除区域面积)。

6.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，所述步骤(1)中所述归一化处理的公式为：

其中：A^*为归一化处理后的数值，A为原始的样本数值，A^min、A^max分别为原始样本数据中的最小值和最大值；

步骤(4)中所述反归一化处理的公式为：B＝A^min+(A^max-A^min)B^*，

其中，B^*为网络运算后的输出值，B为反归一化处理后的数值，A^min、A^max分别为原始样本数据中的最小值和最大值。

7.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，射流压力范围为50Mpa～150Mpa，靶距范围为17mm～37mm，旋转接头转速范围为600rpm～1200rpm，执行机构移动速度范围为60m/h～330m/h，标线厚度为1mm～2.5mm，清洗率范围为0～100％。

8.一种超高压水射流清除道路标线效果预测装置，其特征在于，包括数据采集模块、数据预处理模块、数据库、建模模块、训练模块、预测模块；所述数据采集模块通过通讯接口与数据预处理模块相连，所述数据预处理模块、建模模块、训练模块、预测模块依次相连、且与数据库相连；所述数据采集模块包括用于测旋转接头转速的转速测速器、用于调节和测量喷嘴到标线之间距离的靶距调节刻度盘(4)、用于采集执行机构移动速度的进给速度采集卡、用于测量射流压力的压力传感器(7)、用于采集标线厚度的厚度采集设备、用于采集试验样本照片的CCD相机(10)和用于计算清除效果的PC机(9)，所述转速测速器安装在清洗执行机构的清洗盘(5)上，所述靶距调节刻度盘(4)位于车体支架(1)上，所述进给速度采集卡安装在清洗执行机构的车轮一侧，所述压力传感器(7)安装在超高压管道上；

所述数据预处理模块用于对数据采集模块采集的样本数据进行归一化处理；

所述建模模块用于利用蚁群算法获得BP神经网络的初始权值，并建立BP神经网络模型；

所述训练模块用于根据数据预处理模块的数据对建立的BP神经网络模型进行训练和检测；

所述预测模块用于根据超高压水射流清除道路标线的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率；

所述数据库用于存放数据和建立各个模块之间的数据信息交流。