CN109829410B - 一种基于多传感器信息融合的竖向车轮力识别方法 - Google Patents

一种基于多传感器信息融合的竖向车轮力识别方法 Download PDF

Info

Publication number
CN109829410B
CN109829410B CN201910065646.0A CN201910065646A CN109829410B CN 109829410 B CN109829410 B CN 109829410B CN 201910065646 A CN201910065646 A CN 201910065646A CN 109829410 B CN109829410 B CN 109829410B
Authority
CN
China
Prior art keywords
tire
data
wheel force
real
vertical
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.)
Active
Application number
CN201910065646.0A
Other languages
English (en)
Other versions
CN109829410A (zh
Inventor
张建
张�成
赵文举
谢枝芃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910065646.0A priority Critical patent/CN109829410B/zh
Publication of CN109829410A publication Critical patent/CN109829410A/zh
Application granted granted Critical
Publication of CN109829410B publication Critical patent/CN109829410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了一种基于多传感器信息融合的竖向车轮力识别方法。本发明方法综合考虑了胎压、竖向变形以及转速的影响,结合轮胎参数与轮胎竖向车轮力之间的非线性和时序相关性,将轮胎竖向车轮力识别的问题转化为一包含多参数信息的时间序列预测问题。进而通过神经网络揭示轮胎运动变量与连续车轮力之间的复杂映射关系,实现车辆正常行驶下轮胎竖向车轮力实时识别。本发明提供了一种高效、实时连续、准确的智能轮胎车轮力识别,在桥梁快速健康监测方面有着良好的应用前景,同时可以应用于道路安全诊断和汽车运行状态评估领域。

Description

一种基于多传感器信息融合的竖向车轮力识别方法
技术领域
本发明涉及一种基于多传感器信息融合的竖向车轮力识别方法与系统,属于智能轮胎、汽车以及桥梁结构健康监测技术领域。
背景技术
随着城镇化和工业化的快速发展,我国基础建设投资规模进一步扩大,作为跨越地理限制的交通基础设施,大批大跨度桥梁已完成或正在建设。近十几年来,我国持续刷新着世界桥梁建设的记录,世界十大拱桥、十大梁桥、十大斜拉桥、十大悬索桥,中国均占据了一半及以上。比如重庆朝天门长江大桥为世界跨径最大的拱桥,苏通长江大桥创造了当时的最大主跨、最深基础、最离桥塔、最长拉索的四项世界之最。但与此同时,这些结构在日常服役过程中由于经受环境侵蚀,日常服役荷载甚至偶尔超载等因素,导致结构出现诸多病害甚至引发灾害。据统计,进入21世纪以来,我国已有30余座桥梁发生安全事故,造成了严重的人员伤亡和经济损失。例如,2006年陕西白河县境内316国道冷水河桥突然发生坍塌;2007年广东佛山九江大桥由于一艘运砂船不慎撞上桥墩,桥墩当场被撞断,桥面随之坍塌;2011年北京市宝山寺白河桥由于超载车辆通过,发生桥梁坍塌。不仅仅是我国,欧美等发达国家也经受着结构灾害的困扰。因此,对已有桥梁结构的状态进行评估并对存在灾害的桥梁及时进行加固,是国内外研究学者迫切需要解决的问题。车辆荷载作为桥梁结构所要承担的重要荷载,在桥梁设计中占有重大比重,且在桥梁快速动力测试方面,车轮力的测量也具有巨大的应用潜力。
目前,已有一些车轮力的测量方法,但均存在一定的缺陷。基于轮毂应变的车轮六分力测量系统能够获得车轮三个方向的受力信息,但所测得的力和轮胎与地面真实的接触力有所不同,且该系统价格昂贵,不适于推广;通过在轮胎内部固定加速度计来估算车轮力和通过在轮胎内部固定光学传感器测量胎壁变形进而估算车轮力,在轮胎滚动一圈的过程中只能得到一次车轮力,无法实现实时测量;高速公路网络中应用广泛的动态称重系统技术已相对成熟,但其只能测量车辆行驶过程中一定范围内的车轮力,而不能做到实时测量。
发明内容
为了克服现有技术中存在的不足,本发明提供一种基于多传感器信息融合的竖向车轮力识别方法与系统。本发明通过竖向位移监测系统、胎压监测系统、转速监测系统实时采集轮胎竖向位移、胎压和转速,并将轮胎竖向车轮力识别的问题转化为一包含多参数信息的时间序列预测问题,基于LSTM神经网络输出竖向车轮力。本发明可实现车辆正常行驶下轮胎的竖向车轮力实时连续测量,可用于车辆行驶状态评估,进一步可应用于桥梁结构的健康监测。
为解决上述技术问题,本发明的技术方案如下∶
一种基于多传感器信息融合的竖向车轮力识别方法,具体步骤如下:
S1、通过一体化设备采集不同工况下轮胎的实时竖向变形、实时胎压及实时转速,同时利用力传感器采集轮胎真实的竖向车轮力;
S2、采用计算机对步骤S1中一体化设备所采集的不同工况下轮胎的实时竖向变形、实时胎压和实时转速三个数据分别进行数据预处理,然后对预处理后的数据进行特征归一化,进而完成数据库构建;
S3、通过步骤S2构建的数据库完成神经网络的训练;
S4、再次通过一体化设备采集不同工况下轮胎的实时竖向变形、实时胎压及实时转速,并将采集得到的数据输入步骤S3训练好的神经网络中,实时输出轮胎竖向车轮力。
步骤S3具体包括:对应步骤S1所采集的真实车轮力,设定样本输入数据序列的长度k并设定权重初始值,根据神经网络公式更新权重,设置目标函数为预测值和标签值的均方差,计算和判定误差,即如果误差大于设定阀值,则计算各权重梯度并进行反向传播更新权重,进而进行下一时刻的样本训练,若计算误差小于设定阀值,则保存权重,完成神经网络的训练。
所述的数据预处理是采用VMD变分模态分解算法分解监测数据,得到各模态分量,进一步剔除由轮胎旋转时气压不均匀分布造成的周期性干扰以及杂波项,使监测数据直接反应与竖向车轮力的影响。
所述的一体化设备包括竖向位移监测系统、胎压监测系统、转速监测系统、中央信号控制系统和数据分析系统,其中,
所述竖向位移监测系统通过长标距应变传感器采集轮胎的竖向位移应变信息,采用有线或无线控制方式,通过局部信号控制器与中央信号控制系统交流指令和数据;
所述胎压监测系统通过轮胎气压传感器采集轮胎内腔气压变化数据,采用有线或无线控制方式,通过局部信号控制器与中央信号控制系统交流指令和数据;
所述转速监测系统通过转速传感器采集轮胎的转速,采用有线或无线控制方式,通过局部信号控制器与中央信号控制系统交流指令和数据;
所述中央信号控制系统向数据分析系统传输采集的数据;所述数据分析系统利用内嵌的实时竖向车轮冲击力计算程序,对数据进行自动化分析,输出车轮力的可视化评估结果。
所述竖向位移监测系统基于改进的共轭梁法,将计算轮胎的竖向变形问题转化为计算其共轭结构的弯矩问题,轮胎胎面安装有一圈长标距应变传感器,通过所述长标距应变传感器采集的轮胎应变信息计算得到轮胎一周的径向变形曲线,p为轮胎周圈任意一点,若p点处于第j根长标距光纤传感器的标距段内,则p点相对于轮胎中心的径向变形由以下公式获得: 其中,
θ为长标距光纤传感器的对应角度,r为轮胎初始半径,qri=εi/h为第i根传感器标距段的径向均布力,εi为第i根长标距应变传感器采集的轮胎应变,h为轮胎胎壁厚度,a为p点将所在标距段j分成的两部分中左侧部分所占比例,a∈[0,1];所求得的轮胎一周上各点径向变形最大值max(vp)即为轮胎竖向变形;
所述胎压监测系统由气压传感器、电滑环以及数据采集仪器组成,为保证轮胎转动过程中传感器数据的不问断传输,由气压传感器采集的胎压数据经由电滑环传输到数据采集仪器。
本发明相对于现有竖向车轮力识别方法来说,具有以下有益效果:
本发明所提出的基于多传感器信息融合的竖向车轮力识别方法与系统,与现有的车轮力测量方法具有本质不同。本发明方法综合考虑轮胎多参数与轮胎竖向车轮力之间的非线性和时序相关性,将轮胎竖向车轮力识别的问题转化为一包含多参数信息的时间序列预测问题,能够更加有效地对车轮力进行监测,从而有应用于车辆工程、道路工程以及桥梁工程健康诊断和性能评估的前景。
与现有技术相比,本发明具有以下优点:
(1)本发明方法综合考虑轮胎的竖向变形、胎压和转速对竖向车轮力的影响,提出了基于多参数融合的竖向车轮力识别方法,可以更为精准地对竖向车轮力进行监测;
(2)由于“预接触现象”的存在,轮胎在触碰障碍物时,车轮力和胎压开始发生变化,而轮胎变形表现出一定的时延性,因此轮胎的竖向变形不仅与当前时刻的轮胎参数有关,同时和前一段时间的参数有关。本发明方法考虑这一时序相关性,将轮胎竖向车轮力识别的问题转化为一包含多参数信息的时间序列预测问题,使竖向车轮力识别精度进一步提高。
附图说明
图1是本发明的基于多传感器信息融合的竖向车轮力实时测量系统的概念图;
其中,1、轮胎;2、路面;3、竖向变形;4、胎压;5、转速;6、竖向车轮力;
图2是本发明的基于胎压、位移和转速等三参数反演竖向车轮力一体化设备图;
其中,2-1、实验轮胎;2-2、FBG传感器;2-3、气压传感器;2-4、加载杆;2-5、驱动刚性轮;2-6、电机;2-7、调频器;2-8、三轴力传感器;2-9、障碍物;2-10、实验装置平台;2-11、数据处理终端;
图3是本发明的竖向位移监测系统采集的竖向位移图;
图4是本发明胎压监测系统采集的胎压图;
图5是本发明实施例中三轴力传感器采集的真实竖向车轮力;
图6是本发明的实施流程图;
图7是本发明的竖向车轮力识别系统标定效果图;
图8是本发明神经网络训练结果相对误差图;
图9是本发明的竖向车轮力计算值与真实值对比图;
图10是本发明车轮力识别预测结果相对误差图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
下面结合附图对本发明的技术方案做进一步的详细说明:
图1为发明的基于多传感器信息融合的竖向车轮力识别方法与系统示意图。本发明中,通过竖向变形监测系统、胎压监测系统、转速监测系统采集轮胎的竖向变形、胎压和转速,并对采集的数据进行特征归一化后建立数据库,进而训练神经网络,保存权重值,进而可以调用训练的神经网络,利用实时采集的轮胎的竖向变形、胎压和转速,输出竖向车轮力。
本发明的具体实施步骤如下:
首先,建立数据库
依次改变轮胎载重(竖向变形)、胎压、转速、路面(有无障碍物及障碍物大小),利用竖向变形监测系统、胎压监测系统和转速监测系统分别采集不同工况下轮胎的竖向变形、胎压和转速,同时利用力传感器采集轮胎真实的竖向车轮力,并对所采集的数据采用VMD变分模态分解算法分解监测数据,得到各模态分量,进一步剔除由轮胎旋转时气压不均匀分布造成的周期性干扰以及杂波项,使监测数据直接反应与竖向车轮力的影响,然后对预处理后的数据进行特征归一化,进而完成数据库构建。
其次,训练神经网络
通过构建的数据库,对应所采集的真实车轮力,设定样本输入数据序列的长度k并设定权重初始值,根据神经网络公式更新权重,设置目标函数为预测值和标签值的均方差,计算和判定误差,即如果误差大于设定阀值,则计算各权重梯度并进行反向传播更新权重,进而进行下一时刻的样本训练,若计算误差小于设定阀值,则保存权重,完成神经网络的训练。
最后,识别竖向车轮力
通过竖向变形监测系统、胎压监测系统和转速监测系统实时监测轮胎的竖向变形、胎压和转速,进而将监测得到的数据输入给所训练好的神经网络,实时输出轮胎竖向车轮力。
本发明中的基于多传感器信息融合的竖向车轮力识别系统,包括竖向位移监测系统、胎压监测系统、转速监测系统、车轮力识别系统,其中:
竖向位移监测系统由若干设置在轮胎上的长标距应变传感器、数据采集仪组成,用于实时采集轮胎的竖向位移;
胎压监测系统由气压传感器、电滑环以及数据采集仪器组成,用于实时采集轮胎的胎压;
转速监测系统由转速传感器和采集仪器组成,用于实时采集轮胎的转速;
车轮力识别系统利用轮胎的竖向位移、胎压和转速,基于所训练的神经网络进行车轮力识别。
实施例
下面利用一个实验案例来说明所提议的基于多传感器信息融合的竖向车轮力识别方法与系统的具体实施步骤。
步骤1:数据库建立。如图2所示,实验在搭建的简易轮胎转鼓式高速实验平台上进行,利用安装的长标距应变成传感器采集轮胎的应变信息,并基于改进的共轭梁法计算得到轮胎的竖向位移,利用气压传感器和转速传感器采集轮胎的胎压和转速,利用安装在在车轴与承载平台的连接处的三轴力传感器采集真实车轮力,采样频率均设为1000Hz。实验工况为在不同载重(竖向变形)分别进行依次改变以下参数:胎压(200Kpa、220Kpa、250Kpa、270Kpa、300Kpa、350Kpa)、转速(5km/h、10km/h、15km/h、20km/h)、路面(无障碍物、3mm高障碍物、5mm高障碍物、10mm高障碍物)。
步骤2:神经网络训练。选择所构建数据库的前30%作为训练数据,对构建的神经网络进行训练,并保存权重值。
步骤3:竖向车轮力识别。取所构建数据库余下的70%作为验证数据,利用所训练的神经网络,输入轮胎的竖向变形、胎压和转速,输出得到轮胎的竖向车轮力,如图3所示,并与力传感器采集的真实车轮力进行对比。
利用本发明方法计算得到的轮胎竖向车轮力和传统三轴力传感器测量得到的轮胎竖向车轮力的比较如图4所示,实线为本发明方法计算得到的轮胎竖向车轮力,虚线为三轴力传感器测量得到的轮胎竖向车轮力,从图中可以看出,两种方法得到的轮胎竖向位移吻合一致,利用本发明方法计算得到的轮胎竖向车轮力和传统三轴力传感器测量值的相对误差小于5%,满足工程精度要求,验证了发明方法实时计算轮胎竖向位移的有效性和准确性。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。

Claims (3)

1.一种基于多传感器信息融合的竖向车轮力识别方法,其特征在于,具体步骤如下:
S1、通过一体化设备采集不同工况下轮胎的实时竖向变形、实时胎压及实时转速,同时利用力传感器采集轮胎真实的竖向车轮力;
S2、采用计算机对步骤S1中一体化设备所采集的不同工况下轮胎的实时竖向变形、实时胎压和实时转速三个数据分别进行数据预处理,然后对预处理后的数据进行特征归一化,进而完成数据库构建;
S3、通过步骤S2构建的数据库完成神经网络的训练;
S4、再次通过一体化设备采集不同工况下轮胎的实时竖向变形、实时胎压及实时转速,并将采集得到的数据输入步骤S3训练好的神经网络中,实时输出轮胎竖向车轮力;
步骤S3具体包括:对应步骤S1所采集的真实车轮力,设定样本输入数据序列的长度k并设定权重初始值,根据神经网络公式更新权重,设置目标函数为预测值和标签值的均方差,计算和判定误差,即如果误差大于设定阀值,则计算各权重梯度并进行反向传播更新权重,进而进行下一时刻的样本训练,若计算误差小于设定阀值,则保存权重,完成神经网络的训练;
所述的一体化设备包括竖向位移监测系统、胎压监测系统、转速监测系统、中央信号控制系统和数据分析系统,其中,
所述竖向位移监测系统通过长标距应变传感器采集轮胎的竖向位移应变信息,采用有线或无线控制方式,通过局部信号控制器与中央信号控制系统交流指令和数据;
所述胎压监测系统通过轮胎气压传感器采集轮胎内腔气压变化数据,采用有线或无线控制方式,通过局部信号控制器与中央信号控制系统交流指令和数据;
所述转速监测系统通过转速传感器采集轮胎的转速,采用有线或无线控制方式,通过局部信号控制器与中央信号控制系统交流指令和数据;
所述中央信号控制系统向数据分析系统传输采集的数据;所述数据分析系统利用内嵌的实时竖向车轮冲击力计算程序,对数据进行自动化分析,输出车轮力的可视化评估结果;
所述竖向位移监测系统基于改进的共轭梁法,将计算轮胎的竖向变形问题转化为计算其共轭结构的弯矩问题,轮胎胎面安装有一圈长标距应变传感器,通过所述长标距应变传感器采集的轮胎应变信息计算得到轮胎一周的径向变形曲线,p为轮胎周圈任意一点,若p点处于第j根长标距光纤传感器的标距段内,则p点相对于轮胎中心的径向变形由以下公式获得: 其中,θ为长标距光纤传感器的对应角度,r为轮胎初始半径,qri=εi/h为第i根传感器标距段的径向均布力,εi为第i根长标距应变传感器采集的轮胎应变,h为轮胎胎壁厚度,a为p点将所在标距段j分成的两部分中左侧部分所占比例,a∈[0,1];所求得的轮胎一周上各点径向变形最大值max(vp)即为轮胎竖向变形。
2.根据权利要求1所述的基于多传感器信息融合的竖向车轮力识别方法,其特征在于,所述的数据预处理是采用VMD变分模态分解算法分解监测数据,得到各模态分量,进一步剔除由轮胎旋转时气压不均匀分布造成的周期性干扰以及杂波项,使监测数据直接反应与竖向车轮力的影响。
3.根据权利要求1所述的基于多传感器信息融合的竖向车轮力识别方法,其特征在于,所述胎压监测系统由气压传感器、电滑环以及数据采集仪器组成,为保证轮胎转动过程中传感器数据的不间断传输,由气压传感器采集的胎压数据经由电滑环传输到数据采集仪器。
CN201910065646.0A 2019-01-23 2019-01-23 一种基于多传感器信息融合的竖向车轮力识别方法 Active CN109829410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910065646.0A CN109829410B (zh) 2019-01-23 2019-01-23 一种基于多传感器信息融合的竖向车轮力识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910065646.0A CN109829410B (zh) 2019-01-23 2019-01-23 一种基于多传感器信息融合的竖向车轮力识别方法

Publications (2)

Publication Number Publication Date
CN109829410A CN109829410A (zh) 2019-05-31
CN109829410B true CN109829410B (zh) 2023-11-03

Family

ID=66862327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910065646.0A Active CN109829410B (zh) 2019-01-23 2019-01-23 一种基于多传感器信息融合的竖向车轮力识别方法

Country Status (1)

Country Link
CN (1) CN109829410B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110962512A (zh) * 2019-12-24 2020-04-07 深圳供电局有限公司 一种汽车轮胎智能监测系统
CN111626359A (zh) * 2020-05-27 2020-09-04 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) 数据融合方法、装置、控制终端和船舶
CN113281067B (zh) * 2021-05-28 2022-11-01 华南农业大学 一种水田轮六轴力测试装置
CN113865683B (zh) * 2021-12-01 2023-03-21 苏州博宇鑫交通科技有限公司 基于机器视觉的城市高架桥梁超重超载动态预警方法
CN114537057B (zh) * 2022-03-07 2024-01-26 哈尔滨工业大学 一种应用于金属网胎面的车轮地形识别方法
CN116663434B (zh) * 2023-07-31 2023-12-05 江铃汽车股份有限公司 一种基于lstm深度神经网络的整车载荷分解方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106198058A (zh) * 2016-08-03 2016-12-07 东南大学 一种基于胎压监测的竖向车轮冲击力实时测量方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106198058A (zh) * 2016-08-03 2016-12-07 东南大学 一种基于胎压监测的竖向车轮冲击力实时测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
轮胎侧向力神经网络模型;赵和平;《洛阳工学院学报》;19980930;第19卷(第3期);第83-88页 *

Also Published As

Publication number Publication date
CN109829410A (zh) 2019-05-31

Similar Documents

Publication Publication Date Title
CN109829410B (zh) 一种基于多传感器信息融合的竖向车轮力识别方法
US10753827B2 (en) Method and system for measuring vertical wheel impact force in real-time based on tire pressure monitoring
CN107379899B (zh) 一种基于无线传感器网络的轮胎状态智能监测系统
CN106441530B (zh) 一种基于长标距光纤光栅传感技术的桥梁动态称重方法及动态称重系统
Chen et al. Damage detection of highway bridges based on long-gauge strain response under stochastic traffic flow
CN111060270B (zh) 一种城市高架桥梁可移动式快速监测与智能评估方法
CN114005278B (zh) 一种高速公路基础设施群智能监测与预警系统及方法
CN108573601B (zh) 一种基于wim数据的交通安全风险场构建方法
CN107389168A (zh) 一种用于桥梁的车辆移动载荷的识别方法
CN106710242B (zh) 基于桥梁动应变识别车队车辆数的方法
CN204142505U (zh) 公路桥梁监测预警系统
CN110532657A (zh) 基于变速车辆激励和小波包分析的桥墩结构状态评估方法
CN115326322A (zh) 基于分布式宏应变的大跨变截面连续梁桥的损伤识别方法
CN110926735A (zh) 基于多维动态参数的桥梁结构快速诊断方法
CN115574906B (zh) 一种基于迭代加权最小二乘的桥梁动态称重算法
CN112964345A (zh) 一种货运汽车称重系统及其称重方法
CN117725804B (zh) 轨道几何参数与车辆动力学融合影响分析方法及系统
CN102998133A (zh) 一种基于准分布式加速度数据的能量损伤识别方法
CN111413226B (zh) 一种半刚性路面承载力评价方法
CN110987499A (zh) 一种桥梁动载试验方法
Konior et al. New functionalities of the weigh-in-motion system: iWIM solution
Yang et al. Bridge damage identification based on synchronous statistical moment theory of vehicle–bridge interaction
CN112798689B (zh) 道路状况监测系统及其监测方法
CN115510724B (zh) 一种基于移动车辆测试的桥梁损伤识别方法
CN219240276U (zh) 一种桥梁行车抗风安全测试机构

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
GR01 Patent grant
GR01 Patent grant