CN110670458A - 基于行车振动数据的路面车辙检测方法 - Google Patents
基于行车振动数据的路面车辙检测方法 Download PDFInfo
- Publication number
- CN110670458A CN110670458A CN201910926592.2A CN201910926592A CN110670458A CN 110670458 A CN110670458 A CN 110670458A CN 201910926592 A CN201910926592 A CN 201910926592A CN 110670458 A CN110670458 A CN 110670458A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- vibration acceleration
- calculating
- road
- 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.)
- Granted
Links
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Navigation (AREA)
Abstract
本发明公开了基于行车振动数据的路面车辙检测方法,该方法是一种行车振动加速度信号采集与经纬度信息采集相结合的路面车辙水平检测方法。针对路面车辙指标检测实时性差、需要使用专用设备、需要专业人员进行检测的问题,对智能手机中三轴向振动加速度数据进行采集,实时对路面车辙水平进行检测。并结合Kalman滤波算法,消除车辆自振等因素对数据的影响。本发明适用于实时路面车辙水平的检测。
Description
技术领域
本发明涉及一种路面车辙水平检测方法,是一种行车振动加速度信号采集与经纬度信息采集的相结合的路面车辙水平检测方法,适用于路面车辙水平检测时实时性要求较高的情况。
背景技术
随着经济的发展,道路变得四通八达。车辙是车辆在路面上行驶后留下的车轮的压痕。现代路面车辙是路面周期性评价及路面养护中的一个重要指标。路面车辙深度直接反映了车辆行驶的舒适度及路面的安全性和使用期限。路面车辙深度的检测能为决策者提供重要的信息,使决策者能为路面的维修、养护及翻修等作出优化决策。现有的检测方法分为两种,第一种是人工检测,第二种是自动检测。第一种为人工检测,即用检测横竿横跨在车辙上部,并用尺量出横竿与车辙底部的间距。采用这种方法其效率是极低的,并只能随机抽样检测路面车辙深度;第二种为自动检测,既采用路面车辙自动测定车自动检测路面车辙深度。其方法就是利用横向布置的一排激光、超声、红外或其它非接触式位移传感器来快速连续测定路面车辙深度。其原理是在检测车的前端上安装配有非接触式位移传感器的横梁,并把传感器同车内的电脑相连,通过电脑对传感器测得的数据进行自动处理以获得路面车辙深度指标。随着公路建设的发展,路面车辙深度的自动检测将成为主要的检测方法,也将是路面施工、验收、养护、评价和管理部门必备的仪器。
随着智能设备的发展,振动加速度计能够同时测量三轴振动加速度的数据。目前市场上的智能手机都将振动加速度传感器封装在智能手机里,能够对振动加速度信号进行实时的采集。采集的振动加速度信号经过下面的计算方法能够对行车速度进行修正。
首先对相关原理进行解释说明。加速度(Acceleration)是速度变化量与发生这一变化所用时间的比值Δv/Δt,是描述物体速度变化快慢的物理量,通常用a表示,单位是m/s2。加速度是矢量,它的方向是物体速度变化(量)的方向,与合外力的方向相同。
在最简单的匀加速直线运动中,加速度的大小等于单位时间内速度的增量。若动点的速度v1经t秒后变成v2,则其加速度可表示为:
动点Q做一般空间运动时,速度矢量的变化和所经时间△t的比,称为△t时间内的平均加速度,记为a平:
当时间间隔△t趋于零时,平均加速度的极限称为瞬时加速度,简称加速度,记为a:
因而加速度的严格定义为:加速度矢量等于速度矢量对时向的导数,其方向沿着速端图的切线方向并指向轨迹的凹侧。关于加速度产生的原因,可参见牛顿运动定律。
采集的信号多为离散的信号,其中包含多种噪声。消除或者减少信号中的噪声就变得越来越重要。数据滤波是去除噪声还原真实数据的一种数据处理技术,Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态。
发明内容
本发明针对路面车辙指标检测实时性差、需要使用专用设备、需要专业人员进行检测的问题,利用手机APP(Application)对智能手机中三轴向振动加速度等数据进行采集,实时对路面车辙水平进行检测。并结合Kalman滤波算法,消除车辆自振等因素对数据的影响。本发明的目的在于对路面车辙水平进行高效、实时、经济的检测。
基于行车振动数据的路面车辙检测方法,其特征在于,包括以下步骤:
步骤一:配置应用范围;所述应用范围为路面行驶的机动车辆;
步骤二:打开智能手机中开始采集三轴向振动加速度,其中行车方向振动加速度数据用作修正行车速度的基础数据;
步骤三:对数据进行分段,将采集的数据根据采集的车辆行驶速度和采样频率先进行累加计算,再按照每百米进行划分,不足百米按照百米计算;
累计距离=∑行驶速度*(1/频率)
步骤四:对计算出的每段数据进行Kalman滤波处理;
Kalman滤波方法是首先确定初始参数,设定偏差值为1;预测值为0;预测值偏差值为1;
下面是通过设定的初始值,根据kalman滤波算法的计算过程,计算出的参数变化情况;
根据初始参数计算kalman增益kg
检测的数据为0.1;估计值为0;利用计算的卡尔曼增益系数计算估算后各组数据;
估算后的数据=估计值+kg(采集值-估计值)=0+0.817*(0.1-0)=0.0817 (公式二)
经过第一次修正将检测值0.1修正为0.0817;
下一步是更新偏差,更新方法为:
步骤六:对检测的每段数据进行初步计算
所述计算数据包括
(1) ax=cosβ·a'x+sinβ·a'y+cosα·sinβ·a'z
式中ax’、ay’、az’为采集的原始三轴加速度
式中:axia为每一计算段内第i个标准化水平方向振动加速度绝对值;axi为某一时刻的x方向振动加速度;
N为该段内的采样点数;
(3) azamp=max{az(t)}-min{az(t)}
式中az(t)为某一时刻t时的Z方向振动加速度;
azamp为某一计算段内的大地坐标Z方向振动加速度幅值;
Max表示最大值,min表示最小值;
式中V表示该段内的平均速度;
vi表示该段内一点的瞬时速度;
N为该段内的采样点数;
步骤七:根据步骤六得出的数据计算路面车辙;
RD=(4.8-5.1)axmv+(0.7-0.9)azamp-(0.01-0.03)V+(3-5.5)
式中:axMV和azamp分别为X方向的振动加速度绝对值的平均值和Z方向的振动加速度幅值。
进一步,步骤七中
RD=4.956axmv+0.888azamp-0.018V+4.532。
附图说明
图1 SUV车型kalman滤波效果
图2出租车车型kalman滤波效果
具体实施方式
基于行车振动数据的路面车辙检测方法,其特征在于,包括以下步骤:
步骤一:配置应用范围;
所述应用范围为路面行驶的机动车辆;
步骤二:将安装好智能手机APP的智能手机固定安放在路面行驶的机动车辆上;
所述将安装好智能手机APP的智能手机固定安放在路面行驶的机动车辆上是将设备固定安放在行驶的机动车辆上;
步骤三:打开智能手机中采集三轴振动加速度、三轴振功角加速度、俯仰角、翻滚角、GPS(Global Positioning System全球定位系统)或者北斗系统或者北斗系统经纬度数据等数据的APP;
步骤四:对数据进行分段
所述对数据进行分段是指将采集的数据根据采集的车辆行驶速度和采样频率先进行累加计算,再按照每百米进行划分,不足百米按照百米计算。
累计距离=∑行驶速度*(1/频率)
步骤五:对步骤四计算出的每段数据进行Kalman滤波处理。
Kalman滤波方法是首先确定初始参数,设定最优值为1;预测值为0;预测值偏差为1。通过初始参数可以计算出首次噪声的的偏差为
根据初始参数计算kalman增益kg
检测的首次数据为0.1。估计值为0。利用计算的卡尔曼增益系数计算估算后的行车方向振动加速度
估算后数值=估计值+kg(采集值-估计值)=0+0.817*(0.1-0)=0.0817 (公式二)
经过第一次修正将检测值0.1修正为0.0817,可以看出kalman滤波技术认为检测的数值更真实。下一步是更新偏差,更新方法为:
卡尔曼滤波器就不断更新最优偏差和卡尔曼增益kg,从而估算出最优数值。他运行的很快,而且它只保留了上一时刻的最优偏差和卡尔曼增益kg。
步骤六:对检测的每段数据进行初步计算
所述计算数据包括
(5) ax=cosβ·a'x+sinβ·a'y+cosα·sinβ·a'z
式中ax’、ay’、az’为采集的原始三轴加速度
式中:axia为每一计算段内第i个标准化水平方向振动加速度绝对值;
axi为某一时刻的x方向振动加速度;
N为该段内的采样点数。
(7) azamp=max{az(t)}-min{az(t)}
式中az(t)为某一时刻t时的Z方向振动加速度;
azamp为某一计算段内的大地坐标Z方向振动加速度幅值;
Max表示最大值,min表示最小值。
式中V表示该段内的平均速度;
vi表示该段内一点的瞬时速度;
N为该段内的采样点数。
步骤七:根据步骤六得出的数据计算路面车辙。
RD=4.956axmv+0.888azamp-0.018V+4.532
式中:axMV和azamp分别为X方向的振动加速度绝对值的平均值和Z方向的振动加速度幅值。
步骤一所述机动车辆,是指:
1)大型汽车:指总质量大于4,500千克,或车长大于等于6米,或乘坐人数大于等于20人的各种汽车。
2)小型汽车:指总质量在4,500千克以下(含4,500千克),车长在6米以下,或乘坐人员不足20人的汽车。
3)专用汽车:指专门设备且有专项用途的汽车包括扫地汽车、仪器车、邮政汽车、汽车吊车等。
4)特种车:指有特殊专门用途的紧急用车辆包括消防汽车、救护汽车、工程车抢险车、警备车、交通事故勘查车等。
5)有轨电车:指以电动机驱动,设有集电杆,行驶在轨道上的车辆。
6)无轨电车:指以电动机驱动,设有集电杆,装有轮胎或车轮的车辆。
7)电瓶车:指以电动机驱动,以电瓶为电源的车辆。
步骤二所述智能手机APP为手机软件,是指安装在智能手机上的软件,完善原始系统的不足与个性化。使手机完善其功能,为用户提供更丰富的使用体验的主要手段。
手机软件的运行需要有相应的手机系统,目前主要的手机系统:
1)苹果公司的iOS.
2)谷歌公司的Android(安卓)系统。
步骤五中所述kalman滤波的初始参数,是指设定偏差为1;预测值为0m/s2;预测值偏差为1。采集的每组数据分别通过该方法进行处理。
Kalman处理行车方向振动加速度的原理和步骤为:
卡尔曼滤波(Kalman filtering)一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。
卡尔曼滤波的基础公式有五个分别为:
X(k|k-1)=AX(k-1|k-1)+BU(k) (1)
P(k|k-1)=AP(k-1|k-1)A'+Q (2)
X(k|k)=X(k|k-1)+kg(k)(Z(k)-HX(k|k-1)) (3)
P(k|k)=(I-kg(k)H)P(k|k-1) (5)
下面介绍各个参数的含义和滤波过程。首先引入离散控制过程的系统,可被描述为X(k)=AX(k-1)+BU(k)+W(k)
Z(k)=HX(k)+V(k)
两式中的X(k)表示k时刻的系统状态,U(k)表示k时刻系统的控制量。A、B表示系统参数,对于多维度系统A、B为矩阵形式。Z(k)表示k时刻的测量值,H表示测量系统的参数,对于多维度系统H为矩阵形式。W(k)、V(k)表示噪声干扰,Q、R表示噪声的协方差。
优化过程为:
首先要利用凶上一时刻的状态预测现在的状态,即公式(1)。式中X(k|k-1)表示利用上一时刻的状态预测的现在的状态,X(k-1|k-1)表示上一时刻的最优结果,U(k)表示现在状态的控制量。
系统的状态可以通过公式(1)进行更新,利用公式(2)对协方差进行更新。P(k|k-1)表示X(k|k-1)对应的协方差,P(k-1|k-1)表示X(k-1|k-1)对应的协方差。A’表示A矩阵的转置矩阵。
利用公式(1)和公式(2)可以得到系统的预测结果和测量结果,这两个结果就能够得到现在状态的最优化估计值X(k|k)即公式(3),其中kg为kalman增益。
Kalman增益kg也需要进行不断的利用协方差更新即公式(4)。
为了使系统能够不断的更新直到结束,还需要更新X(k|k)的协方差即公式(5),其中I表示单位矩阵。
利用kalman基本原理,并结合本发明的情况,本发明的kalman步骤如下:
根据初始参数计算kalman增益kg
检测的首次数据为0.1。估计值为0。利用计算的卡尔曼增益系数计算估算后数值
估算后数值=估计值+kg(采集值-估计值)=0+0.817*(0.1-0)=0.0817
经过第一次修正将检测值0.1修正为0.0817,可以看出kalman滤波技术认为检测的数据比估计数据更真实。下一步是更新偏差,更新方法为:
卡尔曼滤波器就不断更新最优偏差和卡尔曼增益kg,从而估算出最优的行车方向振动加速度数值。他运行的很快,而且它只保留了上一时刻的最优偏差和卡尔曼增益kg。
具体效果如下:利用36500余组采集的数据经过kalman滤波后建立RD模型,自身数据的误差率(误差率=(计算RD值-检测RD值)/检测RD值*100%)平均值为17.1%;利用另外的40000余组数据对RD模型进行验证误差率平均值为24%。两次验证结果:表明本模型的精度较高能够满足车辙检测的要求;模型具有普适性;kalman滤波能够减少对不同车型的影响。
kalman滤波算法减小车辆自振的影响效果如下:
合成振动加速度的计算公式如下,其中ax、ay、az表示采集的三轴向振动加速度数据。
SUV在怠速时合成振动加速度理论值应为0,由于车辆自振影响车辆怠速时采集的合成振动加速度数值如图一中黑色线所示,最大0.3,平均为0.03。
经过kalman滤波算法后怠速时的合成加速度数据如图1所示,处理后的最大值的出现位置相同大小为0.049,平均为0.0083最大值出现处提高精度6.1倍;平均值提高3.6倍
利用出租车进行怠速实验能够得出相似的结果,如图2所示,处理后的最大值的出现位置相同大小为0.037,最大值出现处提高精度6.6倍。
Claims (2)
1.基于行车振动数据的路面车辙检测方法,其特征在于,包括以下步骤:
步骤一:配置应用范围;所述应用范围为路面行驶的机动车辆;
步骤二:打开智能手机中开始采集三轴向振动加速度,其中行车方向振动加速度数据用作修正行车速度的基础数据;
步骤三:对数据进行分段,将采集的数据根据采集的车辆行驶速度和采样频率先进行累加计算,再按照每百米进行划分,不足百米按照百米计算;
累计距离=∑行驶速度*(1/频率)
步骤四:对计算出的每段数据进行Kalman滤波处理;
Kalman滤波方法是首先确定初始参数,设定偏差值为1;预测值为0;预测值偏差值为1;
下面是通过设定的初始值,根据kalman滤波算法的计算过程,计算出的参数变化情况;
根据初始参数计算kalman增益kg
检测的数据为0.1;估计值为0;利用计算的卡尔曼增益系数计算估算后各组数据;
经过第一次修正将检测值0.1修正为0.0817;
下一步是更新偏差,更新方法为:
步骤六:对检测的每段数据进行初步计算
所述计算数据包括
(1) ax=cosβ·a'x+sinβ·a'y+cosα·sinβ·a'z
式中ax’、ay’、az’为采集的原始三轴加速度
axia=|axi|
(2)
式中:axia为每一计算段内第i个标准化水平方向振动加速度绝对值;axi为某一时刻的x方向振动加速度;
N为该段内的采样点数;
(3) azamp=max{az(t)}-min{az(t)}
式中az(t)为某一时刻t时的Z方向振动加速度;
azamp为某一计算段内的大地坐标Z方向振动加速度幅值;
Max表示最大值,min表示最小值;
式中V表示该段内的平均速度;
vi表示该段内一点的瞬时速度;
N为该段内的采样点数;
步骤七:根据步骤六得出的数据计算路面车辙;
RD=(4.8-5.1)axmv+(0.7-0.9)azamp-(0.01-0.03)V+(3-5.5)
式中:axMV和azamp分别为X方向的振动加速度绝对值的平均值和Z方向的振动加速度幅值。
2.根据权利要求1所述的基于行车振动数据的路面车辙检测方法,其特征在于:
步骤七中RD=4.956axmv+0.888azamp-0.018V+4.532。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926592.2A CN110670458B (zh) | 2019-09-27 | 2019-09-27 | 基于行车振动数据的路面车辙检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926592.2A CN110670458B (zh) | 2019-09-27 | 2019-09-27 | 基于行车振动数据的路面车辙检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110670458A true CN110670458A (zh) | 2020-01-10 |
CN110670458B CN110670458B (zh) | 2021-07-16 |
Family
ID=69079587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910926592.2A Active CN110670458B (zh) | 2019-09-27 | 2019-09-27 | 基于行车振动数据的路面车辙检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110670458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117570901A (zh) * | 2023-11-20 | 2024-02-20 | 北京工业大学 | 一种路面车辙深度快速智能检测装置及检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8538667B2 (en) * | 2011-07-28 | 2013-09-17 | International Business Machines Corporation | Evaluating road conditions using a mobile vehicle |
CN105421200A (zh) * | 2015-11-06 | 2016-03-23 | 苏交科集团股份有限公司 | 一种基于振动检测的平整度检测方法与检测装置 |
CN105426587A (zh) * | 2015-11-06 | 2016-03-23 | 江苏飞尚安全监测咨询有限公司 | 一种基于智能手机完成路面状况采集和监测方法 |
CN106197471A (zh) * | 2016-07-22 | 2016-12-07 | 长安大学 | 基于信息融合的道路检测车距离触发装置及触发方法 |
CN110031646A (zh) * | 2019-05-10 | 2019-07-19 | 北京工业大学 | 一种利用行车方向振动加速度修正行车速度方法 |
-
2019
- 2019-09-27 CN CN201910926592.2A patent/CN110670458B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8538667B2 (en) * | 2011-07-28 | 2013-09-17 | International Business Machines Corporation | Evaluating road conditions using a mobile vehicle |
CN105421200A (zh) * | 2015-11-06 | 2016-03-23 | 苏交科集团股份有限公司 | 一种基于振动检测的平整度检测方法与检测装置 |
CN105426587A (zh) * | 2015-11-06 | 2016-03-23 | 江苏飞尚安全监测咨询有限公司 | 一种基于智能手机完成路面状况采集和监测方法 |
CN106197471A (zh) * | 2016-07-22 | 2016-12-07 | 长安大学 | 基于信息融合的道路检测车距离触发装置及触发方法 |
CN110031646A (zh) * | 2019-05-10 | 2019-07-19 | 北京工业大学 | 一种利用行车方向振动加速度修正行车速度方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117570901A (zh) * | 2023-11-20 | 2024-02-20 | 北京工业大学 | 一种路面车辙深度快速智能检测装置及检测方法 |
CN117570901B (zh) * | 2023-11-20 | 2024-05-07 | 北京工业大学 | 一种路面车辙深度快速智能检测装置及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110670458B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102700551B (zh) | 一种车辆行驶过程中路面坡度的实时估计方法 | |
CN111058360B (zh) | 基于行车振动数据的路面平整度检测方法 | |
CN108482379B (zh) | 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法 | |
CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统 | |
CN104792937B (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
JP5269024B2 (ja) | 路面状況推定装置および路面状況推定方法 | |
EP2223127B1 (de) | Verfahren zur kalibrierung eines raddrehzahlerfassungssystems | |
CN102627108B (zh) | 一种基于高频信息提取的整车质量估算方法 | |
CN109606378A (zh) | 面向非高斯噪声环境的车辆行驶状态估计方法 | |
CN106662447A (zh) | 利用行驶动态传感器确定多余的绝对位置 | |
CN110832273A (zh) | 路面纵断面推断装置、路面纵断面推断系统、路面纵断面推断方法及路面纵断面推断程序 | |
CN110231181A (zh) | 一种基于振动测试信息的车辆物理参数估计方法 | |
CN103625475B (zh) | 一种基于递归最小二乘的车辆侧倾角与俯仰角估计方法 | |
CN103909933A (zh) | 一种分布式电驱动车辆的前轮侧向力估算方法 | |
CN106643749A (zh) | 一种基于智能手机的危险驾驶行为检测方法 | |
CN112046487A (zh) | 基于车辆行驶状态的路面坡度估算方法及系统 | |
JP2022532100A (ja) | 道路舗装の凹凸を認識する方法及びシステム | |
CN112292271A (zh) | 胎面磨损监视系统和方法 | |
CN110852542A (zh) | 一种道路平整度的计算方法及系统 | |
CN110670458B (zh) | 基于行车振动数据的路面车辙检测方法 | |
CN109387374B (zh) | 一种车道保持水平评价方法 | |
JP2022531706A (ja) | 道路舗装の凹凸を認識する方法及びシステム | |
CN110031646B (zh) | 一种利用行车方向振动加速度修正行车速度方法 | |
CN111597642B (zh) | 一种三维路面信息谱的自动获取方法 | |
CN109190153A (zh) | 一种能耗计算方法及其系统 |
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 |