CN111058360A - 基于行车振动数据的路面平整度检测方法 - Google Patents

Abstract

基于行车振动数据的路面平整度检测方法属于交通运输工程领域。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平整度检测方法。针对路面平整度指标检测实时性差、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，实时对路面平整度进行检测。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平整度检测。

Description

基于行车振动数据的路面平整度检测方法

技术领域

本发明涉及一种路面平整度检测方法，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平整度检测方法，适用于路面平整度检测时实时性要求较高的情况。本发明属于交通运输工程领域。

背景技术

随着经济的发展，道路变得四通八达。根据交通运输部“2015 年交通运输行业发展统计公报”，截至2015年底，我国公路里程达到457.73万km，二级以上高等级公路57.49万km，其中高速公路12.35万km，2015年公路养护里程446.56万km，占公路总里程的 97.6％。2015年全年完成公路建设投资16513.30亿元，其中，高速公路建设完成投资7949.97亿元，普通国省道建设完成投资5336.07亿元。根据住房和城乡建设部“2015年城市建设统计年鉴”，截至2015 年底，我国城市道路长度36.4978万km，717675万m²，全年在道路桥梁方面的投资达到7414亿元。可以看出，我国已经建成了世界前列的、庞大的道路交通基础设施系统。根据“国家公路网(2013-2030)”规划，到2030年我国高速公路网的里程将达到13.7万km。

现代路面平整度是路面周期性评价及路面养护中的一个重要指标。路面平整度指的是路表面纵向的凹凸量的偏差值。路面平整度是路面评价及路面施工验收中的一个重要指标，主要反映的是路面纵断面剖面曲线的平整性。当路面纵断面剖面曲线相对平滑时，则表示路面相对平整，或平整度相对好，反之则表示平整度相对差。路面平整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。路面平整度检测能为路面养护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。

测量路面平整度的方法有三种，定长度直尺法：即采用规定长度的平直尺搁置在路面表面，直接测量直尺与路面之间的间隙作为平整度指标。断面描绘法：采用多轮小车式平整度仪沿道路推行而直接描绘出路面表面起伏状况，表征路面平整度。顺簸累积法：在标准测定车上装置顺簸累积仪，记录汽车沿道路行驶时车厢的累积振动，表征路面平整度。路面不平整会影响行车的速度和安全、驾驶的平稳和乘客的舒适二同时会加剧路面损坏和汽车机件磨损。中国现行规范规定，可用3m直尺、连续式平整度仪或车载式颠簸累积仪测定路面平整度。

随着移动互联网和计算机技术的发展和普及，利用移动智能设备检测路面技术状况已成为当前公路路面检测方法的新趋势。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。

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Δt的比，称为Δt时间内的平均加速度，记为a_平：

当时间间隔Δt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

本发明针对路面平整度指标检测实时性差、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，实时对路面平整度进行检测。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平整度进行高效、实时、经济的检测。

1.基于行车振动数据的路面平整度检测方法，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，所述车辆为乘坐7人以下的小型轻便载客汽车，如起亚福瑞迪、本田 CRV、上汽大通G10等车型；

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；

通过初始参数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)手机的俯仰角(pitch)α和翻滚角(roll)β。

式中a_x’、a_y’、a_z’为采集的原始三轴加速度；

(2)计算大地坐标方向加速度a_z。

a_z＝-sinβ·a'_x+cosβ·sinα·a'_y+cosβ·cosα·a'_z (公式八)

(3)大地坐标系地心方向振动加速度绝对值的均值a_zMV(m/s²)

(3)

式中：a_zmv为大地坐标Z方向振动加速度绝对值的平均值，m/s²； a_zi为每一计算段内第i个标准化竖向振动加速度绝对值；N为该段内的采样点数；

(4)行车速度平均值

式中V表示该段内的平均速度；v_i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平整度IRI；

式中：V为行车速度，m/s。a_zmv为大地坐标Z方向振动加速度绝对值的平均值，m/s²。

进一步，步骤七中

附图说明

图1是SUV车型kalman滤波效果

图2是出租车车型kalman滤波效果

具体实施方式

基于行车振动数据的路面平整度检测方法，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，所述车辆为乘坐7人以下的小型轻便载客汽车，如起亚福瑞迪、本田CRV、上汽大通G10等车型；

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+k_g(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

(4)手机的俯仰角(pitch)α和翻滚角(roll)β。

式中a_x’、a_y’、a_z’为采集的原始三轴加速度；

(5)计算大地坐标方向加速度a_z。

a_z＝-sinβ·a'_x+cosβ·sinα·a'_y+cosβ·cosα·a'_z

(3)大地坐标系地心方向振动加速度绝对值的均值a_zMV(m/s²)

(6)

式中：a_zmv为大地坐标Z方向振动加速度绝对值的平均值，m/s²； a_zi为每一计算段内第i个标准化竖向振动加速度绝对值；N为该段内的采样点数；

(4)行车速度平均值

式中V表示该段内的平均速度；v_i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平整度IRI；

步骤一所述机动车辆，是指：

所述的车辆为乘坐9人以下的小型轻便载客汽车，如起亚福瑞迪、本田CRV、上汽大通G10等车型。

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，所述手机系统是指 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：

首先确定初始参数，设定偏差为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数值

估算后数值＝

估计值+k_g(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k_g，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k_g。

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平整度检测的要求；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1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中红色线所示，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，黑色数据表示未滤波前的合成加速度数据，红色数据表示经过kalman 滤波算法后的合成加速度数据。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。

应用示例如下：

本发明的应用实例，包括以下步骤：

1.在智能手机华为P10上安装行车振动数据采集APP应用程序，并将智能手机以支架状态固定在本田CRV车辆的前挡风玻璃处；

2.选择路面一条道路进行相关试验。

3.进行行车数据采集。智能手机通过内置的加速度传感器和GPS 以10Hz的频率采集路面行车数据，主要包括行车时间time；行车速度v′；行车三轴振动加速度a′_x、a′_y、a′_z；实时行车位置信息latitude、 longitude；

4.计算相关数据计算结果见下表1所示。

表1基于行车振动数据的路面平整度计算结果的应用示例

定义误差率的计算公式为

则本示例中的平均误差为21％，此误差较小满足路面性能检测行业要求。

Claims (1)

1.基于行车振动数据的路面平整度检测方法，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，车辆为乘坐7人以下的小型轻便载客汽车；

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；

通过初始参数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)手机的俯仰角α和翻滚角β；

式中a_x’、a_y’、a_z’为采集的原始三轴加速度；

(2)计算大地坐标方向加速度a_z；

a_z＝-sinβ·a'_x+cosβ·sinα·a'_y+cosβ·cosα·a'_z (公式五)

大地坐标系地心方向振动加速度绝对值的均值a_zMV(m/s²)

(3)a_zi＝|a_z-9.81|

式中：a_zmv为大地坐标Z方向振动加速度绝对值的平均值，m/s²；a_zi为每一计算段内第i个标准化竖向振动加速度绝对值；N为该段内的采样点数；

(4)行车速度平均值

式中V表示该段内的平均速度；v_i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平整度IRI；

式中：V为行车速度，m/s；a_zmv为大地坐标Z方向振动加速度绝对值的平均值，m/s²。

Images