CN111806448A - 一种基于深度学习的路面不平度及等级实时辨识系统 - Google Patents
一种基于深度学习的路面不平度及等级实时辨识系统 Download PDFInfo
- Publication number
- CN111806448A CN111806448A CN202010714967.1A CN202010714967A CN111806448A CN 111806448 A CN111806448 A CN 111806448A CN 202010714967 A CN202010714967 A CN 202010714967A CN 111806448 A CN111806448 A CN 111806448A
- Authority
- CN
- China
- Prior art keywords
- real
- deep learning
- road surface
- grade
- unevenness
- 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.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Abstract
本发明涉及一种路面不平度及等级实时辨识系统,属于车辆行驶过程中的检测技术领域。该系统包括:车辆动态响应信息提取模块、信息传输模块和路面参数实时辨识模块;所述车辆动态响应信息提取模块,其所用传感器包括:内置磁致伸缩位移传感器、压力传感器和编码器,所述信息传输模块将位移传感器、压力传感器和速度传感器所获信息通过CAN总线实时传输到ECU中;所述路面参数实时辨识模块将EMD、小波去噪和已训练完成的深度学习程序编写在ECU中,从而实时辨识路面不平度和等级。本发明可以实时辨识路面不平度及等级,判断精准,为悬架的主动控制提供了依据;除此之外,本发明可移植性高,不受车辆类型的限制,对车辆具有较好的适用性。
Description
技术领域
本发明涉及车辆行驶过程中的检测技术,具体涉及一种路面不平度及等级实时辨识系统。
背景技术
路面平整度是影响车辆垂向振动响应的主要因素,对车辆的平顺性以及车辆操纵稳定性都有重要影响。其衡量指标——路面不平度是指路面相对基准平面高度沿道路走向长度的变化,用来描述路面的起伏程度。大量研究表明:路面不平度可视为平稳随机过程,可用功率谱密度PSD描述。国标标准协会根据功率谱密度值的上下限将路面等级分为A-H共8个等级。
传统的路面不平度及等级识别方法主要有两种:一种是基于激光测距仪获得的路面高程信息,建立路面高程模型,进而求解路面等级;另一种是基于加速度传感器获得的加速度信息,获得路面不平度信息,进而求解路面等级。当使用激光测距仪进行路面等级评价时,要求车速很慢,因为车辆的振动会影响激光测距仪的测量结果,导致测量结果误差较大,因此在距离较长或者路面等级较为恶劣的路面上并不适用。当使用加速度传感器进行路面等级评价时,所获得的加速度信息需要进行滤波,但是由于不同的车辆参数性能不一样,会导致不同车辆的滤波标准不一样,且滤波具体参数难以确定,需要采取试凑法来确定滤波器的具体参数,费时费力,且不具有通用性。以上方法均不是基于车载传感器的路面等级辨识方法,需要外加传感器,实用性不佳,且功能较为单一。
发明内容
本发明针对现有技术的不足,提供一种能够更加精确、更具有实用性的基于深度学习的路面不平度及等级实时辨识系统。
本发明采用的技术方案为:
一种基于深度学习的路面不平度及等级实时辨识系统,包括:车辆动态响应信息提取模块、信息传输模块和路面参数实时辨识模块;
所述车辆动态响应信息提取模块,其所用传感器包括:内置磁致伸缩位移传感器、压力传感器和编码器,所述内置磁致伸缩位移传感器和压力传感器用于实时测量车辆在路面行驶时的位移和油压,所述编码器用于实时测量车辆实时速度;
所述信息传输模块将位移传感器、压力传感器和速度传感器所获信息通过CAN总线实时传输到ECU中;
所述路面参数实时辨识模块将EMD、小波去噪和已训练完成的深度学习程序编写在ECU中,从而实时辨识路面不平度和等级。
进一步地,所述深度学习包括样本的获取、深度学习模型的建立以及应用三个部分。
进一步地,所述样本的获取:将试验车在已知路面不平度和路面等级的路面上以不同车速行驶,同时采集包括一桥左侧位移x1L和油压p1L,一桥右侧位移x1R和油压p1R,五桥左侧位移x5L和油压p5L,五桥右侧位移x5R和油压p5R以及车速v传感器信息。
进一步地,所述深度学习模型的建立:将所获传感器信息和对应的路面不平度和等级去训练深度模型,从而得到深度学习的模型参数。
进一步地,所述应用:当车辆在未知不平度和等级的路面上行驶时,根据车辆传感器信息来获得当前路面不平度和等级,并将结果显示在车辆显示面板上,实际路面数据进一步又成为样本数据,从而对深度学习模型进行再训练,不断完善和优化深度学习模型参数。
进一步地,所述内置磁致伸缩位移传感器和油压传感器装在试验车的一桥和五桥的左右两侧油缸上,所述内置磁致伸缩位移传感器的磁环2和活塞杆4相连,当活塞杆4在缸筒7内部运动时,磁环2随着活塞杆共同运动,从而实时测量油缸位移;
所述压力传感器6与无杆腔的油口5相连接,从而实时测量油压。
进一步地,所述编码器安装在变速器输出轴上。
进一步地,采集的传感器信息需要进行经验模态分解EMD和小波去噪进一步处理,包括:使用EMD去除趋势项,去除低频噪声干扰,采用小波硬阈值函数去噪方法进行高频去噪,得到重构信号,为路面不平度及等级实时辨识模块提供数据。
本发明的有益效果:本发明可以实时辨识路面不平度及等级,判断精准,为悬架的主动控制提供了依据;除此之外,本发明可移植性高,不受车辆类型的限制,对车辆具有较好的适用性。
附图说明
图1为车辆示意图。
图2为油缸示意图。
图3为信息传输模块示意图。
图4为处理模块示意图。
图5为EMD流程图。
图6为小波去噪流程图。
图7为本发明一种基于深度学习的路面不平度及等级实时辨识系统示意图。
图中:1.位移传感器,2.磁环,3.垫片,4.活塞杆,5.无杆腔的油口,6.压力传感器,7.缸筒
具体实施方法
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够实施。
参阅图1,一种基于深度学习的路面不平度及等级实时辨识系统,应用在具有油气悬架、油气悬架参数可以通过CAN总线与ECU通讯的多桥工程车辆中,包括车辆动态响应信息提取模块、信息传输模块和路面不平度及等级辨识模块。
具体的,车辆的前桥和后桥应具有内置油缸位移传感器和油压传感器。
参阅图2,所述车辆动态响应信息提取模块所用传感器,包括:油缸内置磁致伸缩位移传感器1和压力传感器6。磁环2和垫片3与活塞杆4相连,当活塞杆4在缸筒7内部运动时,磁环2随着活塞杆共同运动,从而实时测量油缸位移。
压力传感器6与无杆腔的油口5相连接,从而实时测量油压。
车辆的一桥和五桥的左右两侧油缸都装有内置磁致伸缩位移传感器和油压传感器,分别用来测量一桥左侧位移x1L和油压p1L,一桥右侧位移x1R和油压p1R,五桥左侧位移x5L和油压p5L,五桥右侧位移x5R和油压p5R。通过安装在变速器输出轴上的编码器来测量车辆速度v。
参阅图3,所述车辆动态响应信息传输模块将磁致压缩位移位移传感器、压力传感器和编码器等传感器采集信息通过CAN总线收发器实时传输到ECU中,通过ECU内置程序设置采集频率等参数,具体地,采样频率设置为100Hz;
参阅图4,采集的传感器信息需要进行经验模态分解(EMD)和小波去噪等进一步处理,得到重构信号,为路面不平度及等级实时辨识模块提供数据;
在传感器信息采集过程中,由于放大器随温度变化产生的零点漂移、传感器频率范围外低频性能的不稳定以及传感器周围的环境干扰等,往往会偏离基线,甚至偏离基线的大小还会随时间变化。偏离基线随时间变化的整个过程被称为信号的趋势项。趋势项直接影响信号的正确性,应将其去除,使用EMD去除趋势项流程图参阅图5;
原始数据在经过去趋势项后,虽然有效的去除了低频噪声干扰,但还没有针对高频信号进行去噪,由于硬阈值函数处理噪声有着更好的高频去噪效果,所以采用小波硬阈值函数去噪方法进行高频去噪,其流程图参阅图6。
所述路面不平度及等级实时辨识模块中的路面参数获取是将采集到的传感器信息输入到已装有EMD和小波去噪、训练完成的深度学习程序的ECU中,从而实时辨识路面不平度和等级。
参阅图7,为本发明一种基于深度学习的路面不平度及等级实时辨识系统,深度学习包括样本的获取、深度学习模型的建立以及应用三个部分。
所述样本的获取是指将试验车在已知路面不平度和路面等级的路面上以不同车速行驶,同时采集一桥左侧位移x1L和油压p1L,一桥右侧位移x1R和油压p1R,五桥左侧位移x5L和油压p5L,五桥右侧位移x5R和油压p5R以及车速v等传感器信息。
所述深度学习模型的建立是指将所获传感器信息和对应的路面不平度和等级去训练深度模型,从而得到深度学习的模型参数。
所述应用部分是指当车辆在未知不平度和等级的路面上行驶时,根据车辆传感器信息来获得当前路面不平度和等级,并将结果显示在车辆显示面板上。实际路面数据进一步又可以成为样本数据,从而对深度学习模型进行再训练,不断完善和优化深度学习模型参数。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,包括:车辆动态响应信息提取模块、信息传输模块和路面参数实时辨识模块;
所述车辆动态响应信息提取模块,其所用传感器包括:内置磁致伸缩位移传感器、压力传感器和编码器,所述内置磁致伸缩位移传感器和压力传感器用于实时测量车辆在路面行驶时的位移和油压,所述编码器用于实时测量车辆行驶速度;
所述信息传输模块将位移传感器、压力传感器和速度传感器所获信息通过CAN总线实时传输到ECU中;
所述路面参数实时辨识模块将EMD、小波去噪和已训练完成的深度学习程序编写在ECU中,从而实时辨识路面不平度和等级。
2.根据权利要求1所述的一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,所述深度学习包括样本的获取、深度学习模型的建立以及应用三个部分。
3.根据权利要求2所述的一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,所述样本的获取:将试验车在已知路面不平度和路面等级的路面上以不同车速行驶,同时采集包括一桥左侧位移x1L和油压p1L,一桥右侧位移x1R和油压p1R,五桥左侧位移x5L和油压p5L,五桥右侧位移x5R和油压p5R以及车速v传感器信息。
4.根据权利要求2所述的一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,所述深度学习模型的建立:将所获传感器信息和对应的路面不平度和等级去训练深度模型,从而得到深度学习的模型参数。
5.根据权利要求2所述的一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,所述应用:当车辆在未知不平度和等级的路面上行驶时,根据车辆传感器信息来获得当前路面不平度和等级,并将结果显示在车辆显示面板上,实际路面数据进一步又成为样本数据,从而对深度学习模型进行再训练,不断完善和优化深度学习模型参数。
6.根据权利要求1或3所述的一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,所述内置磁致伸缩位移传感器和油压传感器装在试验车的一桥和五桥的左右两侧油缸上,所述内置磁致伸缩位移传感器的磁环(2)和活塞杆(4)相连,当活塞杆(4)在缸筒(7)内部运动时,磁环(2)随着活塞杆共同运动,从而实时测量油缸位移;
所述压力传感器(6)与无杆腔的油口(5)相连接,从而实时测量油压。
7.根据权利要求1或3所述的一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,所述编码器安装在变速器输出轴上。
8.根据权利要求1或3所述的一种基于深度学习的路面不平度及等级实时辨识系统,其特征在于,
采集的传感器信息需要进行经验模态分解EMD和小波去噪进一步处理,包括:使用EMD去除趋势项,去除低频噪声干扰,采用小波硬阈值函数去噪方法进行高频去噪,得到重构信号,为路面不平度及等级实时辨识模块提供数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714967.1A CN111806448A (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的路面不平度及等级实时辨识系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714967.1A CN111806448A (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的路面不平度及等级实时辨识系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111806448A true CN111806448A (zh) | 2020-10-23 |
Family
ID=72862283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010714967.1A Pending CN111806448A (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的路面不平度及等级实时辨识系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111806448A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113932758A (zh) * | 2021-09-15 | 2022-01-14 | 同济大学 | 一种路面平整度预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894097A (zh) * | 2010-07-23 | 2010-11-24 | 哈尔滨工业大学 | 卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法 |
CN101929484A (zh) * | 2009-06-24 | 2010-12-29 | 兰州兰石重工新技术有限公司 | 行程检测装置内置式活塞缸 |
CN103318180A (zh) * | 2013-05-28 | 2013-09-25 | 万向钱潮股份有限公司 | 一种车辆路面不平度自动识别系统及方法 |
US20150032373A1 (en) * | 2012-02-14 | 2015-01-29 | Hitachi Construction Machinery Co., Ltd. | Road surface management system |
CN104755345A (zh) * | 2014-03-19 | 2015-07-01 | 株式会社小松制作所 | 路面状态判定方法、路面状态输出方法、路面状态判定装置以及路面状态输出装置 |
CN106897518A (zh) * | 2017-02-23 | 2017-06-27 | 武汉科技大学 | 车辆‑道路耦合振动系统联合仿真方法 |
US20180162410A1 (en) * | 2015-06-03 | 2018-06-14 | Volvo Construction Equipment Ab | A method and system for predicting a risk for rollover of a working machine |
-
2020
- 2020-07-23 CN CN202010714967.1A patent/CN111806448A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101929484A (zh) * | 2009-06-24 | 2010-12-29 | 兰州兰石重工新技术有限公司 | 行程检测装置内置式活塞缸 |
CN101894097A (zh) * | 2010-07-23 | 2010-11-24 | 哈尔滨工业大学 | 卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法 |
US20150032373A1 (en) * | 2012-02-14 | 2015-01-29 | Hitachi Construction Machinery Co., Ltd. | Road surface management system |
CN103318180A (zh) * | 2013-05-28 | 2013-09-25 | 万向钱潮股份有限公司 | 一种车辆路面不平度自动识别系统及方法 |
CN104755345A (zh) * | 2014-03-19 | 2015-07-01 | 株式会社小松制作所 | 路面状态判定方法、路面状态输出方法、路面状态判定装置以及路面状态输出装置 |
US20180162410A1 (en) * | 2015-06-03 | 2018-06-14 | Volvo Construction Equipment Ab | A method and system for predicting a risk for rollover of a working machine |
CN106897518A (zh) * | 2017-02-23 | 2017-06-27 | 武汉科技大学 | 车辆‑道路耦合振动系统联合仿真方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113932758A (zh) * | 2021-09-15 | 2022-01-14 | 同济大学 | 一种路面平整度预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106524967B (zh) | 一种汽车轮心实际行驶位移测量与提取方法 | |
CN109186528B (zh) | 一种基于手机测得的加速度确定国际平整度指数的理论方法 | |
CN104164829A (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 | |
CN202065278U (zh) | 汽车起重机整机液压系统故障分析系统 | |
CN103290768A (zh) | 平整度测量仪及测量方法 | |
CN104120644A (zh) | 一种基于重力加速度传感器的路面平整度检测方法 | |
CN106092600A (zh) | 一种针对汽车试验场强化道路的路面识别方法 | |
CN101089548A (zh) | 路面车辙三维信息检测装置及检测方法 | |
CN102254161A (zh) | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 | |
CN106441407A (zh) | 一种非接触式电涡流传感器校准装置及其自动校准方法 | |
CN113183973B (zh) | 基于can网络的胎压监测与路面信息智能感知平台及方法 | |
CN104215421A (zh) | 一种快速测定桥梁冲击系数的方法 | |
CN111806448A (zh) | 一种基于深度学习的路面不平度及等级实时辨识系统 | |
CN102589434B (zh) | 车辆侧滑运动的图像轮毂标识检测方法 | |
CN109115433A (zh) | 一种汽车动力传动系统的扭振与扭转工作变形测试分析法 | |
CN110823543A (zh) | 一种基于往复机械活塞杆轴心轨迹包络与信息熵特征的负荷识别方法 | |
CN106052934B (zh) | 一种车辆运行状况参数间接测量装置及标定方法 | |
CN110287525B (zh) | 采用并联型相干函数模型的非平稳随机路面激励生成方法 | |
CN108801643A (zh) | 基于连续正弦扫频试验的车辆频响特性获取方法 | |
Hu-ming et al. | Signal trend extraction of road surface profile measurement | |
CN109163894B (zh) | 一种基于摩擦温度信号的磨合状态识别方法 | |
Yang et al. | An intelligent tyre system for road condition perception | |
CN108534753A (zh) | 一种基于车轮垂直动载荷的路面功率谱测量方法 | |
CN115524086A (zh) | 基于车桥耦合振动的统计矩曲率梁式桥损伤识别方法 | |
Zhao et al. | A new method for detecting compensation hole parameters of automobile brake master cylinder based on machine vision |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201023 |
|
WD01 | Invention patent application deemed withdrawn after publication |