CN112071069A - 一种长下坡路段货运车辆制动失效诊断方法 - Google Patents

Abstract

一种长下坡路段货运车辆制动失效诊断方法，它属于智能交通领域。本发明解决了目前缺少有效的长下坡路段货运车辆制动失效的检测手段的问题。本发明方法包括如下步骤：步骤一：利用视频、雷达、GPS传感器检测车辆的行驶数据，并进行一定的数据处理；步骤二：利用车辆的断面行驶速度进行制动失效速度界定，筛选诊断目标车辆；步骤三：利用车辆行驶数据，检测车辆的行为表现，并进行行为异常判定；步骤四：构建贝叶斯网络，利用多检测单元内的车辆行为检测结果对行为异常车辆进行制动失效诊断，并输出诊断结果。本发明可以应用于长下坡路段货运车辆制动失效诊断。

Description

一种长下坡路段货运车辆制动失效诊断方法

技术领域

本发明属于智能交通领域，具体涉及一种长下坡路段货运车辆制动失效诊断方法。

背景技术

长下坡作为事故多发路段，货运车辆制动失效是其主要交通运行风险，由于货运车辆载重大，下坡过程中大量势能转化为动能，驾驶员需要频繁地采取制动措施，且货运车辆多采用鼓式制动器，散热性能差，易发生制动热衰退现象，从而引起车辆制动失灵、车速失控，进而引发交通事故。

目前，针对于长下坡路段车辆制动失效问题，国内外学者做了大量研究，其研究主要集中于车辆制动鼓热效应方面，核心思想是通过对车辆制动鼓温度的监测与预测，避免制动热衰退现象。但若直接对车辆制动鼓进行温度监测，存在一系列问题：1、实际道路中很少有温度检测设备，且温度检测设备通常布设于路侧，在多车道的道路环境下存在车辆遮挡问题；2、数据检测精度受雨雪、降温等环境因素影响较大；3、温度检测设备只能检测车辆由于制动热衰退引起的车辆制动失效问题，对于其他偶发因素(如制动管路断裂漏油等)引起的车辆制动失效则无法检测。车辆制动失效的外在表现为高速行驶、持续加速、碰擦路侧隔离设施等，可从车辆运动特征来判断其是否发生制动失效，但从此角度开展的研究较少。

综上所述，目前缺少有效的长下坡路段货运车辆制动失效的检测手段，亟需建立一种长下坡路段货运车辆制动失效诊断方法。

发明内容

本发明的目的是为解决目前缺少有效的长下坡路段货运车辆制动失效的检测手段的问题，而提出了一种长下坡路段货运车辆制动失效诊断方法。

本发明为解决上述技术问题采取的技术方案是：一种长下坡路段货运车辆制动失效诊断方法，该方法包括以下步骤：

步骤一、在下坡路段方向依次设置有检测点P₀、P₁、P₂、…、P_N，相邻的两个检测点之间为一个检测区段，每个检测点与其上游相邻检测区段共同构成一个检测单元，各检测单元沿下坡方向依次编号为1、2、…、N；

且在每个检测点处均布置有视频传感器和雷达传感器；通过融合视频传感器采集的数据与雷达传感器采集的数据，获取车辆的断面行驶速度、车辆的牌照信息以及车辆在视频传感器和雷达传感器覆盖区域内的行驶轨迹信息；

步骤二、利用车辆的GPS传感器获取车辆在路段上的速度和位置信息，并对获取的速度和位置信息进行处理，获得处理后的速度和位置数据；

步骤三、当车辆经过第i个检测单元内的视频传感器和雷达传感器的覆盖区域时，根据车辆的牌照信息确定出货运车辆，利用货运车辆的断面行驶速度进行货运车辆制动失效速度界定，筛选出需要进行制动失效诊断的目标货运车辆；

货运车辆制动失效速度界定结果采用布尔变量fv_i进行表示：

若fv_i＝1，则货运车辆速度位于货运车辆制动失效速度范围内，货运车辆存在制动失效风险，货运车辆需要进行制动失效诊断，并跳转至步骤四；

否则，货运车辆不存在制动失效风险，不需要进行制动失效诊断；

步骤四、在检测点处，利用视频传感器和雷达传感器数据对货运车辆是否存在行驶轨迹异常进行检测，其具体过程为：

利用图像处理技术获取道路环境信息，结合货运车辆行驶轨迹信息，对货运车辆是否碰擦路侧隔离设施前进进行检测；若货运车辆前进时碰擦路侧隔离设施，则货运车辆存在行驶轨迹异常，否则，货运车辆不存在行驶轨迹异常；

将货运车辆在第i个检测单元内的行驶轨迹检测结果记为ft_i：ft_i＝1表示存在行驶轨迹异常，ft_i＝0表示无行驶轨迹异常；

在检测区段内，利用GPS传感器数据对货运车辆是否存在高速行驶和持续加速进行检测；

将货运车辆在第i个检测区段内的高速行驶和持续加速检测结果记为fa_i：fa_i＝1表示货运车辆存在高速行驶和持续加速，fa_i＝0表示不存在高速行驶和持续加速；

步骤五、若货运车辆在第i个检测单元内出现行驶轨迹异常或存在高速行驶和持续加速，则判定货运车辆在第i个检测单元内存在行为异常；否则，货运车辆在第i个检测单元内未出现行驶轨迹异常且不存在高速行驶和持续加速，则判定货运车辆在第i个检测单元内不存在行为异常；

将第i个检测单元内的货运车辆行为判定结果标记为fr_i：

其中，fr_i＝1表示货运车辆存在行为异常，fr_i＝0表示货运车辆无行为异常；

步骤六、统计第i个检测单元以及第i个检测单元上游的连续M-1个检测单元内的货运车辆行为判定结果，判定结果表示为fr_i、fr_i-1、…、fr_i-M+1，j＝i-M+1,i-M+2,…,i；

若

则跳转至步骤七，对货运车辆制动失效进行诊断；

否则，货运车辆为非制动失效，不对其进行制动失效诊断；

其中，T₁为货运车辆行为异常程度阈值，M为进行协同联动诊断的单元数；

步骤七、结合对第i个检测单元以及第i个检测单元上游的连续M-1个检测单元的行驶轨迹、高速行驶和持续加速的检测结果，采用贝叶斯网络进行货运车辆制动失效诊断；

进一步地，所述视频传感器和雷达传感器捆绑安装；

进一步地，所述对获取的速度和位置信息进行处理是指去除数据漂移处理；

进一步地，所述利用货运车辆的断面行驶速度进行货运车辆制动失效速度界定，筛选出需要进行制动失效诊断的目标货运车辆；其具体过程为：

设货运车辆经过第i个检测点的断面行驶速度为v_i，若v_i＞Tv，则货运车辆处于制动失效速度范围内，其中，Tv为货运车辆制动失效速度下界，Tv的计算方法如式(2)：

Tv＝μ-3σ (2)

其中：

μ代表历史制动失效货运车辆行驶速度的均值；

σ代表历史制动失效货运车辆行驶速度的标准差；

进一步地，所述步骤四中，利用GPS传感器数据对货运车辆是否存在高速行驶和持续加速进行检测，其具体过程为：

步骤1、提取货运车辆的行驶特征：

货运车辆的行程速度v_travel的表达式为：

其中：

n为货运车辆于检测区段内的GPS数据点数；

p_l为货运车辆在第l个GPS数据点的位置坐标，l＝1,2,…,n-1；

p_l+1为货运车辆在第l+1个GPS数据点的位置坐标；

dist(p_l,p_l+1)为位置坐标p_l与p_l+1之间的欧式距离；

T_n为货运车辆于第n个GPS数据点的时刻信息；

T₁为货运车辆于第1个GPS数据点的时刻信息；

加速时间比例η的表达式为：

其中：

t_a为检测区段内加速总时长；

t为检测区段内行驶时间；

T_l为货运车辆于第l个GPS数据点的时刻信息；

T_l+1为货运车辆于第l+1个GPS数据点的时刻信息；

f_l为加速标记，若v_l+1＞v_l，则f_l＝1，否则，f_l＝0，其中v_l为货运车辆于第l个GPS数据点的行驶速度，v_l+1为货运车辆于第l+1个GPS数据点的行驶速度；

将货运车辆于检测区段上的行驶特征F表示为：

F＝[v_travel,η]^T (5)

步骤2、利用历史货运车辆正常行驶数据，计算历史货运车辆于检测区段内的行驶特征，构成行驶特征数据集，记为DB；

基于构成的行驶特征数据集DB，判断公式(5)计算出的行驶特征是否为局部离群点；其具体过程为：

1)计算检测货运车辆行驶特征F处的局部密度KDE(F)：

其中：

KDE(F)为货运车辆行驶特征F处的核密度；

N_k(F)代表数据集DB中与行驶特征F距离不大于dist_k(F)的数据点的集合，dist_k(F)为行驶特征F到其第k个最近数据点之间的距离；

k为N_k(F)中的元素数量；

d为货运车辆行驶特征F的维度；

dist(F,FD)为货运车辆行驶特征F与FD之间的欧式距离，FD∈N_k(F)；

e为自然对数的底数；

h_F为自适应带宽，计算公式为h_F＝h*dist_k(F)，其中h为固定带宽，通过式

计算得到，c为数据集DB中的样本数，σ₀为数据集DB中样本的标准差；

2)计算检测货运车辆行驶特征F处的局部离群因子KOF(F)：

其中，KDE(FD)为数据点FD处的核密度；

KDE(FD)采用公式(6)的方法计算，计算KDE(FD)时需要考虑FD与数据集DB中的其它数据点的距离以及FD与F的距离，选取出与FD距离最近的k个数据点，用来计算KDE(FD)；

3)计算数据集DB中所有样本的局部离群因子，并将计算出的局部离群因子进行降序排列，若检测货运车辆的局部离群因子KOF(F)位于前g％，则货运车辆行驶特征F为离群点，货运车辆行驶异常；否则，货运车辆行驶特征F不是离群点，货运车辆行驶正常；

步骤3、若检测货运车辆行驶特征F为离群点，则对其离群方向进行确定：

在检测货运车辆通过检测区段之前的一段时间t₁内，经过检测区段的全部货运车辆的平均行程速度为

加速时间比例的平均值为

加速时间比例的标准差为σ_η，若

且

则货运车辆存在高速行驶和持续加速；

进一步地，所述步骤七的具体过程为：

将对第i个检测单元以及第i个检测单元上游的连续M-1个检测单元的行驶轨迹、高速行驶和持续加速的检测结果表示为x：

x＝[ft_i,fa_i,ft_i-1,fa_i-1,…,ft_i-M+1,fa_i-M+1]^T (8)

设货运车辆制动失效诊断结果标志为R：R＝1表示货运车辆制动失效，R＝0表示货运车辆非制动失效；

构建贝叶斯网络：

构建的贝叶斯网络有M个检测单元参与制动失效诊断，按时间顺序，货运车辆依次经过第i-M+1、i-M+2、…、i-1、i个检测单元；

贝叶斯网络的联合概率分布P(R,x)的表达式为：

其中：

P(R)为货运车辆制动状态为R的概率；

P(ft_i-M+1|R)为货运车辆制动状态R的条件下发生ft_i-M+1的概率；

P(ft_j+1|ft_j,R)为在状态ft_j与ft_j+1上的转移概率；

P(fa_j|R)为货运车辆制动状态R的条件下发生fa_j的概率；

根据检测结果x计算货运车辆制动失效的概率P(R＝1|x)：

其中：

P(x,R＝1)为制动失效R＝1与货运车辆检测结果x同时发生的概率；

P(x,R＝0)为非制动失效R＝0与货运车辆检测结果x同时发生的概率；

若P(R＝1|x)≥T₂，则诊断结果为制动失效，否则诊断结果为非制动失效；

T₂为制动失效判断阈值；

进一步地，所述贝叶斯网络满足如下假设：

货运车辆制动失效后，驾驶员碰擦路侧隔离设施前进与货运车辆的高速行驶和持续加速相互独立；

货运车辆制动失效后，若驾驶员于检测单元内碰擦路侧隔离设施前进，则驾驶员为经验丰富驾驶员，更倾向于继续延续此行为，各检测单元间发生行驶轨迹异常存在相关性，且认为服从马尔可夫过程；

货运车辆是否存在高速行驶和持续加速受车辆工况、道路情况影响而随机变化，在各检测单元间相互独立。

本发明的有益效果是：本发明提出了一种长下坡路段货运车辆制动失效诊断方法，本发明综合利用视频传感器、雷达传感器以及车辆GPS传感器获取的相关数据，结合数据融合技术，实现货运车辆制动失效检测，与利用路侧温度传感器直接对车辆制动鼓温度进行检测的方法相比，本发明方法解决了温度传感器在多车道的道路环境下由于车辆遮挡、环境影响以及其他偶发因素引起的误检、漏检问题，提升检测稳定性；同时，在同等建设成本的情况下，本发明所提供的制动失效检测方法能够实现更加广泛的道路检测覆盖，是一种有效的长下坡路段货运车辆制动失效的检测方法，当制动失效车辆行驶过7个检测单元后，检测正确率可达99％以上。

附图说明

图1是本发明所述的长下坡路段货运车辆制动失效诊断方法的流程图；

图2是本发明所述的长下坡路段货运车辆制动失效诊断方法的检测单元划分示意图；

图3是本发明所述的长下坡路段货运车辆制动失效诊断方法的多检测单元协同联动诊断时的贝叶斯网络图。

具体实施方式

下面结合附图1至附图3对本发明做详细的描述：

本发明所述的长下坡路段货运车辆制动失效诊断方法，具体步骤如下：

1、车辆行驶数据检测与处理

本发明依据视频、雷达传感器布设位置将长下坡路段划分检测单元，如图2所示，对本发明所述的检测单元划分方式进行介绍，其中P₁、P₂、…、P_N为检测点，在检测点处布置有视频、雷达传感器，相邻两检测点之间为一个检测区段，每个检测点与其上游相邻检测区段共同构成一个检测单元，对检测单元进行编号，沿下坡方向依次编号为1、2、…、N。

车辆行驶数据是进行车辆制动失效诊断的信息基础，利用视频传感器、雷达传感器、GPS传感器获取车辆行驶数据，具体包括以下步骤：

1)将视频传感器与雷达传感器进行捆绑安装，即在一个检测点位同时安装视频传感器与雷达传感器，可选择雷视一体机，融合视频数据与雷达数据，获取车辆的断面行驶速度，并结合目标跟踪技术，车牌识别技术，获取车辆的牌照信息与其在视频、雷达覆盖区域内的行驶轨迹信息。

2)利用货运车辆的GPS传感器，获取货运车辆在路段上的速度、位置信息，并经过数据处理，去除数据漂移。

2、诊断目标车辆筛选

1)货运车辆制动失效速度界定

车辆制动失效后的表现通常为超速行驶，根据历史货运车辆制动失效后的速度分布，划分货运车辆制动失效速度范围，并依据货运车辆制动失效速度范围划分结果，确定车辆是否处于货运车辆制动失效速度范围内。具体的，设车辆的断面行驶速度为v，若v＞Tv，且依据车辆牌照信息确定其为货运车辆，则其处于货运车辆制动失效速度范围内。其中Tv为货运车辆制动失效速度下界，计算方法如式(11)：

Tv＝μ-3σ (11)

其中：

μ——历史制动失效货运车辆行驶速度的均值；

σ——历史制动失效货运车辆行驶速度的标准差；

2)目标车辆筛选过程

当车辆经过第i个检测单元内的视频、雷达覆盖区域，利用车辆的断面行驶速度、牌照信息，进行货运车辆制动失效速度界定，筛选出需要进行制动失效诊断的目标车辆：

货运车辆制动失效速度界定结果可用布尔变量fv_i进行表示，若fv_i＝1，则车辆速度位于货运车辆制动失效速度范围内，车辆存在制动失效的可能，跳转到“车辆行为异常判定”步骤，对其行为进行检测、判别；否则，车辆为非制动失效，不对其进行制动失效诊断；

3、车辆行为异常判定

在检测单元内对车辆的外在行为表现进行检测，并根据行为检测结果进行车辆行为异常判定，具体的，在检测点处，利用视频、雷达数据对车辆的轨迹异常行为进行检测，在检测区段内，利用GPS数据对车辆的高速行驶、持续加速行为进行检测，具体步骤如下：

1)基于视频、雷达数据的轨迹异常行为检测

利用车辆于视频、雷达覆盖区域内的行驶轨迹信息，对车辆的轨迹异常行为进行检测，具体的，利用图像处理技术，获取道路环境信息，结合车辆行驶轨迹信息，利用深度学习算法、碰撞检测算法，对车辆为了减速碰擦路侧隔离设施前进的行为进行检测。

将车辆在第i检测单元内的轨迹异常行为检测结果记为ft_i：ft_i＝1表示存在轨迹异常行为，ft_i＝0表示无轨迹异常行为。

2)基于GPS数据的高速行驶、持续加速行为检测

利用检测区段内货运车辆的GPS数据，包含速度信息与位置信息，对其高速行驶、持续加速行为进行检测，具体步骤如下：

(1)提取车辆行驶特征，以车辆在检测区段内的行程速度、加速时间比例作为车辆行驶特征，各特征值计算过程如下：

行程速度v_travel可表达为公式(12)：

其中：

n——车辆于检测区段内的GPS数据点数；

p_i——车辆在第i个GPS数据点的位置坐标；

T_i——车辆于第i个GPS数据点的时刻信息；

dist(p_i,p_i+1)——位置坐标p_i与p_i+1之间的欧式距离；

加速时间比例η可表达为公式(13)：

其中：

t_a——检测区段内加速总时长；

t——检测区段内行驶时间；

f_i——加速标记，若v_i+1＞v_i，则f_i＝1，否则，f_i＝0，其中v_i为车辆于第i个GPS数据点的行驶速度；

综上，可将车辆于检测区段上的行驶特征F表达为式(14)：

F＝[v_travel,η]^T (14)

(2)利用历史货运车辆正常行驶数据，计算历史货运车辆于检测区段内的行驶特征，构成行驶特征数据集，记为DB，基于核密度估计方法，判断检测车辆行驶特征是否为局部离群点，即判断其是否为异常点，具体步骤如下：

①采用高斯核函数进行核密度估计，将数据进行标准化处理，并计算检测车辆行驶特征F处的局部密度KDE(F)，可表达为公式(15)：

其中：

KDE(F)——车辆行驶特征F处的核密度；

N_k(F)——与点F距离不大于dist_k(F)的数据点的集合，dist_k(F)为点F到其第k个最近数据点之间的距离；

k——N_k(F)中的元素数量；

d——车辆行驶特征的维度；

dist(F,FD)——车辆行驶特征F与FD之间的欧式距离；

h_F——自适应带宽，车辆行驶特征数据点F处的带宽，计算公式为h_F＝h*dist_k(F)，其中h为固定带宽，可通过式

计算得到，c为数据集DB中的样本数，σ₀为数据集DB中样本的标准差，数据标准化处理后其值为1；

②计算检测车辆行驶特征F处的局部离群因子KOF(F)，可表达为公式(16)：

③参照公式(15)与公式(16)，计算数据集DB中所有样本的局部离群因子，并进行降序排列，若检测车辆的局部离群因子KOF(F)位于前g％，则车辆行驶特征F为离群点，车辆行驶异常。其中g依据行驶异常车辆比例确定。

(3)若检测车辆行驶特征F为离群点，对其离群方向进行确定。统计检测车辆通过检测区段的前一段时间t₁内通过检测区段的货运车辆的平均行程速度

加速时间比例的平均值

标准差σ_η，若

且

则车辆发生高速行驶、持续加速的行为。其中t₁根据经验确定。

将车辆在第i检测单元内的高速行驶、持续加速行为检测结果记为fa_i：fa_i＝1表示存在高速行驶、持续加速行为，fa_i＝0表示无高速行驶、持续加速行为。

3)行为异常判定结果确定

根据车辆行为检测结果，判定车辆是否存在行为异常，可以将车辆行为异常判定结果表达为公式(17)：

其中：

fr_i——第i检测单元内的车辆行为异常结果标记，fr_i＝1表示车辆存在异常行为，fr_i＝0表示车辆无异常行为；

统计上游连续M个检测单元内的车辆行为异常判定结果(fr_i、fr_i-1、…、fr_i-M+1)，若

则跳转到“多检测单元协同联动诊断”步骤，对车辆制动失效进行诊断；否则，车辆为非制动失效，不对其进行制动失效诊断。其中，T₁为车辆行为异常程度阈值，调节其值，可以改变算法灵敏度；M为进行协同联动诊断的单元数，其值越大，诊断正确率越高，但需要车辆行驶的距离越长，对制动失效车辆的诊断越迟钝。

4、多检测单元协同联动诊断

利用车牌信息，关联车辆在不同检测单元内的行为检测结果，结合上游连续M个检测单元内的车辆行为检测结果，采用贝叶斯网络，实现车辆制动失效诊断，具体包括以下内容：

1)贝叶斯网络构建

采用向上回溯的方式获取车辆于上游连续M个检测单元的行为检测结果，构建贝叶斯网络。车辆行为检测结果x可以表达为公式(18)：

x＝[ft_i,fa_i,ft_i-1,fa_i-1,…,ft_i-M+1,fa_i-M+1]^T (18)

设车辆制动失效诊断结果标志为R：R＝1表示车辆制动失效，R＝0表示车辆非制动失效。

如图3所示为构建的贝叶斯网络，有M个检测单元参与制动失效诊断，按时间顺序，车辆依次经过第i-M+1、i-M+2、…、i-1、i检测单元。

贝叶斯网络中作如下假设：(1)车辆制动失效后，驾驶员采取碰擦路侧隔离设施前进的行为与车辆发生高速行驶、持续加速的行为相互独立；(2)车辆制动失效后，若驾驶员于检测单元内采取碰擦路侧隔离设施前进的行为，则驾驶员为经验丰富驾驶员，更倾向于继续延续此行为，检测单元间的轨迹异常行为存在相关性，且认为服从马尔可夫过程；(3)高速行驶、持续加速行为受车辆工况、道路情况影响随机变化，在检测单元间相互独立。

联合概率分布可表达为公式(19)：

其中：

P(R)——车辆制动状态为R的概率，可通过历史统计数据估计；

P(ft_i-M+1|R)——车辆制动状态R的条件下发生行为ft_i-M+1的概率，可以通过历史统计数据估计，其中第i-M+1检测单元为起始单元；

P(ft_t+1|ft_t,R)——在状态ft_t与ft_t+1上的转移概率(对所有的t都成立)，其值与t无关，可以通过历史统计数据估计；

P(fa_t|R)——车辆制动状态R的条件下发生行为fa_t的概率，可以通过历史统计数据估计；

2)诊断结果确定

根据车辆在M个检测单元内的行为检测结果x，计算车辆制动失效的概率P(R＝1|x)，可表达为公式(20)：

其中：

P(x,R＝1)——制动失效R＝1与车辆行为x同时发生的概率，可通过式(19)计算；

P(x,R＝0)——非制动失效R＝0与车辆行为x同时发生的概率，可通过式(19)计算；

根据车辆制动失效概率的计算结果，确定车辆是否为制动失效车辆，诊断结果可表达为式(21)：

其中：

T₂——制动失效判断阈值，调节其值，可以改变算法灵敏度；

输出诊断结果。

实施例

为了验证本发明的有效性，采用数值仿真的方法对本发明的诊断方法进行测试，完成以下实验。

对制动失效诊断的可靠性进行检验，具体实验过程如下：

1)实验过程中做如下假设：

(1)货运车辆发生制动失效的概率为0.00004；

(2)货运车辆制动失效后，驾驶员采取碰擦路侧隔离设施前进的措施的概率为0.7；车辆发生高速行驶、持续加速行为的概率为0.8；

(3)非制动失效货运车辆在行驶过程中，因为一些特殊的原因(如事故、疲劳驾驶等)，碰擦路侧隔离设施的概率为0.0005；发生高速行驶、持续加速行为的概率为0.002；

(4)制动失效车辆采取碰擦路侧隔离设施前进的行为后，在下一检测单元继续延续此行为的概率为0.9；制动失效车辆未采取碰擦路侧隔离设施前进的行为，在下一检测单元采取此行为的概率为0.6；

(5)非制动失效车辆由于某些原因(如疲劳驾驶等)发生碰擦路侧隔离设施前进的行为后，在下一检测单元继续延续此行为的概率为0.01；而在非制动失效车辆未发生碰擦路侧隔离设施时，在下一检测单元保持此状态的概率为0.9995；

综上，可得到车辆发生轨迹异常行为的概率表，车辆发生高速行驶、持续加速行为的概率表，以及检测单元间轨迹异常行为转移概率表，分别如表1、表2、表3所示：

表1轨迹异常行为概率表

P(ft|R)	ft＝0	ft＝1
			R＝0	0.9995	0.0005
R＝1	0.3	0.7

表2高速行驶、持续加速行为概率表

P(fa|R)	fa＝0	fa＝1
			R＝0	0.998	0.002
R＝1	0.2	0.8

表3检测单元间轨迹异常行为转移概率表

2)根据实验假设，随机生成车辆在连续12个检测单元的行为检测结果，分别生成100000条制动失效车辆的行为检测结果与100000条非制动失效车辆的行为检测结果，其中非制动失效车辆行为检测结果依上述假设生成，制动失效车辆从第6个检测单元开始制动失效，在第1至5检测单元行为均正常(无偶发原因引起的异常行为)，从第6检测单元开始，其行为检测结果依据上述假设生成；

3)设置车辆行为异常程度阈值T₁＝1，制动失效判断阈值T₂＝0.9；

4)设置协同联动诊断的单元数量M分别为2、3、4；

5)根据生成的车辆行为检测结果进行车辆行为异常判别，并进行制动失效诊断，对诊断结果进行统计：

(1)统计车辆行驶过全部检测单元后的诊断结果，如表4所示：

表4诊断结果统计表

由表4可知，非制动失效车辆几乎不会出现误检的情况，而制动失效车辆在行驶过全部检测单元后，即车辆制动失效持续7个检测单元后，有99％以上的制动失效车辆被识别出来。

(2)统计制动失效车辆行驶过各检测单元时的诊断正确率，即当制动失效车辆行驶过第i检测单元时，在其上游检测单元(包括第i检测单元)已经判定其为制动失效车辆的统计量，统计结果如表5所示：

表5车辆驶过各检测单元时的诊断正确率

(注：制动失效车辆总数为100000辆)

由表5可知，第6检测单元诊断正确率均为0，是因为在第5检测单元之前车辆未制动失效，行为均正常，在多检测单元协同联动诊断时仅凭借第6检测单元的行为异常无法确认车辆为制动失效车辆；

在制动失效初期，随着车辆的前进，诊断正确率迅速增长，在M＝2时，车辆在制动失效后的前2个检测单元，诊断正确率迅速增加，在M＝3时，车辆在制动失效后的前3个检测单元，诊断正确率迅速增加，在M＝4时，车辆在制动失效后的前4个检测单元，诊断正确率迅速增加，这是因为在制动失效初期，车辆于上游参与协同联动诊断的检测单元内还未发生制动失效，行为正常，随着车辆前进，参与协同联动诊断的单元中车辆制动失效的单元所占比例逐渐增加；在车辆行驶过第9检测单元时，即制动失效持续4个检测单元时，累计诊断正确率均达到了95％以上，之后诊断正确率缓慢增加；

观察M＝3与M＝4时的情况，在第7、8检测单元时，M＝3比M＝4的诊断正确率高，而在第9、10、11、12检测单元时，M＝4比M＝3的诊断正确率高，且都比M＝2的诊断正确率高，可以看出在M较大时，制动失效初期诊断正确率增长相对较慢，反应迟钝，有一定的滞后性，但在制动失效持续一定距离后，M较大时的诊断正确率较高。

本发明采用《公路路线设计细则》中给出的高速公路连续长大下坡路段的界定标准。规定山区高速公路连续下坡路段平均纵坡的路线长度大于表6中的值时，为连续长陡下坡路段，其长度按以下原则确定：

1、平均纵坡小于2％时，不限坡长，称为长缓坡；

2、当连续下坡中出现长度较短的反坡或缓坡时，仍应作为一个连续长陡下坡路段；

3、连续长陡下坡路段两端延长线的平均纵坡应小于2％。

表6山区高速公路连续长陡下坡路段的界定标准

实际情况中，只要满足长下坡路段的界定标准，就需要对其进行制动失效诊断。

本发明方法和用温度检测器对车辆轮毂温度进行检测相比，明显的优点是可以避免车辆的遮挡问题，且能对制动热衰退以外的因素引起的制动失效进行检测。

温度检测器因为对车辆的轮毂进行检测，应布设在路侧，在车辆并行的情况下，会发生漏检问题。此外，因为温度检测直接受环境影响，如降雨等，或车辆轮毂覆盖泥巴等，检测精度会受到影响。且道路中目前极少有温度检测设备，进行布设的话对经费需求大。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种长下坡路段货运车辆制动失效诊断方法，其特征在于，该方法包括以下步骤：

步骤一、在下坡路段方向依次设置有检测点P₀、P₁、P₂、…、P_N，相邻的两个检测点之间为一个检测区段，每个检测点与其上游相邻检测区段共同构成一个检测单元，各检测单元沿下坡方向依次编号为1、2、…、N；

且在每个检测点处均布置有视频传感器和雷达传感器；通过融合视频传感器采集的数据与雷达传感器采集的数据，获取车辆的断面行驶速度、车辆的牌照信息以及车辆在视频传感器和雷达传感器覆盖区域内的行驶轨迹信息；

步骤二、利用车辆的GPS传感器获取车辆在路段上的速度和位置信息，并对获取的速度和位置信息进行处理，获得处理后的速度和位置数据；

步骤三、当车辆经过第i个检测单元内的视频传感器和雷达传感器的覆盖区域时，根据车辆的牌照信息确定出货运车辆，利用货运车辆的断面行驶速度进行货运车辆制动失效速度界定，筛选出需要进行制动失效诊断的目标货运车辆；

货运车辆制动失效速度界定结果采用布尔变量fv_i进行表示：

若fv_i＝1，则货运车辆速度位于货运车辆制动失效速度范围内，货运车辆存在制动失效风险，货运车辆需要进行制动失效诊断，并跳转至步骤四；

否则，货运车辆不存在制动失效风险，不需要进行制动失效诊断；

步骤四、在检测点处，利用视频传感器和雷达传感器数据对货运车辆是否存在行驶轨迹异常进行检测，其具体过程为：

利用图像处理技术获取道路环境信息，结合货运车辆行驶轨迹信息，对货运车辆是否碰擦路侧隔离设施前进进行检测；若货运车辆前进时碰擦路侧隔离设施，则货运车辆存在行驶轨迹异常，否则，货运车辆不存在行驶轨迹异常；

将货运车辆在第i个检测单元内的行驶轨迹检测结果记为ft_i：ft_i＝1表示存在行驶轨迹异常，ft_i＝0表示无行驶轨迹异常；

在检测区段内，利用GPS传感器数据对货运车辆是否存在高速行驶和持续加速进行检测；

将货运车辆在第i个检测区段内的高速行驶和持续加速检测结果记为fa_i：fa_i＝1表示货运车辆存在高速行驶和持续加速，fa_i＝0表示不存在高速行驶和持续加速；

步骤五、若货运车辆在第i个检测单元内出现行驶轨迹异常或存在高速行驶和持续加速，则判定货运车辆在第i个检测单元内存在行为异常；否则，货运车辆在第i个检测单元内未出现行驶轨迹异常且不存在高速行驶和持续加速，则判定货运车辆在第i个检测单元内不存在行为异常；

将第i个检测单元内的货运车辆行为判定结果标记为fr_i：

其中，fr_i＝1表示货运车辆存在行为异常，fr_i＝0表示货运车辆无行为异常；

步骤六、统计第i个检测单元以及第i个检测单元上游的连续M-1个检测单元内的货运车辆行为判定结果，判定结果表示为fr_i、fr_i-1、…、fr_i-M+1，j＝i-M+1,i-M+2,…,i；

若

则跳转至步骤七，对货运车辆制动失效进行诊断；

否则，货运车辆为非制动失效，不对其进行制动失效诊断；

其中，T₁为货运车辆行为异常程度阈值，M为进行协同联动诊断的单元数；

步骤七、结合对第i个检测单元以及第i个检测单元上游的连续M-1个检测单元的行驶轨迹、高速行驶和持续加速的检测结果，采用贝叶斯网络进行货运车辆制动失效诊断。

2.根据权利要求1所述的一种长下坡路段货运车辆制动失效诊断方法，其特征在于，所述视频传感器和雷达传感器捆绑安装。

3.根据权利要求1所述的一种长下坡路段货运车辆制动失效诊断方法，其特征在于，所述对获取的速度和位置信息进行处理是指去除数据漂移处理。

4.根据权利要求1所述的一种长下坡路段货运车辆制动失效诊断方法，其特征在于，所述利用货运车辆的断面行驶速度进行货运车辆制动失效速度界定，筛选出需要进行制动失效诊断的目标货运车辆；其具体过程为：

设货运车辆经过第i个检测点的断面行驶速度为v_i，若v_i＞Tv，则货运车辆处于制动失效速度范围内，其中，Tv为货运车辆制动失效速度下界，Tv的计算方法如式(2)：

Tv＝μ-3σ (2)

其中：

μ代表历史制动失效货运车辆行驶速度的均值；

σ代表历史制动失效货运车辆行驶速度的标准差。

5.根据权利要求1所述的一种长下坡路段货运车辆制动失效诊断方法，其特征在于，所述步骤四中，利用GPS传感器数据对货运车辆是否存在高速行驶和持续加速进行检测，其具体过程为：

步骤1、提取货运车辆的行驶特征：

货运车辆的行程速度v_travel的表达式为：

其中：

n为货运车辆于检测区段内的GPS数据点数；

p_l为货运车辆在第l个GPS数据点的位置坐标，l＝1,2,…,n-1；

p_l+1为货运车辆在第l+1个GPS数据点的位置坐标；

dist(p_l,p_l+1)为位置坐标p_l与p_l+1之间的欧式距离；

T_n为货运车辆于第n个GPS数据点的时刻信息；

T₁为货运车辆于第1个GPS数据点的时刻信息；

加速时间比例η的表达式为：

其中：

t_a为检测区段内加速总时长；

t为检测区段内行驶时间；

T_l为货运车辆于第l个GPS数据点的时刻信息；

T_l+1为货运车辆于第l+1个GPS数据点的时刻信息；

f_l为加速标记，若v_l+1＞v_l，则f_l＝1，否则，f_l＝0，其中v_l为货运车辆于第l个GPS数据点的行驶速度，v_l+1为货运车辆于第l+1个GPS数据点的行驶速度；

将货运车辆于检测区段上的行驶特征F表示为：

F＝[v_travel,η]^T (5)

步骤2、利用历史货运车辆正常行驶数据，计算历史货运车辆于检测区段内的行驶特征，构成行驶特征数据集，记为DB；

基于构成的行驶特征数据集DB，判断公式(5)计算出的行驶特征是否为局部离群点；其具体过程为：

1)计算检测货运车辆行驶特征F处的局部密度KDE(F)：

其中：

KDE(F)为货运车辆行驶特征F处的核密度；

N_k(F)代表数据集DB中与行驶特征F距离不大于dist_k(F)的数据点的集合，dist_k(F)为行驶特征F到其第k个最近数据点之间的距离；

k为N_k(F)中的元素数量；

d为货运车辆行驶特征F的维度；

dist(F,FD)为货运车辆行驶特征F与FD之间的欧式距离，FD∈N_k(F)；

e为自然对数的底数；

h_F为自适应带宽，计算公式为h_F＝h*dist_k(F)，其中h为固定带宽，通过式

计算得到，c为数据集DB中的样本数，σ₀为数据集DB中样本的标准差；

2)计算检测货运车辆行驶特征F处的局部离群因子KOF(F)：

其中，KDE(FD)为数据点FD处的核密度；

3)计算数据集DB中所有样本的局部离群因子，并将计算出的局部离群因子进行降序排列，若检测货运车辆的局部离群因子KOF(F)位于前g％，则货运车辆行驶特征F为离群点，货运车辆行驶异常；否则，货运车辆行驶特征F不是离群点，货运车辆行驶正常；

步骤3、若检测货运车辆行驶特征F为离群点，则对其离群方向进行确定：

在检测货运车辆通过检测区段之前的一段时间t₁内，经过检测区段的全部货运车辆的平均行程速度为

加速时间比例的平均值为

加速时间比例的标准差为σ_η，若

且

则货运车辆存在高速行驶和持续加速。

6.根据权利要求1所述的一种长下坡路段货运车辆制动失效诊断方法，其特征在于，所述步骤七的具体过程为：

将对第i个检测单元以及第i个检测单元上游的连续M-1个检测单元的行驶轨迹、高速行驶和持续加速的检测结果表示为x：

x＝[ft_i,fa_i,ft_i-1,fa_i-1,…,ft_i-M+1,fa_i-M+1]^T (8)

设货运车辆制动失效诊断结果标志为R：R＝1表示货运车辆制动失效，R＝0表示货运车辆非制动失效；

构建贝叶斯网络：

构建的贝叶斯网络有M个检测单元参与制动失效诊断，按时间顺序，货运车辆依次经过第i-M+1、i-M+2、…、i-1、i个检测单元；

贝叶斯网络的联合概率分布P(R,x)的表达式为：

其中：

P(R)为货运车辆制动状态为R的概率；

P(ft_i-M+1|R)为货运车辆制动状态R的条件下发生ft_i-M+1的概率；

P(ft_j+1|ft_j,R)为在状态ft_j与ft_j+1上的转移概率；

P(fa_j|R)为货运车辆制动状态R的条件下发生fa_j的概率；

根据检测结果x计算货运车辆制动失效的概率P(R＝1|x)：

其中：

P(x,R＝1)为制动失效R＝1与货运车辆检测结果x同时发生的概率；

P(x,R＝0)为非制动失效R＝0与货运车辆检测结果x同时发生的概率；

若P(R＝1|x)≥T₂，则诊断结果为制动失效，否则诊断结果为非制动失效；

T₂为制动失效判断阈值。

7.根据权利要求1或6所述的一种长下坡路段货运车辆制动失效诊断方法，其特征在于，所述贝叶斯网络满足如下假设：

货运车辆制动失效后，驾驶员碰擦路侧隔离设施前进与货运车辆的高速行驶和持续加速相互独立；

货运车辆制动失效后，若驾驶员于检测单元内碰擦路侧隔离设施前进，则驾驶员为经验丰富驾驶员，更倾向于继续延续此行为，各检测单元间发生行驶轨迹异常存在相关性，且认为服从马尔可夫过程；

货运车辆是否存在高速行驶和持续加速受车辆工况、道路情况影响而随机变化，在各检测单元间相互独立。

Images