CN112697249A - 一种动态车辆超限判定方法及判定系统 - Google Patents

Abstract

本公开涉及一种动态车辆超限判定方法及判定系统。动态车辆超限判定方法包括采集车辆行驶通过路面板块时对路面板块施加的压力信号；利用预先确定的模型对压力信号进行处理；以及基于处理结果提供车辆是否重量超限的信息。本公开通过预先确定的模型对采集到的压力信号进行处理来确定车辆是否超限，解决了传统称重装置无法准确判断车辆是否超限的问题。

Description

一种动态车辆超限判定方法及判定系统

技术领域

本公开一般地涉及称重技术领域。具体地，本公开涉及一种动态车辆超限判定方法及判定系统。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。

动态称重技术是指在车辆行进过程中对车辆进行称重的技术。动态称重装置被广泛应用于计重收费、超限检测等应用中，在交通管理、超限治理以及进出口监管中起到了重要的作用。传统的动态称重装置通常由承载体和传感器组成。其中，承载体安装在路面基础的凹槽内，用于承载车辆行驶过程中的全部或者部分车辆重量并将其所承载的重量传递至传感器；而传感器设置于承载体下方，用于将其受力转换为电信号。动态行驶的车辆经过安装有传感器的称重台后，传感器感受到动态车辆的压力信号，再由处理器进行一系列的分析、处理，最后计算得出车辆的动态称重数值。

动态称重设备的用途之一是用来判断车辆重量是否超限。所谓重量超限，即车辆重量超出了道路所允许的称重限值。不同车型因轴数、轴间距等的不同，所允许的称重限值也不尽相同。当前的动态称重装置无法准确判断车辆是否超限。

发明内容

为了至少解决上面的一个或多个技术问题，本公开提供一种动态车辆超限判定方法及判定系统。本公开实施例通过预先确定的模型对采集到的压力信号进行处理来确定车辆是否超限，解决了传统称重装置无法准确判断车辆是否超限的问题。鉴于此，本公开在如下的多个方面提供相应的解决方案。

在第一方面，本公开提供一种动态车辆超限判定方法，包括：采集车辆行驶通过路面板块时对路面板块施加的压力信号；利用预先确定的模型对所述压力信号进行处理；以及基于处理结果提供所述车辆是否重量超限的信息。

在一个实施例中，其中，所述预先确定的模型为相似度评估模型，利用所述相似度评估模型对所述压力信号进行处理包括：计算所述压力信号与预先确定的标准库中的比对信号的相似度；以及将相似度最高的比对信号对应的车型作为所述车辆的车型。

在另一个实施例中，其中，所述相似度包括所述压力信号与比对信号的相关系数。

在又一个实施例中，其中所述比对信号通过采集以下一项或多项信息构成：车型信息；是否超限；速度信息；压力信号原始波形、处理波形和车辆重量，其中所述处理波形为对原始波形缩放处理后得到的预定时间长度的波形。

在又一个实施例中，其中，所述方法还包括：基于所述压力信号确定所述车辆的重量；基于所述车辆的车型确定对应的重量限值；以及比较所述车辆的重量和所述重量限值，以确定所述车辆是否重量超限。

在又一个实施例中，其中，按如下公式计算所述车辆的重量W：

其中，Xn为所述压力信号，Yn为相似度最高的比对信号，Wn为所述相似度最高的比对信号所对应的车辆重量。

在又一个实施例中，其中，所述预先确定的模型为神经网络模型，并且所述神经网络模型经过比对数据的训练。

在又一个实施例中，其中，在所述训练中，以比对数据中的车型、车辆重量、是否超限作为标准标签进行训练。

在再一个实施例中，其中所述神经网络模型基于输入的压力信号，输出以下一项或多项：对应的车型、车辆重量以及所述车辆是否超限。

在第二方面，本公开提供一种动态车辆超限判定系统，包括：一个或多个传感器，用于采集车辆行驶通过路面板块时对路面板块施加的压力信号；以及处理单元，用于利用预先确定的模型对所述压力信号进行处理；以及基于处理结果提供所述车辆是否重量超限的信息。

在一个实施例中，其中，所述处理单元进一步用于：基于所述压力信号确定所述车辆的重量；基于所述预先确定的模型确定所述车辆的车型；基于所述车辆的车型确定对应的重量限值；以及比较所述车辆的重量和所述重量限值，以确定所述车辆是否重量超限。

在另一个实施例中，其中所述传感器嵌入在所述路面板块中以采集所述压力信号，所述传感器选自以下任一或多种：称重传感器、加速度传感器、速度传感器和位移传感器。

根据本公开的实施例，通过利用预先确定的模型对压力信号进行处理，以便判断车辆是否超限。进一步地，本公开实施例中利用相似度评估模型来确定压力信号和比对信号的相似度，从而更准确地识别车型，提高了超限判断的准确性。进一步地，本公开实施例还利用神经网络模型以采集到的压力信号为输入进行推理，直接输出车辆的车型、重量或者直接判断车辆是否超限，从而解决了传统称重装置无法判断车辆超限的问题。更进一步地，本公开实施例中传感器与路面板块融为一体，使得传感器的形变量减小，从而提高了传感器的使用寿命。同时，路面板块与传感器之间不存在传力结构，因而不会导致传感器信号滞后，由此减小了由于信号滞后带来的误差问题，提高了称重精度，从而提高了超限判断的准确性。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：

图1A-图1B示出现有称重装置的示例性示意图；

图2示出本公开实施例的动态车辆超限判定系统的示例性结构框图；

图3示出根据本公开实施例的压力信号的示例性波形图；

图4示出根据本公开实施例的预先确定的标准库中的比对信号的示例性示意图；

图5示出根据本公开实施例的传感器布置于路面板块的示例性示意图；

图6-图8示出根据本公开实施例的传感器嵌入在路面板块中的示例性剖面图；以及

图9示出根据本公开实施例的动态车辆超限判定方法的示例性流程图。

具体实施方式

下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

动态车辆称重是指通过测量和分析轮胎动态力来测量一辆运动中的车辆的总重和/或部分重量。动态称重装置通常由承载体和传感器组成且安装于路面基础凹槽内。此外，传感器还外接至包含软件的电子仪器，以便测量动态轮胎力、车辆的轮重、轴重和/或总重。动态车辆称重通常可应用于例如计重收费、高速超限管理等多个场景中，由此，动态称重在交通管理、超限治理以及进出口监管中起到了重要作用。

图1A示出现有称重装置的示例性示意图。如图1所示，在路面基础1的凹槽2内安装有两块承载体3，承载体3之间通过连接件连接并保持表面平齐。每块承载体3底部的四个角处均设置有传感器4。图1B示出了承载体的底面示意图，包括四个传感器4。传感器4可以通过有线或无线外接至电子仪器(图中未示出)。

承载体3和传感器4组成称重装置，该称重装置通过安装底板预埋件5安装并固定于路面基础1的凹槽2内。预埋件5通过连接器6连接并固定至承载体3。安装后的承载体3与路面平齐。承载体3与路面基础1之间还设置有水平限位器7。

当有车辆行驶经过称重装置时，承载体将承受该车辆全部或部分的重量，并且将其所承载的重量传递至传感器，由传感器感测车辆经过时的压力信号。感测到的压力信号接着可以传送到电子仪器和/或数据处理装置，以对压力信号进行分析、处理，从而获得车辆经过时的称重数值。

结合上述图1描述可知，采用现有称重装置的称重方法在一定程度上可以获得车辆重量，但是也存在如下缺陷。

在第一方面，当车辆行驶经过称重装置时，由于承载体直接承载其全部或大部分重量，并将重量传递至传感器，使得承载体与传感器的形变量增大，容易造成承载体和传感器损坏，从而降低了承载体和传感器的使用寿命。

在第二方面，为避免承载体将其所承载的重量传递至路面，在安装过程中，通常在承载体与路面基础凹槽内壁预留间隙。但预留的间隙会导致水或泥沙等进入承载体下方，逐渐积累的水或泥沙将分担本应由传感器承担的压力，从而导致称重数值不准确。因此，需要定期清理承载体下方的杂物，从而造成维护不便。

在第三方面，车辆行驶经过承载体时，会对承载体产生水平作用力。该水平作用力会导致承载体平移，使得承载体与路面基础产生干涉，从而影响称重精度。为防止前述水平作用力的影响，在安装时，通常在承载体和路面基础之间设置水平限位装置(如图1A所示的限位器7)。该设置导致称重装置结构复杂，从而造成安装和维护不便。

在第四方面，由于承载体尺寸较大，与地面平齐并且表面可见，车辆经过时直接与承载体表面接触，当车辆驾驶员有意在承载体上采取例如加速、绕“S”或者顶千斤顶等操作时，会对称重装置的称重精度造成影响。

在第五方面，承载体通常采用金属材料制作而成，并且在制作时尽量将其表面打磨光滑，以便减小车辆经过承载体时产生的振动而影响称重效果。但由于承载体表面的摩擦系数小于混凝土或者沥青路面的摩擦系数，从而对车辆制动造成影响，产生安全隐患。

在车辆重量超限判断中，不同车型因轴数、轴间距等不同，所允许的称重限制也不尽相同。上述称重设备除了前述缺陷之外，也无法识别车型，从而无法准确判断车辆是否重量超限。

有鉴于此，为了克服上述一个或多个方面的缺陷，在本公开的实施例，提供了一种动态车辆超限判定方法及判定系统，解决了传统称重装置无法准确判断车辆是否超限的问题。

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

图2示出本公开实施例的动态车辆超限判定系统200的示例性结构框图。如图所示，动态车辆超限判定系统200包括传感单元201和处理单元202。传感单元201可以包括一个或多个传感器210。

一个或多个传感器210采集车辆行驶通过路面板块时对路面板块施加的压力信号。可以通过传感器来测量路面板块在车辆行驶经过时受力形变产生的位移量或拉伸量来，从而采集压力信号。在一个实施例中，传感器可以是称重传感器、加速度传感器、速度传感器和位移传感器中的任一种或者多种。可以理解，车辆行驶经过路面板块时，由于车辆轴重或者轴组重使得路面板块发生形变，该形变的大小与车辆轴重或者轴组重相关。由此，称重传感器、加速度传感器、速度传感器或者位移传感器可以采集到与路面板块形变相关的信号。其中，称重传感器感测到的形变相关信号是路面板块的弯曲变形产生的拉伸和压缩而导致的水平方向的形变位移。而加速度传感器、速度传感器或者位移传感器感测到的形变相关信号是车辆碾压路面板块而导致路面板块振动产生的竖直方向上的形变位移。在一些实施例中，加速度传感器、速度传感器或者位移传感器感测到的形变相关信号还可以是其附属结构产生的竖直方向上的形变位移。

经过分析，车辆行驶通过路面板块时的主要振动包括以下几类：车辆的轴重给路面板块的形变；车身自身的俯仰振动传递给路面；车轮部分振动的固有频率；以及车轮的轮胎花纹、发动机振动、变速箱等给路面的激励。更进一步分析，车辆的轴重给板块的形变又可以包括两部分：重量带给板块的形变，其表现为超低频的信号；其次为重物对板块的冲击带来的板块振动，这部分振动的频率与速度相关。

在一个实施场景中，上述一个或者多个传感器可以预制或者灌封于路面板块内，并且一个或者多个传感器在路面板块中，沿垂直于车辆行驶方向的宽度方向上可以布置一排、两排、或者还可以布置成更多排。本公开实施例在此不作限制。通过允许混合各种传感器，为系统设计人员提供了更多种选择，以便综合考虑称重精度和建造成本。传感器的布置将在后面详细描述。

处理单元202用于利用预先确定的模型对压力信号进行处理；以及基于处理结果提供车辆是否重量超限的信息。在一些实施例中，处理单元可以包括例如电子仪器设备(其例如可以是数字接线盒)和数据处理装置(可以是运行信号分析软件的处理器，例如MATLAB)。

具体地，处理单元中的电子仪器设备可以用于接收并显示由传感器获取的压力信号，同时对获取到的压力信号进行预处理。在一个实施例中，上述传感器获取的压力信号通常是模拟电压信号。具体地，传感器可以将机械振动量(位移、速度、加速度、力等)转换为电量(电荷、电压等)或电参数(电阻、电感、电容等)的变化。同样地，与本公开实施例中传感器类型相对应地，传感器将重量、加速度、速度或者位移等形变相关信号转换为电压信号。结合上述描述，传感器可以与电子仪器连接，由此，电子仪器对获取到的电压信号可以进行例如放大处理，并将其经过模数转换等预处理转换为可处理的数字信号。

本领域技术人员可以理解，处理单元也可以直接对采集到的模拟信号进行处理，无需进行模数转换。本公开实施例在此方面没有限制。

图3示出根据本公开实施例的压力信号的示例性波形图。图中横坐标表示时间，纵坐标表示幅值。取决于传感器的具体类型，该信号波形可以是原始采集的信号或经过处理的信号。

更为具体地，该传感器是称重传感器时，该信号波形是相应地采集到的路面板块水平方向的位移信号；该传感器是加速度传感器时，该信号波形是相应地采集到的竖直方向上的形变加速度信号进行两次积分处理后的位移信号；该传感器是速度传感器时，该信号波形是相应地采集到的竖直方向上的形变速度信号进行一次积分处理后的位移信号；该传感器是位移传感器时，该信号波形是相应地采集到的竖直方向上的形变位移信号。

在一些实施场景中，前述预先确定的模型可以是相似度评估模型或者神经网络模型。

继续图2，在一个实施例中，当预先确定的模型为相似度评估模型时，处理单元202利用相似度评估模型对压力信号进行处理。更为具体地，处理单元基于压力信号和预先确定的标准库中的比对信号，来计算压力信号和比对信号的相似度，并将相似度最高的比对信号所对应的车型作为当前行驶经过路面板块的车辆的车型。

在一些实施例中，上述比对信号可以包括以下一项或多项信息：不同车型、超限车辆、不超限车辆，以及不同车型中，超限车辆在不同速度情况下的原始波形、处理波形和车辆的重量；不同车型中，不超限车辆在不同速度情况下的原始波形、处理波形和车辆的重量等信息，例如图4所示。

图4示出根据本公开实施例的预先确定的标准库中的比对信号的示例性示意图。图中示出的比对信号包括车型1，车型2，…，车型m，m表示车型的数量，每种车型又分为超限车辆和不超限车辆。其中，超限车辆和不超限车辆中根据不同速度段(速度段1，速度段2，…，速度段n)对应于不同的比对信号1，比对信号2，…，比对信号n，n表示采集的数据量，并且在每个比对信号中还存储有对应的车辆的原始波形、处理波形，以及车辆重量。在一个实施例中，车型1，车型2，…，车型m可以例如是两轴车、三轴车、四轴车、五轴车或者六轴车。为了比对的准确起见，前述处理波形是对原始波形缩放处理后得到的预定时间长度的波形。

进一步地，处理单元首先将采集到的压力信号进行拉伸或压缩，从而获得与比对信号中的处理波形为相同时间长度的压力信号。接着，处理单元基于处理后的压力信号和预先确定的标准库中的比对信号，计算二者的相似度。可以采取多种方式计算相似度，在一个实施例中，可以采用皮尔逊相关系数来计算相似度。例如，可以根据如下公式来计算该压力信号和比对信号的相似度：

其中，X表示压力信号，Y表示比对信号，r(X,Y)表示压力信号X与比对信号Y的皮尔逊相关系数，Cov(X,Y)表示压力信号X和比对信号Y的协方差，Var[X]表示压力信号X的方差，Var[Y]表示比对信号Y的方差。

结合上述描述，基于公式(1)可以获得压力信号的波形和不同比对信号(例如比对信号1，比对信号2，…，比对信号n)中处理波形的相似度。由上述图4可知，不同比对信号对应不同的车辆车型以及车辆重量。进一步地，处理单元可以将相似度最高的比对信号所对应的车型作为当前采集的车辆的车型。

获得车辆的车型后，可以基于该车辆的车型确定该车辆对应的重量限值，比较车辆的重量和重量限值，从而确定车辆是否超限。例如，可以根据GB1589-2016中规定的不同车型的道路车辆质量限值来确定对应的重量限值。例如，在超限运输车辆行驶的相关规定中，对于二轴货车，其重量限值可以是18吨；三轴货车，其重量限值可以是25吨，三轴汽车列车(由牵引车和一辆或一辆以上的挂车组成的车组)，其重量限值可以是27吨；四轴货车，其重量限值可以是31吨，四轴汽车列车，其重量限值可以是36吨；五轴汽车列车，其重量限值可以是43吨；六轴及六轴以上汽车列车，其重量限值可以是49吨。

更进一步地，处理单元可以基于压力信号来确定车辆的重量。可以通过多种方式来计算车辆的重量。在一些实施场景中，处理单元可以基于压力信号获取该压力信号下的形变位移，从而基于如下公式计算车辆的重量W:

W＝∫sdt*v*k (2)

其中，s表示形变位移量，v表示车辆速度，k表示转换系数。转换系数k可以通过对传感器进行标定来确定。

在一种实现中，可以基于这些传感器之间的相对位置、传感器感测到车辆/车轴的时序信号(也即车辆/车轴依次到达各个传感器的时间)等信息来计算车辆的速度。具体计算速度的方式在本领域是已知的，此处不再详述。

在另一些实施场景中，可以参考比对信号来确定车辆的重量。在这些实施例中，可以利用压力信号、相似度最高的比对信号以及其对应的车辆重量来确定当前车辆的重量。例如，可以基于如下公式来计算车辆的重量W：

其中，Xn表示压力信号，Yn表示相似度最高的比对信号，Wn表示相似度最高的比对信号所对应的车辆重量。基于公式(3)可以获取车辆的重量。本领域技术人员可选择不同的计算车辆的重量的方式，本公开对此不作限制。最后，处理单元基于车辆的重量与该车辆的车型所对应的重量限值作比较，从而判断车辆是否超限。

基于上述描述，本公开实施例可以通过计算压力信号和比对信号的相似度，从而根据相似度最高的比对信号从预先确定的标准库中识别出车辆的车型。进一步地，本公开实施例将计算的车辆与车型对应的重量限值作比较，从而可以判断车辆是否超限，解决传统称重无法准确判断车辆超限问题。

在另一个实施例中，当预先确定的模型为神经网络模型时，处理单元可以利用该神经网络模型来直接得出车辆是否超限的结果。神经网络模型可以是预先经过比对数据训练好的。例如，可以首先利用比对数据(例如图4示出的比对信号)来训练该神经网络模型，更为具体地，可以以比对数据中的车型、车辆的重量以及是否超限作为标准标签进行训练。在一个实施例中，本领域技术人员可以通过在布置有动态车辆超限判定系统的测试点采集大量行驶经过该判定系统的车辆的比对数据，从而训练出神经网络模型。

例如，在训练时，当需要输出车辆是否超限，可以从比对数据中选取一个样本(Ai，Bi)，其中，Ai表示比对数据中的处理波形，Bi表示车辆是否超限的二分类结果。基于该样本获得神经网络模型的输出O(超限/不超限)，将神经网络模型的输出O与车辆是否超限的二分类结果Bi进行比较，也即计算输出O和二分类结果Bi的误差D，D＝Bi-O，从而根据该误差D调整神经网络模型的权重矩阵W。基于前述描述，针对于比对数据中的所有样本调整误差D，直至该误差D不超过规定的范围，输出最终的权重矩阵Wm。本领域技术人员可以根据需求，例如调整Bi为车辆的车型或者车辆重量，获取此时的权重矩阵，从而获得需要的输出项(车型/车辆重量)，本公开对比不作限制。

由此，基于已经训练好的神经网络模型，处理单元可以将传感器采集到的压力信号作为神经网络模型的输入，神经网络模型可以输出当前车辆对应的车型、车辆的重量以及车辆是否超限中的一项或多项。具体地，将采集到的压力信号输入神经网络模型中，神经网络模型根据最终的权重矩阵Wm直接输出当前车辆超限或者不超限。

基于上述描述，本公开实施例可以将压力信号输入神经网络模型中，直接获得车辆的车型、重量以及车辆是否超限，从而解决传统称重无法准确判断车辆超限问题。

图5-图8示出根据本公开实施例的传感器布置于路面板块的示例性示意图。这里需要理解的是，图5-图8是图2所示动态车辆超限判定系统200的具体实施方式。因此，上文结合图2所描述的动态车辆超限判定系统200的某些技术特征和细节也同样适用于图5-图8。

图5示出根据本公开实施例的传感器布置于路面板块的示例性俯视图。在沿车辆行驶方向上的道路基础8上布置有路面板块9，路面板块9为矩形，其长度方向与车辆行驶方向平行。在路面板块9内垂直于车辆行驶方向上布置有三排传感器10，每排传感器10示出七个传感器。在一个实施例中，路面板块在与车辆行驶方向垂直的方向上的尺寸(宽度)可以是一个车道的宽度，在与车辆行驶方向平行的方向上的尺寸(长度)超过1米。在另一个实施例中，传感器可以是称重传感器，加速度传感器，速度传感器和位移传感器中的任一种或者多种，并且传感器可以预制或灌封于路面板块内。

图6示出根据本公开实施例的传感器预制于路面板块的示例性侧视图。在沿车辆行驶方向上的道路基础8上布置有路面板块9，在路面板块9内布置传感器11。该传感器11可以是加速度传感器、速度传感器和位移传感器中的任一种。路面板块9在制作时预先安装该传感器11(也即传感器预制于路面板块内)，并且通过安装支架12固定于路面板块内。该安装支架12的强度远远小于路面板块的强度。在本公开实施例中，安装支架仅仅起到辅助传感器定位以及在浇筑时固定传感器的作用。

图7示出根据本公开实施例的传感器灌封于路面板块的示例性侧视图。在沿车辆行驶方向上的道路基础8上布置有路面板块9，在路面板块9内布置传感器11。该传感器11可以是加速度传感器、速度传感器和位移传感器中的任一种。路面板块9在制作好之后通过开槽、灌封等方式后期安装有传感器11(也即传感器灌封于路面板块内)，并且通过安装支架12固定于路面板块内。具体地，首先在路面板块9上开设多个切槽，接着将传感器11通过安装支架12固定于切槽内，并且在安装支架12和切槽的底部之间灌封有弹性灌封材料13并与二者紧密结合。安装支架12的上表面开始灌封有第一灌封材料14，直至与路面切槽平齐。弹性灌封材料13和第一灌封材料14的强度可以相同，也可以不同，并且弹性灌封材料13和第一灌封材料14强度不小于混凝土的强度。在该图中，附属结构是弹性灌封材料，安装结构是第一灌封材料，安装辅件是安装支架。

当车辆经过第二传感器时，其附属结构(弹性灌封材料)因车辆重量而发生形变，从而带动第二传感器发生变形产生压力信号。在该场景中，传感器感测到的形变是车辆重量导致的附属结构在竖直方向上的形变。

图8示出根据本公开实施例的传感器是称重传感器形式的示例性侧视图。在沿车辆行驶方向上的道路基础8上布置有路面板块9，在路面板块9内布置有称重传感器15。路面板块9在制作时预先安装称重传感器15，并且通过固定支架16固定于路面板块9内。

可以理解，传感器在路面板块的深度会影响传感器对作用于其上的压力信号的可检测距离。通常，超出可检测距离时，传感器无法检测或者产生较大误差。由此，在一些实施例中，可以根据传感器的深度来调整每个传感器的位置以及传感器数量，以便保证多个传感器产生的相关信号的一致性，从而获得更准确的压力信号。本公开对传感器的嵌入深度、位置及数量不作限制。

基于上述描述可知，本公开实施例的传感器可以通过安装支架预制或灌封于路面板块内形成一体，路面板块的形变相关信号，并由此获得压力信号。由于传感器与混凝土结合为一体，共同承载车辆重量，因此传感器与混凝土之间没有传力结构，不存在传感器信号滞后和形变量大带来的设备寿命低相关的问题。而且，这种一体结构制造简单，由于不存在空隙和额外的结构，维护起来也很方便，更有利于长期使用。进一步地，传感器嵌入在路面板块中的这种安装方式，使得传感器表面不可见，可以有效抑制车辆驾驶员的各种影响称重的驾驶行为。此外，灌封材料的材质可以与混凝土相同，从而对车辆的制动不会产生不利影响。

基于前述动态车辆称重装置，本公开还提供了一种相应的动态车辆超限判定方法。图9示出根据本公开实施例的动态车辆超限判定方法900的示例性流程图。

如图所示，在步骤902处，采集车辆行驶通过路面板块时对路面板块施加的压力信号。车辆通过路面板块时，路面板块或者传感器的附属结构会因车辆轴重或轴组中的原因而发生形变。这些形变的大小与轴重的大小相关，因此当车辆行驶经过路面板块时，可以通过布置于路面板块内的传感器来采集该压力信号。

在一个实施例中，传感器可以包括以下至少一种：称重传感器、加速度传感器、速度传感器和位移传感器。传感器可以预制或灌封于在路面板块中与之结为一体，以便感测路面板块的形变。传感器与路面板块的结合方式可以参考前面结合图5-图8的描述，此处不再重复。

基于上述采集到压力信号后，继续图9，在步骤904处，利用预先确定的模型对压力信号进行处理。在一个实施例中，当预先确定的模型是相似度评估模型时，可以首先基于上述公式(1)来计算采集到的压力信号和预先确定的标准库中的比对信号的相似度，并将相似度最高的比对信号所对应的存储在标准库中的车型作为当前车辆的车型，从而获得该车型对应的重量限值。进一步地，可以基于上述公式(2)或者公式(3)来计算当前车辆的重量。最后，在步骤906处，基于处理结果提供车辆是否重量超限的信息。更为具体地，将计算得到的车辆的重量和车辆的重量限值进行比较，从而判断车辆是否超限。

在另一个实施例中，当预先确定的模型是神经网络模型时，可以基于首先基于比对数据来完成神经网络模型的训练。由此，将采集到的压力信号输入到训练好的神经网络模型可以输出车辆的车型、车辆重量和是否超限中的一项或者多项。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

应当理解，本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

虽然本文已经示出和描述了本披露的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中，可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。

Claims (12)

1.一种动态车辆超限判定方法，包括：

采集车辆行驶通过路面板块时对路面板块施加的压力信号；

利用预先确定的模型对所述压力信号进行处理；以及

基于处理结果提供所述车辆是否重量超限的信息。

2.根据权利要求1所述的方法，其中，所述预先确定的模型为相似度评估模型，利用所述相似度评估模型对所述压力信号进行处理包括：

计算所述压力信号与预先确定的标准库中的比对信号的相似度；以及

将相似度最高的比对信号对应的车型作为所述车辆的车型。

3.根据权利要求2所述的方法，其中，所述相似度包括所述压力信号与比对信号的相关系数。

4.根据权利要求3所述的方法，其中所述比对信号通过采集以下一项或多项信息构成：

车型信息；是否超限；速度信息；压力信号原始波形、处理波形和车辆重量，其中所述处理波形为对原始波形缩放处理后得到的预定时间长度的波形。

5.根据权利要求2-4任一所述的方法，其中，所述方法还包括：

基于所述压力信号确定所述车辆的重量；

基于所述车辆的车型确定对应的重量限值；以及

比较所述车辆的重量和所述重量限值，以确定所述车辆是否重量超限。

6.根据权利要求5所述的方法，其中，按如下公式计算所述车辆的重量W：

其中，Xn为所述压力信号，Yn为相似度最高的比对信号，Wn为所述相似度最高的比对信号所对应的车辆重量。

7.根据权利要求1所述的方法，其中，所述预先确定的模型为神经网络模型，并且所述神经网络模型经过比对数据的训练。

8.根据权利要求7所述的方法，其中，在所述训练中，以比对数据中的车型、车辆重量、是否超限作为标准标签进行训练。

9.根据权利要求8所述的方法，其中所述神经网络模型基于输入的压力信号，输出以下一项或多项：对应的车型、车辆重量以及所述车辆是否超限。

10.一种动态车辆超限判定系统，包括：

一个或多个传感器，用于采集车辆行驶通过路面板块时对路面板块施加的压力信号；以及

处理单元，用于利用预先确定的模型对所述压力信号进行处理；以及基于处理结果提供所述车辆是否重量超限的信息。

11.根据权利要求10所述的系统，其中，所述处理单元进一步用于：

基于所述压力信号确定所述车辆的重量；

基于所述预先确定的模型确定所述车辆的车型；

基于所述车辆的车型确定对应的重量限值；以及

比较所述车辆的重量和所述重量限值，以确定所述车辆是否重量超限。

12.根据权利要求10-11任一所述的系统，其中所述传感器嵌入在所述路面板块中以采集所述压力信号，所述传感器选自以下任一或多种：称重传感器、加速度传感器、速度传感器和位移传感器。

Images