CN113932758B - 一种路面平整度预测方法及装置 - Google Patents

一种路面平整度预测方法及装置 Download PDF

Info

Publication number
CN113932758B
CN113932758B CN202111078618.6A CN202111078618A CN113932758B CN 113932758 B CN113932758 B CN 113932758B CN 202111078618 A CN202111078618 A CN 202111078618A CN 113932758 B CN113932758 B CN 113932758B
Authority
CN
China
Prior art keywords
vehicle
data
model
road
flatness
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.)
Active
Application number
CN202111078618.6A
Other languages
English (en)
Other versions
CN113932758A (zh
Inventor
杜昭
朱兴一
杜豫川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202111078618.6A priority Critical patent/CN113932758B/zh
Publication of CN113932758A publication Critical patent/CN113932758A/zh
Application granted granted Critical
Publication of CN113932758B publication Critical patent/CN113932758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种路面平整度预测方法及装置，方法包括采集车辆模型参数、路面谱及车辆行驶速度数据；根据所采集车辆模型参数，建立车辆动力学模型，将路面谱及车辆行驶速度输入车辆动力学模型，进行车辆动力学仿真，采集车身振动响应数据；借助小波变换对振动响应数据进行初步特征提取，得到车辆振动响应的时频分布图，将生成的所述时频分布图作为数据采样，将路面谱平整度等级作为数据标签，构建数据‑标签数据组，并将所述数据‑标签数据组作为输入对卷积神经网络模型进行分类训练；选取并利用最优卷积神经网络模型对车辆振动时程数据进行实时分类，判断路面平整度等级。装置包括传感模块、数据存储模块、计算分析模块、通信模块、可视化模块和辅助模块。

Description

一种路面平整度预测方法及装置
技术领域
本发明涉及道路工程及车辆工程技术领域。
背景技术
平整度是评价路面质量的主要技术指标之一。对路面平整度信息的及时、准确掌握对路面行驶质量分析、道路路面管理及维护具有重要意义。此外，作为车辆行驶过程中的主要激励来源，路面平整度直接关系到行车的安全性及舒适性。不平整的路面会增大行车阻力，并使车辆产生附加的振动作用，这种振动作用会造成行车颠簸，影响行车的速度和安全，进而影响驾驶的平稳和乘客的舒适。随着车辆智能化程度及电子控制技术的不断提升，现代车辆多采用主动、半主动或自适应悬架控制系统来实现对车辆振动的控制，以保证车辆在不同平整度等级路面上行驶的安全性及舒适性。所述悬架控制系统同样需要感知路面平整度等级以实时调节悬架参数。
目前，对路面平整度的检测方法大致分为三类——直接测量类、非接触测量类及车载传感器响应类。直接测量类与非接触测量类方法标准化程度和自动化程度比较高，但测试成本较高，检测频率低(一般为一年一次)，且测试过程对交通的顺畅运行有一定影响；车载传感器响应类方法效率很高，且具备应用于普通车辆构建群智感知网络实现对路面平整度大范围高频检测的潜力。到目前为止，基于车载响应式的路面平整度检测方法已经有了一定范围的应用，但是该方法往往需要事先对车辆参数进行标定，因此其准确性、普适性仍存在不足。
发明内容
鉴于以上所述现有技术的缺点，本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明围绕车载响应式的路面平整度检测技术提供了一种基于预训练模型和卷积神经网络算法的路面平整度预测方法及装置。
本发明一方面提供一种基于预训练模型和卷积神经网络算法的路面平整度预测方法，该方法能准确识别出不同路面平整度等级所引起的车辆振动响应，也即建立了车辆振动响应与不同路面平整度等级之间的关系。
为达到上述目的，本发明提出了基于预训练模型和卷积神经网络算法的路面平整度预测模型构建方法，包括以下步骤：
步骤S1，采集不同车辆模型参数，路面谱以及车辆在不同路段正常行驶过程中的速度变化；
步骤S2，根据所采集车辆模型参数，建立车辆动力学模型(半车模型或全车模型)，将所述路面谱及所述实测车辆行驶速度输入所述车辆动力学模型，进行车辆动力学仿真，求解本发明装置预留安装处的振动响应；
步骤S3，采用小波变换对所述振动响应数据进行初步特征提取，得到所述车辆振动响应数据的时频分布图，将生成的所述时频分布图作为数据采样，将路面谱平整度等级作为数据标签，构建数据-标签数据组，并将所述数据-标签数据组作为输入对卷积神经网络分类器进行分类训练；
步骤S4，选取并利用最优卷积神经网络分类器对振动输入进行实时分类，判断路面平整度等级。
本发明基于预训练模型和卷积神经网络算法的路面平整度预测方法，以小波变换对车身振动信号进行处理，可以有效的初步提取振动信号的时频域特征，并将该特征以图像的方式表达，输入卷积神经网络分类器中，有利于卷积神经网络进行识别和处理；模型训练集数据采用了多个车辆，不同实测行驶速度下的车辆振动响应数据，可有效提高该方法在不同车辆及驾驶模式下的通用性。
附加的技术特征：
进一步地，在本发明的一个实施例中，所述步骤S1中采集车辆模型数据，其中，所述参数包括车身质量、车身转动惯量、前轮质量、后轮质量、前悬架垂直阻尼、后悬架垂直阻尼、前悬架垂直刚度、后悬架垂直刚度、前轮胎垂直刚度、后轮胎垂直刚度、车身质心到前轴距离、车身质心到后轴距离、车身质心到预留传感器安装位置距离等。
进一步地，在本发明的一个实施例中，所述步骤S1中采集车辆行驶速度数据，应尽可能覆盖车辆在不同平整度等级路面行驶时的速度变化。
进一步地，在本发明的一个实施例中，所述步骤S2中为了弥补实测路面谱样本量较少的不足，可参考ISO-8086，构造不同平整度等级随机路面谱。
进一步地，在本发明的一个实施例中，所述步骤S3中选择预训练模型对时频分布图深层特征进行挖掘，构建分类器对所述特征进行分类，分类类别对应不同路面平整度等级。
进一步地，在本发明的一个实施例中，所述步骤S3中选取所述最优卷积神经网络模型的衡量指标为训练集分类准确率、验证集分类准确率、训练集损失和验证集损失。
进一步地，在本发明的一个实施例中，所述步骤S4中根据所述衡量指标选取当前最优卷积神经网络模型后，还将未用于训练的样本作为输入，进行模型分类效果的验证，确定所述当前模型是否为所述最优模型。
本发明另一方面提供一种基于预训练模型和卷积神经网络算法的路面平整度预测装置，包括传感模块、数据存储模块、计算分析模块、通信模块、可视化模块和辅助模块；
所述传感模块包括但不限于加速度传感器、速度传感器和GPS定位传感器，通过传感器采集车辆行驶过程中的加速度、速度和位置时程数据等。
所述数据存储模块与计算分析模块通信连接，用于数据存储，将传感器采集得到的数据以一定频率存储并发送至计算分析模块进行分析。
所述计算分析模块与通信模块和显示模块通信连接，对车辆振动数据信息进行分析生成路面平整度预测结果，将路面平整度预测结果发送给通信模块和显示模块。
具体地，计算分析模块包括：数据读取单元、数据预处理单元、模型推理单元和数据输出单元；
数据读取单元，用于读取传感模块检测的车辆时程振动数据信息；
数据预处理单元，用于对车辆时程振动数据信息进行预处理；
模型推理单元，部署了前述一种基于预训练模型和卷积神经网络算法的路面平整度预测方法中得到的最优模型，对预处理后的车辆时程振动数据信息进行分析，生成路面平整度等级预测结果；
数据输出单元，用于将路面平整度等级预测结果发送至通信模块和显示模块。
所述通信模块，用于信息传输，将接收到的路面平整度预测结果发送至预设接收端(云端)。
所述可视化模块，进行信息显示，包括电子显示屏，对路面平整度预测结果进行可视化与显示。
所述辅助模块包括但不限于连接装置、固定装置、供电模块和保护装置；
连接装置包括连接接口和连接线，用于多个模块之间的连接，形成模块之间的通路，便于在模块之间传输数据；
固定装置，用于对路面平整度预测装置的多个模块进行固定，维持各个模块的位置，避免在车辆高速行驶颠簸过程中连接失效或模块脱落；
保护装置，为设置在路面平整度预测装置多个模块外部的外壳，用于对路面平整度预测装置进行保护，免于损坏或被外部环境干扰；
供电模块用于为路面平整度预测装置供电，维持其正常工作。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1显示为本发明一个实施例的基于预训练模型和卷积神经网络算法的路面平整度预测方法流程图。
图2显示为本发明一个实施例的基于预训练模型和卷积神经网络算法的路面平整度预测装置示意图。
图3显示为本发明一个实施例实测车辆在某路段行驶速度时程变化示例。
图4显示为本发明一个实施例所生成随机路面谱。
图5显示为本发明一个实施例所构建半车模型。
图6显示为本发明一个实施例中半车模型仿真Simulink模型。
图7显示为本发明一个实施例中车身振动数据时频分布特征图像的生成：(a)与(b)分别为时域频域中车身振动信号，(c)为该信号的时频分布特征图，(d)为经过归一化及重新缩放后作为CNN模型输入的时频分布图。
图8显示为本发明一个实施例中所构建的卷积神经网络模型。
图9显示为本发明一个实施例中CNN模型在训练集、验证集的分类(a)准确率和(b)损失值。
图10显示为本发明一个实施例中不同CNN模型在测试集的分类归一化混淆矩阵(a)VGG19,(b)ResNet50v2和(c)EfficientNetB0。
图11显示为本发明一个实施例中实测车辆振动响应示例。
图12显示为本发明一个实施例中实测路面谱示例。
图13显示为本发明一个实施例中实测路段IRI计算结果。
图14显示为本发明一个实施例中预测结果混淆矩阵。
具体实施方式
为了使本发明的发明目的、技术方案和有益技术效果更加清晰，以下结合实施例对本发明进行进一步详细说明，熟悉此技术的人士可由本说明书所揭露的内容容易地了解本申请发明的其他优点及功效。
本发明一方面提供一种基于预训练模型和卷积神经网络算法的路面平整度预测方法。所述方法流程如图1所示，包括：
步骤S1：采集车辆模型参数，不同平整度等级路面谱以及车辆在不同路段正常行驶速度。
进一步地，在本发明的一个实施例中，根据车辆动力学建模需求，所需采集车辆模型参数主要包括车身质量、车身转动惯量、前轮质量、后轮质量、前悬架垂直阻尼、后悬架垂直阻尼、前悬架垂直刚度、后悬架垂直刚度、前轮胎垂直刚度、后轮胎垂直刚度、车身质心到前轴距离、车身质心到后轴距离、车身质心到传感器距离等；
进一步地，步骤S1采集不同平整度等级路面谱，根据国际平整度指数(International Roughness Index,IRI)计算过程中对轮胎运动包络的假设，路面谱采集分辨率应高于0.25m，随后，计算路面功率谱密度(Power Spectral Density，PSD)及IRI，以PSD等级作为实测路面谱的数据标签，当IRI与PSD对路面平整度等级划分出现矛盾时，应以IRI为准；
进一步地，步骤S1采集车辆在不同路段行驶过程中的速度变化，用于后述车辆动力学仿真；
步骤S2：根据车辆模型参数，构建车辆动力学模型，将所采集路面谱数据或随机路面谱数据及速度谱数据输入动力学模型，计算车辆动力学响应，构建模型训练用数据集。
进一步地，在本发明的一个实施例中，为弥补实测路面谱数据样本量太小，采用谐波叠加法构建了若干不同平整度等级的随机路面谱；
进一步地，在本发明的一个实施例中，基于所采集车辆参数，构建车辆动力学模型，将路面谱及速度谱数据输入所述模型，求解得到车辆在不同路面谱，以不同速度行驶时的车辆振动时程数据。
步骤S3：采用小波变换对所采集振动数据进行初步特征提取，得到的小波系数矩阵，将该小波系数矩阵映射为小波图像作为数据采样，将路面平整度等级作为数据标签，构建数据-标签数据组，并将数据-标签数据组作为输入对卷积神经网络(ConvolutionalNeural Networks,CNN)模型进行分类训练。
其中，CNN模型具有不同的模型架构。
需要说明的是，本发明实施例中步骤S3还包括：小波变换的计算参数选取过程，车辆振动时程数据小波变换后得到小波系数的矩阵，再通过将矩阵像素化处理得到小波系数图，也即车身振动时频分布图。其中，时频分布图的水平轴代表时间，竖直轴代表频率，颜色深浅代表小波能量的强弱(小波系数模的大小)。在小波系数矩阵映射为时频分布图过程中，对所有小波系数矩阵的归一化处理及像素化操作需保持一致。
进一步地，在本发明的一个实施例中，步骤S3还包括：选取预训练模型，模型架构修改，超参数微调与训练的过程。具体地，通过修改预训练模型中的卷积层和池化层，添加全连接层构建分类器等改变模型架构，适当调整Dropout比例等超参数的取值，得到不同的CNN模型。以训练集分类准确率、测试集分类准确率、训练集损失、测试集损失作为CNN模型分类效果的衡量指标，判断CNN分类器的性能。选取综合训练结果最优的CNN，将未用于训练的振动信号时频分布图分别作为输入，进行识别分类的验证，当验证结果与训练结果均表现优异且接近，则表明该CNN模型效果良好。
步骤S4：选取并利用最优CNN分类器对振动输入进行实时分类，判断路面平整度等级。
也就是说，从训练完成的多个不同架构的卷CNN分类器中，选取性能最为优异的CNN分类器应用于路面平整度的预测，通过CNN分类器对车身振动信号的实时分类识别，确定路面的平整度等级。由于训练集数据来自于不同车辆模型，不同速度下的振动数据，该模型可在一定程度上降低车辆类型及驾驶模式对预测结果的影响，也即进一步部署于多辆非标定车辆实现对路面平整度等级的大范围预测。
本发明另一方面提供一种基于预训练模型和CNN算法的路面平整度预测装置。图2为根据本发明一个实施例的基于预训练模型和CNN算法的路面平整度预测装置结构示意图。
如图2所示，该基于预训练模型和CNN算法的路面平整度预测装置包括：传感模块100、数据存储模块200、计算分析模块300、通信模块400和可视化模块500。
其中，传感模块100与数据存储模块200通信连接，用于感知车辆运行过程中的振动数据，并将振动数据存储在数据存储模块200；
数据存储模块200与计算分析模块300通信连接，用于数据存储，将传感器采集得到的振动数据以一定频率存储并发送至计算分析模块进行分析；
计算分析模块300与通信模块400和显示模块500通信连接，对车辆振动数据信息进行分析生成路面平整度预测结果，将路面平整度发送给通信模块300和显示模块400；
通信模块400，用于信息传输，将接收到的路面平整度预测结果发送至预设接收端(云端)。
显示模块500，进行信息传输，包括电子显示屏，对路面平整度预测结果进行可视化与显示。
进一步地，在本发明的一个实施例中，传感模块为加速度传感器、速度传感器和GPS定位传感器等。
利用传感模块100以一定频率记录车辆行驶过程中的加速度、速度或位置时程数据，并将传感模块记录的数据组成车辆时程振动数据信息，存储于数据存储模块。
本发明实施例中使用的传感器精度高、频带宽，不同的传感器之间独立工作，互不干扰。为适应车辆高速行驶，作为一种优选的方式，传感模块应选工作频率高于100Hz的传感器。
进一步地，在本发明的一个实施例中，计算分析模块300，包括：数据读取单元、数据预处理单元、模型推理单元和数据输出单元；
数据读取单元，用于读取传感模块检测的车辆时程振动数据信息；
数据预处理单元，用于对车辆时程振动数据信息进行预处理；
模型推理单元，部署了前述一种基于预训练模型和CNN算法的路面平整度预测方法中得到的最优模型，对预处理后的车辆时程振动数据信息进行分析，生成路面平整度等级预测结果；
数据输出单元，用于将路面平整度等级预测结果发送至通信模块和显示模块。
具体地，计算分析模块中的CNN预测模型为前述方法中基于广泛认可的机器学习平台TensorFlow搭建先进的CNN框架，并经过模型训练，评估所确定的最优模型。
进一步地在，在本发明的实施例的装置中，还包括：附加模块600；
附加模块包括但不限于连接装置、固定装置、供电模块和保护装置；
连接装置包括连接接口和连接线，用于多个模块之间的连接，形成模块之间的通路，便于在模块之间传输数据；
固定装置，用于对路面平整度预测装置的多个模块进行固定，维持各个模块的位置，避免在车辆高速行驶颠簸过程中连接失效或模块脱落；
保护装置，为设置在路面平整度预测装置多个模块外部的外壳，用于对路面平整度预测装置进行保护，免于损坏或被外部环境干扰；
供电模块用于为路面平整度预测装置供电，维持其正常工作。
可以理解的是，各个模块通过接口和数据线进行连接，以进行各个模块间的通信，通过固定装置(可以为塑料支架)对各个模块进行固定，在对整个装置进行供电时，可以选择可充电的锂电池，经济、方便。
下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
实施例1
下面结合具体示例对本发明的基于预训练模型和CNN算法的路面平整度预测方法做进一步描述。
步骤1，采集不同车辆动力学模型参数，不同平整度等级路面谱以及车辆在不同路段正常行驶过程中的速度变化。表1给出了本实施例所采集主要参数示例。所采集车辆在某路段正常行驶速度变化见图3。
表1车辆动力学模型参数示例
Figure BDA0003263147410000101
Figure BDA0003263147410000111
步骤2，基于车辆动力学仿真求解车辆模型在不同平整度等级路面上的振动响应；
步骤2.1，为弥补实测路面谱样本量较小的不足，基于谐波叠加法生成不同平整度等级随机路面谱。谐波叠加法基本思想是用一系列谐波函数来近似路面谱PSD，将路面谱频率区间[fa,fb]等分为M个小区间，采用第u(u＝1,2,…,M)小区间的中心频率fmid-u作为整个小区间上PSD的值，则第u个小区间的PSD为Gq(fmid-u)，具体见式(1)：
Figure BDA0003263147410000112
式中，x(t)为路面谱在时刻t时的高程，φu为随机数且在区间[0,2π]上服从均匀分布。Gq(fmid-u)取值满足式(2)。
Figure BDA0003263147410000113
式中，Gq(n0)为参考频率n0时PSD取值。不同等级随机路面谱Gq(n0)取值及对应IRI值见表2。图4给出了基于所述方法生成的随机路面谱示例。
表2路面平整度等级对应PSD与IRI值
Figure BDA0003263147410000114
Figure BDA0003263147410000121
步骤2.2，车辆动力学模型的建立及求解。
本实施例建立了图5所示半车模型进行动力学仿真。对所述半车模型，定义车身质心处动力学响应为x(t)，见式(3)，式中xs,x1及x2分别为车身，前悬架及后悬架垂直位移。θs为车身俯仰角位移；路面激励输入为y(t)，见式(4)，y1与y2分别为前后轮路面谱输入。应用拉格朗日方法，可以得到车辆动力学方程，见式(5)。
Figure BDA0003263147410000122
Figure BDA0003263147410000123
Figure BDA0003263147410000124
式中，M，C，K分别为车辆模型的质量矩阵，阻尼矩阵及刚度矩阵；P为荷载向量；
Figure BDA0003263147410000125
与
Figure BDA0003263147410000126
分别为x(t)的一阶与二阶导数。M，C，K，P见式(6)-(9)，式中各参数见表1。
Figure BDA0003263147410000127
Figure BDA0003263147410000128
Figure BDA0003263147410000131
Figure BDA0003263147410000132
为求解传感器处的动力学响应，定义车身动力学响应的状态向量为z,传感器处的观测向量为u,即：
Figure BDA0003263147410000133
Figure BDA0003263147410000134
式中，
Figure BDA0003263147410000135
为车身动力学响应的状态向量z的一阶导数；xs,x1及x2分别为车身，前悬架及后悬架垂直位移；θs为车身俯仰角位移；
Figure BDA0003263147410000136
及
Figure BDA0003263147410000137
对应xs,x1 x2及θs的一阶导数，即分别表示车身，前悬架及后悬架垂直速度，车身俯仰角速度；xsensor与
Figure BDA0003263147410000138
分别表示传感器处垂直位移及加速度；θsensor与
Figure BDA0003263147410000139
分别表示传感器处俯仰角位移与角速度。则，状态方程与观测方程为：
Figure BDA00032631474100001312
式中，A,B,C,D分别如式(13),(14),(15),(16)所示。
Figure BDA00032631474100001310
Figure BDA00032631474100001311
Figure BDA0003263147410000141
D＝O (16)
式中，O与I分别表示零矩阵与单位矩阵。
采用Simulink对所述半车模型进行仿真，求解得到不同车辆模型，在不同平整度等级路面谱上以实测速度行驶时传感器部位的振动响应时程数据。
步骤3，对振动数据采用小波变换进行初步特征提取，将振动信号时频域特征作为图像输入CNN分类器进行训练。
步骤3.1，对信号进行小波变换，对比不同类型振动在时频域的差异。对车身振动时频信号以10s为间隔进行小波变换，小波函数选择Morse函数，频率范围确定为0～45Hz。振动时程数据小波变换后得到小波系数的矩阵，再通过矩阵像素化处理得到小波系数图。输入CNN模型进行训练的小波图像大小为224×224像素，如图7所示，其中，小波图像的水平轴代表时间，竖直轴代表频率，颜色深浅代表小波能量的强弱(小波系数模的大小)。小波系数矩阵与图像能有效的反映车辆振动的时频域特性。
步骤3.2，数据集的构建与划分。本实施例共构建了60个不同车辆动力学模型，通过动力学仿真，采集了所述车辆模型在8个不同平整度等级路面谱(路面谱时域长度为1000s)上，以10个不同实测速度行驶(平均速度为30至120km/h，以10km/h为步长)时的振动响应数据。则数据集总样本量为480000(60×8×10×1000/10)。以6.75:2.25:1划分数据集为训练集，验证集和测试集。
步骤3.3，CNN模型的架构、参数选取与训练。CNN模型能有效的提取图像中的纹理、颜色分布等深层特征。本实施例选取三个广泛应用的预训练模型，即VGG19，ResNet50v2和EfficientNetB0。针对预训练模型的改变主要为增加全连接层等构建分类器，如图8所示。分类器输出类别数目为8，对应不同路面平整度等级。网络的训练效果的衡量标准则为训练稳定后的训练集、验证集的分类准确率和损失值，如图9所示。对于本实施例所构建CNN模型，训练集与验证集的平均准确率均能达到95％及以上；
步骤4，选取并利用最优CNN模型对车辆振动时程数据进行实时分类，判断路面平整度等级。考察三个网络模型在测试集上预测结果，采用归一化混淆矩阵对预测结果在不同类别上的准确性进行综合考虑，见图10。在本实施例中，VGG19模型具备最佳性能。
综上，本发明实施例提出的基于预训练模型和CNN算法的路面平整度预测方法，通过CNN分类器对车身振动信号的实时分类识别，确定路面的平整度等级；以小波变换对车身振动信号进行处理，可以有效的初步提取振动信号的时频域特征，并将该特征以图像的方式表达，输入CNN分类器中，有利于CNN进行识别和处理。CNN通过对图像中包含的深层特征进行提取，例如图像中的颜色与纹理信息等，通过深层特征的差异对其进行分类，从而实现对路面平整度的预测。
实施例2
在实施例1中建立基于预训练模型和CNN算法的路面平整度预测方法后，即可将该模型应用于本发明装置，实现对实际路段的平整度分级。
本实施例的目标对象为某高速公路，长度约为20km。通过在车辆上安装本发明装置，实测得到车辆在该路段行驶时的振动响应，如图11所示。
在本发明装置传感模块记录、生成时程数据的同时，计算分析模块将被激活，并通过Python程序持续读取传感模块记录并存储在数据存储模块上的数据，开展必要的预处理并提供给计算分析模块中的核心预测模型。核心预测模型将以10s为时间间隔，持续接收处理后的加速度时程记录，不断做出路面平整度分级预测并持续更新结果。
在本实施例中，计算分析模块通过软件和硬件结合实现，软件部分包含预测模型、数据读取、数据预处理和结果输出程序。数据读取程序从传感模块读取加速度、速度或位置时程数据；数据预处理程序进行必要的截取、格式转换等预处理后，传输数据给核心模型单元；数据输出程序将核心模型单元的预测结果传输给显示模块和通信模块；使用的程序可以基于开源Python语言进行开发；将程序部署于相应硬件单元中，实现各自的功能。
计算分析模块的硬件部分由微型计算机(树莓派微型计算机)或其他具有相似能力的计算单元组成，包含一定大小的高速缓存(内存)、存储空间(硬盘)和具有一定计算能力的CPU核心。
在计算分析模块开展预测并实时给出结果的同时，内置Python程序会将结果同时传递给通信模块和显示模块。通信模块400将按照预定指令，借助无线网卡或其他相似功能的信号发射器将预测分析结果直接(或通过中继通讯节点)传输至指定云服务器。
在本实施例中，显示模块的核心是电子显示屏，与计算分析模块连接并接收传递来的路面平整度预测结果，并按照既定的规则，向使用者展示。
为了验证本发明装置及方法预测结果的准确性，同时采集了该路段的路面谱数据，如图12所示。路面高程采集采用激光平整度仪，测量分辨率为0.05m。
对该路段路面谱进行分析，以100m为间隔计算IRI，如图13所示，可以看出IRI均小于3，参照表2，也即该路段平整度等级大部分处于A等级。
对比本发明方法及装置预测结果与实际结果，图2给除了预测结果与真实值的混淆矩阵，可以看出，本发明方法及装置具有较高的精度，准确率约为0.84，F1值约为0.9。
根据本发明实施例提出的基于预训练模型和CNN算法的路面平整度预测装置，通过传感模块获取车辆行驶过程中车身振动时程数据信息，利用计算分析模块对振动数据信息进行读取和预处理，通过CNN模型对预处理后振动数据信息进行分析，得到路面平整度等级预测结果，通信模块将路面平整度等级预测结果发送至云端，显示模块将路面平整度等级预测结果进行可视化转换，并通过电子显示屏进行显示。本方法准确、高效，并能随着情景的演化持续更新结果，且由于模型训练数据集来自于不同车辆模型，不同速度下的振动数据，该模型可在一定程度上降低车辆类型及驾驶模式对预测结果的影响，也即进一步部署于多辆非标定车辆实现对路面平整度等级的大范围预测，对于道路基础设施服役性能的高频大范围监测意义重大。
综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种路面平整度预测方法，其特征在于，所述方法包含以下步骤：
步骤S1，基础数据采集，包括车辆动力学模型参数，不同平整度等级路面谱以及车辆行驶速度变化；
步骤S2，根据所采集车辆模型参数，建立车辆动力学模型，将所述路面谱及实测车辆行驶速度输入所述车辆动力学模型，进行车辆动力学仿真，采集车身振动响应数据；
定义车身质心处动力学响应为x(t)，见式(3)，式中xs,x1及x2分别为车身，前悬架及后悬架垂直位移；θs为车身俯仰角位移；路面激励输入为y(t)，见式(4)，y1与y2分别为前后轮路面谱输入；应用拉格朗日方法，得到车辆动力学方程，见式(5)；
Figure FDA0003853297420000011
Figure FDA0003853297420000012
Figure FDA0003853297420000013
式中，M，C，K分别为车辆模型的质量矩阵，阻尼矩阵及刚度矩阵；P为荷载向量；
Figure FDA0003853297420000014
与
Figure FDA0003853297420000015
分别为x(t)的一阶与二阶导数；M，C，K，P见式(6)-(9)，式中各参数；车身质量ms参数为1400kg
车身转动惯量Is参数为2400kg·m2
前轮质量m1参数为80kg
后轮质量m2参数为90kg
前悬架垂直阻尼cs1参数为3000N·m/s
后悬架垂直阻尼cs2参数为3000N·m/s
前悬架垂直刚度ks1参数为34000N/m
后悬架垂直刚度ks2参数为44000N/m
前轮胎垂直刚度kt1参数为384000N/m
后轮胎垂直刚度kt2参数为384000N/m
车身质心到前轴距离l1参数为1.3m
车身质心到后轴距离l2参数为1.5m
车身质心到传感器距离d参数为0.7m
Figure FDA0003853297420000021
Figure FDA0003853297420000022
Figure FDA0003853297420000023
Figure FDA0003853297420000024
为求解传感器处的动力学响应，定义车身动力学响应的状态向量为z,传感器处的观测向量为u,即：
Figure FDA0003853297420000025
Figure FDA0003853297420000026
式中，
Figure FDA0003853297420000027
为车身动力学响应的状态向量z的一阶导数；xs,x1及x2分别为车身，前悬架及后悬架垂直位移；θs为车身俯仰角位移；
Figure FDA0003853297420000028
及
Figure FDA0003853297420000029
对应xs,x1 x2及θs的一阶导数，即分别表示车身，前悬架及后悬架垂直速度，车身俯仰角速度；xsensor与
Figure FDA00038532974200000210
分别表示传感器处垂直位移及加速度；θsensor与
Figure FDA00038532974200000211
分别表示传感器处俯仰角位移与角速度；则，状态方程与观测方程为：
Figure FDA0003853297420000031
式中，A,B,C,D分别如式(13),(14),(15),(16)所示；
Figure FDA0003853297420000032
Figure FDA0003853297420000033
Figure FDA0003853297420000034
D＝O (16)
式中，O与I分别表示零矩阵与单位矩阵；
采用Simulink对半车模型进行仿真，求解得到不同车辆模型，在不同平整度等级路面谱上以实测速度行驶时传感器部位的振动响应时程数据；
步骤S3，利用小波变换对所述振动响应数据进行初步特征提取，得到车辆振动响应的时频分布图，将生成的所述时频分布图作为数据采样，将路面谱平整度等级作为数据标签，构建数据-标签数据组，并将所述数据-标签数据组作为输入对卷积神经网络模型进行分类训练；选取最优卷积神经网络模型的衡量指标为训练集分类准确率、验证集分类准确率、训练集损失和验证集损失；
步骤S4，选取并利用最优卷积神经网络模型对车辆振动时程数据进行实时分类，判断路面平整度等级。
2.根据权利要求1所述的路面平整度预测方法，其特征在于，所述步骤S3还包括：小波变换的计算参数选取过程，车辆振动时程数据小波变换后得到小波系数的矩阵，再通过将矩阵像素化处理得到小波系数图，也即车身振动时频分布图。
3.根据权利要求1所述的路面平整度预测方法，其特征在于，所述步骤S3还包括：选取预训练模型，模型架构修改，超参数微调与训练的过程；具体地，通过修改预训练模型中的卷积层和池化层，添加全连接层构建分类器以改变模型架构，调整Dropout比例超参数的取值，得到不同的卷积神经网络模型。
4.根据权利要求1所述的路面平整度预测方法，其特征在于，所述步骤S4中根据所述衡量指标选取当前最优卷积神经网络模型后，还将未用于训练的样本作为输入，进行模型分类效果的验证，确定当前模型是否为最优模型。
5.根据权利要求1所述的路面平整度预测方法，其特征在于，模型训练集数据采用了多个车辆，不同实测行驶速度下的车辆振动响应数据，可有效提高该方法在不同车辆及驾驶模式下的通用性，进一步部署于多辆非标定车辆实现对路面平整度等级的大范围预测。
CN202111078618.6A 2021-09-15 2021-09-15 一种路面平整度预测方法及装置 Active CN113932758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111078618.6A CN113932758B (zh) 2021-09-15 2021-09-15 一种路面平整度预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111078618.6A CN113932758B (zh) 2021-09-15 2021-09-15 一种路面平整度预测方法及装置

Publications (2)

Publication Number Publication Date
CN113932758A CN113932758A (zh) 2022-01-14
CN113932758B true CN113932758B (zh) 2022-12-20

Family

ID=79275929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111078618.6A Active CN113932758B (zh) 2021-09-15 2021-09-15 一种路面平整度预测方法及装置

Country Status (1)

Country Link
CN (1) CN113932758B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612731B (zh) * 2022-05-10 2022-08-09 安徽省路通公路工程检测有限公司 一种用于道路平整度检测的智能识别方法及系统
CN116702000B (zh) * 2023-05-31 2024-03-29 深圳技术大学 一种基于多层数据融合的路面质量动态监测与评估方法
CN116842385B (zh) * 2023-06-30 2024-03-19 南京理工大学 一种基于履带车振动特征的lstm路面不平度识别方法
CN117542012B (zh) * 2024-01-09 2024-04-12 武汉易为泰汽车技术开发股份有限公司 基于5g短切片专网传输的新能源汽车控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804814A (zh) * 2018-06-08 2018-11-13 吉林大学 一种提取路面谱参数的方法
CN111583229A (zh) * 2020-05-09 2020-08-25 江苏野马软件科技有限公司 一种基于卷积神经网络路面故障检测方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003007013A (ja) * 2001-06-26 2003-01-10 Equos Research Co Ltd 車両用データ記憶装置および車両用データ記憶装置の制御方法
CN104880172B (zh) * 2015-06-11 2017-09-15 广西大学 基于卡尔曼滤波的路面平整度测量方法及装置
CN108839657B (zh) * 2018-06-05 2019-08-02 吉林大学 一种基于汽车振动响应在线识别路面不平度信息的方法
CN110654195B (zh) * 2018-06-29 2021-12-07 比亚迪股份有限公司 车辆、车辆悬架系统及其调节方法、装置
CN109186528B (zh) * 2018-09-20 2021-03-30 长安大学 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
CN109398363B (zh) * 2018-10-24 2020-11-06 珠海格力电器股份有限公司 一种路面等级确定方法、装置、存储介质及汽车
CN109870456B (zh) * 2019-02-01 2022-01-28 上海智能交通有限公司 一种路面健康状况快速检测系统及方法
GB2582280B (en) * 2019-03-08 2021-08-04 Trakm8 Ltd Pothole monitoring
CN111806448A (zh) * 2020-07-23 2020-10-23 吉林大学 一种基于深度学习的路面不平度及等级实时辨识系统
CN112710273A (zh) * 2020-12-10 2021-04-27 浙江大学 一种基于智能手机传感器和机器学习的众包路面坑洼检测方法
CN113191291A (zh) * 2021-05-10 2021-07-30 南京金智视讯技术有限公司 一种基于运动相机的路面平整度检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804814A (zh) * 2018-06-08 2018-11-13 吉林大学 一种提取路面谱参数的方法
CN111583229A (zh) * 2020-05-09 2020-08-25 江苏野马软件科技有限公司 一种基于卷积神经网络路面故障检测方法

Also Published As

Publication number Publication date
CN113932758A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN113932758B (zh) 一种路面平整度预测方法及装置
CN112816954B (zh) 一种基于真值的路侧感知系统评测方法和系统
US20170092021A1 (en) Method and system for monitoring equipment
EP3420308B1 (en) Road monitoring method and system
CN112433519A (zh) 一种无人驾驶检测系统及车辆行驶检测方法
Aboah et al. Smartphone-based pavement roughness estimation using deep learning with entity embedding
Yu et al. Pavement roughness index estimation and anomaly detection using smartphones
CN109903558A (zh) 一种道路桥梁车辆荷载监控系统及监控方法
CN114971166A (zh) 一种轻量化道路路面服务质量巡检系统
CN116702000B (zh) 一种基于多层数据融合的路面质量动态监测与评估方法
CN108475357B (zh) 用于评价驾驶员的行程性能的方法和系统
CN115544763A (zh) 一种路面平整度预测方法、系统及介质
Masino Road Condition Estimation with Data Mining Methods using Vehicle Based Sensors
Chen et al. Road Roughness Level Identification Based on BiGRU Network
Tomiło Classification of the Condition of Pavement with the Use of Machine Learning Methods
CN107085074B (zh) 一种分类监测机动车尾气的方法
Yuan et al. Research on road condition detection based on crowdsensing
CN112781720B (zh) 道路状况评估系统及其评估方法
Kortmann et al. Creating value from in-vehicle data: Detecting road surfaces and road hazards
Gelmini et al. A data-driven, vehicle-independent usage monitoring system for shared fleets: assessing vertical and longitudinal wear
CN117576919B (zh) 车辆超载识别系统、方法及电子设备
CN112798689B (zh) 道路状况监测系统及其监测方法
CN113155079B (zh) 路面行车舒适性判断方法及装置
Massow et al. Crowd-Based Road Surface Assessment Using Smartphones on Bicycles
CN114187752B (zh) 危化品车辆在跨海桥梁运输中的预警系统及方法

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