KR100794591B1 - Automatic measuring system for vehicle information - Google Patents
Automatic measuring system for vehicle information Download PDFInfo
- Publication number
- KR100794591B1 KR100794591B1 KR1020060099220A KR20060099220A KR100794591B1 KR 100794591 B1 KR100794591 B1 KR 100794591B1 KR 1020060099220 A KR1020060099220 A KR 1020060099220A KR 20060099220 A KR20060099220 A KR 20060099220A KR 100794591 B1 KR100794591 B1 KR 100794591B1
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- information
- sensor
- bridge
- load
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/02—Detecting movement of traffic to be counted or controlled using treadles built into the road
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
도 1은 본 발명에 따른 차량정보 자동계측시스템의 블록구성도.1 is a block diagram of a vehicle information automatic measurement system according to the present invention.
도 2는 본 발명에 따른 차량정보 자동계측시스템의 상세 블록구성도.Figure 2 is a detailed block diagram of a vehicle information automatic measurement system according to the present invention.
도 3은 본 발명에 따른 차량정보 자동계측시스템의 영향선을 이용한 정보처리과정 흐름도.3 is a flowchart of an information processing process using an influence line of an automatic vehicle information measuring system according to the present invention;
도 4는 본 발명에 따른 차량정보 자동계측시스템의 영향선을 이용한 축 중량 계산 이론도.Figure 4 is a theoretical diagram of the axis weight calculation using the influence line of the vehicle information automatic measurement system according to the present invention.
도 5는 본 발명에 따른 차량정보 자동계측시스템의 인공신경망을 이용한 정보처리과정 흐름도.5 is a flowchart of an information processing procedure using an artificial neural network of an automatic vehicle information measuring system according to the present invention;
도 6은 본 발명에 따른 차량정보 자동계측시스템의 동적 변형률 신호 피크검출도.6 is a dynamic strain signal peak detection diagram of a vehicle information automatic measurement system according to the present invention.
도 7은 본 발명에 따른 차량정보 자동계측시스템의 인공신경망 학습 자료에 대한 통과차로 판별도.Figure 7 is a passage difference discrimination diagram for the artificial neural network learning data of the vehicle information automatic measurement system according to the present invention.
도 8은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 차선당 2개씩 구성된 축 감지센서(SN1)를 사용한 구성도.8 is a configuration diagram using the axis sensor (SN1) consisting of two per lane as a driving information measuring sensor for measuring vehicle driving information according to the present invention.
도 9는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 차 선당 2개씩 구성된 축 감지센서(SN1)의 응답신호 파형도.Figure 9 is a waveform diagram of the response signal of the axis sensor (SN1) consisting of two driving information measuring sensors per lane for vehicle driving information measurement according to the present invention.
도 10은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 차선당 2개씩 구성된 축 감지센서(SN1)와 차량 하중정보 측정을 위한 하중정보 측정센서로 사용한 동적 변형률 센서의 응답신호 파형도. 10 is a response signal waveform of the dynamic strain sensor used as a load sensor for measuring the vehicle load information and the axis sensor (SN1) consisting of two per lane used as a driving information measuring sensor for measuring the vehicle driving information according to the present invention Degree.
도 11은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 차선당 2개의 루프센서(SN2)와 1개의 축 감지센서(SN1)의 구성도. 11 is a configuration diagram of two loop sensors SN2 and one axis sensor SN1 per lane used as a driving information measuring sensor for measuring vehicle driving information according to the present invention.
도 12는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 2개의 루프센서와 1개의 축 감지센서의 응답신호 파형도.12 is a response signal waveform diagram of two loop sensors and one axis sensor used as driving information measuring sensors for measuring vehicle driving information according to the present invention;
도 13은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 2개의 루프센서와 1개의 축 감지센서 및 차량 하중정보 측정을 위한 하중정보 측정센서로 사용한 동적 변형률 센서의 응답신호 파형도.FIG. 13 is a response signal waveform diagram of two loop sensors, one axis sensor, and a dynamic strain sensor used as a load information measuring sensor for measuring vehicle load information for measuring vehicle driving information according to the present invention; FIG. .
도 14는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 차선당 2개의 변형률 센서군의 구성도. 14 is a configuration diagram of two strain sensor groups per lane used as a driving information measuring sensor for measuring vehicle driving information according to the present invention;
도 15는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 2개의 변형률 센서군의 응답신호 파형도.15 is a waveform diagram of response signals of two strain sensor groups used as driving information measuring sensors for measuring vehicle driving information according to the present invention;
도 16은 본 발명에 따른 차량 하중 정보 측정을 위해 하중정보 측정센서로 사용한 교량 거더에 설치한 변형률 센서군의 구성도.16 is a block diagram of a strain sensor group installed on the bridge girders used as a load information measuring sensor for measuring vehicle load information according to the present invention.
도 17은 본 발명에 따른 차량 하중 정보 측정을 위해 교량 가로보에 설치한 동적 변형률 센서 구성도. 17 is a configuration diagram of a dynamic strain sensor installed on the bridge crossbeam for measuring vehicle load information according to the present invention.
도 18은 본 발명에 따른 차량 하중 정보 측정을 위해 교량 가로보에 설치한 동적 변형률 센서의 응답신호 파형도.18 is a waveform diagram of a response signal of a dynamic strain sensor installed in a bridge crossbeam for measuring vehicle load information according to the present invention.
도 19는 본 발명에 따른 인공신경망 기법을 이용한 차량 하중 산정시 차축간 거리의 영향을 반영하기 위한 피크지속시간 개념도.19 is a conceptual diagram illustrating the peak duration time to reflect the influence of the distance between the axles when calculating the vehicle load using the artificial neural network according to the present invention.
도 20은 본 발명에 따른 인공신경망 기법을 이용한 차량 하중 산정시 축 중량 분배를 위해 사용한 주행정보 측정센서인 바닥판 슬래브의 변형률 신호의 응답파형도.20 is a response waveform diagram of a strain signal of a bottom plate slab which is a driving information sensor used for axial weight distribution when a vehicle load is calculated using an artificial neural network according to the present invention;
*도면의 주요 부분에 대한 부호의 설명** Description of the symbols for the main parts of the drawings
10 : 차량 감지 센서부 11 : 주행 정보 측정센서10: vehicle detection sensor unit 11: driving information measuring sensor
20 : 하중 감지 센서부 21 : 차량 하중 측정센서20: load detection sensor 21: vehicle load measurement sensor
30 : 데이터 처리부 31 : 신호증폭기30: data processing unit 31: signal amplifier
32 : 신호변환기 33 : 중앙처리 장치(CPU)32: signal converter 33: central processing unit (CPU)
34 : RAM/HDD 35 : 모니터34: RAM / HDD 35: Monitor
36 : 프린터 37 : 인터페이스36: printer 37: interface
SN1 : 축 감지 센서 SN2 : 루프 센서SN1: Axis Sensor SN2: Loop Sensor
SN3 : 축 감지용 동적변형률센서 SN4 : 차량 중량 계산용 동적변형률센서SN3: Dynamic Strain Sensor for Axis Detection SN4: Dynamic Strain Sensor for Vehicle Weight Calculation
본 발명은 교량 위를 주행 중인 차량의 교통 및 하중 정보를 실시간으로 자동획득하기 위한 계측시스템에 관한 것으로서, 보다 상세하게는 도로상 교량의 안 전성 및 공용수명을 결정하는데 있어서 주행 차량과 교량과의 상호 작용 및 유지보수의 정도 등이 중요한 요인으로 작용하는데 이를 규명하기 위해서는 통행 차량의 총중량, 축 중량, 축 수, 축 간격, 주행속도 등에 대한 정보 및 교량의 동적 거동 특성 과 차두 간격, 연행률, 중차량 혼입률 등의 주행 특성을 파악하여 통계 처리하기 위한 차량 정보 자동계측시스템에 관한 것이다.BACKGROUND OF THE
종래의 차량 정보 계측장치에 있어서, 정보 획득 방식은 주로 톨게이트 등에서 측정한 차량 정보를 기반으로 정보만을 가지고 차량 하중에 대한 특성을 파악하였으나 실제 교량 상을 통과하는 차량들의 특성 및 통행특성 등을 정확하게 예측하기에는 한계가 있었다. In the conventional vehicle information measuring apparatus, the information acquisition method mainly grasps the characteristics of the vehicle load using only the information based on the vehicle information measured by the toll gate, etc., but accurately predicts the characteristics and traffic characteristics of the vehicles passing through the actual bridge. There was a limit.
최근에 와서, ITS(Intelligent Transport System)의 발달로 인하여 이중 교통 정보에 대한 측정은 VDS(Vehicle Detector Systems)를 통해 이루어지고 있으나, 차량 하중에 대한 정보는 아직까지 처리하는 수단이 구비되어 있지 못하고 있어 이를 해결하기 위한 노력이 절실히 요구되고 있다.Recently, due to the development of Intelligent Transport System (ITS), the dual traffic information is measured through VDS (Vehicle Detector Systems), but the information on vehicle load has not been provided yet. Efforts to solve this problem are urgently required.
특히, 종래의 차량 정보 계측장치는 이와 같은 정보를 얻기 위하여 주로 고속도로 영업소의 자료나 인력으로 측정한 단시간의 자료에 의존하는 것이어서, 이러한 방식의 자료 수집은 측정량이 많지 않아서 신뢰성이 저하되는 등의 문제점이 있었다. In particular, the conventional vehicle information measuring apparatus mainly relies on the data of the expressway office or the short-term data measured by manpower to obtain such information, and thus data collection in such a manner has a problem that the reliability is deteriorated due to the small amount of measurement. There was this.
따라서, 본 발명은 상기한 종래기술의 문제점을 해결하고자 제안된 것으로서, 그의 주된 목적은 주행차량의 주행특성 및 하중특성을 정확한 파악하여 차량하 중에 의한 교량의 정적, 동적 거동특성을 예측하고 평가하여 교량의 안전성 및 공용 수명 확보를 위한 차량 정보 자동계측시스템을 제공하기 위함이다.Accordingly, the present invention has been proposed to solve the above problems of the prior art, the main purpose of which is to accurately grasp the driving characteristics and load characteristics of the traveling vehicle to predict and evaluate the static and dynamic behavior characteristics of the bridge by the vehicle load It is to provide a vehicle information automatic measurement system for securing the safety and common life of the bridge.
상기한 목적을 달성하기 위한 본 발명은, 차량 정보 계측시스템에 있어서, 감지된 차량의 통행정보를 데이터 처리부로 출력하는 차량 감지 센서부와, 감지된 차량의 중량정보를 데이터 처리부로 출력하는 하중 감지 센서부와, 차량의 축 수, 축 간격을 감지하여 차종을 자동 구분하고, 상기 차량 감지 센서부를 통해 감지된 차량의 통행정보를 가공 처리하여 도로상의 교량을 주행하는 차량의 속도, 축 수, 축 간격, 차두 간격, 연행률, 중차량 혼입률 등을 기록 저장하는 동시에 상기 하중 감지 센서부를 통해 감지된 차량의 중량정보를 가공 처리하여 통행 차량의 총 중량, 축 중량 등의 차량 하중에 대한 정보 및 교량의 동적 특성에 대한 정보를 기록 저장하는 데이터 처리부를 포함하여 구성된 것을 특징으로 한다.The present invention for achieving the above object, in the vehicle information measuring system, the vehicle detection sensor unit for outputting the detected vehicle traffic information to the data processing unit, the load detection for outputting the weight information of the detected vehicle to the data processing unit Automatically classify the vehicle type by detecting the sensor unit, the number of shafts and the axis spacing of the vehicle, and processing the traffic information of the vehicle detected by the vehicle detection sensor unit to process the speed, the number of axes, the axis of the vehicle driving the bridge on the road It records and stores the interval, head gap, entrainment rate, heavy vehicle mixing rate, etc., and processes and processes the weight information of the vehicle detected by the load sensor, and thus the information about the vehicle load such as the total weight and the axle weight of the traffic vehicle, and the bridge. And a data processor for recording and storing information on the dynamic characteristics of the apparatus.
또한, 상기 데이터 처리부는 상기 차량감지 센서부 및 하중감지 센서부에서 감지된 아날로그 신호를 적정 레벨로 증폭하는 신호 증폭기와, 상기 신호 증폭기로부터 출력되는 아날로그 신호를 디지털 신호로 변환하는 신호변환기와, 상기 신호변환기로부터 디지털 신호를 입력받아 가공 처리된 정보를 모니터, 프린터 및 인터페이스에 출력하는 중앙처리장치(CPU)를 포함하여 구성된 것을 특징으로 한다.The data processor may further include a signal amplifier for amplifying the analog signals sensed by the vehicle sensor and the load sensor to an appropriate level, a signal converter for converting the analog signal output from the signal amplifier into a digital signal, And a central processing unit (CPU) for receiving a digital signal from a signal converter and outputting the processed information to a monitor, a printer, and an interface.
또한, 상기 교량의 거더 하부에 부착 설치된 차량하중 측정센서를 통해 얻은 변형률 신호와 영향선의 종거를 이용하여 처리하여 단독 주행뿐만 아니라 직렬 및 병렬 주행 시에도 차량의 축 중량, 총 중량 등의 차량하중 정보를 산정함을 특징으로 한다.In addition, by using the strain signal obtained from the vehicle load measuring sensor attached to the bottom of the girder of the bridge and processing the longitudinal line of the influence line, the vehicle load information such as the axial weight and the total weight of the vehicle not only in single driving but also in series and parallel driving. It is characterized by calculating.
또한, 상기 교량의 거더 하부에 부착 설치된 차량하중 측정센서를 통해 얻은 변형률 신호를 인공신경망 기법으로 처리하여 단독 주행뿐만 아니라 직렬 및 병렬 주행 시에도 차량의 축 중량, 총 중량 등의 차량하중 정보를 산정함을 특징으로 한다. In addition, by calculating the strain signal obtained by the vehicle load sensor attached to the lower part of the bridge girder by artificial neural network technique, vehicle load information such as axial weight and gross weight of the vehicle is calculated not only in single driving but also in series and parallel driving. It is characterized by.
또한, 상기 교량의 가로보 하부에 부착 설치된 차량하중 측정센서를 통해 얻은 변형률 신호를 인공신경망 기법으로 처리하여 차량의 축 중량, 총 중량 등의 차량하중 정보를 산정함을 특징으로 한다.In addition, it is characterized in that the vehicle load information such as the axial weight, the total weight of the vehicle by calculating the strain signal obtained through the vehicle load measuring sensor attached to the lower cross beam of the bridge by the artificial neural network method.
또한, 상기 교량의 바닥판 슬래브 하부에 부착 설치된 주행정보 측정센서를 통해 얻은 변형률 신호를 인공신경망 기법으로 처리하여 주행차량의 통행정보를 획득함을 특징으로 한다.In addition, it is characterized in that the traffic information of the driving vehicle is obtained by processing the strain signal obtained through the traveling information measuring sensor attached to the bottom plate slab of the bridge by an artificial neural network technique.
또한, 상기 교량 위에 설치된 디지털 비디오카메라를 통하여 얻은 영상신호를 디지털 화상 처리하여 주행차량의 통행정보를 획득함을 특징으로 한다.In addition, it is characterized in that the traffic information of the driving vehicle is obtained by digital image processing the image signal obtained through the digital video camera installed on the bridge.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명에 따른 차량정보 자동계측시스템의 블록 구성도를 나타낸 것으로, 도시한 바와 같이, 감지된 차량의 통행정보를 데이터 처리부(30)로 출력하는 차량 감지 센서부(10)와, 감지된 차량의 중량정보를 데이터 처리부(30)로 출력하는 하중 감지 센서부(20)와, 차량의 축 수, 축 간격을 감지하여 차종을 자동 구분하고, 상기 차량 감지 센서부(10)를 통해 감지된 차량의 통행정보를 가공 처리하여 도로상의 교량을 주행하는 차량의 속도, 축 수, 축 간격, 차두 간격, 연행률, 중차 량 혼입률 등을 기록 저장하는 동시에 상기 하중 감지 센서부(20)를 통해 감지된 차량의 중량정보를 가공 처리하여 통행 차량의 총 중량, 축 중량 등의 차량 하중에 대한 정보 및 교량의 동적 특성에 대한 정보를 기록 저장하는 데이터 처리부(30)를 포함하여 구성된다.1 is a block diagram of a vehicle information automatic measurement system according to the present invention. As shown, the
도 2는 본 발명에 따른 차량 정보 자동계측시스템의 상세 블록 구성도를 나타낸 것으로, 도시한 바와 같이, 차량 감지 센서부(10)에는 주행정보 측정센서(11)가 구비되고, 하중 감지 센서부(20)에는 차량 하중 측정센서(21)가 구비된다.Figure 2 shows a detailed block diagram of a vehicle information automatic measurement system according to the present invention, as shown, the
또한, 데이터 처리부(30)는 상기 주행정보 측정센서(11) 및 하중 감지 센서부(20)에서 감지된 아날로그 신호를 적정 레벨로 증폭하는 신호 증폭기(31)와, 상기 신호 증폭기(31)로부터 출력되는 아날로그 신호를 디지털 신호로 변환하는 신호변환기(32)와, 상기 신호변환기(32)로부터 디지털 신호를 입력받아 가공 처리된 정보를 모니터(35), 프린터(36) 및 인터페이스(37)에 출력하는 중앙처리장치(CPU)(33)를 포함하여 구성 된다.In addition, the
도 3은 본 발명에 따른 차량 정보 자동계측시스템의 영향선을 이용한 데이터 처리과정 흐름도를 나타낸 것으로서, 주행정보 측정센서에 의해 축 감지(S1) 후 차량의 속도를 계산하고(S2), 차종, 축수, 축간 거리, 연행률 및 차간거리를 계산한다(S3). 이어서, 영향선 종거를 계산(S4)한 후 변형률 필터링 및 최대 변형률을 결정(S5)하고, 최대 모멘트로 모멘트 선도를 작성(S6)하며, 차량 위치에 따른 모멘트를 계산(S7)한 후 총 중량, 축 중량 및 중차량 혼입률 등을 계산한다(S8). 상기한 축중 계산은 교량구간 내에 두 지점을 선택하여 변형률 센서 설치지점의 이론적 모멘트 값과 실측에 의한 모멘트 값을 비교하여 산정한 후, 축 중을 분배하는 형태로 축 중을 계산한다.3 is a flowchart illustrating a data processing process using an influence line of an automatic vehicle information measuring system according to the present invention, and calculates a speed of a vehicle after detecting an axis (S1) by a driving information measuring sensor (S2), and makes a model and an axis number. Calculate the distance between the axis, the carry rate and the distance between the vehicle (S3). Subsequently, the influence line length is calculated (S4), the strain filtering and the maximum strain are determined (S5), the moment diagram is created with the maximum moment (S6), the moment is calculated according to the vehicle position (S7), and the total weight , Axle weight and heavy vehicle mixing rate is calculated (S8). The above-described load calculation calculates the load by selecting two points within the bridge section, comparing the theoretical moment value of the strain sensor installation point with the measured moment value, and then distributing the load.
도 4는 본 발명에 따른 차량 정보 자동계측시스템의 축 중 계산 이론도를 나타낸 것이다. 실제 교량에서 습득한 변형률 데이터를 가공하지 않고 이용하는 것은 동적인 영향으로 인하여 그 변화가 심하기 때문에 데이터를 정형화하기가 어렵다. 따라서 이동평균을 이용하여 데이터를 가공한 후 실제로 발생한 최대 모멘트에 팩터(Factor)(이론최대모멘트/실제최대모멘트)를 곱하여 이를 꼭지점으로 하는 모멘트 선도를 직선으로 나타낸다. 이와 같이 작성된 모멘트 선도와 이론 모멘트 선도가 교차하는 지점을 찾아서 축 중 계산에 필요한 두 개의 모멘트를 모멘트 선도에서 발췌하고 아래 식(1)을 이용하여 2축으로 가정한 모든 차량의 총중량을 계산한다. Figure 4 shows the calculation theory of the axis of the vehicle information automatic measurement system according to the present invention. It is difficult to formulate the data without using the strain data acquired from the actual bridge because of the dynamic change. Therefore, after processing the data using the moving average, the maximum moment that is actually generated is multiplied by the factor (theoretic maximum moment / actual maximum moment) to represent the moment line as a vertex in a straight line. Find the point where the moment line and the theoretical moment line intersect in this way, extract the two moments needed for the calculation from the moment line and calculate the gross weight of all vehicles assumed to be 2 axis using Equation (1) below.
- - (1) - - (One)
여기서, Ⅰij : i번째 위치에서 차량의 j번째 바퀴의 영향선 종거Ⅰ ij : Influence line vertical of the j-th wheel of the vehicle at the i-th position
Pi : j번째의 축중량 Pi: j-th shaft weight
Mi : 차량에 의해 i위치에서 발생하는 모멘트 Mi: Moment generated at the i position by the vehicle
이와 같이 계산한 총 중량을 기본으로 하여 차량의 축 중 분배률을 통하여 차량의 각 축중을 산정한다. 일반적으로 고속도로 상의 교량은 차선수가 3차선 이상이며 또한 차량이 두 대 이상 직력 또는 병렬의 형태로 주행한다. 이러한 경우에도 상기와 같이 설명한 계산법에 의하여 교량에 진입한 차량의 중량을 각각 계산할 수 있다. On the basis of the total weight calculated as described above, the weight of each vehicle is calculated from the distribution ratio among the vehicles. Generally, bridges on highways have more than three lanes for the passengers and two or more vehicles travel in series or in parallel. Even in this case, the weight of the vehicle entering the bridge can be calculated by the calculation method described above.
도 5는 본 발명에 따른 차량 정보 자동계측시스템의 인공신경망을 이용한 데이터 처리과정 흐름도를 나타낸 것으로서, 측정센서의 초기화(H1)는 동적 변형률 신호의 영점 조정을 위한 것으로 로우 패스 필터링(low pass filtering)도 함께 수행하게 된다. FIG. 5 is a flowchart illustrating a data processing procedure using an artificial neural network of an automatic vehicle information measuring system according to the present invention. Initialization of a measurement sensor (H1) is for zero adjustment of a dynamic strain signal. Will also be performed.
데이터 전처리과정(H2)은 측정한 데이터 파일에서 차량 정보 계산 시 필요한 부분만을 선택하여 임의 형태의 파일로 변환/저장하기위한 과정이다. The data preprocessing process (H2) is a process for converting / storing to a file of any form by selecting only a portion necessary for calculating vehicle information from the measured data file.
차 축수 판별(H3)은 주행정보 측정센서의 동적 변형률 신호의 피크 검출알고리즘을 사용하여 판별한다. Axle number determination H3 is determined using a peak detection algorithm of the dynamic strain signal of the travel information measuring sensor.
축간 거리 판별(H4)은 주행정보 측정센서의 동적 변형률신호를 사용하며 피크 검출 알고리즘을 이용하여 피크 위치의 상대적인 시간차를 이용하여 구한다. Axle distance determination (H4) is obtained by using the dynamic strain signal of the travel information measuring sensor and using the relative time difference of the peak position using a peak detection algorithm.
차종 판별(H5)은 차 축수와 축간 거리가 구해지면 자동으로 이루어지게 된다. 차량 총 길이와 축수뿐만 아니라 축간 거리가 고려된 새로운 차종 구분을 할 수 있다. The vehicle model discrimination H5 is automatically made when the number of vehicle axes and the distance between the axes are obtained. New vehicle types can be distinguished, taking into account the total length and number of shafts as well as the distance between the shafts.
통과차로의 판별(H6)은 인공신경망 기법을 통해 구현하며, 교량 바닥판에 설치된 일련의 주행정보 측정센서의 변형률 신호 중 최대값들로 구성되는 M?1 행렬이며, 목표 출력값은 1~N 사이의 정수이다. M은 측정센서 수, N은 차선 수이다. 한 예로 왕복 6차선인 교량에 총 16개의 주행정보 측정센서를 설치한 경우 통과차로 판별 신경망에 사용한 입력층은 16?1의 벡터이고 출력값은 1~6사이의 정수이다. 또한 P개의 은닉층에 Q개의 절점을 두어 신경망을 구성한다. 신경망의 학습을 위해 데이터 군 중 임의개의 데이터 세터로 이루어진 트레인 세트(training set)를 사용하여 학습을 수행한다. 반복계산에 의해 수렴 한계 이내로의 수렴이 이루어지게 한다. 학습이 정상적으로 완료되었는지 확인하기 위하여 학습 완료된 신경망에 학습 자료를 다시 입력하여 목표 출력값과 어느 정도 일치하는 출력값이 얻어지는지 확인한다. 이를 위하여 학습이 완료된 신경망 파일과 학습에 사용한 학습 자료를 다시 읽어 들여 출력값과 목표값을 비교한 정확도를 출력한다. Determination of passing lane (H6) is realized by the neural network, which is an M? 1 matrix composed of the maximum values of the strain signals of a series of driving information sensors installed on the bridge deck, and the target output value is between 1 and N. Is an integer. M is the number of sensors and N is the number of lanes. For example, if 16 driving information measuring sensors are installed on the 6-lane round-trip bridge, the input layer used in the discrimination neural network is 16-1 and the output value is an integer between 1 and 6. In addition, Q nodes are formed in P hidden layers to form a neural network. For the neural network training, training is performed using a training set composed of data setters of any data group. Iterative calculation allows convergence to fall within the convergence limit. In order to check whether the learning is completed normally, input the learning data into the learned neural network again and check whether an output value matching the target output value is obtained. To do this, the neural network file and the learning data used for learning are read again, and the accuracy of comparing the output value with the target value is output.
신경망 출력값의 정확도를 정량적으로 표현하기 위하여 정확도 지수 (correctness index)를 사용하였으며, 그 수식은 식(2)와 같다. 정확도 지수는 상대평가지수와 절대평가지수의 조합으로 구성되며, 상대평가지수는 목표절점의 출력값이 다른 절점의 출력값에 비해 얼마나 큰지를 나타내고, 절대평가지수는 목표 절점의 출력값이 얼마나 1에 가까운가를 나타낸다. 상대평가지수와 절대평가지수의 경중률은 사용자의 판단에 의해 결정할 수 있으며, 각각 0.8과 0.2를 사용하였다.In order to quantitatively express the accuracy of the neural network output value, a correctness index (correctness index) was used. The accuracy index is composed of a combination of relative evaluation index and absolute evaluation index. The relative evaluation index indicates how large the output value of the target node is compared to the output value of other nodes, and the absolute evaluation index indicates how close the output value of the target node is to 1. Indicates. The severity rate of the relative and absolute valuation indices can be determined by the user's judgment, and 0.8 and 0.2 were used, respectively.
- - (2) - - (2)
여기서, Ot는 목표절점의 출력값Where O t is the output value of the target node.
Oi는 목표절점을 제외한 절점의 출력값 중 최대값 I is the maximum value among the output values of nodes except target nodes
a와 b는 각각 C1과 C2의 경중률a and b are the light weight ratios of C 1 and C 2 , respectively
통과 속도 계산(H7)은 통과차로 판별 신경망을 사용하여 차량이 통과한 차로가 판별되면, 해당 차로의 두 채널의 신호 사이에 나타나는 시간차이와 각각의 채널에 연결된 센서 사이의 거리로부터 계산이 가능하다. 두 채널의 시간차를 계산하기 위해 한 채널을 고정시키고 다른 한 채널을 시간 축에서 이동시키며, 두 채널 사이의 오차가 최소가 되는 시점을 찾는 방법을 사용하였다. 이러한 방법을 사용하여 시차가 얻어지면, 두 센서사이의 거리(L)와 얻어진 시차(Δt)를 사용하여 식(3)으로부터 통과속도를 계산한다.The passage speed calculation (H7) can be calculated from the time difference between the signals of the two channels of the lane and the distance between the sensors connected to each channel when the lane through which the vehicle passes is determined using the passage lane discrimination neural network. . In order to calculate the time difference between two channels, one channel is fixed, the other channel is moved on the time axis, and the method of finding the point of time when the error between the two channels is minimum is used. When the parallax is obtained using this method, the passage speed is calculated from equation (3) using the distance L between the two sensors and the obtained parallax Δt.
- - (3) --(3)
총 중량 검출(H8)은 차량하중 측정센서에서 측정한 동적 변형률 신호를 사용한다. 이때 사용하는 차량하중 측정센서는 교량 거더나 가로보 하부에 부착된 동적 변형률 신호로 주행정보 측정센서가 설치된 바닥판의 변형률 신호와는 달리 통과차량의 차륜하중에 덜 민감하게 반응하는 부분으로 측정한 신호를 이용할 때 총 중량 검출에 효과적으로 활용할 수 있다. 이때 사용하는 분석 알고리즘은 크게 세 가지의 입력변수를 사용한다. 1) 통과 행선에 설치된 차량하중 측정센서에서 얻은 동적 변형률 신호, 2) 차량 통과 속도, 3) 피크 지속시간이다. 여기서 피크 지속시간이란 차량하중 측정센서 전체 동적 변형률 신호 합에 대한 피크 값의 60% 이상의 값 이 지속되는 시간으로 축간 거리의 영향을 반영하고자 사용한다. Total weight detection (H8) uses the dynamic strain signal measured by the vehicle load sensor. At this time, the vehicle load measuring sensor is a dynamic strain signal attached to the bottom of the bridge girders or crossbeams, unlike the strain signal of the bottom plate on which the driving information measuring sensor is installed, the signal measured as a part that is less sensitive to the wheel load of the passing vehicle. Can be effectively used for total weight detection. The analysis algorithm used mainly uses three input variables. 1) the dynamic strain signal obtained from the vehicle load sensor installed at the passage line, 2) vehicle passage speed, and 3) peak duration. Here, the peak duration is the time that 60% or more of the peak value for the total dynamic strain signal sum of the vehicle load sensor is used to reflect the influence of the distance between the axes.
축 중량 계산(H9)은 위에서 구한 총 중량을 각각의 축 중량으로 분배해주는 과정으로 주행정보 측정센서에서 검출된 동적 변형률 신호의 피크 값들이 각각의 축 중량과 비례관계를 보이므로 총 중량을 피크 값에 비례해서 각각의 축 중량으로 계산하게 된다.Axle weight calculation (H9) is a process of distributing the total weight obtained above to each axle weight. As the peak values of the dynamic strain signal detected by the driving information measuring sensor are proportional to each axle weight, the total weight is determined as the peak value. Calculated in proportion to each shaft weight.
차량정보 통계처리(H10)는 위에서 구한 차종별, 총 중량별, 축 중량별 일일 교통량부터 주간, 월간, 연간 교통량 등을 통계 처리하는 과정이다. 여기에는 통계 처리된 해당 지역의 대표 차량 하중 모델을 개발하는 과정도 포함된다. Vehicle information statistical processing (H10) is a process of statistically processing the daily traffic volume, such as weekly, monthly, yearly traffic volume by vehicle type, gross weight, and shaft weight obtained above. This includes developing statistically representative representative vehicle load models for the area.
도 6은 본 발명에 따른 차량 정보 자동계측시스템의 피크 검출 알고리즘을 보여주고 있다. 일정한 폭의 윈도우가 Δt 간격으로 이동하며 매 시간 최대값의 위치를 기록하고, 연속적으로 윈도우 폭과 같은 수의 피크 위치가 기록되면 그 지점을 피크로 인식하게 된다. 피크인식의 정확도를 향상시키기 위해 컷오프 레벨(cutoff level)을 설정하여 이 값보다 작은 피크(peak) 값이 검출될 경우 이를 피크로 인식하지 않도록 한다. 피크인식의 정확도는 윈도우의 폭과 컷오프 레벨에 따라 달라지며, 여기에서는 여러 번의 시행을 통해 윈도우의 폭과 컷오프 레벨의 최대값을 설정한다. 6 shows a peak detection algorithm of the automatic vehicle information measuring system according to the present invention. A window of constant width moves at Δt intervals and records the position of the maximum value every hour, and when the same number of peak positions as the window width is continuously recorded, the point is recognized as a peak. In order to improve the accuracy of peak recognition, a cutoff level is set so that a peak value smaller than this value is not recognized as a peak. The accuracy of peak recognition depends on the width and the cutoff level of the window, which is set up to determine the maximum width and cutoff level of the window.
도 7은 본 발명에 따른 차량 정보 자동계측시스템의 인공신경망 학습 자료에 대한 통과차로 판별의 결과를 나타난다. 식(2)의 정확도 지수는 60 이상인 경우 올바른 판별이 이루어진 것으로 볼 수 있으며, 도 7의 경우 정확도지수는 모두 80 이상으로 매우 정확한 판별 결과를 보여주며, 이것은 신경망의 학습이 성공적으로 이 루어졌음을 나타낸다. Figure 7 shows the result of the passage difference determination for the artificial neural network learning data of the vehicle information automatic measurement system according to the present invention. When the accuracy index of Equation (2) is 60 or more, it can be seen that the correct discrimination has been made. In the case of FIG. 7, the accuracy index is all 80 or more, which shows a very accurate determination result, which indicates that the neural network has been successfully learned. Indicates.
도 8은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 차선당 2개씩 구성된 축 감지센서(SN1)를 사용한 구성도를 나타낸 것이다.FIG. 8 is a block diagram illustrating an axis sensor sensor SN1 configured as two driving information measuring sensors per lane for measuring vehicle driving information according to the present invention.
여기서 L : 속도계산에 사용되는 주행정보 측정센서간 거리.Where L is the distance between the driving information sensors used for speed calculation.
SL : 변형률계 획득 시 사용되는 주행정보 측정센서와 교량시작점과의 거리이다. SL: Distance between the driving sensor and the starting point of the bridge.
도 9는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 차선당 2개씩 구성된 축 감지센서(SN1)의 응답신호 파형도를 나타낸 것으로서, 5축 차량이 축 감지 센서 위를 통과한 경우의 신호파형으로 두 개의 주행정보 측정센서(LIP1,LIP2)의 피크가 발생하는 시간차로 속도를 계산한다.FIG. 9 is a waveform diagram illustrating response signals of an axis sensor SN1 configured as two driving lanes as a driving information measuring sensor for measuring vehicle driving information according to the present invention. Calculate the speed by the time difference when the peaks of the two driving information sensors LIP1 and LIP2 occur.
도 10은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 차선당 2개씩 구성된 축 감지센서(SN1)와 차량 하중정보 측정을 위한 하중정보 측정센서로 사용한 동적 변형률 센서의 응답신호 파형도를 나타낸 것으로서, 차량이 교량을 통과할 때의 주행정보 측정센서와 차량하중 측정센서 응답신호의 상관관계를 나타낸 것이다. 여기서 SL은 주행정보 측정센서와 교량시작점과의 거리에 관계된 시간을 나타내고, CL/2는 차량의 무게 중심점으로 차량의 길이의 1/2지점을 나타내며, BL/2는 교량길이의 1/2에 관계된 시간을 나타낸다. 즉, 차량이 압전 센서에서 첫 축이 감지된 후 CL/2+SL+BL/2 이 경과한 후에 동적 변형률 신호의 최대 피크점이 나타난다.10 is a response signal waveform of the dynamic strain sensor used as a load sensor for measuring the vehicle load information and the axis sensor (SN1) consisting of two per lane used as a driving information measuring sensor for measuring the vehicle driving information according to the present invention As shown in the figure, the relationship between the driving information measuring sensor and the vehicle load measuring sensor response signal when the vehicle passes the bridge is shown. Where SL represents the time related to the distance between the driving sensor and the bridge start point, CL / 2 represents the center of gravity of the vehicle, and 1/2 represents the length of the vehicle, and BL / 2 represents 1/2 the length of the bridge. Represents the time involved. That is, the maximum peak of the dynamic strain signal appears after CL / 2 + SL + BL / 2 has passed since the vehicle detected the first axis of the piezoelectric sensor.
도 11은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사 용한 차선당 2개의 루프센서(SN2)와 1개의 축 감지센서(SN1)의 구성도를 나타낸다. 여기서 L은 속도계산에 사용되는 루프 센서(SN2)간 거리, SL은 동적 변형률 신호 획득 시 사용되는 주행정보 측정센서와 교량시작점과의 거리이다.FIG. 11 shows a configuration diagram of two loop sensors SN2 and one axis sensor SN1 per lane used as a driving information measuring sensor for measuring vehicle driving information according to the present invention. Where L is the distance between the loop sensor (SN2) used for the speed calculation, SL is the distance between the driving information measuring sensor and the bridge starting point used when obtaining the dynamic strain signal.
도 12는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 2개의 루프센서와 1개의 축 감지센서의 응답신호 파형도를 나타낸 것으로서, 4축 차량이 차량 감지센서 위를 통과한 경우의 신호파형으로 두 개의 루프 센서(L3-LP1, L3-LP2)의 신호가 발생하는 시간차로 속도 계산이 가능하다.FIG. 12 is a waveform diagram illustrating response signals of two loop sensors and one axis sensor used as driving information measuring sensors for measuring vehicle driving information according to the present invention. It is possible to calculate the speed by the time difference between two loop sensors (L3-LP1 and L3-LP2).
도 13은 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 2개의 루프센서와 1개의 축 감지센서 및 차량 하중정보 측정을 위한 하중정보 측정센서로 사용한 동적 변형률 센서의 응답신호 파형도를 나타낸 것이다.FIG. 13 is a response signal waveform diagram of two loop sensors, one axis sensor, and a dynamic strain sensor used as a load information measuring sensor for measuring vehicle load information for measuring vehicle driving information according to the present invention; FIG. It is shown.
도 14는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 차선당 2개의 변형률 센서군의 구성도를 나타낸 것으로서, 차량 주행정보 측정을 위하여 포장층에 테입 스위치나 피에조 센서, 루프 센서와 같은 별도의 축 감지 센서를 설치하지 않고 교량 바닥판 슬래브 하면에 차선당 2개의 변형률 센서군(SN3)을 설치하여 차량 주행정보를 획득하기 위한 구성이다. FIG. 14 is a diagram illustrating a configuration of two strain sensor groups per lane used as a driving information measuring sensor for measuring vehicle driving information according to the present invention, wherein a tape switch, a piezo sensor, and a loop sensor are placed on a pavement layer for measuring vehicle driving information. It is a configuration for acquiring vehicle driving information by installing two strain sensor groups SN3 per lane on the bottom surface of the bridge deck slab without installing a separate axis sensor.
도 15는 본 발명에 따른 차량 주행정보 측정을 위해 주행정보 측정센서로 사용한 2개의 변형률 센서군의 응답신호 파형도를 나타낸 것으로서, 3축의 덤프트럭이 주행한 경우의 센서 응답 파형으로 주행정보 측정센서와 차량하중 측정센서의 상호 응답파형을 비교한 것이다.15 is a response signal waveform diagram of two strain sensor groups used as driving information measuring sensors for measuring vehicle driving information according to the present invention, and the driving information measuring sensor as a sensor response waveform when a three-axis dump truck travels. And the mutual response waveform of the vehicle load sensor.
도 16은 본 발명에 따른 차량 하중 정보 측정을 위해 하중정보 측정센서로 사용한 교량 거더에 설치한 변형률 센서군의 구성도를 나타낸 것이다. 교량 중앙 지간의 거더에 종방향으로 변형률 센서들을 부착하여 얻은 변형률 신호를 통해 얻은 외부 모멘트 값과 정적인 영향선의 종거 값을 통해 얻은 내부 모멘트 값이 일치한다는 이론을 통해 통행 차량의 축 중량, 총 중량 등의 정보를 구할 수 있다. 또한 센서들로부터 얻은 동적 변형률 신호를 인공신경망 기법에 적용하여 통행 차량의 총 중량, 축 중량 등의 정보를 구할 수 있다.16 is a block diagram of a strain sensor group installed in a bridge girder used as a load information measuring sensor for measuring vehicle load information according to the present invention. Axle weight and gross weight of a traffic vehicle based on the theory that the external moment value obtained from the strain signal obtained by attaching strain sensors in the longitudinal direction to the girder of the bridge coincides with the internal moment value obtained from the longitudinal value of the static influence line. Information such as can be obtained. In addition, the dynamic strain signal obtained from the sensors can be applied to the neural network technique to obtain information such as the total weight and the axle weight of the traffic vehicle.
도 17은 본 발명에 따른 차량 하중 정보 측정을 위해 교량 가로보에 설치한 동적 변형률 센서 구성도를 나타낸 것이다. 교량 가로보 하부에 횡방향으로 설치한 변형률 센서들에서 얻은 동적 변형률 신호를 인공신경망 기법에 적용하여 통행 차량의 총 중량, 축 중량 등의 정보를 구할 수 있다.FIG. 17 is a diagram illustrating a configuration of a dynamic strain sensor installed in a bridge crossbeam for measuring vehicle load information according to the present invention. Dynamic strain signals obtained from the strain sensors installed in the transverse direction under the bridge crossbeams can be applied to the neural network to obtain information such as the total weight and the axle weight of a traffic vehicle.
도 18은 본 발명에 따른 차량 하중 정보 측정을 위해 교량 가로보에 설치한 동적 변형률 센서의 응답신호 파형도를 나타낸 것으로 주행차량이 통과한 해당 행선의 해당 차로에서 가장 큰 값을 보이며 거리가 멀어질수록 값이 작아지는 횡분배 현상을 보이고 있다.FIG. 18 is a waveform diagram of a response signal of a dynamic strain sensor installed on a crossbeam of a bridge for measuring vehicle load information according to the present invention. As shown in FIG. It shows a lateral distribution phenomenon in which the value decreases.
도 19는 본 발명에 따른 인공신경망 기법을 이용한 차량 하중 산정시 차축간 거리의 영향을 반영하기 위한 피크지속시간 개념도를 나타낸 것으로 하중 산정을 위한 입력값으로 변형률의 최대치 이외에도 6개 채널의 합에 대한 피크 지속시간을 사용하였다. 여기서, 피크 지속시간은 피크값의 60% 이상의 값이 지속되는 시간을 의미한다.19 is a conceptual diagram illustrating peak duration time to reflect the influence of the distance between axles when calculating the vehicle load by using the artificial neural network according to the present invention. As an input value for load estimation, the sum of six channels in addition to the maximum value of strain is shown. Peak duration was used. Here, the peak duration means a time for which a value of 60% or more of the peak value lasts.
도 20은 본 발명에 따른 인공신경망 기법을 이용한 차량 하중 산정시 축 중 량 분배를 위해 사용한 주행정보 측정센서인 바닥판 슬래브의 변형률 신호의 응답파형도이다. 바닥판 슬래브의 변형률 신호는 통과 차량의 축 중에 대해 민감한 반응을 보이므로 축 중량 분배시 사용하며 아울러 총 중량 산정시에도 이용한다.FIG. 20 is a response waveform diagram of a strain signal of a bottom plate slab, which is a driving information measuring sensor used for axial weight distribution when a vehicle load is calculated using an artificial neural network according to the present invention. The strain signal of the slab slab is sensitive to the axis of the passing vehicle, so it is used to distribute the weight of the axle and to calculate the total weight.
본 발명은 전술한 방법 외에도 디지털 비디오카메라를 통하여 얻은 주행하는 차량의 영상신호를 이용하여 화상처리기법을 적용하여 차량주행정보를 얻는 방법, 주행정보 측정센서로부터 차량 주행 정보뿐 만 아니라 차량 하중 정보도 동시에 측정하는 방법 및 차량하중 측정센서로부터 측정된 신호에 인공신경망 이외의 다른 패턴인식기법을 적용하여 차량 정보를 측정하는 방법 등에도 채용이 가능하다. According to the present invention, in addition to the above-described method, a method of obtaining vehicle driving information by applying an image processing technique using an image signal of a driving vehicle obtained through a digital video camera, vehicle load information as well as vehicle driving information from a driving information measuring sensor At the same time, it is possible to employ a method of measuring vehicle information by applying a pattern recognition technique other than an artificial neural network to a signal measured from a vehicle load measuring sensor and the like.
또한, 본 발명을 통해 수집된 차량 주행 및 하중 정보에 대한 자료가 통계 및 확률론적인 방법을 통하면 향후 교량의 설계시 필요한 국내 실정에 맞는 새로운 설계 활하중 모델의 개발에 이용하고, 교량 유지관리시 내하력 판단 및 잔존 수명 예측 등에 중요한 자료로 활용하고자 한다. 아울러 교량 손상에 주된 원인인 과적차량에 대한 단속용으로도 사용할 수 있다.In addition, if the data on the vehicle driving and load information collected through the present invention through statistical and probabilistic methods, it is used to develop a new design live load model suitable for the domestic situation required for the future design of the bridge, It will be used as important data for judgment and prediction of remaining life. It can also be used to crack down on overload vehicles, the main cause of bridge damage.
이상에서 본 발명은 기재된 구체적인 예에 대해서만 상세히 설명하였지만 본 발명의 기술 사상 범위 내에서 다양한 변형 및 수정이 가능함은 당업자에게 있어서 명백한 것이며, 이러한 변형 및 수정이 첨부된 특허 청구범위에 속함은 당연하다.Although the present invention has been described in detail only with respect to the specific examples described, it will be apparent to those skilled in the art that various modifications and variations are possible within the spirit of the present invention, and such modifications and modifications belong to the appended claims.
이상에서 설명한 바와 같이, 본 발명에 따른 차량 정보 자동계측시스템을 통해 얻은 차량 정보를 이용하여 교량 설계 시 필요한 설계 차량 활하중모델을 국내 현실에 적합한 모델로 재정립함이 가능하고, 교량 유지 관리 시 문제가 되는 과적 차량을 보다 효율적으로 단속할 수 있는 효과가 있다. As described above, using the vehicle information obtained through the vehicle information automatic measurement system according to the present invention it is possible to redefine the design vehicle live load model required for the design of the bridge to a model suitable for the domestic reality, there is a problem when maintaining the bridge There is an effect that can more efficiently crack down on the overloaded vehicle.
Claims (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020060099220A KR100794591B1 (en) | 2006-10-12 | 2006-10-12 | Automatic measuring system for vehicle information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020060099220A KR100794591B1 (en) | 2006-10-12 | 2006-10-12 | Automatic measuring system for vehicle information |
Publications (1)
Publication Number | Publication Date |
---|---|
KR100794591B1 true KR100794591B1 (en) | 2008-01-17 |
Family
ID=39218166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020060099220A KR100794591B1 (en) | 2006-10-12 | 2006-10-12 | Automatic measuring system for vehicle information |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR100794591B1 (en) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100860394B1 (en) | 2008-05-22 | 2008-09-26 | 김학선 | A traffic detector device and vehicle information with high and low speed weight |
WO2010143769A1 (en) * | 2009-06-09 | 2010-12-16 | 하이테콤시스템(주) | Non-contact type vehicle sensing device |
KR101122340B1 (en) * | 2008-03-13 | 2012-03-23 | 오므론 가부시키가이샤 | Axle weight measurement system and vehicle separation method |
CN107680375A (en) * | 2017-09-29 | 2018-02-09 | 深圳市易成自动驾驶技术有限公司 | A kind of vehicle load computational methods, device and storage medium |
CN114485878A (en) * | 2022-01-26 | 2022-05-13 | 何剑虹 | Method and system for measuring dynamic weight of vehicle based on dynamic energy spectrum analysis |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040027609A (en) * | 2003-11-27 | 2004-04-01 | 한국유지관리 주식회사 | Multi-channel telemetry system for monitoring of infra-structures |
JP2006084404A (en) | 2004-09-17 | 2006-03-30 | Tokyo Institute Of Technology | Characteristic variation detection system, method, program, and recording medium of structure |
US20060137914A1 (en) | 2004-12-23 | 2006-06-29 | Osmos S.A. | Method and device for measuring the weight applied to the ground by at least one axle |
-
2006
- 2006-10-12 KR KR1020060099220A patent/KR100794591B1/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040027609A (en) * | 2003-11-27 | 2004-04-01 | 한국유지관리 주식회사 | Multi-channel telemetry system for monitoring of infra-structures |
JP2006084404A (en) | 2004-09-17 | 2006-03-30 | Tokyo Institute Of Technology | Characteristic variation detection system, method, program, and recording medium of structure |
US20060137914A1 (en) | 2004-12-23 | 2006-06-29 | Osmos S.A. | Method and device for measuring the weight applied to the ground by at least one axle |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101122340B1 (en) * | 2008-03-13 | 2012-03-23 | 오므론 가부시키가이샤 | Axle weight measurement system and vehicle separation method |
KR100860394B1 (en) | 2008-05-22 | 2008-09-26 | 김학선 | A traffic detector device and vehicle information with high and low speed weight |
WO2010143769A1 (en) * | 2009-06-09 | 2010-12-16 | 하이테콤시스템(주) | Non-contact type vehicle sensing device |
CN107680375A (en) * | 2017-09-29 | 2018-02-09 | 深圳市易成自动驾驶技术有限公司 | A kind of vehicle load computational methods, device and storage medium |
CN114485878A (en) * | 2022-01-26 | 2022-05-13 | 何剑虹 | Method and system for measuring dynamic weight of vehicle based on dynamic energy spectrum analysis |
CN114485878B (en) * | 2022-01-26 | 2024-04-09 | 何剑虹 | Method and system for measuring dynamic weight of vehicle based on dynamic energy spectrum analysis |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6883768B2 (en) | Monitoring system | |
CN112179467B (en) | Bridge dynamic weighing method and system based on video measurement of dynamic deflection | |
JP5424787B2 (en) | Axle load measuring device, measurement accuracy confirmation system of axle load measuring device, and measurement accuracy confirmation method of axle load measuring device | |
CN108225811A (en) | A kind of bridge structure safe assessment system based on vehicular load | |
KR102140793B1 (en) | High-speed Weigh-In-Motion for detecting overload vehicles in Expressway Limit Vehicle Surveillance System | |
KR100794591B1 (en) | Automatic measuring system for vehicle information | |
CN109002622B (en) | Method for estimating overall load response of large-span bridge under random traffic flow effect | |
US20230083004A1 (en) | Method of monitoring health status of bridges in normal traffic conditions | |
CN103913600A (en) | Device and method for detecting speed measurement errors of speedometer of motor vehicle | |
CN117058600B (en) | Regional bridge group traffic load identification method and system | |
CN112528208B (en) | Weighing-free AI intelligent recognition truck overload estimation method, device and system | |
KR100814028B1 (en) | System for measuring weight a traveling car automatically | |
KR101247542B1 (en) | Weight measuring system considering changes of speed and lane and method thereof | |
CN107886739A (en) | Traffic flow of the people automatic collecting analysis system | |
CN115240111A (en) | Real-time back calculation method for traffic load of medium and small-span bridge | |
Algohi et al. | Detection of speed and axle configuration of moving vehicles using acoustic emission | |
MacLeod et al. | Enhanced bridge weigh-in-motion system using hybrid strain–acceleration sensor data | |
JP7424945B2 (en) | Failure detection device, toll collection system, failure detection method, and program | |
CN116818397B (en) | Quick load test method and system for small and medium span bridges based on machine vision | |
KR100900809B1 (en) | System for measuring weight a high speed car | |
Kawakatsu et al. | Fully-neural approach to heavy vehicle detection on bridges using a single strain sensor | |
Kawakatsu et al. | Data-Driven Bridge Weigh-In-Motion | |
Nowak et al. | On the effects of modified lane configuration due to construction works on bridge loading | |
JP3753423B2 (en) | Traveling time prediction apparatus and method | |
CN115165053B (en) | Vehicle load identification method integrating video and BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
G170 | Publication of correction | ||
FPAY | Annual fee payment |
Payment date: 20121221 Year of fee payment: 6 |
|
FPAY | Annual fee payment |
Payment date: 20131224 Year of fee payment: 7 |
|
FPAY | Annual fee payment |
Payment date: 20141224 Year of fee payment: 8 |
|
FPAY | Annual fee payment |
Payment date: 20161226 Year of fee payment: 10 |
|
FPAY | Annual fee payment |
Payment date: 20180102 Year of fee payment: 11 |
|
FPAY | Annual fee payment |
Payment date: 20190102 Year of fee payment: 12 |
|
FPAY | Annual fee payment |
Payment date: 20200102 Year of fee payment: 13 |