一种道路平整度检测方法与流程

1.本发明属于道路检测技术领域，特别是涉及一种道路平整度检测方法。


背景技术：

2.路面平整度(roadsurfaceroughness)指的是路表面纵向的凹凸量的偏差值。路面平整度是路面评价及路面施工验收中的一个重要指标，主要反映的是路面纵断面剖面曲线的平整性。当路面纵断面剖面曲线相对平滑时，则表示路面相对平整，或平整度相对好，反之则表示平整度相对差。好的路面则要求路面平整度也要好。
3.目前，对于道路平整度的检测采用装有激光装置的专业车辆。但是该检测过程成本较高，且需要专业的人员。


技术实现要素：

4.本发明的目的在于提供一种道路平整度检测方法，通过mems气压传感器和mems加速度传感器获取胎压变化数据，经过处理后训练得到道路平整度评价模型，计算道路表面状况值，分析道路的平整度情况，解决了现有的路面平整度检测成本高、需要专业人员的问题。
5.为解决上述技术问题，本发明是通过以下技术方案实现的：
6.本发明为一种道路平整度检测方法，包括如下步骤：
7.步骤s1：在测量道路平整度的车轮上安装mems气压传感器和mems加速度传感器；
8.步骤s2：通过mems气压传感器和mems加速度传感器获取胎压变化数据；
9.步骤s3：对胎压变化数据进行去噪处理；
10.步骤s4：采用深度学习算法对胎压变化数据进行训练，得到道路平整度评价模型；
11.步骤s5：构建道路平整度与胎压变化之间的函数；
12.步骤s6：构建之间函数关系的假设函数，并构建描述假设函数好坏以及评估参数优劣的损失函数；
13.步骤s7：计算损失函数的最小值；
14.步骤s8：采用加权平均融合算法计算道路表面状况值，分析道路的平整度。
15.作为一种优选的技术方案，所述步骤s2中，通过mems气压传感器和mems加速度传感器获取胎压变化数据具体为：
16.mems气压传感器用于采集轮胎在运动过程中mems气压传感器产生的数据；mems加速度传感器用于采集轮胎在运动过程中mems加速度传感器产生的数据，在测试主机内编入数据读取程序，记录下车辆运行过程中胎压、加速度的变化数据，之后发送到后台进行分析；当测试主机向后台发送数据时，使用get方式接收测试主机发送的胎压参数，调用写文件程序，将数据写入文件并保存、显示。
17.作为一种优选的技术方案，所述步骤s3中，胎压变化数据进行去噪处理的具体流程如下：
18.步骤s31：对胎压变化数据进行敏感性分析，筛选对平整度敏感的数据变量；
19.步骤s32：去除离散异常点，并过滤非离散异常点；
20.步骤s33：数据去噪处理；
21.步骤s34：数据补偿。
22.作为一种优选的技术方案，所述步骤s31中，以x轴方向加速度数据、y轴方向加速度数据、z轴方向加速度数据为比较数列，以国际平整度指数iri为参考数列，按灰色关联度理论的计算过程对各因素对于iri的关联度进行计算，计算得出，三轴加速度数据对国际平整度指数iri影响从大到小依次为z轴》y轴》x轴。
23.作为一种优选的技术方案，所述步骤s32中，去除离散异常点采用中值滤波法对加速度数据进行去离散异常点处理；过滤非离散异常点采用离散小波变换来对加速度数据进行处理。
24.作为一种优选的技术方案，所述步骤s33中，数据去噪处理采用递归算法来实现，具体流程如下：
25.步骤s331、给定的时间域序列：
26.x
(0)
＝[x
(0)
(1),x
(0)
(2),...,x
(0)
(n)]；
[0027]
步骤s332、对其进行平滑均匀处理，对于数据链端点数据用下式进行处理：
[0028][0029]
步骤s333、对数据链中间各点数据，用下式进行处理：
[0030][0031]
式中，x
(0)
表示0时刻点采集的数据，n表示采集次数。
[0032]
作为一种优选的技术方案，所述步骤s4中，胎压变化数据包括轮胎压力变化、轮胎所受横向力和轮胎与路面的接触面积，对胎压变化数据去噪后进行学习训练，得到道路平整度评价模型，具体道路平整度评价模型建立包括以下步骤：
[0033]
步骤s41：选取70％的轮胎压力变化和法向形变数据作为道路表面平整度的评价数据，选取剩余的轮胎压力变化和法向形变数据作为道路表面破坏程度的评价数据；
[0034]
步骤s42：根据道路表面平整度以及道路表面破坏程度的评价数据，采用深度学习算法，构建描述道路表面平整度以及道路表面破坏程度与轮胎压力变化和法向形变，构建之间函数关系的假设函数，并构建描述假设函数好坏以及评估参数优劣的损失函数；
[0035]
步骤s43：采用梯度下降算法得到损失函数的最小值，将最小值与构建的道路表面平整度以及道路表面破坏度的假设函数分别结合，分别得到道路表面平整度的评价模型和道路表面破坏程度的评价模型。
[0036]
作为一种优选的技术方案，所述步骤s6中，评价模型建立步骤中在采用深度学习算法对过滤后的数据进行学习训练后，还构建描述道路表面抗滑系数与轮胎压力变化、轮
胎所受横向力和轮胎与路面的接触面积之间函数关系的假设函数，以及构建描述假设函数好坏以及评估参数优劣的损失函数，并采用梯度下降算法得到损失函数的最小值，将最小值与构建的道路表面抗滑系数的假设函数进行结合，得到道路表面抗滑系数评价模型。
[0037]
作为一种优选的技术方案，所述步骤s7中，道路表面平整度与轮胎压力变化和法向形变之间函数关系的假设函数的表达式为：
[0038][0039]
式中，δy表示轮胎的法向形变，δp为轮胎的压力变化，a0为修正系数，rqi为道路表面平整程度，范围在0到10之间；
[0040]
描述道路表面平整度与轮胎压力变化和法向形变之间函数关系的假设函数好坏以及评估参数优劣的损失函数的表达式为:
[0041]
l
ry
＝rqi-h
ry
；
[0042]
道路表面破坏程度和轮胎的压力变化与法向形变之间函数关系的假设函数的表达式为:
[0043][0044]
式中，δy表示轮胎的法向形变，δp为轮胎的压力变化，a1为修正系数，rci为道路表面破坏程度，范围在10到100之间；
[0045]
描述道路表面破坏程度和轮胎的压力变化与法向形变之间函数关系的假设函数好坏以及评估参数优劣的损失函数的表达式为:
[0046]
l
ry
＝rci-h
ry
。
[0047]
作为一种优选的技术方案，所述步骤s8中，通过大数据的训练道路表面平整度的假设函数和道路表面破坏程度的假设函数，采用加权平均融合算法来不停地优化损失函数，得到对应的损失函数的最小值，使之对应的误差达到最小，并将最小值与构建的道路表面平整度以及道路表面破坏程度的假设函数分别结合，分别得到道路表面平整度的评价模型和道路表面破坏程度的评价模型。
[0048]
本发明具有以下有益效果：
[0049]
本发明通过mems气压传感器和mems加速度传感器获取胎压变化数据，经过处理后训练得到道路平整度评价模型，计算道路表面状况值，分析道路的平整度情况，降低了道路检测成本，提高了道路检测效率。
[0050]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0051]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0052]
图1为本发明的一种道路平整度检测方法流程图；
[0053]
图2为胎压变化数据进行去噪流程图；
[0054]
图3为道路平整度评价模型建立流程图。
具体实施方式
[0055]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0056]
请参阅图1所示，本发明为一种道路平整度检测方法，包括如下步骤：
[0057]
步骤s1：在测量道路平整度的车轮上安装mems气压传感器和mems加速度传感器；
[0058]
步骤s2：通过mems气压传感器和mems加速度传感器获取胎压变化数据，获取胎压变化数据具体为：
[0059]
mems气压传感器用于采集轮胎在运动过程中mems气压传感器产生的数据；mems加速度传感器用于采集轮胎在运动过程中mems加速度传感器产生的数据，在测试主机内编入数据读取程序，记录下车辆运行过程中胎压、加速度的变化数据，之后发送到后台进行分析；当测试主机向后台发送数据时，使用get方式接收测试主机发送的胎压参数，调用写文件程序，将数据写入文件并保存、显示。
[0060]
步骤s3：对胎压变化数据进行去噪处理；
[0061]
在路面平整度测试的过程中，同时采集x轴、y轴、z轴三个方向的加速度数据，若将三组数据同时作为模型输入对平整度进行评价，模型变量过多，很难保证评价模型的计算精度和计算速度。
[0062]
因此，在平整度评价模型建立之前,对三轴加速度数据敏感性分析，筛选对平整度敏感的数据变量,可以提高模型运算效率和模型稳定性。
[0063]
如图2所示，胎压变化数据进行去噪处理的具体流程如下：
[0064]
步骤s31：对胎压变化数据进行敏感性分析，筛选对平整度敏感的数据变量；以x轴方向加速度数据、y轴方向加速度数据、z轴方向加速度数据为比较数列，以国际平整度指数iri为参考数列，按灰色关联度理论的计算过程对各因素对于iri的关联度进行计算，计算得出，三轴加速度数据对国际平整度指数iri影响从大到小依次为z轴》y轴》x轴。
[0065]
步骤s32：去除离散异常点，并过滤非离散异常点；根据时刻采集的点应该呈线性分布，如直线型分布、抛物线分布等等；因此，将偏离线性分布太多数据点视作异常点，为提高测量的精准度，需要对异常点进行删除。
[0066]
步骤s33：数据去噪处理；
[0067]
由于车辆实际驾驶过程中由于路况差异会产生随机噪声，但是噪声强度和发生频率是难以确定的，会因道路状况与行驶速度的不同而有所差异。车体自身的行驶震动产生的低频噪声，会对mems传感器采集到的加速度数据产生噪声干扰。即使当车辆静止时，采集的加速度信号仍会出现波动现象。去除离散异常点采用中值滤波法对加速度数据进行去离散异常点处理；过滤非离散异常点采用离散小波变换来对加速度数据进行处理。
[0068]
数据去噪处理采用递归算法来实现，具体流程如下：
[0069]
步骤s331、给定的时间域序列：
[0070]
x
(0)
＝[x
(0)
(1),x
(0)
(2),...,x
(0)
(n)]；
[0071]
步骤s332、对其进行平滑均匀处理，对于数据链端点数据用下式进行处理：
[0072][0073]
步骤s333、对数据链中间各点数据，用下式进行处理：
[0074][0075]
式中，x
(0)
表示0时刻点采集的数据，n表示采集次数。
[0076]
步骤s34：数据补偿。
[0077]
步骤s4：采用深度学习算法对胎压变化数据进行训练，得到道路平整度评价模型；
[0078]
如图3所示，胎压变化数据包括轮胎压力变化、轮胎所受横向力和轮胎与路面的接触面积，对胎压变化数据去噪后进行学习训练，得到道路平整度评价模型，具体道路平整度评价模型建立包括以下步骤：
[0079]
步骤s41：选取70％的轮胎压力变化和法向形变数据作为道路表面平整度的评价数据，选取剩余的轮胎压力变化和法向形变数据作为道路表面破坏程度的评价数据；
[0080]
步骤s42：根据道路表面平整度以及道路表面破坏程度的评价数据，采用深度学习算法，构建描述道路表面平整度以及道路表面破坏程度与轮胎压力变化和法向形变，构建之间函数关系的假设函数，并构建描述假设函数好坏以及评估参数优劣的损失函数；
[0081]
步骤s43：采用梯度下降算法得到损失函数的最小值，将最小值与构建的道路表面平整度以及道路表面破坏度的假设函数分别结合，分别得到道路表面平整度的评价模型和道路表面破坏程度的评价模型。
[0082]
步骤s5：构建道路平整度与胎压变化之间的函数；
[0083]
步骤s6：构建之间函数关系的假设函数，并构建描述假设函数好坏以及评估参数优劣的损失函数；
[0084]
评价模型建立步骤中在采用深度学习算法对过滤后的数据进行学习训练后，还构建描述道路表面抗滑系数与轮胎压力变化、轮胎所受横向力和轮胎与路面的接触面积之间函数关系的假设函数，以及构建描述假设函数好坏以及评估参数优劣的损失函数，并采用梯度下降算法得到损失函数的最小值，将最小值与构建的道路表面抗滑系数的假设函数进行结合，得到道路表面抗滑系数评价模型。
[0085]
步骤s7：计算损失函数的最小值；
[0086]
道路表面平整度与轮胎压力变化和法向形变之间函数关系的假设函数的表达式为：
[0087][0088]
式中，δy表示轮胎的法向形变，δp为轮胎的压力变化，a0为修正系数，rqi为道路
表面平整程度，范围在0到10之间；
[0089]
描述道路表面平整度与轮胎压力变化和法向形变之间函数关系的假设函数好坏以及评估参数优劣的损失函数的表达式为:
[0090]
l
ry
＝rqi-h
ry
；
[0091]
道路表面破坏程度和轮胎的压力变化与法向形变之间函数关系的假设函数的表达式为:
[0092][0093]
式中，δy表示轮胎的法向形变，δp为轮胎的压力变化，a1为修正系数，rci为道路表面破坏程度，范围在10到100之间；
[0094]
描述道路表面破坏程度和轮胎的压力变化与法向形变之间函数关系的假设函数好坏以及评估参数优劣的损失函数的表达式为:
[0095]
l
ry
＝rci-h
ry
。
[0096]
步骤s8：采用加权平均融合算法计算道路表面状况值，分析道路的平整度。
[0097]
步骤s8中，通过大数据的训练道路表面平整度的假设函数和道路表面破坏程度的假设函数，采用加权平均融合算法来不停地优化损失函数，得到对应的损失函数的最小值，使之对应的误差达到最小，并将最小值与构建的道路表面平整度以及道路表面破坏程度的假设函数分别结合，分别得到道路表面平整度的评价模型和道路表面破坏程度的评价模型。
[0098]
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0099]
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
[0100]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。