[发明专利]基于垂直动载荷的现代时间序列提取路面特征参数的方法

说明书

技术领域

本发明属于路面特征识别领域，尤其是涉及一种基于车轮垂直动载荷现代时间序列分析提取路面特征识别参数的方法。

背景技术

随着我国公路建设质量的不断提高，高等级公路网络的日益完善，如何对路面质量进行检测评定，是当前一个十分重要的课题。在路面诸多检查项目评定指标中，平整度占评定项目总分数的15％～20％，是路面质量检测中最重要的指标之一。我国在自1994年10月1日实施的《公路工程质量检验评定标准》(JTJ071-94)中对平整度指标提出明确要求。而在特定车型及车速条件下，平整度与道路载荷谱存在着对应关系，从而依据道路载荷谱可实现路面状况检测。目前国内使用的对平整度进行检测的设备有RSP Ⅱ路面检测车、颠簸累积仪和DYNATEST 5051RSP道路激光平整度测试车、TRL调整路面计、路面轮廓仪和三米直尺等。这些产品要么检测较粗糙，要么成本高昂。

因此研究一种自动化程度高、实时性好、测量准确且成本较低的路面特征识别方法和设备，对提高路面质量检测水平，促进高质量路面建设、缩小国内外差距具有积极的影响。

发明内容

为了克服现有的路面测量仪器要么检测较粗糙，要么成本高昂的缺点，本发明提出一种基于垂直动载荷的现代时间序列提取路面特征参数的方法，采用车轮力传感器测量系统获取相关测量参数。

本发明为解决其技术问题采取如下技术方案：

一种基于垂直动载荷的现代时间序列提取路面特征参数的方法。采用车轮力传感器直接测量路面载荷谱，通过构建基于车轮力传感器为核心的道路数据采集系统，将传感器安装于试验原型车，实车试验采集各种路面的载荷谱数据。经过去均值、去除趋势项等信号预处理后，对信号进行AR时间序列建模，结合自适应Kalman滤波算法，去除噪声，以获取真实路面载荷谱，并通过模糊聚类方法提取有效的路面识别指标。可应用于路面分级和路面质量检测及路面模拟试验等。其特征在于：

步骤1：将WFT安装于试验原型车，在汽车试验场进行水泥混凝土、沥青、石板等各类路面的实车实验，采集垂直动载荷数据。车轮力传感器安装于汽车车轮轮毂，整体示意如图1所示。

步骤2：进行高通滤波、去均值、去除趋势项等信号预处理。

对路面谱测量信号建立时序模型时，首先应保证该信号为零均值、平稳、正态时序。路面谱测量采集的原始信号中包含常值分量和随机分量，可以通过求均值来提取常值分量。常值分量由车辆的自重引起。去掉均值(即常值分量)的路面谱测量信号。

去掉常值分量后，该信号为零均值。对于通过数据采集系统得到的路面谱测量信号其正态性也能够保证。但因受未知的外部环境及内部因素的干扰，信号的平稳性却很难保证。所以在建模之初，通过统计检验的方法，对路面谱测量信号的平稳性作出判断。并进行趋势项和周期项的提取。

步骤3：基于现代时间序列建模辨识理论，对预处理后信号进行AR模型建模，确定模型的阶次。

要精确求取路面的功率谱密度，首先要对路面数据进行滤波，Kalman滤波具有滤波效果好、响应速度快的优点，但必须首先对信号时间序列建模。

在对实车路面垂直动载数据进行建模之前，应首先以一定的频率采集一定时间的输出数据，并对其进行零均值、趋势项及平稳性、正态性检验。针对路谱数据特点，对其进行预处理的次序是：高通数字滤波、去均值、去趋势项。

步骤4：建立模型后可转换为状态空间模型，应用自适应Kalman滤波理论进行实时滤波处理，去除噪声。

步骤5：选取模糊聚类方法方法，采用AR建模与FCM结合的路面识别方法提取和选择合理路面识别指标。

在进行模糊c均值聚类算法之前，先进行数据的AR建模，提取模型参数再加上数据的均值和方差作为FCM算法的输入，减少了输入数据的维数，减少了训练的时间，并减小了上述缺点对于结果的影响。AR建模与结合FCM算法实现路面分级示意图如图4所示。

与现有技术相比，本发明具有如下优点：

(1)本发明采用车轮力传感器作为数据采集工具，利用车轮在路面上的直接接触产生的车轮垂直动载荷进行直接的测量，从而保证了原始数据掺杂的噪声等干扰因素最少。

(2)基于车轮力传感器采集装置，将采集的数据通过高通滤波、去均值、去除趋势项等信号预处理。数据可靠性高。

(3)算法采用现代时间序列方法建模结合FCM方法提取路面识别参数，算法简捷，实时性好。

(4)主要功能在软件上实现，性能可靠且成本较低，有重要的推广价值。