一种基于神经网络的平整度标定测定的预处理方法与流程

1.本发明涉及道路工程技术领域，尤其是涉及一种基于神经网络的平整度标定测定的预处理方法。

背景技术：

2.平整度是道路检测里重要的参数，可以反映路面颠簸状况。在车上安装振动传感器来计算路面平整度，采集z轴方向的振动数据，振动数据可用于进行路面平整度的预估，主要体现在振动数据与路面的国际平整度指数iri具有一定的关系，设备成本也显著降低。
3.目前基于振动传感器的平整度测量，其标定方法通过人工选取一段范围的振动数据进行标定计算，人工通过观测振动数据峰值的变化来截取振动数据，误差大，容易受人主观因素干扰，速度慢，效率低，限制了振动传感器测量平整度的应用。
4.为了使计算得到的国际平整度指数iri值更加准确，平整度标定的预处理就格外重要。为了使车辆竖向加速度统计指标均方根误差rms与国际平整度指数iri的一种线性关系更加拟合，需要一些从低到高的振动数据来测试拟合。为了使效果较好，可以选择梯形凸起标定块，需要得到汽车的前轮刚触及梯形凸起标定块的第一个点，后轮刚触及梯形凸起标定块的第二点，后轮离开梯形凸起标定块至平缓的第三个点，然后根据一种神经网络方法优化计算得到一个车辆竖向加速度统计指标均方根误差rms与国际平整度指数iri的一种线性关系。
5.在平常对于平整度测定的预处理方法里面还没有一套成型的体系或者方法能够简单并且准确的对平整度测定的数据进行预处理，目前汽车在不同的速度下压过梯形凸起标定块下寻这三点还是依靠人工记录和可视化对比等。因此，人工自主记录的标定难度大，记录操作繁琐，效率低，主观感觉太强，准确性低。依赖较多的人工，测量的成本较高，无法实现大范围，高频次的标定。

技术实现要素：

6.针对现有技术存在的不足，本发明的目的是提供一种基于神经网络的平整度标定测定的预处理方法，其使用一种神经网络算法，自动出汽车的前轮刚触及梯形凸起标定块的第一个点，后轮刚触及梯形凸起标定块的第二点，后轮离开梯形凸起标定块至平缓的第三个点十分重要。根据在不同的速度下自动出的三个点，利用matlab等平台进行优化和计算，得到一个更加准确的国际平整度指数iri值。
7.本发明的上述发明目的是通过以下技术方案得以实现的：一种基于神经网络的平整度标定测定的预处理方法，包括以下步骤：步骤1、在车辆上安装加速度传感器；步骤2、构建用于振动式路面平整度测试车的标准化标定路段；步骤3、将待标定测试车在10、20、30、40、50、60km/h （各速度可以
±
30%）的时速下匀速单侧车轮压过凸起标定块，将获取到的竖向加速度，利用语言工具计算出这段时间内
各个速度通过凸起标定块的z轴数据和gps,将z轴数据和gps数据根据时间进行融合相连并且可视化出来，根据可视化出来的波形图分别在不同的速度下记录下前轮刚触及凸起标定块，后轮触及凸起标定块，后轮离开至平缓的索引点；步骤4、重复5次步骤3，获取在10、20、30、40、50、60km/h（各速度
±
30%）的时速下跑的加速度xyz轴的数据和gps数据，利用语言工具取出z轴数据,速度,方位角等数据,根据python可视化出来曲线图，分别记录在6个不同时速下前轮触及凸起标记块的6个点，根据python计算出各时速下的振幅最高点所对应的6个索引值点；分别计算出各时速下前轮触及凸起标记块的点距离振幅最高点的值。然后记录下后轮在6个不同时速下触及凸起标记块的6个点,分别算出各时速下后轮触及凸起标记块的点距离振幅最高点的值。同时记录下后轮在6个不同时速下离开凸起标记块至平稳的6个点,分别算出各时速下离开凸起标记块至平稳的点距离振幅最高点的值；步骤5、根据步骤4计算得到的数据求出每个时速下三个节点分别到最高点的均值；步骤6、根据步骤5得到的v1(速度)-sa1(距离), v2(速度)-sa2(距离),v3(速度)-sa3(距离), v4(速度)-sa4(距离), v5(速度)-sa5(距离), v6(速度)-sa6(距离),即不同的速度下，前轮距离振幅最高点的修正距离；根据神经网络对v-sa进行回归预测，就可以得到不同速度下前轮触及凸起标记块的索引index点，依次预测，就可以得到不同速度下后轮触及凸起标记块的索引index点，依次预测，就可以得到不同速度下后轮离开凸起标记块的索引index点；步骤7、在之前的标定路段上再跑一次，（0~80 km/h的速度下）得到的xyz轴数据和gps数据，结合之前预测得到的三个线性目标关系函数就可以得到三个点。
8.进一步的，在所述步骤1中，a. 所述加速度传感器能够测量轴数为3轴；b. 所述加速度传感器的分辨精度:
ꢀ±
1g；c. 所述加速度传感器的量程：
±
10g；d. 所述加速度传感器的输出频率：大于200hz；e. 所述加速度传感器的安装方式：粘接安装；f. 所述加速度传感器的安装位置：安装在汽车后轮上方；g. 所述加速度传感器的安装数量：2个左轮上方安装一个,右轮上方安装一个；h．所述加速度传感器的z轴朝向：向上。
9.进一步的，在所述步骤2中，构建用于振动式路面平整度测试车的标准化标定路段的方法包括以下步骤：寻一个长度大于1km的沥青路面（没有破损/坑槽/减速带等的平整光滑的路面）将高度为5cm，上底边长度为5cm，下底边长度为40cm的凸起标定块（凸起块的尺寸是非固定，可以自行选择）构建标准化标定路段。
10.进一步的，在所述步骤6中，经过神经网络的预测会得到三个线性目标关系函数，结论如下：sa = w1 * (speed) + b1；sb = w2 * (speed) + b2；
sc = w3 * speed + b3；其中，speed是速度，sa代表的是前轮触及凸起标记块离振幅最高点距离（索引距离）；sb代表的是后轮触及凸起标记块离振幅最高点距离（索引距离）；sc代表的是后轮离开凸起标记块至平稳离振幅最高点距离（索引距离）；w——权重系数；b——常数。
11.综上所述，本发明包括以下至少一种有益技术效果：本发明提到的方法，利用python语言和神经网络，可以实现快速、准确的对平整度的数据进行预处理，从而为后续的平整度标定节省时间成本。在日常巡查中，只需要对车辆进行一次标定，一次预处理，然后优化计算就可以得到该车辆的竖向加速度统计指标均方根误差rms与国际平整度指数iri的关系，从而得到道路的iri值。
12.在执行效率上，相较于现有的人工记录及可视化对比方法，本专利提到的方法，在日常巡查中即可快速并且准确完成对平整度数据的预处理，更快的得到道路的iri值。此外，本专利提到的方法无需人员具有算法功底和编写代码的技能，只需运行python脚本就可以对平整度数据进行预处理，然后进行优化计算得到标定文件。
13.在经济效益上，本专利提到的方法主要依赖于神经网络算法和轻量化加速器传感设备，大大提高巡查频次的同时，在现有日常巡查的基础上投入设备费用，即可对道路进行iri值测定，可免去专项检测的相关费用。
附图说明
14.图1为本发明展示沥青路面的示意图。
15.图2为本发明展示凸起标定块的结构示意图。
16.图3为本发明展示测试车在不同时速下单侧车轮压过凸起标定块的示意图。
17.图4为本发明展示测试车在不同速度下的波形图。
18.图5为本发明展示测试车各时速下的振幅最高点所对应的索引值的波形图。
19.图6为本发明展示测试车的前轮触及凸起标记块的点距离振幅最高点的修正距离的波形图。
20.图7为本发明展示测试车在不同速度下前轮触及凸起标记块的索引index点的示意图。
21.图8为本发明展示测试车在不同速度下后轮触及凸起标记块的索引index点的示意图。
22.图9为本发明展示测试车在不同速度下后轮离开凸起标记块的索引index点的示意图。
23.图10为本发明展示三个线性目标关系函数的波形图。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例，基于
本技术中的实施例，本领域普通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，都属于本技术保护的范围。
25.实施例一：本发明公开了的一种基于神经网络的平整度标定测定的预处理方法，包括以下步骤：步骤1、（基本结构1）在车辆上安装加速度传感器，其中：a. 加速度传感器能够测量轴数：3轴；b. 加速度传感器的分辨精度:
ꢀ±
1g；c. 加速度传感器的量程：
±
10g；d. 加速度传感器的输出频率：大于200hz；e. 加速度传感器的安装方式：粘接安装；f. 加速度传感器的安装位置：安装在汽车后轮上方；g. 加速度传感器的安装数量：2个左轮上方安装一个,右轮上方安装一个；h．加速度传感器的z轴朝向：向上；步骤2、（基本结构2）构建用于振动式路面平整度测试车的标准化标定路段；寻一个长度大于1km的沥青路面（没有破损/坑槽/减速带等的平整光滑的路面见图1）将如图2的高度为5cm，上底边长度为5cm，下底边长度为40cm的凸起标定块（凸起块的尺寸是非固定，可以自行选择）构建标准化标定路段；步骤3、（基本结构3）将待标定测试车在10、20、30、40、50、60km/h （各速度可以
±
30%）的时速下匀速单侧车轮压过凸起标定块（见图3），将获取到的竖向加速度，利用语言工具计算出这段时间内各个速度通过凸起标定块的z轴数据和gps,将z轴数据和gps数据根据时间进行融合相连并且可视化出来，根据可视化出来的波形图分别在不同的速度下记录下前轮刚触及凸起标定块，后轮触及凸起标定块，后轮离开至平缓的索引点（见图4）。
26.步骤4、重复5次步骤3，获取在10、20、30、40、50、60km/h（各速度
±
30%）的时速下跑的加速度xyz轴的数据和gps数据，利用语言工具取出z轴数据,速度,方位角等数据,根据python可视化出来曲线图，分别记录在6个不同时速下前轮触及凸起标记块的6个点，根据python计算出各时速下的振幅最高点所对应的6个索引值点；分别计算出各时速下前轮触及凸起标记块的点距离振幅最高点的值。然后记录下后轮在6个不同时速下触及凸起标记块的6个点,分别算出各时速下后轮触及凸起标记块的点距离振幅最高点的值；同时记录下后轮在6个不同时速下离开凸起标记块至平稳的6个点,分别算出各时速下离开凸起标记块至平稳的点距离振幅最高点的值。
27.步骤5、根据步骤4计算得到的数据求出每个时速下三个节点分别到最高点的均值；步骤6、根据步骤5得到的v1(速度)-sa1(距离), v2(速度)-sa2(距离),v3(速度)-sa3(距离), v4(速度)-sa4(距离), v5(速度)-sa5(距离), v6(速度)-sa6(距离),即不同的速度下，前轮距离振幅最高点的修正距离；根据神经网络对v-sa进行回归预测，就可以得到不同速度下前轮触及凸起标记块的索引index点（图7），依次预测，就可以得到不同速度下后轮触及凸起标记块的索引index
点（图8），依次预测，就可以得到不同速度下后轮离开凸起标记块的索引index点（图9）。
28.经过神经网络的预测会得到三个线性目标关系函数，结论如下：sa = w1 * (speed) + b1 ；sb = w2 * (speed) + b2 ；sc = w3 * speed + b3；注：speed是速度，sa代表的是前轮触及凸起标记块离振幅最高点距离（索引距离）；sb代表的是后轮触及凸起标记块离振幅最高点距离（索引距离）；sc代表的是后轮离开凸起标记块至平稳离振幅最高点距离（索引距离）；w——权重系数；b——常数；步骤7、在之前的标定路段上再跑一次，（0~80 km/h的速度下）得到的xyz轴数据和gps数据，结合之前预测得到的三个线性目标关系函数就可以得到三个点（图10），从左往右，第一条虚线是前轮刚触及凸起标识块的第一个点，第二条虚线是后轮触及凸起标识块的第二个点，第三条虚线是后轮离开凸起标识块至平稳的第三点。
29.实施例二：本发明所提的方法和实施方式如附图3所示，在车辆上安装加速传感器等设备，其中，加速传感器的选择和安装方式见基本结构1。
30.实施流程概括为：1．寻到一条平整光滑的直线长度大于1km的沥青路面；2．一辆后轮安装了加速传感器的待标定的测试汽车；3．在路面上放一块凸起标定块，将待标定测试车在10、20、30、40、50、60km/h （各速度可以
±
30%）的时速下匀速单侧车轮压过凸起标定块（见图3，长宽高可以自行定义），将获取到的竖向加速度，利用语言工具计算出这段时间内各个速度通过凸起标定块的z轴数据和gps,将z轴数据和gps数据根据时间进行融合相连并且可视化出来，根据可视化出来的波形图分别在不同的速度下记录下前轮刚触及凸起标定块，后轮触及凸起标定块，后轮离开至平缓的索引点（见图4）；4. 重复5次步骤3，获取在10、20、30、40、50、60km/h（各速度
±
30%）的时速下跑的加速度xyz轴的数据和gps数据，利用语言工具取出z轴数据,速度,方位角等数据,根据python可视化出来曲线图，分别记录在不同时速下前轮触及凸起标记块的点indexa11、indexa12、indexa13、indexa14、indexa15、indexa16（见图4的第一个点），根据python计算出各时速下的振幅最高点所对应的索引值，m11、m12、m13、m14、m15、m16（见图5）；分别计算出各时速下前轮触及凸起标记块的点距离振幅最高点的值，a11=|indexa11-m11|, a12=|indexa12-m12|, a13=|indexa13-m13|, a14=|indexa14-m14|, a15=|indexa15-m15|, a16=|indexa16-m16|；然后记录下后轮在不同时速下触及凸起标记块的点indexb11、indexb12、indexb13、indexb14、indexb15、indexb16（见图4的第二个点）,分别算出各时速下后轮触及凸起标记块的点距离振幅最高点的值；b11=|indexb11-m11|, b12=|indexb12-m12|, b13=|indexb13-m13|；b14=|indexb14-m14|, b15=|indexb15-m15|, b16=|indexb16-m16|；
同时记录下后轮在不同时速下离开凸起标记块至平稳的点indexc11、indexc12、indexc13、indexc14、indexc15、indexc16（见图4的第三个点）,分别算出各时速下离开凸起标记块至平稳的点距离振幅最高点的值，c11=|indexc11-m11|, c12=|indexc12-m12|, c13=|indexc13-m13|；c14=|indexc14-m14|, c15=|indexc15-m15|, c16=|indexc16-m16|；注：an1n2、bn1n2、cn1n2分别代表节点，a——前轮触及凸起标块,b——后轮触及凸起标块,c——后轮离开凸起标块，n1——第几次重复实验，n2*10——当时实验的时速。例如：a33代表是第三次重复实验中在速度为30时前轮触及凸起标记块的点与振幅最高点的距离，以此类推。
31.5、根据步骤4计算得到的数据求出每个时速下三个节点分别到最高点的均值，sa1 = (a11+a21+a31+a41+a51)/5, sa2 = (a12+a22+a32+a42+a52)/5,... 。
32.依此类推会分别计算得到sa1,sa2,sa3,sa4,sa5,sa6；sb1=( b11+b21+b31+b41+b51)/5
…ꢀ
以此类推，会分别计算得到sb1,sb2,sb3,sb4,sb5,sb6。sc1=(c11+c21+c31+c41+c51)/5,
…
，以此类推，会分别计算得到sc1,sc2,sc3,sc4,sc5,sc6。
33.注：sa1：速度为10km/h（
±
30%）时标定测试车，前轮触及凸起标记块的点距离振幅最高点的修正距离，sa6：速度为60km/h(
±
30%)时标定测试车，前轮触及凸起标记块的点距离振幅最高点的修正距离（见图6）。sbn表示的是在速度为n*10情况下，后轮触及凸起标记块距离振幅最高点的修正距离。scn表示的是在速度为n*10情况下，后轮离开凸起标记块至平稳距离振幅最高点的修正距离。文中的距离是索引距离，例如，如果加速度传感器是250hz，那么一秒钟会输出250次，索引距离就是1-250，以此类推。
34.6、根据步骤5得到的v1(速度)-sa1(距离), v2(速度)-sa2(距离),v3(速度)-sa3(距离), v4(速度)-sa4(距离), v5(速度)-sa5(距离), v6(速度)-sa6(距离),即不同的速度下，前轮距离振幅最高点的修正距离。根据神经网络对v-sa进行回归预测，就可以得到不同速度下前轮触及凸起标记块的索引index点（图7），依次预测，就可以得到不同速度下后轮触及凸起标记块的索引index点（图8），依次预测，就可以得到不同速度下后轮离开凸起标记块的索引index点（图9）。
35.经过神经网络的预测会得到三个线性目标关系函数，结论如下：sa = w1 * (speed) + b1 ；sb = w2 * (speed) + b2 ；sc = w3 * speed + b3；注：speed是速度，sa代表的是前轮触及凸起标记块离振幅最高点距离（索引距离）,sb代表的是后轮触及凸起标记块离振幅最高点距离（索引距离）,sc代表的是后轮离开凸起标记块至平稳离振幅最高点距离（索引距离）w——权重系数b——常数。
36.本发明的实施原理为：目前，平整度标定数据的预处理主要依靠人工，以人工记录和人工可视化比对寻不同速度下汽车的单前轮刚触及梯形凸起标定块的第一个点，单后轮刚触及梯形凸起标定块的第二点，单后轮离开梯形凸起标定块至平缓的第三个点，然后
根据得到的预处理数据来拟合车辆竖向加速度统计指标均方根误差rms和国际平整度指数iri，存在寻效率低、速度慢、时间成本高、准确性低、无法大面积进行标定问题。
37.因此，本发明使用一种神经网络算法，自动出汽车的前轮刚触及梯形凸起标定块的第一个点，后轮刚触及梯形凸起标定块的第二点，后轮离开梯形凸起标定块至平缓的第三个点十分重要。根据在不同的速度下自动出的三个点，利用matlab等平台进行优化和计算，得到一个更加准确的国际平整度指数iri值。
38.本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

技术特征：

1.一种基于神经网络的平整度标定测定的预处理方法，其特征在于：包括以下步骤：步骤1、在车辆上安装加速度传感器；步骤2、构建用于振动式路面平整度测试车的标准化标定路段；步骤3、将待标定测试车在10、20、30、40、50、60km/h （各速度可以
±
30%）的时速下匀速单侧车轮压过凸起标定块，将获取到的竖向加速度，利用语言工具计算出这段时间内各个速度通过凸起标定块的z轴数据和gps,将z轴数据和gps数据根据时间进行融合相连并且可视化出来，根据可视化出来的波形图分别在不同的速度下记录下前轮刚触及凸起标定块，后轮触及凸起标定块，后轮离开至平缓的索引点；步骤4、重复5次步骤3，获取在10、20、30、40、50、60km/h（各速度
±
30%）的时速下跑的加速度xyz轴的数据和gps数据，利用语言工具取出z轴数据,速度,方位角等数据,根据python可视化出来曲线图，分别记录在6个不同时速下前轮触及凸起标记块的6个点，根据python计算出各时速下的振幅最高点所对应的6个索引值点；分别计算出各时速下前轮触及凸起标记块的点距离振幅最高点的值；然后记录下后轮在6个不同时速下触及凸起标记块的6个点,分别算出各时速下后轮触及凸起标记块的点距离振幅最高点的值；同时记录下后轮在6个不同时速下离开凸起标记块至平稳的6个点,分别算出各时速下离开凸起标记块至平稳的点距离振幅最高点的值；步骤5、根据步骤4计算得到的数据求出每个时速下三个节点分别到最高点的均值；步骤6、根据步骤5得到的v1(速度)-sa1(距离), v2(速度)-sa2(距离),v3(速度)-sa3(距离), v4(速度)-sa4(距离), v5(速度)-sa5(距离), v6(速度)-sa6(距离),即不同的速度下，前轮距离振幅最高点的修正距离；根据神经网络对v-sa进行回归预测，就可以得到不同速度下前轮触及凸起标记块的索引index点，依次预测，就可以得到不同速度下后轮触及凸起标记块的索引index点，依次预测，就可以得到不同速度下后轮离开凸起标记块的索引index点；步骤7、在之前的标定路段上再跑一次，（0~80 km/h的速度下）得到的xyz轴数据和gps数据，结合之前预测得到的三个线性目标关系函数就可以得到三个点。2.根据权利要求1所述的一种基于神经网络的平整度标定测定的预处理方法，其特征在于：在所述步骤1中，a. 所述加速度传感器能够测量轴数为3轴；b. 所述加速度传感器的分辨精度:
ꢀ±
1g；c. 所述加速度传感器的量程：
±
10g；d. 所述加速度传感器的输出频率：大于200hz；e. 所述加速度传感器的安装方式：粘接安装；f. 所述加速度传感器的安装位置：安装在汽车后轮上方；g. 所述加速度传感器的安装数量：2个左轮上方安装一个,右轮上方安装一个；h．所述加速度传感器的z轴朝向：向上。3.根据权利要求1所述的一种基于神经网络的平整度标定测定的预处理方法，其特征在于：在所述步骤2中，构建用于振动式路面平整度测试车的标准化标定路段的方法包括以下步骤：寻一个长度大于1km的沥青路面（没有破损/坑槽/减速带等的平整光滑的路面）将高
度为5cm，上底边长度为5cm，下底边长度为40cm的凸起标定块（凸起块的尺寸是非固定，可以自行选择）构建标准化标定路段。4.根据权利要求1所述的一种基于神经网络的平整度标定测定的预处理方法，其特征在于：在所述步骤6中，经过神经网络的预测会得到三个线性目标关系函数，结论如下：sa = w1 * (speed) + b1；sb = w2 * (speed) + b2；sc = w3 * speed + b3；其中，speed是速度，sa代表的是前轮触及凸起标记块离振幅最高点距离（索引距离）；sb代表的是后轮触及凸起标记块离振幅最高点距离（索引距离）；sc代表的是后轮离开凸起标记块至平稳离振幅最高点距离（索引距离）；w——权重系数；b——常数。

技术总结

本发明涉及一种基于神经网络的平整度标定测定的预处理方法，包括以下步骤：步骤1、在车辆上安装加速度传感器；步骤2、构建用于振动式路面平整度测试车的标准化标定路段；步骤3、在不同的速度下记录下前轮刚触及凸起标定块，后轮触及凸起标定块，后轮离开至平缓的索引点；步骤4、根据python计算出各时速下的振幅最高点所对应的索引值点；步骤5、根据步骤4计算得到的数据求出每个时速下三个节点分别到最高点的均值；步骤6、根据步骤5得到不同的速度下前轮距离振幅最高点的修正距离；步骤7、在之前的标定路段上再跑一次，得到的xyz轴数据和gps数据，结合之前预测得到的三个线性目标关系函数就可以得到三个点。系函数就可以得到三个点。