基于行车振动的路面平整度智能检测方法研究

为探讨路面平整度(IRI)的智能检测方法,该文选取北京市密云、通州等地区22条普通公路,借助坐垫式振动加速度计,采集车辆行驶过程中的三轴向振动加速度数据。以Z轴单向加速度为主要对象进行数据处理,确定了|ax|75%、有效值φx为振动加速度特征值。在此基础上,利用GA-BP神经网络建立振动加速度特征值及速度V与IRI之间的相关关系。结果表明:该文方法对IRI值检测的平均相对误差为3.65%,与传统BP神经网络模型相比,精度提高了7.92%。利用该文提出的方法,可以比较准确地实现路面平整度的智能化检测,可为进一步开展路面智能化检测提供理论支持。     

基于BP神经网络和Logistic回归分析的沥青路面平整度模型预测

为了解决国际平整度指数IRI预测模型准确性不高等问题,以路面长期性能(LTPP)数据库实测数据为基础,采用机器学习中BP神经网络建模方法对提取出的数据进行预测分析,并与传统的Logistic回归分析结果做评估对比。分析结果表明,利用传统的Logistic方法和BP神经网络得出的复判定系数分别为0.731、0.876,说明采用的BP神经网络平整度预测模型具有较高效率和预测精度以及较低的复杂度,能够有效评价路面使用性能。     

基于惯性基准的激光路面平整度检测系统研究

依据1/4车模型,分析了基于惯性基准的路面平整度检测方法,给出了采用激光测距仪和加速度传感器的输出信号获得待测路面纵断面相对高程的计算公式,实现了多路数据的同步采集与联合处理,介绍了对传感器输出信号的数据处理方法.通过与精密水准仪测量方法进行对比试验,结果表明基于惯性基准的检测方法在路面平整度检测中是可行的.     

基于智能轮胎系统的实时路面辨识技术

在复杂和极限工况下,路面附着系数是进行轮胎受力分析和车辆动力学控制的重要状态参数。相对于模型估计的方法,智能轮胎技术能够将轮胎与路面的交互信息反馈给车辆控制系统。本文提出了一种将智能轮胎系统和机器学习相结合的车辆路面附着系数获取方法。首先,考虑行驶工况环境进行传感器选型,开发基于MEMS三轴加速度传感器的智能轮胎硬件采集系统,并采用简化硬件结构的无线传输模式。其次,通过采集不同路面上的实车实验数据进行车辆实验收集机器学习训练的数据集,并分析轮地关系及信号特征。最后,将CNN与LSTM两者的优势相结合实现了对加速度时序信号的特征学习。通过与其它神经网络模型训练结果的比较,验证了所提CNN-LSTM双通道融合神经网络模型的有效性和准确性。本文提出的路面辨识方案实现了实时道路识别的目标,硬件与软件架构和神经网络模型更适合车辆系统搭载,为车辆运动控制提供了实时准确的路面信息。     

基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑.研究了利用多源数据预测城市信号控制主干道旅行时间的方法.以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系.以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析.研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MA PE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果.      

变权重组合S型曲线在路面平整度预测中的应用

通过对路面平整度指数IRI随时间发展规律及其特点的分析与研究，得出平整度的发展基本经历了先慢后快再慢的过程，基于3种“S”型增长曲线模型，提出一种预测路面平整度发展规律的变权重组合预测方法，并建立了变权重组合“S”型增长模型，从而可根据有限的实测平整度观测数据预测路面平整度的发展过程。工程实例分析结果表明，使用该模型，其预测曲线与实测数据曲线基本吻合，可用于路面平整度的预测，为解决我国平整度模型预测精度不高提供一种有效而实用的方法。     

基于GA-AIC的路面检测信息多元回归模型优选

为便于对大规模路面状况进行评价,必须寻找路面状况的测定数据与专家评分值之间的联系,建立主观专家评分与客观实测数据之间的关系,即路面使用性能——路面状况指数PCI关系。该文基于AIC准则和遗传算法,根据实际调查的数据,建立了利用弯沉、国际平整度指数及横向力系数模拟路况指数的模型,较好地模拟路面使用性能间的关系。实例证明该文所提出的基于AIC准则和遗传算法并兼顾拟合精度和预测精度的新的路面安全检测模型优选方法具有一定的优越性。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

基于ABAQUS的水泥路面脱空形态神经网络识别方法

为了能够准确识别板底脱空形态,并给出注浆工程量的计算依据,提出一种基于ABAQUS的神经网络方法。利用ABAQUS有限元软件模拟不同脱空形态路面板在荷载激励下的声学信号并提取声学特征值;通过BP神经网络构建多指标声学特征与脱空形态指标的关系模型;由实测声学信号提取脱空区域的多指标声学特征值,并进行路面板底脱空形态指标的预测。结果表明,建立的神经网络模型能够比较准确地识别板底脱空形态指标,可以为水泥混凝土路面板底脱空处治工程量的预测提供有效手段和依据。     

最小二乘法结合BP神经网络在路面平整度数据标定及处理中的应用

在充分调研国内外路面平整度检测技术的基础上,针对平整度数据检测中存在的异常数据、漏检数据等问题,结合其技术指标,基于最小二乘法的原理对试验数据的IRI测量重复性误差和IRI测量误差进行分析,确保数据源的准确性和可参考性,并对BP神经网络算法的有效性和实用性进行了验证,再采用BP神经网络方法对路面平整度检测数据进行识别和补充处理,使检测到的数据能反映被检测实体的真实信息。最后,结合工程实例,在Matlab上实现仿真和计算,把补充的数据和真实数据进行相对误差比较分析,结果表明:数据处理结果能很好地满足工程质量检测数据误差的要求。     

基于平整度的水泥混凝土路面预防性养护时机确定方法

为了确定水泥混凝土路面预防性养护时机,基于路面损坏状况指数PCI与路面平整度关系构建模型,借助模型找到路面损坏状况指数加速度最大值,从而确定预防性养护时机。最后给出实例进行了验证。     

基于遗传神经网络的路面使用性能评价预测

基于遗传神经网络算法,在进行高速公路路面使用性能评价与预测时,引入遗传神经网络,建立高速公路路面使用性能评价与预测模型,通过该模型,评价和预测了吉林某高速公路路面使用性能。结果表明:与BP网络预测PCI的结果相比,遗传神经网络预测PCI的结果与高速路面PCI实际值误差缩小更明显,这表明遗传神经网络模型预测精度得到很大程度提高。测试结果说明,本研究提出的遗传神经网络预测方法是可行的,它可以作为高速路面一种有效预测手段,提供科学方法进行公路路面使用性能的评价与预测。     

基于BP神经网络的路面不平度识别

将BP神经网络作为识别路面不平度的工具,确定了用于识别的评价指标。建立了前后轮路面不平度滤波白噪声模型和汽车平顺性4 自由度平面模型,通过仿真获得车辆响应和前后轮路面不平度,作为BP 神经网络的输入和输出。采用3 层BP 神经网络识别路面不平度,先后构造了44 种车辆响应输入方案进行训练和测试,通过评价指标选出最优输入方案。研究结果表明,在车辆行驶的常用路面和车速条件下,识别前后轮路面不平度的最优输入方案由车轮垂直加速度、车轮垂直位移和悬架动挠度组成。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

基于Matlab的BP神经网络的电控发动机故障研究

基于Matlab的BP神经网络,对电控发动机的故障进行研究。采集电控发动机故障数据,运用BP神经网络建立了故障诊断模型,并对几种常见故障进行了诊断,诊断结果表明BP神经网络在电控发动机故障诊断研究方面具有一定的实用价值。     

路面检测周期对使用性能预测影响研究

路面使用状况的跟踪检测对路面养护管理来说是十分必要的.由于检测点位、检测频率与检测误差等原因,检测数据均具有一定的不确定性,各地区路面状况检测周期差异进一步加剧了检测数据的不确定性,进而对路面使用性能的预测造成一定影响.该文在对路面性能预测模型误差分析的基础上,通过检测数据的增减,拟合了检测周期不同时车辙深度、开裂面积、国际平整度指数等指标的路面性能预测模型,并采用模型对不同路段的使用年限进行预测,进而分析了检测周期对性能预测的影响.最后根据路面实际检测数据推荐出不同性能指标的最佳检测周期.实例证明:合理的检测周期不但能够节约检测费用,而且可以减少路面使用性能预测误差,更好地为路面养护提供决策依据.     

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.      

基于BP神经网络的沥青面层层底径向应变预测

基于层状弹性理论,利用BP神经网络预测沥青面层层底径向应变.根据常用的路面结构形式,基于层状弹性理论构建路表弯沉值与结构层参数之间的数据库,并以此数据库建立沥青面层层底径向应变BP神经网络预测模型.理论及实测弯沉盆的预测结果表明,文中所建立的沥青面层层底径向应变BP神经网络模型具有较好的预测精度,为准确、快速地评价沥青面层的使用状况提供了参考.     

基于随机森林算法的路面状况指数预测

近些年随着道路三维检测技术的兴起,越来越多的路段开始使用三维道路检测车对道路状况进行检测。以表征路面使用性能优劣的重要指标——路面状况指数为研究目标,利用ARAN9000三维多功能道路检测车采集的实际路面数据,对路面状况指数进行了预测。首先,考虑路面病害、环境、路面结构等影响因素,运用数据挖掘技术对加拿大安大略省某公路路面状况指数的相关数据进行了数据清洗、特征筛选等处理分析工作。然后,构建了路面状况指数的机器学习预测模型,得到多元线性回归模型、神经网络模型与随机森林模型的复相关系数R~2分别为0.562,0.711,0.895。随机森林模型预测的路面状况指数精度较神经网络模型提高了0.184,误差降低了1.599,训练速度提升了33 s。最后,选择精度较高的随机森林模型进行了优化。由于输入变量较多,无法通过简单的统计分析确定应修正或删除的异常数据,因此选择在构建模型并预测后,通过预测值与真实值的拟合效果确定异常值,再使用修正后的数据重新对模型进行循环训练,使之达到当前模型训练最优。结果表明:改进后的随机森林模型预测效率和预测精度更高,R~2达到0.898。提出的路面状况指数预测模型是准确而有效的。     

惯性基准高程测量方法在路面平整度检测中的应用

介绍了路面国际平整度指标计算原理,设计了基于高精度激光测距传感器和加速度传感器的路面平整度检测系统,采用截至频率为20Hz的二阶巴特沃斯低通滤波器和零均值化对检测车垂直振动加速度数据进行预处理,同时利用直接积分法计算检测车垂直振动位移。实验结果表明,检测车垂直振动位移计算结果与实际测量值基本吻合。