基于ETC的车辆动态称重系统轴载数据处理算法研究

文章针对提出的基于ETC的车辆动态称重系统设计,以压电石英传感器阵列作为称重单元,利用小波变换原理对采集原始数据进行降噪处理,并针对数据丢轴等现象提出基于相关性的信号完整性分析方法,最后依据各传感器的输出值及车辆通行速度建立了BP神经网络模型,利用该模型得到被称重车辆的车重。实验结果表明:称重传感器阵列和基于小波-BP神经网络的称重数据处理算法,达到了动态称重系统的称重数据测量精度,保证了基于ETC的动态称重系统从技术上得以实现,具有良好的实际应用价值。     

基于压电薄膜的车辆动态称重系统数据采集及处理

介绍了基于压电薄膜的车辆动态称重系统数据采集前端的信号调理电路,针对传感器信号进行了处理及分析,着重介绍数据滤波以及系统试验方案,并给出了整个系统的程序流程图。     

基于奇异谱分析的动态称重系统算法研究

针对目前动态称重系统称重误差较大的现状,设计了基于奇异谱分析的动态称重系统。在汽车综合试验场,根据设计的动态称重系统及所选用的压电石英称重传感器的特点,采用两轴车辆及多轴车辆在S形通过、高速行驶刹车通过、不同车速通过的三种情况下采集称重数据。利用车辆的轴重与采集的信号所包围的面积关系计算得到车重,并将奇异谱分析(SSA)算法应用于动态称重系统的数据处理中。试验结果表明:SSA算法与传统的小波分析算法相比能够明显降低称重误差,可广泛推广应用于动态称重系统中。     

动态称重系统数据采集及分析

采用山东省永久路面试验路的动态称重系统,详细介绍了动态称重系统的组成结构、动态称重系统的安装以及轴型的分类,并对所采集的轴载数据的处理方法进行了介绍和比较。在此基础上,分析了道路通行车辆的实际轴载谱、不同类型通行车辆的轴载变化、试验路段交通量的日、周、月变化以及车辆的速度变化,通行车辆的车道分布等,结果表明,实时采集车辆通行数据的动态称重系统所采集的数据库数据可以有效地解决原来轴载调查使用方法存在的与实际轴载不符的问题。     

基于压电传感器的车辆超载检测系统

为有效管理车辆超载,文章基于压电式传感器提出一种适应治超非现场执法的车辆动态称重系统。提出一种新的传感器布置方式,并对硬件系统做了整体设计,提出改进的称重传感器信号处理方法,设计系统软件,将系统精度控制在5%以内,兼顾系统精度和成本。为验证设计系统测试结果的准确性,进行道路现场试验获取车辆轴重数据。试验结果表明,开发的超载检测系统能够满足动态称重的精度要求,具有较高的实际应用价值。     

基于自适应AR谱与神经网络的车变速器轴承故障诊断

提出了基于自适应AR谱和神经网络的汽车变速器轴承故障诊断方法.该方法采用自适应滤波将轴承振动信号进行滤波,建立AR模型,从而提取出故障轴承的特征,再利用BP神经网络进行故障分类.试验证明该方法适用于汽车变速器轴承的故障诊断.     

基于卡尔曼-高斯联合滤波的车辆位置跟踪

车辆位置的精确、可靠获取,一直是阻碍智能驾驶技术的难题.特别当车辆处于复杂道路环境中时,车辆卫星定位信号易受较大干扰,使车辆定位产生漂移现象.针对车辆定位的这种漂移现象,研究了针对车辆位置跟踪的卡尔曼-高斯联合滤波方法.对于车辆卫星定位受到的干扰不同,采用分层处理的滤波方法;针对卡尔曼滤波不能较好地滤除一些干扰较大的位置漂移点,通过设置与车速、航向角等相关的动态阈值,对卫星定位的车辆位置进行动态阈值判断;通过动态阈值识别出的车辆位置漂移数据,结合高斯过程回归,以车辆的历史数据作为学习样本,使用预测值和真实观测值构建补偿量,通过对卡尔曼观测方程加入动态观测补偿实现车辆位置优化;对于一般噪声产生的卫星定位波动,联合滤波也可以有效优化.实车实验表明,该方法可以有效识别出车辆定位的漂移点,车辆卫星定位在信号受较大干扰的情况下,车辆卫星定位的精度可以提高30%左右,最大误差由9 m降低到0.8 m左右.该联合滤波方法在使用低成本定位装置的情况下,有效提高车辆卫星定位的精度及可靠性.      

孤立交叉口多相位自适应模糊控制及其神经网络实现

针对城市中心区交叉口交通流分布的特点,综合考虑本相位和相邻相位车道上的车辆排队长度(以下简称“队长”),应用模糊控制和神经网络具有的学习功能,提出了一种孤立交叉口多相位自适应模糊控制算法,该算法采用两个规则前件进行模糊推理,并给出了基于3层神经网络实现的模糊控制器的网络结构及其改进的BP网络训练算法和运行程序,结合已有类似研究成果进行了仿真比较研究,结果表明:该控制方法在信号周期自动调节和减少车辆延误方面都有明显改进,在实现城市交叉口智能控制中具有推广应用价值。     

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据,基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素,选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据,选取3 000组实际运行数据完成公交行程时间预测模型的训练,另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间,预测值平均相对误差为3.23%,绝对误差集中在8 s左右,明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型,可认为选择RFID电子车牌数据作为组合模型的输入,能够明显改善模型预测精度;组合模型预测值的残差分布更为集中、鲁棒性较好,泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标,结果进一步表明,组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

自适应信号控制下交叉口延误计算方法研究

为了研究交通信号的自适应控制方法,需要对交叉口延误进行定量的分析与计算。本文根据信号交叉口理论,在以往定时信号延误研究的基础上,基于交叉口一个进口方向的车辆延误分析,推导了信号控制交叉口不同交通运行状况下的交叉口延误公式;进而对自适应信号控制下交叉口延误的计算方法进行了研究,提出了自适应信号控制下交叉口延误的计算方法———根据交叉口各进口方向不同的交通运行状况以及所处的相序选择相应的公式计算交叉口各进口方向的车辆延误,然后对其求和,得到交叉口延误。