基于行車振動的路面平整度智能檢測方法研究

張金喜，王琳，周同舉，吳洋

(北京工業(yè)大學(xué) 交通工程北京市重點實驗室，北京市 100124)

隨著社會經(jīng)濟的飛速發(fā)展，中國道路交通網(wǎng)日趨完善，在公路新建里程增長逐漸緩慢的同時，公路養(yǎng)護里程所占比例逐年增加。據(jù)相關(guān)部門調(diào)查顯示，截至2018年底，中國公路里程已達484.65萬km，二級以上高等級公路達64.78萬km，其中高速公路14.26萬km；同年份公路養(yǎng)護里程475.78萬km，約占公路總里程的98.2%。以上數(shù)據(jù)表明：道路養(yǎng)護與管理日漸成為道路交通行業(yè)的工作重點。

路面平整度是路面養(yǎng)護的重要參考指標之一，也是衡量路面質(zhì)量及路面破壞程度的一個重要指標，與行車安全、行車舒適性及道路通行能力息息相關(guān)。國內(nèi)外常用的平整度檢測方法主要包括：3 m直尺法、連續(xù)式平整度儀測定法、車載式累積顛簸儀測定法、激光平整度儀測定方法等。目前的平整度測試方法大部分為直接測量法，傳統(tǒng)的3 m直尺法檢測精度較差，且需耗費大量的人力物力；其他方法利用不同測試儀器測定，標準化程度和自動化程度比較高，但測試成本較高，檢測頻率低(一般為一年一次)，且測試過程對交通的順暢運行有一定影響。因此，采用先進技術(shù)和方法實現(xiàn)平整度測試的智能化，是道路工程領(lǐng)域的研究熱點之一。

國內(nèi)外學(xué)者針對平整度檢測方法進行了深入探究。馬榮貴等設(shè)計了基于嵌入式IP2022的激光平整度檢測系統(tǒng)，消除了檢測速度對IRI檢測結(jié)果的影響；杜豫川等基于功率譜密度分析方法，開發(fā)了包含多個加速度傳感器和GPS的路面平整度檢測系統(tǒng)；WY Huang等對3 m直尺法、連續(xù)式平整度儀及累積顛簸儀所測得的平整度均方誤差進行對比分析，提出了適用于飛機跑道瀝青路面的平整度評價方法；B Leben等研制了ZAG-VP縱向輪廓儀用于測量并計算路面平整度，其測量速度為120 km/h?？梢钥闯觯浩秸葯z測受到了國內(nèi)外學(xué)者的廣泛關(guān)注，但在平整度的智能化檢測方法研究和應(yīng)用方面，尚未見成熟的成果。該文選用三軸向振動加速度采集儀采集行車過程中的振動信號，并利用小波消噪等方法對其進行預(yù)處理，提取特征值，基于GA-BP算法建立信號特征值與平整度之間的關(guān)系模型，探討路面平整度的非接觸、間接的智能化檢測技術(shù)，為實現(xiàn)平整度智能化檢測提供理論支持。

1 試驗設(shè)備及方案

1.1 試驗設(shè)備

振動加速度測試儀可用來測定三軸向的振動加速度信號，該文選用坐墊式三軸向加速度計來進行信號的采集。試驗時，將其放置于乘坐在試驗車輛上的被試者臀部下面，并固定于座椅上，將輸出線連接到信號采集儀、信號調(diào)理器，構(gòu)成人體全身測試系統(tǒng)，進行行車過程中振動信號的采集。加速度傳感器采集的振動加速度，從背至胸的方向標記為Y軸方向，人體的脊背方向標記為Z方向，左右方向標記為X方向。

1.2 試驗方案

(1) 試驗道路選擇

此次行車試驗所選試驗道路為北京市密云、通州等地區(qū)的普通瀝青混凝土公路，共計22條。每個試驗路段長度約為3 km，路線平順、路面干燥，道路兩側(cè)景觀基本一致，避免環(huán)境因素的干擾。所選擇的道路詳細情況見表1。對于不同的道路路段，進行了不同速度下的IRI檢測，檢測結(jié)果具有一定波動，反映了IRI檢測結(jié)果與檢測速度具有一定的關(guān)系。

表1 試驗道路狀況列表

(2) 試驗車速

路面平整度是影響行車振動的主要因素之一，但相同平整度的路面，行車速度不同時車輛的振動也不相同。該研究中，在符合道路限速、保證行車安全的條件下，設(shè)定不同的駕駛速度，分別為30、50、70 km/h，開展不同駕駛速度情況下的振動加速度數(shù)據(jù)采集工作。車輛行駛速度盡量保持平穩(wěn)，實際行駛速度與設(shè)定的控制速度的偏差小于4%。同時，為了驗證研究結(jié)果的可靠性，還進行了基于駕駛員自主控制的變速行車試驗。

(3) 試驗車輛

不同車輛的振動性能不同，該研究主要進行利用振動信號檢測路面平整度的理論研究，不考慮不同車輛的影響，因此根據(jù)實際情況，試驗車輛選擇北京吉普。車輛各部件及附屬裝置完好，輪胎氣壓符合相關(guān)技術(shù)規(guī)定，駕駛設(shè)施較為靈敏。試驗中，將測試系統(tǒng)安裝在試驗車中，開展實際道路的行車試驗。

(4) 試驗人員

研究中，車輛駕駛員要求有3年以上駕齡，駕駛技術(shù)嫻熟、穩(wěn)重，身體健康，無不良嗜好。所選被試者為男性，年齡處于25～35歲，身體健康且無暈車現(xiàn)象。試驗過程中將其雙手自然地放置于大腿上，保持坐姿不變。

2 信號特征值分析

2.1 信號去噪

在已有研究基礎(chǔ)上，參考國內(nèi)外相關(guān)研究，選取Z軸單方向，即豎直方向的振動加速度數(shù)據(jù)進行分析及處理。車輛行駛過程中，路面狀況的差異會產(chǎn)生隨機噪聲，車體自身發(fā)動機振動和行駛振動也會產(chǎn)生一定的噪聲，車輛靜止時，振動信號也會產(chǎn)生一定的波動，這些因素將會對所采集的數(shù)據(jù)產(chǎn)生一定的影響。因此，該文選用小波變換對所采集的試驗數(shù)據(jù)進行消噪處理。

多分辨分析是小波變換的基本原理，即構(gòu)造一組函數(shù)空間，把原始信號占據(jù)的總頻帶定義為空間V0，經(jīng)第一級分解后V0被劃分為兩個子空間，即為低頻的V1和高頻的W1；經(jīng)第二級分解后V1又被劃分為低頻的V2和高頻的W2，以此類推，可得到如下等式：

V0=V1?W1=V2?W1?W2=Vm?Wm?…?Wj-1

(1)

基于上述原理，該研究應(yīng)用Matlab中的小波變換工具箱，選取db4小波作為小波基，對信號進行4層分解，如圖1所示；其中S為原始信號，a(n)為低頻信號，d(n)為高頻信號。基于軟閾值函數(shù)，選取自適應(yīng)閾值進行信號去噪，原始信號及消噪信號如圖2所示。為檢驗消噪效果，隨機抽取樣本路段，將其信號殘差進行正態(tài)分布檢驗，可得其峰度為0.016，偏度為0.129，基本符合正態(tài)分布，即消噪效果較好。

圖1 小波分解示意圖

圖2 信號對比圖

2.2 特征值提取

(1)|az|分位點

由于振動加速度的正負只代表方向，而與大小無關(guān)，故該研究考慮其絕對值變化規(guī)律。不同速度下振動加速度隨IRI的變化箱形圖如圖3所示。由圖3可知：當(dāng)V=30 km/h時，隨著IRI的增大，|az|整體呈上升趨勢，其三分位點尤為顯著，且不同平整度下，|az|變化范圍較為相似；當(dāng)V=50 km/h及70 km/h時，|az|三分位點仍呈上升趨勢，但不同平整度下，|az|取值范圍相差較大，規(guī)律性有一定下降。

(2) 信號有效值φx

信號有效值表示信號的平均能量，其計算方法見式(2)：

(2)

式中：xt為t時刻的信號值。

將勻速行駛狀態(tài)下的信號有效值進行匯總，其值隨IRI變化趨勢如圖4所示。由圖4可知：相同速度下，隨著IRI的增大，φx呈上升趨勢，具有很好的相關(guān)性；而相同平整度下，隨著速度的增大，φx逐漸增大。

基于上述分析，利用SPSS軟件對變速行駛狀態(tài)下的IRI、|az|75%分位點、信號有效值φx及測試速度V進行偏相關(guān)分析，結(jié)果見表2。由表2可以看出：IRI與|az|75%、φx、V均呈現(xiàn)較好的相關(guān)關(guān)系，即以|az|75%、φx為特征值的振動信號，與路面平整度、行駛速度具有良好的相關(guān)性，驗證了可以利用車輛行駛振動信號檢測路面平整度的可行性。

3 平整度檢測模型

3.1 GA-BP神經(jīng)網(wǎng)絡(luò)模型

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法在運行過程中，可能會出現(xiàn)計算收斂速度過慢，甚至產(chǎn)生局域最小值等問題，造成預(yù)測值與實際值間誤差較大，無法滿足模型精度要求。該文利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，將遺傳算法的自適應(yīng)性和全局尋優(yōu)性與BP神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)相結(jié)合，以此提高模型的精準度。

圖3 不同速度下|az|隨IRI變化箱形圖

圖4 不同速度下φx隨IRI變化散點圖

表2 IRI與其影響因素的偏相關(guān)分析(偏相關(guān)系數(shù)值)結(jié)果

基于上述分析，將速度、有效值φx及|az|75%值作為輸入，IRI值作為輸出，則隱含層神經(jīng)元個數(shù)為7；將輸入層到隱含層傳遞函數(shù)設(shè)定為雙曲正切Sigmoid函數(shù)，而隱含層到輸出層為對數(shù)Sigmoid函數(shù)。BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)示意圖

為縮短染色體長度，該文采用實數(shù)編碼，經(jīng)計算可得其編碼長度為36，將BP神經(jīng)網(wǎng)絡(luò)中權(quán)值、閾值按一定順序級聯(lián)，形成實數(shù)數(shù)組，作為一個染色體，依據(jù)此原理，設(shè)定初始化種群。

圖6 GA-BP算法流程圖

3.2 結(jié)果分析

由于BP神經(jīng)網(wǎng)絡(luò)中所輸入的特征向量具有不同的量綱，為減弱其對網(wǎng)絡(luò)模型的影響，需對數(shù)據(jù)進行歸一化處理，計算公式如下：

(3)

式中：xi、X分別為轉(zhuǎn)換前、后的值，xmax、xmin分別為樣本的最大值和最小值。

此次試驗共獲取400個樣本數(shù)據(jù)，選取其中200個樣本作為訓(xùn)練集，利用其對模型的權(quán)值和閾值尋找最優(yōu)。將剩余200組數(shù)據(jù)作為預(yù)測樣本，對訓(xùn)練集數(shù)據(jù)進行驗證，模型運行結(jié)果及其誤差分析如圖7、8所示。

圖7、8表明：該文所建立模型的平均相對誤差為3.65%，在允許范圍內(nèi)。該文所構(gòu)建的GA-BP神經(jīng)網(wǎng)絡(luò)模型具有較高的精度，滿足一般工程需要。

選取部分未經(jīng)過訓(xùn)練的樣本數(shù)據(jù)，將其分別輸入到BP神經(jīng)網(wǎng)絡(luò)和GA-BP模型中進行平整度預(yù)測，結(jié)果如圖9所示。

圖7 GA-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果對比圖

圖8 GA-BP神經(jīng)網(wǎng)絡(luò)模型誤差分析圖

圖9 訓(xùn)練誤差對比圖

由圖9可知：經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)精度提高了7.92%，其平整度預(yù)測更為準確，具有較高的可信度。

4 結(jié)論

針對利用行車振動信號檢測路面平整度問題，通過對行車振動信號的分析，采用GA-BP算法，進行了路面平整度智能檢測的探討，得到以下主要結(jié)論：

(1) 利用三軸向振動加速度計，可以實時采集行車過程中的振動信號數(shù)據(jù)，通過采用小波變換等技術(shù)，可以得到符合要求的振動信號數(shù)據(jù)。

(2) 豎向Z軸振動加速度絕對值的三分位點|az|75%、信號的有效值φx及行車速度V與IRI之間具有較強的相關(guān)關(guān)系，模型的平均相對誤差為3.65%。三分位點|az|75%、信號的有效值φx能夠反映車輛振動特征，可作為檢測路面平整度的有效振動信號指標。

(3) 利用遺傳算法對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)模型，彌補了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的不足，將模型精度提高了7.92%，使平整度預(yù)測精度得到一定提高。

平整度智能檢測是當(dāng)下道路領(lǐng)域的重點研究內(nèi)容，在該文研究的基礎(chǔ)上，可增加車輛類型、道路類型的樣本量，以驗證該文研究方法的普適性。此外，該文為平整度智能檢測手段(如智能手機)的應(yīng)用奠定了基礎(chǔ)，具有重要的指導(dǎo)意義。