基於車輪振動的路面類型識別方法
2023-10-30 18:31:27 3
專利名稱：基於車輪振動的路面類型識別方法
技術領域：
本發明屬於車輛行駛安全技術領域，具體涉及一種車輛行駛 過程中，路面類型識別的方法。
背景技術：
車輛安全平順行駛(如ABS、 ASR、 EBD、 ESP等)所必需的 力，均來源於輪胎與路面的接觸面，該力取決於路面的抗滑性。 因此，路面抗滑性評價是車輛安全控制的必要環節。路面抗滑性由路面表面特徵決定，路面表面特徵包括宏觀結 構和微觀結構(沙慶林，"高速公路瀝青路面早期破壞現象及預 防"，人民交通出版社，2005年1月)。路面的微觀構造是指路面 集料表面的粗糙度，即集料表面水平方向0-0.5mm，垂直方向 0~0.2mm的微觀構造，微觀結構在低速(30~50km/h以下)時對 路面抗滑性能起決定作用。路表面的宏觀構造是指路面集料間的 空隙或排水能力，由路面集料間形成的構造，即路面水平方向為 0.5 ~ 50mm,垂直方向為0.2~10mm,宏觀構造主要影響高速行 駛時的抗滑能力。目前，常見的高速路面包括水泥混凝土路面和SMA瀝青路 面，這兩種路面表面集料粒度不同，路面表特徵宏觀結構不同。 水泥混凝土路面表面集料為細度模數2.3 ~ 3.2之間的中砂、中粗 砂、和偏細粗砂、，水泥混凝土i 各面表面特徵徵宏》見結構見圖1。 SMA 瀝青路面骨架為大於4.75mm的粗集料(約佔混合料的70% )，瀝 青、礦粉、細集料、纖維組成的瑪蹄脂填充料(約佔混合料的30%)， SMA瀝青路面表面特徵徵宏觀結構見圖2。綜上所述，不同類型路面，表面特徵宏觀結構不同。宏觀結 構影響汽車高速行駛時的抗滑力，是影響汽車安全的主要因素。 因此，通過測量路面表面特徵宏觀結構可以評價路面的抗滑性， 其實質就是路面類型識別。目前測量路面表面特徵宏觀結構的常用方法如下1、表面輪廓輪胎傳感器識別路面表面特徵宏觀結構(韓建 保，張魯濱，李邦國，"輪胎if各面附著係數實時感應識別系統"， 車輛與動力技術，2005年第二期)表面輪廓輪胎傳感器，見圖3，其核心部件是微形平板壓電 晶體，通過壓電晶體產生的電勢，感知輪胎橡膠的變形(實質是 獲得路面表面特徵宏觀結構)，據此識別出車輪驅動力、制動力、 側向力、車輪載荷、輪胎氣壓、輪胎印跡的大小和位置、輪胎與 地面之間的附著係數等。輪胎傳感器本身不帶電源，由外部無線 電磁波激勵，同時信息通過無線電磁波發射到車載電子接收設備。該方法存在以下缺點(1) 傳感器在輪胎橡膠內準確定位比較困難；(2) 傳感器無線供電與無線信息傳輸比較複雜；(3) 因傳感器很小，獲取信息比較少，不能反映路面整體情況。2 、聲波散射測量路面表面特徵(Pieter L. Swart, Beatrys M丄acquet, "An Acoustic Sensor System for Determination of Macroscopic Surface Roughness" ， IEEE Transactions on Instrumentation and Measurement, Vol.45, No.5, October 1996)聲波散射測量路面表面特徵宏觀結構示意，見圖4，其測量 路面表面特徵原理在於，向路面發射聲波，^各面表面特徵越粗糙， 則波長越小的聲波被散射的越多。發射裝置以特定的聲波(頻率 與功率)和發射角度向路面連續發射聲波，聲波接受裝置以特定 的範圍接受路面反射聲波。通過分析接收到的聲波，可知某種頻 率的聲波被反射，某種頻率的聲波被散射。根據反射、散射聲波 的頻率和程度，估算出路面表面特徵宏觀結構。該方法存在以下缺點(1) 接收到的聲波容易受到外界聲波幹擾；(2) 設備安裝不方便，離路面近容易發生碰撞，離路面遠 精度降低；(3) 發射裝置和接受裝置容易受灰塵、雨水等汙染。 發明內容本發明的目的在於提供一種基於車輪振動的路面類型識別方法，以克力l上述方法存在的缺陷。本發明基於車輪振動的路面類型識別方法的技術方案為它 是在建立車輪振動模型後，當車輛行駛時，採集當前車輪的振動 信號，獲得當前車輪振動高頻頻譜特徵向量，與典型路面車輪振 動高頻頻譜特徵向量進行比較，從而識別路面類型。首先，建立車輪振動模型，證明車輪振動高頻頻率與路面表面宏觀特徵激勵頻率相等；其次，採集多組典型路面(如水泥混 凝土路面、SMA瀝青路面等)車輪振動信號，通過小波分析和快 速傅立葉變換，獲取多組典型路面車輪振動高頻頻譜特徵向量； 利用典型路面車輪振動高頻頻譜特徵向量構造路面RBF神經網 絡分類器；最後，採集待識別路面車輪振動信號，獲得其頻譜特 徵向量，輸入路面RBF神經網絡分類器，得到路面類型識別結果。 本方法簡單易行，所用設備簡單，安裝方便。 本發明在車輛安全控制(如ABS、 ASR、 EBD、 ESP等)中 主要作用如下(1 )確定最佳滑移率不同類型路面最佳滑移率不同，因此根據路面類型可以確定 車輛最佳滑移率，見圖5。(2)確定最大剎車力和驅動力確定路面類型和最佳滑移率後，就可以確定路面最大附著系 數，見圖5。最大附著係數乘以車重，就是路面所能提供的最大 摩擦力。根據最大摩擦力來確定車輛最大剎車力和驅動力。
圖1水泥混凝土路面表面特徵徵宏觀結構。圖2 SMA瀝青路面表面特徵徵宏觀結構。圖3表面輪廓傳感器與火柴比較。圖4測量路面聲波散射識別路面。圖5不同路面的n -入曲線。圖6基於車輪振動的路面類型識別流程。圖7單自由度車輪振動模型。圖8水泥混凝土路面、柏油路面車輪振動信號。圖9單子帶重構改進算法。圖10水泥混凝土路面、柏油路面車輪振動頻譜特徵向量。圖11 RBF神經網絡結構。圖12車輪振動神經網絡路面類型識別設備原理。
具體實施方式
本發明基於車輪振動的路面類型識別流程見圖6。它由以下 幾部分組成建立車輪振動模型，採集車輪振動信號，獲取多組 典型路面車輪振動高頻頻語特徵向量，構造路面類型識別神經網 絡分類器，開發車輪振動神經網絡路面類型識別設備。1.1建立車輪振動模型本方法研究的對象是車輪振動，根據研究需要，對車輛振動 系統進行適當筒化(靳曉雄，張立軍，江浩，"汽車振動分析"， 同濟大學出版社，2002年5月第一版)。當車輛質量分配係數s =1時，車輪振動彼此沒有聯繫，車輪振動模型簡化為車輪^組 成=單自由度車輪振動模型，見圖7、車,振，包括路面^平度高頻振動是本發明研究對象，低頻振動可以被鑑別並剔除。以下證明車輪振動高頻頻譜與路面表面特徵宏觀結構激勵 頻譜相同為了分析簡單，路面表面特徵宏觀結構激勵簡化為formula see original document page 6車輪振動模型微分方程為formula see original document page 6該振動微分方程的解為(l)(2)formula see original document page 6 (3)其中，Xs為路面表面特徵激勵，fl為路面表面特徵激勵振幅， CO為路面表面特徵宏觀結構激勵頻率，W,為輪胎質量，JC,為車輪振動，c,為輪胎阻尼，y^為輪胎剛度，f為阻尼比，A為頻率比， -為滯后角。從微分方程解(3),證明車輪振動高頻頻譜與路面表面特徵宏 觀結構激勵頻譜相同。1.2採集車輪振動信號在車橋靠近車輪位置垂直安裝加速度傳感器，測量車輪垂直 方向振動。車輛行駛在典型高速路面上，採集多組路面車輪振動信號，其中一組水泥混凝土路面、sma瀝青路面車輪振動信號見 圖8。1.3獲取多組典型路面車輪振動高頻頻譜特徵向量(1.3.1) 小波分析車輪振動信號選擇合適的小波函數和尺度，採用單子帶重構改進算法(楊 建國，"小波分析及其工程應用，，，機械工業出版社，2005年7月 第一版)，獲取車輪振動高頻子帶信號。單子帶重構改進算法見圖 9。(1.3.2) 獲取車輪振動高頻頻譜對車輪振動高頻子帶信號進行快速傅立葉變換，獲取車輪振 動高頻頻語。(1.3.3) 獲取車輪振動高頻頻諳特徵向量為了降低幹擾和減少數據量，以固定頻帶等分車輪振動高頻 頻譜，並以頻語幅值平均值作為該頻帶頻諉幅值，對頻譜進行歸 一化，得到車輪振動高頻頻譜特徵向量。formula see original document page 7 (4)在典型路面上採集各類路面多組車輪振動信號，並獲取各類 路面多組車輪振動頻鐠特徵向量。其中， 一組水泥混凝土路面、 SMA瀝青路面頻譜特徵向量見圖10 (上圖為水泥混凝土路面頻 譜特徵向量，下圖為SMA瀝青路面頻譜特徵向量)。1.4構造路面類型識別神經網絡分類器(1.4.1)建立路面類型識別RBF神經網絡RBF神經網絡由兩層組成，包括隱層和輸出層，隱層有若干 個神經元，節點函數最常用的是高斯函數，輸出層有若干個神經 元，節點函數為簡單的線性函數。設網絡輸入X為n維向量，輸 出Y為L維向量，其結構見圖11。(I.4.2)訓練路面類型識別RBF神經網絡RBF網絡的學習過程分為兩個階段，第 一階段是無教師學習， 第二階段是有教師學習。 無教師學習階段對所有樣本的輸入進行聚類(李國勇，"智能控制及其 MATLAB實現，，，電子工業出版社，2005年5月)，求得各隱層節 點的中心向量c,.。以下是K-均值聚類算法，算法步驟如下給定各隱層節點的初始中心向量c,.(O)和判定停止計算的e ;(i) 計算距離(歐幾裡得距離)並求出最小距離節點；formula see original document page 8其中i-l,2,3…q， q為隱層節點數，c,第i個隱層節點的高斯 核函數的中心向量。(ii) 調整中心formula see original document page 8式中，/ W是學習速率，》W = A"l)/l + int(V《)V2 ,學習率逐漸減小。判定聚類質量對全部樣本k反覆進行以上i、 ii步驟，直到滿足以下條件， 則聚類結束。formula see original document page 8有教師學習當c,確定以後，訓練由隱含層至輸出層之間的權值。它是一 個線性方程組，則求權值就成為線性優化問題，肯定可以獲得全 局最小點。求隱含層和輸出層的權值『,學習算法為式中，^(/Hl)為高斯函數，/ 為學習速率。以各類路面多組車4侖振動頻譜特徵向量訓練RBF神經網路， 最終獲得路面類型識別神經網絡分類器。1.5開發車輪振動神經網絡路面類型識別設備 車輪振動神經網絡路面類型識別設備原理見圖12，傳感器用 於採集待識別路面車輪振動信號，數據採集系統完成車輪振動信 號從模擬量到數字量的轉換，DSP完成1.3獲取車輪振動高頻頻 譜特徵向量、裝入1.4構造的路面RBF神經網絡分類和與車輛安 全控制ECU數據通信。本發明實驗中，識別對象為水泥混凝土3各面和SMA瀝青路 面，車速為40Km/h。實施過程中，首先用高速動態採集儀釆集 車輪振動信號，用Matlab仿真獲取車輪振動高頻頻語特徵向量、 構造路面類型識別神經網絡分類器；其次開發路面類型識別設備， 包含以單片機為核心的車輪振動數據採集系統，以DSP為核心的 信號分析、RBF神經網絡路面類型識別和通信系統。2.1採集車輪振動信號汽車選用上海通用別克賽歐SL1.6轎車；高速動態採集儀選 用wavebook516E及其擴展模塊wbkl8,設置採樣頻率為16KHz, 設置抗混疊濾波器頻率為5KHz;加速度傳感器選用CA-YD-181 型，其有效振動頻率為1 10KHZ，將其垂直安裝在後橋距離車 輪30mm處。在水泥混凝土5^面、SMA瀝青路面各採集50組車4侖振動信 號，為保證實時性和準確性，採集點數為4096,其中一組水泥混 凝土路面和SMA瀝青路面車輪振動信號見圖3。2.2獲取多組典型路面車輪振動高頻頻譜特徵向量(2.2.1) 小波分析車輪振動信號採用小波單子帶重構改進算法分解和重構車輪振動信號。小 波函數選用db10,進行2尺度單子帶重構，獲得車輪2K 4KHz 高頻振動子帶信號。濾波器直接採用Matlab提供的雙正交小波濾 波器組函數[H一D， G—D， h一R， g—R] = wfilters('dbl0')(2.2.2) 獲取車輪振動高頻頻譜對獲得的高頻子帶信號進行快速傅立葉變換，求出高頻子帶 頻譜。快速傅立葉變換直接調用Matlab提供地函數X2=fft(d2， 4096)其中d2車輪2K 4KHz高頻振動子帶信號，X2為振動信號 2K 4KHz頻帶內頻鐠。(2.2.3)獲取車輪振動高頻頻語特徵向量將每個振動頻譜等分為20個頻段，並以每頻段平均幅值作 為該頻帶頻譜幅值，再對頻譜進行歸一化，獲得車輪振動頻譜特 徵向量。其中， 一組水泥混凝土路面和SMA瀝青路面頻譜特徵 向量見圖6。對50組水泥混凝土路面和SMA瀝青路面車輪振動信號通過 (2.2.1)、 (2.2.2)、 (2.2.3)步驟進行分析，獲取50組頻譜特徵 向量，每個向量20維。其中40組向量訓練5^面類型識別神經網 絡分類器，另外IO組用於檢驗神經網絡分類器。2.3構造路面神經網絡分類器(2.3.1) 建立路面類型識別RBF神經網絡，網絡輸入向量為 20維，隱含層神經元個數為20個，網絡輸出向量為l維；(2.3.2) 訓練路面類型識別RBF神經網絡，首先將40個水泥 混凝土路面車輪振動高頻頻讒特徵向量輸入RBF神經網絡，令網 絡輸出為0;其次將40個柏油路面車輪振動高頻頻譜特徵向量輸 入RBF-申經網^各，令網^各輸出為1.0。通過訓練RBF神經網絡， 得到路面神經網絡分類器。2.4神經網絡路面類型識別驗證將另外10組路面頻鐠特徵向量輸入路面神經網絡分類器， 網絡輸出結果見表1。網絡分類器輸出接近0的為水泥混凝土路 面，網絡分類器輸出結果接近1.0的為SMA瀝青路面。從路面類 型識別實驗結果可以看出，對於水泥混凝土路面和SMA瀝青路 面，識別準確率可達100%。表1路面祌經網絡分類器輸出混凝土路面面1-0.1574362-0.16787730.02896584-0.1718895-0.0994410-0.16787 1-0.16053 2-0.15645 3-0.19633 4-0.16654 5SMA瀝青路面0.8497760.820570.9707070.796840.7550580.597150.7987290.877210.79484100.985372.5開發車輪振動神經網絡路面類型識別設備 車輪振動神經網絡路面類型識別設備原理見圖12,該設備包含(2.5.1) 車輪振動傳感器，用於釆集待識別路面車輪振動 信號，其型號選用CA-YD-181。(2.5.2) 以單片機為核心的車輪振動數據採集系統，完成 車輪振動信號A/D轉換，單片機選用AT89C2051, A/D轉換器選 用AD7574，數據存儲器選用雙口 RAMIDT7134。(2.5.3) 以DSP為核心的信號分析、神經網絡路面類型識 別系統和通信系統，內部包含數據分析算法和通過2.3構造的路 面神經網絡分類器，完成信號頻譜分析、路面分類，數據最後通 過總線傳送給汽車安全電子控制單元。DSP選用TMS320LF2407。
權利要求
1、一種基於車輪振動的路面類型識別方法，它是在建立車輪振動模型後，當車輛行駛時，採集當前車輪的振動信號，獲得當前車輪振動高頻頻譜特徵向量，與典型路面車輪振動高頻頻譜特徵向量進行比較，從而識別路面類型。
2、 如權利要求1所述基於車輪振動的路面類型識別方法， 其特徵在於所述獲取車輪振動高頻頻譜特徵向量的方法是釆用 單子帶重構改進算法分解和重構車輪振動信號，獲取車輪振動高 頻子帶信號；對車輪振動高頻子帶信號進行快速傅立葉變換，獲 取車輪振動高頻頻譜；以固定頻帶等分車輪振動高頻頻語，並以 頻譜幅值平均值作為該頻帶頻譜幅值，對頻譜進行歸一化，得到 車輪振動高頻頻譜特徵向量。
3、 如權利要求1所述基於車輪振動的路面類型識別方法， 其特徵在於將當前車輪振動高頻頻譜特徵向量與各類典型路面車輪振動高頻頻鐠特徵向量比較，具體方法是構造路面類型識別 神經網絡分類器，利用神經網絡分類器對路面進行識別。
4、 如權利要求3所述基於車輪振動的路面類型識別方法， 其特徵在於構造路面類型識別神經網絡分類器的方法是建立路 面類型識別RBF神經網絡，RBF神經網絡由兩層組成，包括隱層 和輸出層；利用車輪振動模型的車輪振動頻譜特徵向量訓練RBF 神經網路，最終獲得路面類型識別神經網絡分類器從而實現路面 類型識別。
5、 如權利要求4所述基於車輪振動的路面類型識別方法， 其特徵在於所述訓練RBF神經網路包括第 一階段是無教師學習， 第二階段是有教師學習；所述無教師學習是對所有樣本的輸入進 行聚類，求得各隱層節點的中心向量。；所述教師學習是當。確 定以後，訓練由隱含層至輸出層之間的權值w,。
6、 如權利要求2所述基於車輪振動的路面類型識別方法， 其特徵在於將獲取車輪振動高頻頻譜特徵向量的方法用DSP編 程，並下載DSP晶片內。
7、 如權利要求3所述基於車輪振動的路面類型識別方法， 其特徵在於將獲得的RBF神經網絡分類器用DSP編程，並下載 DSP晶片內。
全文摘要
本發明公開了一種基於車輪振動的路面類型識別方法，它是在建立車輪振動模型後，當車輛行駛時，採集當前車輪的振動信號，獲得當前車輪振動高頻頻譜特徵向量，與典型路面車輪振動高頻頻譜特徵向量進行比較，從而識別路面類型。本方法簡單易行，所用設備簡單，安裝方便。
文檔編號G01B5/28GK101275900SQ20081004761
公開日2008年10月1日 申請日期2008年5月8日 優先權日2008年5月8日
發明者盧俊輝, 巫世晶, 蔡利民 申請人:江漢大學