【技术实现步骤摘要】
一种路面平整度预测方法及装置
[0001]本专利技术涉及道路工程及车辆工程
技术介绍
[0002]平整度是评价路面质量的主要技术指标之一。对路面平整度信息的及时、准确掌握对路面行驶质量分析、道路路面管理及维护具有重要意义。此外，作为车辆行驶过程中的主要激励来源，路面平整度直接关系到行车的安全性及舒适性。不平整的路面会增大行车阻力，并使车辆产生附加的振动作用，这种振动作用会造成行车颠簸，影响行车的速度和安全，进而影响驾驶的平稳和乘客的舒适。随着车辆智能化程度及电子控制技术的不断提升，现代车辆多采用主动、半主动或自适应悬架控制系统来实现对车辆振动的控制，以保证车辆在不同平整度等级路面上行驶的安全性及舒适性。所述悬架控制系统同样需要感知路面平整度等级以实时调节悬架参数。
[0003]目前，对路面平整度的检测方法大致分为三类——直接测量类、非接触测量类及车载传感器响应类。直接测量类与非接触测量类方法标准化程度和自动化程度比较高，但测试成本较高，检测频率低(一般为一年一次)，且测试过程对交通的顺畅运行有一定影响；车载...
【技术保护点】
【技术特征摘要】
1.一种路面平整度预测方法，其特征在于，所述方法包含以下步骤：步骤S1，基础数据采集，包括车辆动力学模型参数，不同平整度等级路面谱以及车辆行驶速度变化；步骤S2，根据所采集车辆模型参数，建立车辆动力学模型，将所述路面谱及所述实测车辆行驶速度输入所述车辆动力学模型，进行车辆动力学仿真，采集车身振动响应数据；步骤S3，利用小波变换对所述振动响应数据进行初步特征提取，得到所述车辆振动响应的时频分布图，将生成的所述时频分布图作为数据采样，将路面谱平整度等级作为数据标签，构建数据
‑
标签数据组，并将所述数据
‑
标签数据组作为输入对卷积神经网络模型进行分类训练；步骤S4，选取并利用最优卷积神经网络模型对车辆振动时程数据进行实时分类，判断路面平整度等级。2.根据权利要求1所述的路面平整度预测方法，其特征在于，所述步骤S3还包括：小波变换的计算参数选取过程，车辆振动时程数据小波变换后得到小波系数的矩阵，再通过将矩阵像素化处理得到小波系数图，也即车身振动时频分布图。3.根据权利要求1所述的路面平整度预测方法，其特征在于，所述步骤S3还包括：选取预训练模型，模型架构修改，超参数微调与训练的过程；具体地，通过修改预训练模型中的卷积层和池化层，添加全连接层构建分类器等改变模型架构，适当调整Dropout比例等超参数的取值，得到不同的卷积神经网络模型。4.根据权利要求1所述的路面平整度预测方法，其特征在于，所述步骤S3中选取所述最优卷积神经网络模型的衡量指标为训练集分类准确率、验证集分类准确率、训练集损失和验证集损失。5.根据权利要求1所述的路面平整度预测方法，其特征在于，所述步骤S4中根据所述衡量指标选取当前最优卷积神经网络模型后，还将未用于训练的样本作为输入，进行模型分类...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。