Klasyfikacja pojazdów samochodowych w ruchu na podstawie generowanych przez nie sygnałów drganiowych

• Autorzy: Bartmański C.

Warianty tytułu

EN

Classification of automative vehicles in motion on the basis of vibratory signals generated by them

• Języki publikacji: PL

Abstrakty

PL

W artykule omówiono zagadnienie klasyfikacji pojazdów samochodowych, mające znaczenie dla au­tomatyzacji pomiaru struktury i natężenia ruchu drogowego. Są to istotne parametry, które, oprócz para­metrów wielkości akustycznych, wyznacza się podczas badań wibroakustycznych czynników obciążeni środowiska. Podstawę działania algorytmów systemów pomiarowych stanowią pomiary liczby osi, odległość między osiami, rozmiarów liniowych przejeżdżającego pojazdu. Stosowane w badaniach przetwornik pomiarowe są kosztowne, a niejednokrotnie muszą być umieszczane w konstrukcji jezdni. Stanowi te istotne utrudnienie w wykorzystaniu ich w przenośnych systemach pomiarowych, instalowanych doraźnie w wybranych miejscach. W związku z powyższym, zaproponowano klasyfikowanie pojazdów samochodowych na podstawie pomiarów drgań podłoża, przy wykorzystaniu wysoko czułych przetworników drgań, instalowanycl w gruncie poza obszarem drogi. Spodziewanym efektem takiego rozwiązania powinna być mobilnośi systemu pomiarowego i relatywnie małe jego koszty. W badaniach zastosowano klasyczny model procesu rozpoznawania obrazów, składający się z eks traktora cech i klasyfikatora. Przyjęto w nich klasyfikację pojazdów w trzech kategoriach związanycł z ich konstrukcją mechaniczną i pośrednio z masą. Przedmiotem badań były drgania gruntu generowane przez przejeżdżające samochody; prowadzono cy­frową rejestrację sygnałów drganiowych. Utworzona baza danych pomiarowych zawierała 223 rejestracje. W wyniku tych badań została opracowana metoda ekstrakcji cech charakterystycznych z sygnałów drganiowych. Podstawę tworzenia wektora cech charakterystycznych stanowiło rozwinięcie dyskretne reprezentacji sygnału drganiowego w szereg funkcyjny z zastosowaniem metody analizy falkowej. W artykule przedstawiono także wyniki badań związanych z poszczególnymi etapami opracowywa nia algorytmu ekstrakcji cech dotyczących wyboru rodzaju falki, określania liczby poziomów dekompo zycji sygnałów drganiowych, określania sposobu obliczania wartości danej cechy itp. Wyboru algorytmu klasyfikatora dokonano na drodze eksperymentalnej. Przebadano trzy algorytmy z wykorzystaniem metod minimalnoodległościowych, tj. algorytmów NN, kNN i MN. Algorytmy testo wano w trybie offline. Porównując ich właściwości, dokonano wyboru najskuteczniejszego w przypadki omawianego zastosowania. Prace programistyczne zrealizowano, wykorzystując platformę programową MATLAB. Wszystkie analizy i eksperymenty przeprowadzono za pomocą napisanych przez autora skryptów (m-plików).

EN

In the article an issue of automotive vehicles classification has been discussed, which is of great importance for the automatization of the measurement process of structure and traffic intensity. These are crucial parameters, which apart from acoustic rate-level parameters, are determined during research of pollution burden attributed to vibroacoustic factors. The basis of functioning of algorithms for measurement systems are measurements of axis number, distance between axes, linear size of moving vehicle. Utilized in research, measuring transducers are expensive but repeatedly have to be placed in the road structure. It is of considerable impediment in utilizing them in portable measurement systems, installed temporarily, in selected places. In connection with the above, it has been proposed to classify automotive vehicles on the basis of surface vibration measurements, with the use of high-sensitivity vibration transducers, installed in the ground, outside the road area. The expected effect of such solution should be mobility of measurement system and its relatively low cost. In the research, a classic model of image recognition process was utilized, which consists of feature extractor and classifier. A classification of vehicles in three categories was adopted, which are related to their mechanical construction and indirectly with their mass. The subject of the research were surface vibrations generated by moving cars; a digital registration of vibratory signals was carried out. The database of measurement data, which was created, included 223 registrations. As a result of this research, a method of extracting distinguishing features from vibratory signals was developed. The basis of creating a vector of distinguishing features was developing discrete represen­tation of vibratory signal into function series, with the application of wavelet analysis method. Moreover, the research results connected with respective stages of algorithm compilation for extraction of features related to selection of wavelet type, estimating number of decomposition levels of vibratory signals, determining method of estimating added value of the feature etc., were presented in the article. The selection of algorithm for classifier development was made in experimental method. Three algorithms were examined with the use of minimum-distance method, i.e. algorithms NN, kNN and MN. Algorithms were tested in offline mode. Comparing their properties, a choice of most efficient algorithm was made, in case of the discussed application. Programming work was realized with the use of MATLAB programming platform. All of the analyses and experiments were carried out with application of scripts (m-files) written by the author.

Słowa kluczowe

PL

pojazdy samochodowe; sygnały drganiowe; natężenie ruchu drogowego

EN

automative vehicles; vibratory signals; traffic intensity

• Wydawca: Główny Instytut Górnictwa
• Czasopismo: Prace Naukowe GIG. Górnictwo i Środowisko / Główny Instytut Górnictwa
• Rocznik: 2009
• Tom: nr 3
• Strony: 5--18
• Opis fizyczny: Bibliogr. 33 poz.

Twórcy

autor

Bartmański C.

• Główny Instytut Górnictwa, 40-166 Katowice, Plac Gwarków 1 tel. [phone],

Bibliografia

• 1.Basztura C. (1996): Komputerowe systemy diagnostyki akustycznej. Warszawa, PWN.
• 2. Batko W., Dąbrowski Z., Engel Z., Kiciński J., Weyna S. (2005): Nowoczesne metody badania procesów wibroakustycznych. Biblioteka Problemów Eksploatacji, Radom.
• 3. Białasiewicz J. (2004): Falki i aproksymacje. Warszawa, WNT.
• 4. Botwinowski T., Piotrowski R., Sroka R. (2006): Zastosowanie sieci neuronowych w procesie estymacji nacisku statycznego osi poruszających się pojazdów. PAK nr 10 bis (wydanie specjalne dodatkowe).
• 5. Cebon D. (1988): Theoretical road damage due to dynamic tyre forces of heavy vehicles. Part 1: Dynamic analysis of vehicles and road surface. Proc. Inst. Mech. Engrs Vol. 202, No. C2.
• 6. Cebon D., Winkler B. (1992): Multiple-Sensor Weigh-in-Motion: Theory and Experiments. Technical Report. University of Cambridge, Transportation Research Group.
• 7. Cholewa W. (1981): Ocena stanu maszyn metodami wibroakustycznymi. Praca Naukowo--Badawcza. Gliwice, Politechnika Śląska.
• 8. Couvreur C. (1997): Environmental Sound Recognition: A Statistical Approach. Thesis.
• 9. Directive of European Parliament and of the Council relating to the assessment and management of environmental noise, 2002/49/EC.
• 10. Doupal E. (2000): Practical Application of Weigh-in-Motion Systems with Quartz Crystal Sensors. 24th Int. Baltic Road Conference, 21-23 Aug, Riga, Latvia.
• 11. Duda R, Hart P. (1973): Pattern Classification and Scene Analysis. John Wiley & Sons, Inc.
• 12. European Commission DG VII - Transport, 4th Framework Programme Transport. Weigh-in-Motion of Axles and Vehicles for Europe (WAVE). General Report, 2001.
• 13. Fukunaga K. (1990): Introduction to Statistical Pattern Recognition. Academic Press Inc.
• 14. Gajda J., Sroka R., Stencel M., Żegleń T. (2000): Metody klasyfikacji pojazdów samochodowych w ruchu. PAK nr 4.
• 15. Gajda J., Sroka R., Stencel M., Żegleń T. (2001): Systemy ważenia pojazdów samochodowych w ruchu. Drogownictwo nr 3.
• 16. Gajda J., Sroka R., Stencel M., Żegleń T. (2002): Pomiary parametrów ruchu drogowego. PAK nr 5/6.
• 17. Gajda L, Sroka R., Stencel M., Żegleń T. (2006): Analiza dokładności systemów MS-WIM kalibrowanych metodą pojazdu wstępnie ważonego. PAK nr lObis (wydanie specjalne dodatkowe).
• 18. Harlow Ch., Peng S. (2001): Vehicle Identification and Classification System with Range Sensors. Transportation Research, Part C: Emerging Technologies, Vol. 9, issue 4, Aug 2001, s. 231-247.
• 19. Hunt H. E. M. (1987): Measuring and Modelling of Traffic Induced Ground Vibration. Ph. D. Thesis. University of Englad.
• 20. Lipowczan A. i inni (1999): Aparatura wraz z procedurami metrologicznymi nowej generacji do pomiaru parametrów drgań mechanicznych emitowanych do środowiska przez pojazdy drogowe. Projekt badawczy własny nr 7 T07G 032 12.
• 21. Mallat S. (1999): A Wavelet Tour of Signal Processing. Academic Press.
• 22. Newland D. E. (1993): An Introduction to Random Vibrations, Spectral and Wavelet Analysis. Longman Scientific & Technical, 3rd edition.
• 23. Nooralahiyan A.Y. i in. (1997): A Field Trial of Acoustic Signature Analysis for Vehicle Classification. Transportation Research-C. Vol. 5, No. 3/4.
• 24. Piersol J. S. (1989): Random Data. John Wiley & Sons.
• 25. Prawo ochrony środowiska. Dz. U. Nr 62 poz. 627 z dnia 27 kwietnia 2001 r.
• 26. Raport (2006): Generalny pomiar ruchu 20O5 - synteza wyników. Raport wykonany na zlecenie Generalnej Dyrekcji Dróg Krajowych i Autostrad. Biuro Projektowo-Badawcze Dróg i Mostów, TRANSPROJEKT-WARSZAWA.
• 27. Rozporządzenie Ministra Środowiska z dnia 2 października 2007 roku w sprawie wymagań w zakresie prowadzenia pomiarów poziomów w środowisku substancji łub energii przez zarządzającego drogą, linią kolejową linią tramwajową, lotniskiem, portem. Dz. U. Nr 192, poz. 1392.
• 28. Sobczak W., Malina W. (1985): Metody selekcji i redukcji informacji. Warszawa, WNT.
• 29. States' Successful Practices Weight-in-Motion Handbook (1999) US Department ol Transportation. Federal Highway Administration.
• 30. Szabatin J. (2000): Podstawy teorii sygnałów. Warszawa, WKŁ.
• 31. Tadeusiewicz R., Flasiński M. (1991): Rozpoznawanie obrazów. Warszawa, PWN.
• 32. Wei C. i in. (1996): Vehicle Classification Using Advanced Technologies. Transportatior Research Record 1551.
• 33. Yuan X. i in. (1994): Computer Vision System for Automatic Vehicle Classification ASCE Journal of Transportation Engineering Vol. 120, No. 6