一种基于履带车振动特征的LSTM路面不平度识别方法

一种基于履带车振动特征的lstm路面不平度识别方法
技术领域
1.本发明属于神经网络技术领域，具体涉及一种基于履带车振动特征的lstm(英文全称：long short-term memory，英文简称：lstm)路面不平度识别方法。


背景技术：

2.履带式底盘的车(以下简称为履带车)在现代各种工程车中受到广泛的使用，其履带与地面的接触面积大，附着性能好，能够较容易通过松软地面和较大沟渠等障碍。路面不平是履带车行驶过程中振动的主要激励，路面对左右履带的激励，经过悬架衰减后传递至车体，从而对履带车的双向稳定性造成不利的影响，因此准确重构路面不平度是行进间履带车动力学模型的关键部分，也是验证控制策略有效性的基础。
3.随着人工智能的逐渐普及，国内外学者开始使用神经网络识别路面不平度。神经网络能够快速提取深层特征且具有良好的鲁棒性，在路面不平度的识别中取得很好的效果，但目前大多针对的是轮式车，而履带车与轮式车相比，结构更加复杂，其行驶在不平路面上产生的振动响应也较为复杂，现有神经网络识别路面技术难以做到针对履带车进行路面不平度识别，事实上，目前还没有相关技术可以解决履带车行进间路面不平度的识别问题，鉴于该技术问题，本技术人作了有益的设计，下面将要介绍的技术方案便是在这种背景下产生的。


技术实现要素：

4.本发明的目的在于提供一种基于履带车振动特征的lstm路面不平度识别方法，易于操作且识别准确率高,。
5.本发明的目的是这样来达到的，一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于包括：
6.步骤一：采集a、b、c、d四个路面等级的加速度数据；
7.步骤二：运用时频域分析方法分析各级路面的加速度数据特征，确定制作加速度样本时滑动窗口大小和步长；
8.步骤三：对采集到的加速度数据进行预处理，建立数据库；
9.步骤四：将步骤三建立的数据库作为lstm网络的输入，路面不平度作为lstm网络的输出，通过对lstm网络进行训练和测试，从而识别出路面不平度的等级。
10.在本发明的一个具体的实施例中，在所述的步骤一中，通过以下方式采集a、b、c、d四个路面等级的加速度数据：
11.分别在a、b、c、d四个等级的路面上，在车体质心设置监测点来获取行进间履带车在x轴、y轴和z轴方向的加速度；
12.设置两个以上监测点的采样步长，以获得不同采样步长下的加速度数据；再通过改变履带车的行驶速度，获得多种工况下的行进间履带车加速度数据。
13.在本发明的另一个具体的实施例中，在所述步骤二中，又包括如下步骤：
14.首先，运用傅里叶变换对加速度数据进行频域分析，得到加速度数据的频谱图，通过分析频谱图找出各级路面加速度数据的特征频率范围；
15.然后，运用小波变换对加速度数据进行时频域分析，得到加速度数据的时频图，根据特征频率在时间上的分布情况确定制作加速度样本时滑动窗口大小和步长。
16.在本发明的又一个具体的实施例中，在所述步骤三中，又包括如下步骤：
17.首先，采用窗口滑动的方式在加速度数据上进行滑动取样，其中不同采样步长下的滑动窗口大小和步长不同；
18.接着，为采样后的样本设置所对应的道路不平度的等级标签；
19.然后，将加速度数据的初始样本按一定比例划分为训练集和测试集，此时每个样本包含加速度数据和其对应的标签，将加速度数据单独抽出进行归一化处理，将值缩放到-1和1之间；
20.最后，打乱样本的排列顺序。
21.在本发明的再一个具体的实施例中，所述的步骤三中的归一化处理中，先计算加速度数据的最大值x
max
和最小值x
min
，然后运用以下公式对加速度数据进行归一化处理，
[0022][0023]
其中，xi表示归一化后的加速度样本向量，x
max
表示加速度样本向量xi中的最大值，x
min
表示加速度样本向量xi中的最小值。
[0024]
在本发明的还有一个具体的实施例中，所述的步骤四中，所述lstm网络包括一个输入层、三个lstm层、三个批量归一化(英文全称：batch normalization，英文简称：bn)层以及一个作为输出的全连接层；使用softmax(归一化指数)交叉熵作为损失函数，softmax交叉熵损失函数包括softmax函数和交叉熵函数，softmax函数用于将网络的输出转换为概率分布，使得网络输出的预测值都在0和1之间，并且它们的总和为1，交叉熵函数用于衡量网络预测结果和真实标签之间的差距，运用softmax交叉熵损失函数计算加速度数据经lstm网络后的输出与真实标签之间的误差，根据所得误差更新lstm网络参数使得加速度数据的分类差异最小化。
[0025]
在本发明的进而一个具体的实施例中，在步骤四中，对lstm网络进行训练时，通过比较在5km/h、10km/h、15km/h、20km/h、25km/h、30km/h、35km/h和40km/h这八种工况下不同输入的分类准确率来确定最优输入方案，其中输入方案分为两个及以上时间的采样步长下的垂直加速度，两个及以上时间的采样步长下的三个方向加速度；当输入为垂直加速度时，lstm网络输入加速度数据的特征维度为1；当输入为三个方向加速度时，lstm网络输入加速度数据的特征维度为3，分别表示x轴、y轴、z轴三个方向加速度数据。
[0026]
本发明由于采用了上述结构，与现有技术相比，具有的有益效果是：其一，首次将lstm网络运用于履带车的路面不平度识别中，lstm网络的准确率指标可以判断lstm网络是否提取到有效特征，通过比较不同采样步长和不同维度的加速度作为输入时lstm网络的识别准确率，能够确定最优输入方案，使得lstm网络在识别路面不平度时能最大程度提取到有效特征，从而确定最优输入方案，保证识别准确；其二，对于如何选择滑动窗口大小和步长的问题，现有研究人员大多采用试凑法或自身经验来确定，而很少采用理论的分析方法，本发明运用傅里叶变换和小波变换方法分析履带车的振动特征，根据振动特征在时间域上
的分布情况确定滑动窗口大小和步长，方便了对数据进行采样，也能提高最后的识别准确率。
附图说明
[0027]
图1为本发明的流程图；
[0028]
图2为行进间履带车的多体动力学模型示意图；
[0029]
图3a为车速40km/h时a级路面的三个方向加速度示意图；
[0030]
图3b为车速40km/h时b级路面的三个方向加速度示意图；
[0031]
图3c为车速40km/h时c级路面的三个方向加速度示意图；
[0032]
图3d为车速40km/h时d级路面的三个方向加速度示意图；
[0033]
图4a为在a级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的频谱图；
[0034]
图4b为在b级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的频谱图；
[0035]
图4c为在c级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的频谱图；
[0036]
图4d为在d级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的频谱图；
[0037]
图5a为在a级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的小波时频图；
[0038]
图5b为在b级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的小波时频图；
[0039]
图5c为在c级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的小波时频图；
[0040]
图5d为在d级路面上以车速40km/h行驶时车体垂直加速度(0.5秒采样步长)的小波时频图；
[0041]
图6a为在a级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的频谱图；
[0042]
图6b为在b级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的频谱图；
[0043]
图6c为在c级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的频谱图；
[0044]
图6d为在d级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的频谱图；
[0045]
图7a为在a级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的小波时频图；
[0046]
图7b为在b级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的小波时频图；
[0047]
图7c为在c级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的小
波时频图；
[0048]
图7d为在d级路面上以车速40km/h行驶时车体垂直加速度(0.1秒采样步长)的小波时频图；
[0049]
图8为x轴、y轴、z轴三个方向加速度作为输入的lstm框架示意图；
[0050]
图9为八种工况下不同输入方案的分类准确率柱状图；
[0051]
图10为车速40km/h时不同输入方案的分类准确率箱线图；
[0052]
图11为车速40km/h时以0.1秒采样步长下三个方向加速度作为输入的t-sne可视化结果示意图；
[0053]
图12为车速40km/h时以0.1秒采样步长下三个方向加速度作为输入的混淆矩阵示意图。
具体实施方式
[0054]
下面结合附图对本发明的具体实施方式详细描述，但对实施例的描述不是对技术方案的限制，任何依据本发明构思作形式而非实质的变化都应当视为本发明的保护范围。
[0055]
在下面描述中凡是涉及上、下、左、右、前和后的方向性(或者称方位性)的概念均是针对正在被描述的图所处的位置状态而言的，目的在于方便公众理解，因而不能将其理解为对本发明提供的技术方案的特别限定。
[0056]
本发明涉及一种基于履带车振动特征的lstm路面不平度识别方法，通过在车体质心上设置监测点，分别在不同的采样步长和不同的速度档的情况下，测量不同路面等级下的行进间履带车加速度数据，具体步骤如下。
[0057]
步骤一：采集a、b、c、d四个路面等级的加速度数据。
[0058]
具体方法为，按照国家标准文件《机械振动道路路面谱测量数据报告》中所述，路面功率谱密度可将路面的不平程度分为8个等级，本发明所需的a、b、c、d四个等级的路面对应的路面不平度系数区间分别为[8,32]、[32,128]、[128,512]、[512,2048]。分别在a、b、c、d四个等级的路面上采集加速度数据，在车体质心设置监测点来获取行进间履带车x轴、y轴和z轴方向加速度。
[0059]
考虑到不同的采样步长包含的特征信息可能会有所不同，需要对比不同采样步长下分类准确率，以判断哪一种采样步长下提取到的特征更多，更适用于履带车路面不平度的识别。在本实施例中，分别将监测点的采样步长设置为0.5秒和0.1秒，从而获得不同采样步长下的加速度数据。考虑到履带车行驶速度不同，其振动响应也会不同，因此通过改变履带车的行驶速度，选择5km/h、10km/h、15km/h、20km/h、25km/h、30km/h、35km/h和40km/h八种工况，获得这八种工况下的行进间履带车加速度数据，最终完成a、b、c、d四个路面等级的加速度数据采集工作。
[0060]
步骤二：运用时频域分析方法分析各级路面的加速度数据特征，确定制作加速度样本时滑动窗口大小和步长。
[0061]
具体方法为，首先，运用傅里叶变换对加速度数据进行频域分析，得到加速度数据的频谱图，通过分析频谱图找出各级路面加速度数据的特征频率范围。
[0062]
然后，运用小波变换对加速度数据进行时频域分析，选择4阶daubechies小波并将尺度参数设置为500，得到加速度数据的时频图，根据特征频率在时间上的分布情况以及每
个加速度样本中能够包含足够多特征频率的基本原则，确定制作加速度样本时滑动窗口大小和步长。
[0063]
最后，在对八种工况下的加速度数据进行时频域分析后，在40km/h工况下确定的滑动窗口大小和步长能够让所有工况的加速度样本都包含足够的特征频率，因此所有工况的加速度数据统一采用40km/h工况下确定的滑动窗口进行滑动取样，滑动窗口的具体参数为0.5秒采样步长下的滑动窗口大小为48个时间步长，即24s，滑动步长为5个时间步长，即2.5s；0.1秒采样步长下的滑动窗口大小为301个时间步长，即30.1s，滑动步长为5个时间步长，即0.5s。
[0064]
步骤三：对采集到的加速度数据进行预处理，建立数据库。
[0065]
具体方法为，首先采用窗口滑动的方式在加速度数据上进行滑动取样。窗口滑动采样的基本思想是将加速度数据划分为多个窗口，每个窗口内包含一定数量的时间步长，然后将每个窗口内的加速度数据作为一个独立的加速度数据样本，用于神经网络训练和测试，从而实现对加速度数据的分类任务。本发明中不同采样步长下的滑动窗口大小和步长不同，0.5秒采样步长下的滑动窗口大小为48个时间步长，滑动步长为5个时间步长；0.1秒采样步长下的滑动窗口大小为301个时间步长，滑动步长为5个时间步长。
[0066]
接着为采样后的加速度样本设置对应道路不平度的等级标签，得到加速度数据的初始样本集其中xi表示某一工况下第i个加速度样本向量，yi表示第i个加速度样本向量对应的标签，n表示某一工况的样本数量。
[0067]
然后，将加速度数据的初始样本集按一定的比例，此处优选为8:2的比例划分为训练集和测试集，对每个加速度样本向量xi进行归一化处理，将值缩放到-1和1之间，计算过程如下公式(1)所示：
[0068][0069]
其中xi表示归一化后的加速度样本向量，x
max
表示加速度样本向量xi中的最大值，x
min
表示加速度样本向量xi中的最小值。最后，打乱样本的排列顺序，从而完成数据库的建立工作。
[0070]
步骤四：将步骤三建立的数据库作为lstm网络的输入，路面不平度作为lstm网络的输出，通过对lstm网络进行训练和测试，从而识别出路面不平度的等级。具体方法为，
[0071]
所述lstm网络由一个输入层、三个lstm层、三个bn层以及一个作为输出的全连接层构成。
[0072]
所述lstm层是一种具有门控机制的循环神经网络，用于处理时间序列数据。与普通的循环神经网络相比，lstm网络引入了三个门：输入门、遗忘门和输出门，以控制信息在网络中的流动，从而避免梯度消失或梯度爆炸的问题。输入门决定了要将哪些信息加入到细胞状态中；遗忘门决定了是否需要从细胞状态中删除某些信息；输出门确定了要从细胞状态中留下什么信息作为网络当前时间步的输出，计算过程如下，见公式(2)-(7)所示：
[0073][0074]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0075]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0076]ot
＝σ(wo·
[h
t-1
,x
t
]+b0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0077][0078]ht
＝o
t
·
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0079]
其中i
t
、f
t
、o
t
分别表示输入门、遗忘门、输出门的输出，表示t时刻候选记忆细胞，c
t
表示t时刻记忆细胞，c
t-1
表示t-1时刻记忆细胞，h
t
表示t时刻隐藏状态，h
t-1
表示t-1时刻隐藏状态，x
t
表示t时刻输入的加速度数据，wc、wi、wf、wo表示权重矩阵，bc、bi、bf、bo表示偏置项，σ表示sigmoid激活函数，tanh表示双曲正切函数。
[0080]
所述bn是一种神经网络中常用的正则化方法。构建lstm网络时，lstm层的输出有三个维度，第一个维度表示每个批次中包含的加速度样本数量，第二个维度表示输入加速度样本的长度，第三个维度表示lstm层的隐藏状态维度。将每一个lstm层输出作为bn层的输入，bn层将处理lstm层输出的特征维度(即隐藏状态的维度)，计算过程如下述公式(8)所示：
[0081][0082]
其中，x表示lstm层的输出，y表示bn层的输出，∈表示一个小的常数，用于避免除以零的情况，μ表示lstm层输出隐藏状态维度的均值，σ2表示lstm层输出隐藏状态维度的方差，γ表示缩放，β表示平移量。
[0083]
经过上述三个lstm层和对应的bn层后，所述全连接层选择最后一个时间步的输出作为全连接层的输入，计算公式如(9)所示：
[0084]
f＝θ(β
·
x+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0085]
其中，f表示全连接层的输出，θ(
·
)表示relu激活函数，β表示权重系数，x表示bn层最后一个时间步的输出，b表示偏置。
[0086]
接着，使用softmax交叉熵作为损失函数。softmax交叉熵损失函数主要由两部分组成：softmax函数和交叉熵函数，softmax函数用于将网络的输出转换为概率分布，使得网络输出的预测值都在0和1之间，并且它们的总和为1，交叉熵函数用于衡量网络预测结果和真实标签之间的差距，本发明运用softmax交叉熵损失函数计算加速度数据经lstm网络后的输出与真实标签之间的误差，计算公式如(10)所示：
[0087][0088]
其中，表示lstm网络的预测输出与真实标签之间的差异程度，n代表加速度训练样本的批量大小，yi表示第i个加速度样本的真实标签，l表示道路等级，i{
·
}表示指示函数，当第i个加速度样本的真实标签yi为类别l时，i{
·
}等于1，否则等于0，ωn表示第n个道路等级的权重矩阵，t表示矩阵转置，f表示lstm网络最后一层的输出，b表示偏置。
[0089]
根据所得误差，使用自适应矩估计(adam)优化器更新lstm网络参数，使得加速度数据的分类差异最小化，优化目标为其中θ
l
为lstm网络参数，优化后得到如下公式(11)：
[0090][0091]
其中η表示学习率。
[0092]
训练过程主要包括以下四步：第一步，分批训练所有加速度样本，即每次训练时从加速度样本集中取批量大小的加速度样本输入lstm网络进行训练；第二步，计算加速度数据经lstm网络后的实际输出，在此阶段信息从输入层经过逐级的变换，传送到输出层；第三步，使用softmax交叉熵作为损失函数，计算实际输出的加速度数据特征与相应的路面等级标签之间的差；第四步，使用adam优化器更新lstm网络参数，使得加速度数据的分类差异最小化。
[0093]
进一步的，在步骤四中，对lstm网络进行训练时，为了让lstm网络能够最大程度地提取到有效特征，通过比较不同输入的分类准确率来确定最优输入方案，其中输入方案分为两个及以上时间的采样步长下的垂直加速度，两个及以上时间的采样步长下的三个方向加速度。在本实施例中，训练时分别采用以下四种输入方案：第一种，0.5秒采样步长下的垂直加速度；第二种，0.1秒采样步长下的垂直加速度；第三种，0.5秒采样步长下的三个方向加速度；第四种，0.1秒采样步长下的三个方向加速度。当输入为垂直加速度时，lstm网络输入加速度数据的特征维度为1；当输入为三个方向加速度时，lstm网络输入加速度数据的特征维度为3，分别表示x轴、y轴、z轴三个方向加速度数据。然后通过比较在5km/h、10km/h、15km/h、20km/h、25km/h、30km/h、35km/h和40km/h这八种工况下不同输入的分类准确率来确定最优输入方案。实验证明，以0.1秒采样步长采集三个方向加速度数据作为输入时分类性能最好，是最优输入方案。
[0094]
以下，为了验证本发明技术方案的有效性，通过具体实施例进行如下仿真实验。
[0095]
请参阅图1，本实施例遵循图1所示流程图以及上述各步骤展开。
[0096]
图2为行进间履带车的动力学模型，采用炮塔作为动力学模型，该模型参数如下：炮塔质量m1＝5000kg，炮塔旋转中心与火炮旋转中心之间的距离l1＝1.15m，火炮质量m2＝1950kg，火炮旋转中心与炮口之间的距离l2＝4.88m，万有引力常数g＝9.8m/s2。
[0097]
表1路面不平度分级表
[0098][0099]
我国国标采用路面功率谱密度描述路面不平度的统计特性，表1中展示了a、b、c、d这四个等级路面不平度系数gq(n0)的几何平均值。
[0100]
图3(a)、图3(b)、图3(c)及图3(d)示意了履带车行驶速度为40km/h时，分别采集到的a、b、c、d四个路面等级三个方向加速度的时间与幅值图像。以y轴方向加速度为例，比较
图3(a)、图3(b)、图3(c)及图3(d)，可以发现，随着路面等级的升高，路面越粗糙，加速度幅值越大。
[0101]
图4(a)、图4(b)、图4(c)及图4(d)所示为0.5秒采样步长下，以车速40km/h在a、b、c、d四个等级路面上行驶时车体垂直加速度的频谱图，从图中可以看出路面等级越高，频率的幅值也越高，且各级路面都包含多个频率成分，具有较为复杂的频谱特性，具体表现为每隔0.0189～0.0756hz会出现峰值，该处频率可作为加速度的特征频率。
[0102]
图5(a)、图5(b)、图5(c)及图5(d)所示为0.5秒采样步长下，以车速40km/h在a、b、c、d四个等级路面上行驶时车体垂直加速度的小波时频图。为了确保每个样本中包含尽可能多的特征频率，且各级路面样本之间的特征频率不同以便于区分，综合考虑下以c级路面为参考，其最明显特征频率出现的时间范围为15.5～28.5s，为了能够涵盖最明显的特征频率，滑动窗口大小应取48个时间步长，即24s。对于其他路面而言，24s的滑动窗口也同样能够包含足够的特征频率信息，因此最终确定滑动窗口大小为24s。此外，从图中还可看出各级路面特征频率每隔2s～10s会出现一次，且间隔2.5s的时间区间最多，为了增加各级路面样本数量，采取重叠采样方法，滑动窗口的步长取5个时间步长，即2.5s。
[0103]
图6(a)、图6(b)、图6(c)及图6(d)所示为0.1秒采样步长下，以车速40km/h在a、b、c、d四个等级路面上行驶时车体垂直加速度的频谱图，a级路面加速度信号在0～1hz和2～4hz之间频率幅值较为明显，b级路面加速度信号在2～4hz之间频率幅值较为明显，c级路面加速度信号在3～5hz之间频率幅值较为明显，d级路面加速度信号在2～5hz之间频率幅值较为明显。与图4(a)、图4(b)、图4(c)及图4(d)各图相比，0.1秒采样步长下采集的各级路面加速度数据之间的特征频率具有更明显的区别，更有利于神经网络的分类。
[0104]
图7(a)、图7(b)、图7(c)及图7(d)所示为0.1秒采样步长下，以车速40km/h在a、b、c、d四个等级路面上行驶时车体垂直加速度的小波时频图。其中，a级路面的加速度小波时频图在34.2～35.2s的时间范围内出现了很明显的特征频率，为了使样本能够包含该特征频率，滑动窗口大小应取301个时间步长，即30.1s。b、c、d级路面的特征频率出现的时间点都很密集，若取30.1s的滑动窗口也能包含b、c、d级路面足够的特征频率，因此最终确定滑动窗口大小为30.1s。此外，这四个等级路面每隔0.5s～3.5s会出现一次较明显频率，其中0.5s居多，为了增加各级路面样本数量，采用重叠采样方法，滑动窗口的步长取5个时间步长，即0.5s。
[0105]
表2lstm的基本结构和参数表
[0106]
网络层参数信息输入层/lstm1隐藏层节点数：64，bnlstm2隐藏层节点数：64，bnlstm3隐藏层节点数：64，bn全连接层权重：64
×
类别数，偏置：类别数
[0107]
参见表2，在该实施例中，堆叠三层lstm，每一层lstm有64个节点，且每一层lstm后连接一个bn层，bn层使得网络每一层的输入保持相同分布。经过三个lstm层和对应的bn层后，选择最后一个时间步的输出作为全连接层的输入，其输出为最终提取到的特征。接着，对输出层的输出使用softmax函数，得到预测分类。除此之外，网络的训练次数设为200，学
习率根据训练次数从{0.001,0.0001,0.00001}中选择，即前50次选择0.001的学习率，后50次选择0.00001的学习率，中间选择0.0001的学习率。
[0108]
图8示意了输入为x轴、y轴、z轴三个方向加速度的lstm框架，其中lstm的样本输入维度为3。
[0109]
表3八种工况下不同输入方案的分类准确率表
[0110][0111]
表3所示为八种工况下不同输入方案的分类准确率，从表中可以看出，八种工况下采用0.1秒采样步长得到的分类准确率都比0.5秒的采样步长得到的分类准确率高。相同采样步长下，除了0.1秒采样步长下三个方向加速度作为输入得到的分类准确率比只采用垂直加速度得到的分类准确率低了0.02％外，采用三个方向加速度作为输入得到的分类准确率都比只采用垂直加速度作为输入得到的分类准确率高或相等。分类效果最好的是以0.1秒采样步长下三个方向加速度作为输入的方案，在八种工况中分类准确率均高于98％，明显高于其他方案，并且在5km/h、15km/h、20km/h、30km/h、35km/h、40km/h这两个工况下的准确率能够达到100％。
[0112]
图9所示为八种工况下不同输入方案的分类准确率柱状图，该图更清晰地展示了各个方案之间的对比结果。
[0113]
图10所示为车速40km/h时不同输入方案的分类准确率箱线图，画图时每个方法选取后50次训练得到的准确率，从图中可以看出除了以0.1采样步长的垂直加速度作为输入的方法外，其他三个方法的准确率箱线图都呈一条直线，说明这三种方法的准确率中位数与上下四分位数相等，准确率分布比较集中。以0.1采样步长的垂直加速度作为输入得到的准确率箱线图的上四分位数和中位数重合，并且没有上边缘，这表示准确率在上半部分的分布非常集中，大部分准确率都聚集在中位数附近，且没有明显的超出上边缘的离群值。从四个方法准确率的分布上也能看出以0.1秒采样步长下的三个方向加速度作为输入具有最优分类性能。
[0114]
图11所示为车速40km/h时以0.1秒采样步长下三个方向加速度作为输入的t-sne(英文全称：t-distributed stochastic neighbor embedding，中文名称：t分布随机邻域嵌入)可视化结果。t-sne将提取的特征映射到二维空间，从而能够更直观地呈现本发明的
分类效果，从图中可以看出，所有类别均可清晰区分，从而证明了以0.1秒采样步长下三个方向加速度作为输入方案的较好的分类性能。
[0115]
图12所示为车速40km/h时以0.1秒采样步长下三个方向加速度作为输入的混淆矩阵，从图中可以看出，所有路面不平度等级都能够正确识别。
[0116]
本发明首次将lstm网络运用于履带车的路面不平度识别中，履带车的振动响应与轮式车不同，如何选择加速度数据的输入方案使得lstm网络能最大程度提取到有效特征是本发明所解决的技术问题。lstm网络的准确率指标可以判断lstm网络是否提取到有效特征，通过上述具体实施例可知，本发明所述检测方法是真实有效的。

技术特征：
1.一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于包括：步骤一：采集a、b、c、d四个路面等级的加速度数据；步骤二：运用时频域分析方法分析各级路面的加速度数据特征，确定制作加速度样本时滑动窗口大小和步长；步骤三：对采集到的加速度数据进行预处理，建立数据库；步骤四：将步骤三建立的数据库作为lstm网络的输入，路面不平度作为lstm网络的输出，通过对lstm网络进行训练和测试，从而识别出路面不平度的等级。2.根据权利要求1所述的一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于在所述的步骤一中，通过以下方式采集a、b、c、d四个路面等级的加速度数据：分别在a、b、c、d四个等级的路面上，在车体质心设置监测点来获取行进间履带车在x轴、y轴和z轴方向的加速度；设置两个以上监测点的采样步长，以获得不同采样步长下的加速度数据；再通过改变履带车的行驶速度，获得多种工况下的行进间履带车加速度数据。3.根据权利要求1所述的一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于在所述步骤二中，又包括如下步骤：首先，运用傅里叶变换对加速度数据进行频域分析，得到加速度数据的频谱图，通过分析频谱图找出各级路面加速度数据的特征频率范围；然后，运用小波变换对加速度数据进行时频域分析，得到加速度数据的时频图，根据特征频率在时间上的分布情况确定制作加速度样本时滑动窗口大小和步长。4.根据权利要求1所述的一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于在所述步骤三中，又包括如下步骤：首先，采用窗口滑动的方式在加速度数据上进行滑动取样，其中不同采样步长下的滑动窗口大小和步长不同；接着，为采样后的样本设置所对应的道路不平度的等级标签；然后，将加速度数据的初始样本按一定比例划分为训练集和测试集，此时每个样本包含加速度数据和其对应的标签，将加速度数据单独抽出进行归一化处理，将值缩放到-1和1之间；最后，打乱样本的排列顺序。5.根据权利要求4所述的一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于所述的步骤三中的归一化处理，先计算加速度数据的最大值x
max
和最小值x
min
，然后运用以下公式对加速度数据进行归一化处理，其中，x
i
表示归一化后的加速度样本向量，x
max
表示加速度样本向量x
i
中的最大值，x
min
表示加速度样本向量x
i
中的最小值。6.根据权利要求1所述的一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于所述的步骤四中，所述lstm网络包括一个输入层、三个lstm层、三个批量归一化层以及一个作为输出的全连接层；使用softmax交叉熵作为损失函数，softmax交叉熵损失函数
包括softmax函数和交叉熵函数，softmax函数用于将网络的输出转换为概率分布，使得网络输出的预测值都在0和1之间，并且它们的总和为1，交叉熵函数用于衡量网络预测结果和真实标签之间的差距，运用softmax交叉熵损失函数计算加速度数据经lstm网络后的输出与真实标签之间的误差，根据所得误差更新lstm网络参数使得加速度数据的分类差异最小化。7.根据权利要求6所述的一种基于履带车振动特征的lstm路面不平度识别方法，其特征在于在步骤四中，对lstm网络进行训练时，通过比较在5km/h、10km/h、15km/h、20km/h、25km/h、30km/h、35km/h和40km/h这八种工况下不同输入的分类准确率来确定最优输入方案，其中输入方案分为两个及以上时间的采样步长下的垂直加速度，两个及以上时间的采样步长下的三个方向加速度；当输入为垂直加速度时，lstm网络输入加速度数据的特征维度为1；当输入为三个方向加速度时，lstm网络输入加速度数据的特征维度为3，分别表示x轴、y轴、z轴三个方向加速度数据。

技术总结
一种基于履带车振动特征的LSTM路面不平度识别方法，属于神经网络技术领域。包括：采集A、B、C、D四个路面等级的加速度数据；运用时频域分析方法分析各级路面的加速度数据特征，确定制作加速度样本时滑动窗口大小和步长；对采集到的加速度数据预处理，建立数据库；将步骤三建立的数据库作为LSTM网络的输入，路面不平度作为LSTM网络的输出，通过对LSTM网络进行训练和测试，识别出路面不平度的等级。优点：首次将LSTM运用于履带车的路面不平度识别中且准确率高；运用傅里叶变换和小波变换方法分析履带车的振动特征，根据振动特征在时间域上的分布确定滑动窗口大小和步长，方便了对数据进行采样，也能提高最后的识别准确率。也能提高最后的识别准确率。也能提高最后的识别准确率。


技术研发人员：刘宗凯 陆莹 邹卫军 钱龙军 吴盘龙 王军 薄煜明
受保护的技术使用者：南京理工大学
技术研发日：2023.06.30
技术公布日：2023/10/7