一种道路积水在线智能检测方法及系统技术方案

本发明专利技术公开了一种道路积水在线智能检测方法及系统，采用导水管采集积水，避免了传感器与污水直接接触，能够避免污染，较其他非接触式检测方法，本方案不受行驶车辆、水面漂浮物等干扰；采用神经网络对采用气体状态方程推理的计算结果进行智能校准，有效地进行温度和非线性补偿，能够得到更准确的测量结果，具有更低的成本。

An On-line Intelligent Detection Method and System for Road Water Accumulation

【技术实现步骤摘要】
一种道路积水在线智能检测方法及系统
本专利技术涉及道路积水检测
，尤其涉及一种道路积水在线智能检测方法及系统。
技术介绍
恶劣天气形成的暴雨易造成城市道路路面积水，不仅导致交通拥堵，而且也严重影响了出行者的生命和财产安全。道路积水检测的主要方法包括：(1)接触式测量方法：电子水尺和压力式水位传感器；(2)非接触式测量方法：红外测量、超声波测量等。接触式和非接触式测量方法均能实现道路积水的实时监测，并有较好的检测精度。但是，接触式测量方法的主要缺点是相关传感器容易受到积水和泥沙等污染，以及温度影响，需要定期维护和更换；非接触式测量方法的测量结果容易受温湿度、环境光、积水浊度、行驶车辆、漂浮物等因素干扰，造成测量误差增大。因此，上述方法在城市道路积水检测的实际应用中具有一定局限性，且成本较高。
技术实现思路
本专利技术的目的是提供一种道路积水在线智能检测方法及系统，通过多传感器融合的方式，能够有效解决污水对设备的腐蚀、温湿度等环境因子与行驶车辆的干扰，从而提高了检测结果的准确度，且具有较低的成本。本专利技术的目的是通过以下技术方案实现的：一种道路积水在线智能检测方法，包括：构建积水水位检测实验环境，采用气体状态方程，构建差压传感器水位输出数学模型；获取检测积水水位的差压传感器差压值与大气环境温度值，并通过构建的数学模型计算道路积水水位的计算值，从而得到计算值与导水筒所测量到的实际值之间的误差；利用神经网络方法拟合所述误差与大气环境温度及差压传感器差压值之间的非线性关系，得到误差修正量；利用所述误差修正量对所述计算值进行修正，得到检测到的道路积水水位值。由上述本专利技术提供的技术方案可以看出，采用导水管采集积水，避免了传感器与污水直接接触，能够避免污染，较其他非接触式检测方法，本方案不受行驶车辆、水面漂浮物等干扰；采用神经网络对采用气体状态方程推理的计算结果进行智能校准，有效地进行温度和非线性补偿，能够得到更准确的测量结果，具有更低的成本。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本专利技术实施例提供的一种道路积水在线智能检测方法的流程图；图2为本专利技术实施例提供的误差随积水水位和大气环境温度变化的曲线；图3为本专利技术实施例提供的一种道路积水在线智能检测系统的示意图；图4为本专利技术实施例提供的道路积水采集结构图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。本专利技术实施例提供一种道路积水在线智能检测方法，如图1所示，其主要包括如下步骤：步骤11、构建积水水位检测实验环境，采用气体状态方程，构建差压传感器水位输出数学模型。水底处的压强平衡关系，有：P0+ρgH＝P+ρgh(1)由理想气体状态方程，有：PS(L–h)＝nRT(2)将(2)式代入(1)式并整理得到差压传感器水位输出数学模型：H＝ΔP/(ρg)-nRT/((ΔP+P0)S)+L其中，H表示道路积水水位的计算值(单位为m)，ΔP＝P–P0，表示导水筒内压强P与大气压强P0的差压值(单位为Pa)，ρ为水体密度(单位为kg/m3)，g为重力加速度，n为导水筒内空气的物质的量(单位为mol)，R为理想气体常数(单位为J*mol-1*k-1)，T为大气环境温度(单位为K)，L、S分别为导水筒长度(单位为m)、截面积(单位为m2)。上述式子反映了水体水位与各物理量之间的函数关系，在获取其他物理量和参数的前提下便可以通过该式来得到道路积水水位的计算值。示例性的，根据积水监测点的信息，数学模型中的参数取值如下：积水密度ρ，取103kg/m3；重力加速度g，取9.8m/s3；导水筒管内气体的物质量n，近似取0.02947075mol；理想气体常数R，取8.314J/(mol*K)；大气压强P0，取101325Pa；导水筒长1m，内径0.0145m。步骤12、获取检测积水水位的差压传感器差压值与大气环境温度值，并通过构建的数学模型计算道路积水水位的计算值，从而得到计算值与导水筒所测量到的实际值之间的误差。差压传感器差压值随着水体水位、水体密度、环境温度和大气压强的变化而改变。将本次差压传感器差压值与温度传感器测量到的大气环境温度值带入数学模型中，从而计算出道路积水水位的计算值H。由于差压传感器存在着温度漂移和非线性误差，因此，需要对计算值进行误差补偿，如图2所示为误差随积水水位和大气环境温度变化的曲线。本专利技术实施例中，利用导水筒直接进行水位测量并得到实际值Hr，将计算值H与实际值Hr相减得到测量误差：E＝H-Hr。步骤13、利用神经网络方法拟合所述误差与大气环境温度及差压传感器差压值之间的非线性关系，得到误差修正量。本专利技术实施例中，所述神经网络采用三层BP神经网络，神经网络节点采用sigmoid函数，输入层有两个节点，各自输入大气环境温度和差压传感器电压值，隐含层有多个节点，输出层有一个节点，输出误差修正量，通过实现从输入到输出的高度非线性映射的估计，对差压传感器温度、灵敏度漂移进行智能补偿。所述误差修正量表示为：E’＝f(U,T)，其中，U为差压传感器差压值ΔP对应的电压值，T为大气环境温度，函数f采用神经网络进行拟合获取。神经网络的训练样本在实验室环境下获取，分别得到一组在不同环境温度T下的水位计算值H，实际水位Hr，神经网络的输出E＝H-Hr，差压传感器差压值ΔP对应的电压值U，对神经网络进行训练，直至满足设定误差或者循环次数。步骤14、利用所述误差修正量对所述计算值进行修正，得到检测到的道路积水水位值。检测到的道路积水水位值的计算公式为：Hr＝H-E’其中，Hr为检测到的道路积水水位值，H为道路积水水位的计算值，E’为误差修正量。通过实验显示，补偿后的最大绝对误差为0.0021m，最大相对误差为1.78％。绝对误差和相对误差这两个指标都减小了1个数量级，这说明本专利技术提出上述方法减小了包括环境温度在内的各种误差影响因子对差压传感器测量结果的干扰，增强了其在测量过程中的稳定性。本专利技术另一实施例还提供一种道路积水在线智能检测系统，如图3所示，其主要包括：差压传感器、温度传感器、导水筒与嵌入式片上系统；其中：如图4所示，所述导水筒垂直放置在道路上，用于测量道路积水的实际值；所述差压传感器与导水筒相连，用于采集到导水筒内的压强，从而计算与大气压强的差压值；所述差压传感器与温度传感器均与嵌入式片上系统，所述嵌入式片上系统用于实现前述实施例所提供的道路积水在线智能检测方法，具体的可以参见前文的介绍，此处不再赘述。如图3所示，该系统还包括：通信模块，用于实现检测系统与远程计算机、道路诱导屏及智能终端的远程通信。如图3所示，该系统还包括电源模块，用于为差压传感器、温度传感器、通信模块提供所需要的工作电压，以及提供嵌入式片上系统的基准电压。示例性的，差压传感器可以选用MP本文档来自技高网...

【技术保护点】
1.一种道路积水在线智能检测方法，其特征在于，包括：构建积水水位检测实验环境，采用气体状态方程，构建差压传感器水位输出数学模型；获取检测积水水位的差压传感器差压值与大气环境温度值，并通过构建的数学模型计算道路积水水位的计算值，从而得到计算值与导水筒所测量到的实际值之间的误差；利用神经网络方法拟合所述误差与大气环境温度及差压传感器差压值之间的非线性关系，得到误差修正量；利用所述误差修正量对所述计算值进行修正，得到检测到的道路积水水位值。

【技术特征摘要】
1.一种道路积水在线智能检测方法，其特征在于，包括：构建积水水位检测实验环境，采用气体状态方程，构建差压传感器水位输出数学模型；获取检测积水水位的差压传感器差压值与大气环境温度值，并通过构建的数学模型计算道路积水水位的计算值，从而得到计算值与导水筒所测量到的实际值之间的误差；利用神经网络方法拟合所述误差与大气环境温度及差压传感器差压值之间的非线性关系，得到误差修正量；利用所述误差修正量对所述计算值进行修正，得到检测到的道路积水水位值。2.根据权利要求1所述的一种道路积水在线智能检测方法，其特征在于，所构建的差压传感器水位输出数学模型的公式为：H＝ΔP/(ρg)-nRT/((ΔP+P0)S)+L其中，H表示道路积水水位的计算值，ΔP＝P–P0，表示导水筒内压强P与大气压强P0的差压值，ρ为水体密度，g为重力加速度，n为导水筒内空气的物质的量，R为理想气体常数，T为大气环境温度，L、S分别为导水筒长度、截面积。3.根据权利要求1所述的一种道路积水在线智能检测方法，其特征在于，所述误差修正量表示为：E’＝f(U,T)，其中，U为差压传感器差压值ΔP对应的电压值，T为大气环境温度，函数f采用神经网络进行拟合获取。4.根据权利要求1或3所述的一种道路积水在线智能检测方法，其特征...

【专利技术属性】
技术研发人员：陈锋，陈宇强，
申请(专利权)人：安徽中科龙安科技股份有限公司，
类型：发明
国别省市：安徽,34