Метод мониторинга состояния дорожного покрытия на основе сигналов акселерометра и аппарата нечеткой логики

Цель исследования. Целью настоящего исследования является повышение точности мониторинга состояния дорожного покрытия городской агломерации за счет анализа сигналов акселерометра в реальном времени на основе разрабатываемого комплексного метода оценки показателей ровности.

Методы. В настоящем исследовании применялись следующие методы: анализ существующих методов мониторинга состояния дорожного покрытия; методы и алгоритмы фильтрации шумов сигналов акселерометра (разработана и описана модель предобработки сигналов акселерометра включающая в себя фильтр низких частот Баттерворта, медианный фильтр, метод экспоненциального сглаживания и расчет пороговых значений); алгоритмы нечеткой логики (разработана модель классификации состояния дорожного покрытия по 5 категориям); имитационное моделирование (проведены тестовые заезды с использованием авторской имитационной модели разработанной в среде Unity). 

Результаты. Представленный метод обеспечивает автоматизированный мониторинг состояния дорожного покрытия с точностью не менее 93%, и возможность интеграции в систему умного города. Метод позволяет проводить мониторинг состояния дорожного покрытия в реальном времени, а классифицирование состояния дорожного покрытия несет рекомендационный характер для проведения ремонта дорог. Перспективы исследования включают проведение натурного эксперимента, визуализацию данных с привязкой к карте города, а также применение алгоритмов траекторной кластеризации для определения общих траекторий движения ТС в моменты объезда неровностей.

Заключение. На основе разработанного метода мониторинга состояния дорожного покрытия, получена интегральная оценка соответствия точности мониторинга состояния дорожного покрытия не менее 93%.

1. Pavement Image Datasets: A New Benchmark Dataset to Classify and Densify Pavement Distresses / H. Majidifard, P. Jin, Y. Adu-Gyamfi, W.G. Buttlar // Transp. Res. Rec. 2020. 674. Р. 328–339.

2. Sayers M. W. On the calculation of international roughness index from longitudinal road profile //Transportation Research Record. 1995. № 1501.

3. Баданис К. Е. Технология Big Data и искусственный интеллект в управлении автомобильным трафиком // XXXVII Международная научно-практическая конференция «Современная наука: актуальные вопросы, достижения и инновации». Пенза, 2024. С. 73-77.

4. Sensing and Signal Processing for a Distributed Pavement Monitoring System / M. Ndoye, S. Vanjari, H. Huh, J. Krogmeier, D. Bullock, C. Hedges, A. Adewunmi // IEEE 12th Digital Signal Processing Workshop & 4th IEEE Signal Processing Education Workshop, 2006. P. 162–167.

5. Automated Pothole Detection System / G. D. De Silva, K. M. Thilakarathna, R. S. Perera, C. I. Keppitiyagama, N. M. Laxman, R. Avenue, S. Lanka // in 9th International Information Technology Conference, 2008.

6. SmartRoadSense : Collaborative Road Surface Condition Monitoring / G. Alessandroni, L. C. Klopfenstein, S. Delpriori, M. Dromedari, G. Luchetti, B. D. Paolini, A. Seraghiti, E. Lattanzi, V. Freschi, A. Carini, A. Bogliolo // Ubicomm-2014. 2014. P. 210–215.

7. A Mobile Application for Road Surface Quality Control: UNIquALroad / V. Astarita, M. V. Caruso, G. Danieli, D. C. Festa, V. P. Giofrè, T. Iuele, R. Vaiana // in Procedia - Social and Behavioral Sciences, Proceedings of EWGT2012 - 15th Meeting of the EURO Working Group on Transportation, 2012. Vol. 54. P. 1135–1144.

8. Васильев М. Д., Дегтярев А. В., Чекуров А. Ю. Применение встроенных датчиков смартфонов для обнаружения и анализа нарушений ровности автомобильных дорог // Современные наукоемкие технологии. 2022. №12(1). С. 20-25.

9. Radopoulou S.-C., Brilakis I. Improving Road Asset Condition Monitoring // Transp. Res. Procedia. 2016. 14. P. 3004–3012.

10. Nakanishi Y., Kaneta T., Nishino S. A Review of Monitoring Construction Equipment in Support of Construction Project Management // Front. Built Environ. 2022. 7. 632593 p.

11. Khahro S.H., Javed Y., Memon, Z.A. Low-Cost Road Health Monitoring System: A Case of Flexible Pavements // Sustainability. 2021. № 13. 10272 p.

12. Сурин В. И., Волкова З. С. Алгоритм аппроксимации экспериментальных данных на основе низкочастотного фильтра с конечной импульсной характеристикой //Информационные технологии в проектировании и производстве. 2020. №. 4. С. 25-29.

13. Gelper S., Fried R., Croux C. Robust forecasting with exponential and Holt–Winters smoothing // Journal of forecasting. 2010. Vol. 29, №. 3. P. 285-300.

14. Колбас Ю. Ю., Курдыбанская А. И. Применение цифровых фильтров для уменьшения случайной ошибки показаний лазерных гироскопов и маятниковых акселерометров // Вестник МГТУ им. Н.Э. Баумана. Серия «Приборостроение». 2018. №2 (119).

15. Джонсон Д., Джонсон Дж., Мур Г. Справочник по активным фильтрам. М.: Энергоатомиздат, 1983. 128 с.

16. Smith S. W. The Scientist and Engineer’s Guide to Digital Signal Processing. California Technical Pub., 2002.

17. Cook J. R., Gourley C. S. A framework for the appropriate use of marginal materials // World road association (PIARC)-technical committee c12 seminar in Mongolia, 2002.

18. Bovik A. C. Handbook of image and video processing. Academic press, 2010.

19. Gonzalez R. C. Digital Image Processing. Pearson Education India, 2009.

20. Bhoraskar R., et al. Wolverine: Traffic and road condition estimation using smartphone sensors //2012 fourth international conference on communication systems and networks (COMSNETS 2012). IEEE, 2012. С. 1-6.

21. Мельник В. Г. Оценка коэффициента экспоненциального сглаживания навигационных данных по результатам измерений // Эксплуатация морского транспорта. 2014. №. 1. С. 29-32.

22. Brown R. G. Smoothing, forecasting and prediction of discrete time series. Courier Corporation, 2004.

23. Winters P. R. Forecasting sales by exponentially weighted moving averages // Management science. 1960. Vol. 6, №. 3. P. 324-342.

24. Gelper S., Fried R., Croux C. Robust forecasting with exponential and Holt–Winters smoothing // Journal of forecasting. 2010. Vol. 29, №. 3. P. 285-300.

25. Mitsuishi T. Definition of centroid method as defuzzification //Formalized Mathematics. 2022. Vol. 30, №. 2. P. 125-134.

26. Chakraverty S., et al. Defuzzification // Concepts of soft computing: Fuzzy and ANN with programming, 2019. P. 117-127.

27. Runkler T. A., Glesner M. DECADE–Fast centroid approximation defuzzification for real time fuzzy control applications // Proceedings of the 1994 ACM symposium on Applied computing. 1994. P. 161-165.

28. Wang Y. M. Centroid defuzzification and the maximizing set and minimizing set ranking based on alpha level sets // Computers & Industrial Engineering. 2009. Vol. 57, № 1. P. 228-236.

29. Vlachos M., Kollios G., Gunopulos D. Discovering similar multidimensional trajectories // Proceedings 18th international conference on data engineering. IEEE, 2002. P. 673-684.

30. Мухаметзянов И. З. Нечеткий логический вывод и нечеткий метод анализа иерархий в системах поддержки принятия решений: приложение к оценке надежности технических систем //Кибернетика и программирование. 2017. №. 2. С. 59-77.

31. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. 432 с.

32. Kaufman А., Gupta M. M. Fuzzy Mathematical Models in Engineering and Management Science. North-Holland, Amsterdam, 1988. 338 p.

33. Gourley C. S. World Road Association (PIARC) - Technical Committee C12 Seminar in Mongolia, June 2002 A Framework for the Appropriate Use of Marginal Materials JR Cook.

34. PIARC – World Road Association. URL: https://www.piarc.org/en/ (дата обращения: 15.04.2025)

35. Пудова Н. В., Никитин В. В. Анализ значений коэффициента ранговой корреляции Спирмена //Экономический анализ: теория и практика. 2004. №. 3. С. 52-56.

36. Кошелева Н. Н. Корреляционный анализ и его применение для подсчета ранговой корреляции Спирмена // Актуальные проблемы гуманитарных и естественных наук. 2012. №. 5. С. 23-26.