一种超高压水射流清除道路标线效果预测方法及装置制造方法
【专利摘要】本发明提供了一种超高压水射流清除道路标线效果预测方法及装置，所述方法基于蚁群算法建立优化的BP神经网络模型，对BP神经网络模型进行学习训练后，用于预测清洗率。所述装置包括数据采集模块、数据预处理模块、数据库、建模模块、训练模块、预测模块，所述数据采集模块通过通讯接口与数据预处理模块相连，所述数据预处理模块、建模模块、训练模块、预测模块依次相连、且与数据库相连。本发明提出了基于蚁群算法优化的BP神经网络模型，以蚁群算法优化的权值作为BP神经网络的初始权值，使训练出的模型收敛速度更快、预测精度更高、避免陷入局部极小点，能够更好的预测超高压水射流清除道路标线的效果。
【专利说明】一种超高压水射流清除道路标线效果预测方法及装置
【技术领域】
[0001]本发明属于超高压水射流清洗【技术领域】，尤其是一种超高压水射流清除道路标线效果预测方法及装置。
【背景技术】
[0002]随着城市化进程的加快，公路越来越多。按照相关法规，公路上均要按照交通规则喷涂交通标志线，但是随着时间的推移，交通标志线会逐渐磨损或因其他状况要更改交通标志线。为了使喷涂的新标志线效果更好，在喷涂新的标志线之前要去掉旧的标志线。常用的清洗方法有手工清洗、化学清洗、机械清洗等，但是这些清洗方法效率低，劳动强度大，还会污染环境。由此，为了改变这种传统的清洗工艺方法，近年来超高压水射流清洗技术倍受国际上的青睐。
[0003]目前国内在这方面的研究比较晚，且技术处于初步阶段，还存在很多问题，如超高压水射流道路除标线重要清除参数设置无依据，完全依靠设计者的经验，国内也没有相关的理论标准和依据。以致无法设置最佳的清洗参数，最大限度达到清洗车最好的清洗效果。
【发明内容】
[0004]为了解决超高压水射流道路除标线清洗参数设置无依据，清洗时不能达到最佳的清洗效果等问题，本发明提供一种超高压水射流清除道路标线效果预测方法及装置。
[0005]本发明是采用以下的技术方案来实现的。
[0006]一种超高压水射流清除道路标线效果预测方法，其特征在于，包括以下步骤:
[0007](I)在柏油马路上对不同厚度的标志线样本进行超高压水射流清除试验，获得清除效果和包含射流压力、旋转接头转速、执行机构移动速度、靶距、标线厚度的清除参数的数据；将清洗效果和清除参数的数据进行归一化处理，归一化处理后的数据范围为[0，I],将归一化处理后的清洗效果和清除参数的数据中的一部分数据作为BP神经网络模型的训练样本，另一部分作为测试样本；
[0008](2)建立基于蚁群算法优化的BP神经网络模型；
[0009]⑶将训练样本输入到优化后的BP神经网络模型中，对BP神经网络模型进行学习训练，通过测试样本对BP神经网路模型进行检测，验证该模型的可靠性和准确性；
[0010](4)根据超高压水射流清除道路标线的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率值。
[0011]进一步地，步骤⑵中通过蚁群算法获得BP神经网络初始权值的步骤如下:
[0012](2.1)将BP神经网络权值区间[-1，I]分成a等份，为每个权值参数建立一个信息素表，设置信息素初值S ^、信息素挥发系数P、信息素增量强度Q、蚁群算法最大迭代次数countMax、优化结束条件ε ；
[0013](2.2)释放m只蚂蚁，每一只蚂蚁从每一个权值的子区域穿过且仅穿过一次，第k只蚂蚁从一子区域移动到另一子区域的转移概率为
【权利要求】
1.一种超高压水射流清除道路标线效果预测方法，其特征在于，包括以下步骤: (1)在柏油马路上对不同厚度的标志线样本进行超高压水射流清除试验，获得清除效果和包含射流压力、旋转接头转速、执行机构移动速度、靶距、标线厚度的清除参数的数据；将清洗效果和清除参数的数据进行归一化处理，归一化处理后的数据范围为[O，1]，将归一化处理后的清洗效果和清除参数的数据中的一部分数据作为BP神经网络模型的训练样本，另一部分作为测试样本； (2)建立基于蚁群算法优化的BP神经网络模型； (3)将训练样本输入到优化后的BP神经网络模型中，对BP神经网络模型进行学习训练，通过测试样本对BP神经网路模型进行检测，验证该模型的可靠性和准确性； (4)根据超高压水射流清除道路标线的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率值。
2.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，步骤(2)中通过蚁群算法获得BP神经网络初始权值的步骤如下: (2.1)将BP神经网络权值区间[-1，I]分成a等份，为每个权值参数建立一个信息素表，设置信息素初值Stl、信息素挥发系数P、信息素增量强度Q、蚁群算法最大迭代次数countMax、优化结束条件ε ； (2.2)释放m只蚂蚁，每一只蚂蚁从每一个权值的子区域穿过且仅穿过一次，第k只蚂
蚁从一子区域移动到另一子区域的转移概率为
3.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，所述步骤(2)所建立的BP神经网络模型的结构分三层，分别为输入层、中间层、输出层；输入层有5个神经元节点，分别对应清除参数射流压力、旋转接头转速、执行机构移动速度、靶距、标线厚度；输出层有I个神经元节点，对应清除效果；中间层有8个神经元节点，中间层神经元的传递函数采用双极性s型函数，即
4.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，步骤(1)中所述的清洗效果用清洗率来表征，所述清洗率
5.根据权利要求4所述的超高压水射流清除道路标线效果预测方法，其特征在于，采集S(标线已清除区域面积)的方法为:清除标线完毕后，用CCD相机拍下标线样本照片，用matlab软件对标线样本照片进行剪切及二值化处理，获得S (标线已清除区域面积)。
6.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，所述步骤(1)中所述归一化处理的公式为
7.根据权利要求1所述的超高压水射流清除道路标线效果预测方法，其特征在于，射流压力范围为50Mpa~150Mpa，靶距范围为17mm~37mm，旋转接头转速范围为600rpm~1200rpm，执行机构移动速度范围为60m/h~330m/h，标线厚度为1mm~2.5mm，清洗率范围为O~100%。
8.一种超高压水射流清除道路标线效果预测装置，其特征在于，包括数据采集模块、数据预处理模块、数据库、建模模块、训练模块、预测模块；所述数据采集模块通过通讯接口与数据预处理模块相连，所述数据预处理模块、建模模块、训练模块、预测模块依次相连、且与数据库相连；所述数据采集模块包括用于测旋转接头转速的转速测速器、用于调节和测量喷嘴到标线之间距离的靶距调节刻度盘(4)、用于采集执行机构移动速度的进给速度采集卡、用于测量射流压力的压力传感器(7)、用于采集标线厚度的厚度采集设备、用于采集试验样本照片的CCD相机(10)和用于计算清除效果的PC机(9)，所述转速测速器安装在清洗执行机构的清洗盘(5)上，所述靶距调节刻度盘(4)位于车体支架(1)上，所述进给速度采集卡安装在清洗执行机构的车轮一侧，所述压力传感器(7)安装在超高压管道上； 所述数据预处理模块用于对数据采集模块采集的样本数据进行归一化处理； 所述建模模块用于利用蚁群算法获得BP神经网络的初始权值，并建立BP神经网络模型； 所述训练模块用于根据数据预处理模块的数据对建立的BP神经网络模型进行训练和检测；所述预测模块用于根据超高压水射流清除道路标线的清除参数、通过测试后的BP神经网络模型预测运算，并将BP神经网络运算后的输出值进行反归一化处理，得到预测的清洗率；所述数据库用于存放数据 和建立各个模块之间的数据信息交流。
【文档编号】G06N3/08GK103955743SQ201410163610
【公开日】2014年7月30日 申请日期:2014年4月22日 优先权日:2014年4月22日
【发明者】顾寄南, 李 柱, 刘家博, 包运佳, 施红健, 相明明, 李美轩, 王红梅 申请人:江苏大学