【学习总结】地面路谱分析

本文仅用于记录自己的学习总结,包括个人理解。不保证内容严格正确。

0. 参考资料

  • [1] 国标GB/T 703-2005/ISO 8608:1995。
  • [2] Bilibili-车辆考研-路面不平度统计特性
  • [3] Bilibili-清华大学《汽车理论》
  • [4] 网络参考文档.
  • [5] 论文:高雄《路面不平度统计特性的改进》,工程价值,2023。

网盘:https://pan.baidu.com/s/1ameuQwdOquCrk2V1PIS-Xw?pwd=ut9m

1. 路面空间功率谱密度 G q ( n ) G_q(n) Gq(n) 拟合公式

G q ( n ) = G q ( n 0 ) ( n n 0 ) − W G_q(n)=G_q(n_0)(\frac{n}{n_0})^{-W} Gq(n)=Gq(n0)(n0n)W 公式中符号的含义:
n:空间频率,单位 m − 1 m^{-1} m1,表示“每米长度有几个波长”,对应常说的“时间频率”,及 1 / s , H z 1/s, Hz 1/s,Hz
n0:参考空间频率,为固定值, n 0 = 0.1 m − 1 n_0=0.1 m^{-1} n0=0.1m1
G q ( n 0 ) G_q(n_0) Gq(n0):参考空间频率下的路面功率谱密度,即“路面不平度系数”
W:频率指数,一般取 2。没什么原因,就是一般取2。

关于式子的理解:

关于 G q ( x ) G_q(x) Gq(x):是 x x x 频率对应的功率密度,即某个频率对应的能量。
n 0 n_0 n0:我们选择了一个特定的(空间)频率,即 n 0 = 0.1 m − 1 n_0=0.1 m^{-1} n0=0.1m1(注意单位不是Hz,因为 H z = 1 / s Hz=1/s Hz=1/s),即波长 λ = 10 m \lambda=10m λ=10m
G q ( n 0 ) G_q(n_0) Gq(n0):对于选定的这个 n 0 n_0 n0,计算得到的功率密度,就是 G q ( n 0 ) G_q(n_0) Gq(n0)

那么其他不同频率,对应的功率密度是多少呢?也就是说,当频率取 n n n 时,功率密度的值 G q ( n ) G_q(n) Gq(n) 是多少呢?
可以直接计算。也可以通过上面的那个式子进行拟合,即经过了许多人做了的大量的实验,统计表明,任意频率 n n n 的值,可以用参考值 n 0 n_0 n0 对应的 G q ( n 0 ) G_q(n_0) Gq(n0),进行拟合。拟合时一般拟合出来的 W W W 取值都在2左右,因此说上述式子的 W W W 取2。

讨论:拟合的是否合适呢?

下图来自ISO标准中的图片,横轴是频率,纵轴是功率密度,合起来就是“谱线”,即“功率谱密度”。
可以看出,n从0.01到0.1时, G d G_d Gd*(图片中的d表示distance,和上面用的q是一个含义)下降了2个大格子(从10的-1降到了-3),
所以斜率大概是 − 2 -2 2,也就是上面的 W W W 取值是-2是合适的。
在这里插入图片描述

2. 道路分级

G q ( n 0 ) G_q(n_0) Gq(n0)的值有什么意义?如果说,上面拟合曲线时,固定了 W W W,此时曲线的特性(上下平移量)只与 G q ( n 0 ) G_q(n_0) Gq(n0) 有关,那么可以根据 G q ( n 0 ) G_q(n_0) Gq(n0) 的数值,对路面进行分级。根据 G q ( n 0 ) G_q(n_0) Gq(n0) 的取值,分级依据如下:
《GBT7031-2005》的表C.2
可以看出,A级路面标准很高,在10m长度( n 0 n_0 n0取0.1 m − 1 m^{-1} m1)时,数值在 16 e − 6 16e^{-6} 16e6左右,在mm以下了。

表中,几何平均是如何计算的?
由参考资料[5],可以计算出结果。

3. 速度/加速度功率谱密度

速度功率谱密度: G v ( n ) = ( 2 π n ) 2 G q ( n ) G_v(n)=(2\pi n)^2 G_q(n) Gv(n)=(2πn)2Gq(n)
加速度功率谱密度: G a ( n ) = ( 2 π n ) 4 G q ( n ) G_a(n)=(2\pi n)^4 G_q(n) Ga(n)=(2πn)4Gq(n)

W = 2 W=2 W=2 时,速度的表达式为: G v ( n ) = ( 2 π n ) 2 G q ( n 0 ) G_v(n)=(2\pi n)^2 G_q(n_0) Gv(n)=(2πn)2Gq(n0),此时与 n n n无关了。很独特的情况。

4. 时间频率功率谱密度 G q ( f ) G_q(f) Gq(f)

上述的谱密度是空间的,没有考虑车速。如果考虑到车速,应该有入如下表达式:
f = v n f=vn f=vn,即 “时间频率=车速*空间频率”,对应量纲 H z = m / s ∗ m − 1 Hz=m/s *m^{-1} Hz=m/sm1 也是合理的。

此时,可以得到 位移/速度/加速度的时间频率功率谱密度分别为:
位移: G q ( f ) = 1 v G q ( n 0 ) ( n n 0 ) 2 = G q ( n 0 ) n 0 2 v f 2 G_q(f)=\frac{1}{v}G_q(n_0)(\frac{n}{n_0})^2=G_q(n_0)n_0^2 \frac{v}{f^2} Gq(f)=v1Gq(n0)(n0n)2=Gq(n0)n02f2v
速度: G v ( f ) = 4 π 2 G q ( n 0 ) n 0 2 v G_v(f)=4\pi^2 G_q(n_0)n_0^2 v Gv(f)=4π2Gq(n0)n02v
加速度: G a ( f ) = 16 π 4 G q ( n 0 ) n 0 2 v f 2 G_a(f)=16\pi^4 G_q(n_0)n_0^2 v f^2 Ga(f)=16π4Gq(n0)n02vf2
可以看出,速度的和 f f f无关。

对功率谱密度,左右都取对数,可以得到一条直线;横轴是频率f,纵轴是 G q / v / a ( f ) G_{q/v/a}(f) Gq/v/a(f),注意纵轴的单位也不一样。
在这里插入图片描述 在这里插入图片描述 在这里插入图片描述

5. 关于拟合

国际/国标中,考虑的是空间频率 n = 0.011   2.83 n=0.011~2.83 n=0.011 2.83 之间的曲线,这个数值应该是经验值。

一些论文中,可能有分段拟合,对测得的 G p ( n ) G_p(n) Gp(n) 进行拟合,可以得到 W W W G d ( n 0 ) G_d(n_0) Gd(n0),后者可以结合上面的表格,判断所属的地面等级。或者画出曲线,和 A~H 这几个国家规定的等级对应的曲线进行比较,可以得出路面的等级。

在这里插入图片描述在这里插入图片描述

6. 一些其它操作

关于国标文件中一些计算/说明的理解:

倍频程带宽:
由于在计算功率密度时,需要选择一定的带宽,计算“落入”这个区间的功率,带宽的选择比较重要。国标给出了:倍频程带宽、1/3倍频程、和1/12倍频程,表示不断的精细,下面这个表就是不同选择下每个“中心频率”和左右两端频率的取值。
在这里插入图片描述在这里插入图片描述

空间下截止频率:

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/308816.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

什么是Helm?它是如何提升云原生应用私有化部署效率的

转载至我的博客 ,公众号:架构成长指南 试想一下,如果有一个项目有50 个微服务,每个微服务都有service、deployment、ingress、pvc等 yaml 文件,算下来大概有 200 个文件,然后这个项目需要基于k8s进行私有化…

强化学习求解TSP(四):Qlearning求解旅行商问题TSP(提供Python代码)

一、Qlearning简介 Q-learning是一种强化学习算法,用于解决基于奖励的决策问题。它是一种无模型的学习方法,通过与环境的交互来学习最优策略。Q-learning的核心思想是通过学习一个Q值函数来指导决策,该函数表示在给定状态下采取某个动作所获…

Vue3-41-组件- 动态组件 component 标签 和 is 属性 的使用

说明 <component> 标签 有一个 is 属性&#xff0c; 可以给这个 is属性 赋值为一个 组件对象&#xff0c; 这样这个<component> 标签就可以渲染指定的组件对象了。 使用案例 本案例中会 准备两个简单的组件&#xff0c; 在 App.vue 中导入这两个组件&#xff0c;并…

C#入门篇(一)

变量 顾名思义就是变化的容器&#xff0c;即可以用来存放各种不同类型数值的一个容器 折叠代码 第一步&#xff1a;#region 第二步&#xff1a;按tab键 14种数据类型 有符号的数据类型 sbyte&#xff1a;-128~127 short&#xff1a;-32768~32767 int&#xff1a;-21亿多~21亿多…

VMware Visio OmniGraffle模板和图标

VMware Visio OmniGraffle模板和图标 包含可用于Visio、omnigraffle的图标和SVG矢量图。 简介 这组资源适用于 IT 管理员、系统架构师、网络工程师和其他需要可视化 VMware 基础架构的专业人士创建精确的 VMware 网络和数据中心部署图&#xff0c;通过使用这些模板和图标&am…

css三大特性

css 三大特性 一、层叠性&#xff1a;css样式冲突采取原则&#xff08;后者覆盖前者&#xff09; 二、继承性&#xff1a;对于部分属性样式会有天生的继承 &#xff08;1&#xff09;字体系列属性 font-family&#xff1a;字体系列 font-weight&#xff1a;字体的粗细 fon…

ai中的渐变怎么使用

Adobe Illustrator 是Adobe系统公司推出的基于矢量的图形制作软件&#xff0c;作为全球最著名的矢量图形软件&#xff0c;以其强大的功能和体贴用户的界面&#xff0c;已经占据了全球矢量编辑软件中的大部分份额。据不完全统计全球有37%的设计师在使用Adobe Illustrator进行艺术…

一键修复所有dll缺失的工具,dll修复工具下载使用教程

在计算机使用过程中&#xff0c;我们经常会遇到各种软件或系统错误提示&#xff0c;其中最常见的就是“找不到指定的模块”或“无法找到某某.dll文件”。Dll是动态链接库的缩写&#xff0c;它是Windows操作系统中的重要组成部分&#xff0c;负责提供各种功能和资源给应用程序使…

Kafka集群部署 (KRaft模式集群)

KRaft 模式是 Kafka 在 3.0 版本中引入的新模式。KRaft 模式使用了 Raft 共识算法来管理 Kafka 集群元数据。Raft 算法是一种分布式共识算法&#xff0c;具有高可用性、可扩展性和安全性等优势。 在 KRaft 模式下&#xff0c;Kafka 集群中的每个 Broker 都具有和 Zookeeper 类…

NVIDIA GPU 与服务器型号匹配查询

NVIDIA GPU 与服务器型号匹配查询 1. Qualified System Catalog (认证服务器目录)2. NVIDIA L40S2.1. NVIDIA L40S GPU Specifications References 1. Qualified System Catalog (认证服务器目录) https://www.nvidia.cn/data-center/data-center-gpus/qualified-system-catal…

mapboxGL中区域掩膜的实现

概述 区域掩膜的功能也是比较常见的功能呢&#xff0c;本文分享在mapboxGL中结合canvas如何实现。 效果 实现 1. 创建画布 先创建一个map大小的canvas&#xff0c;设置其大小与样式&#xff0c;并添加到地图画布容器中。 const {width, height} map.getCanvas() canvas …

软件开发平台应用价值高吗?

我们都知道&#xff0c;随着行业的进步和社会的发展&#xff0c;低代码开发平台也拥有了非常可观的发展前景。利用软件开发平台&#xff0c;可以实现提质增效的办公效率&#xff0c;办公流程化发展也将提上日程。那么&#xff0c;您知道软件开发平台都拥有哪些优势特点吗&#…

OCP NVME SSD规范解读-6.标准日志要求-2

STD-LOG-12:针对日志存储的类型定义了多种&#xff0c;复位&#xff08;包括控制器复位&#xff0c;NSSR、FLR、PCIe hot reset&#xff09;与断电重启POWER CYCLE有不同的操作要求。 STD-LOG-14: Lockdown命令是NVMe管理命令集中的一个命令&#xff0c;主要用于安全和管理目的…

抖店开通之后需要操作什么?开店后的相关流程分享,附出单建议

我是王路飞。 抖店开通了之后&#xff0c;都需要操作什么呢&#xff1f; 一个是店铺的基础搭建&#xff0c;可以帮助你熟悉和了解抖店的各项功能&#xff0c;提高后续的运营效率&#xff1b; 一个是定类目&#xff0c;前期最重要的事情&#xff0c;没有之一&#xff1b; 之…

【SQL】对表中的记录通过时间维度分组,统计出每组的记录条数

场景&#xff1a;一般用作数据统计&#xff0c;比如统计一个淘宝用户在年、月、日的维度上的订单数。 业务&#xff1a;一个集合&#xff0c;以时间维度来进行分组求和。 准备一张订单表order&#xff0c;有一些常规属性&#xff0c;比如创建时间&#xff0c;订单号。 DDL语句如…

LeetCode 225.用队列实现栈(详解) ૮꒰ ˶• ༝ •˶꒱ა

题目详情&#xff1a; 思路&#xff1a;1.定义两个队列用于存储栈的数据&#xff0c;其中一个为空。 2.对我们定义的栈进行入数据&#xff0c;就相当于对不为空的队列进行入数据。 3.对我们定义的栈进行删除&#xff0c;相当于取出不为空的队列中的数据放到为空的队列中&#x…

【低照度图像增强系列(3)】EnlightenGAN算法详解与代码实现

前言 ☀️ 在低照度场景下进行目标检测任务&#xff0c;常存在图像RGB特征信息少、提取特征困难、目标识别和定位精度低等问题&#xff0c;给检测带来一定的难度。 &#x1f33b;使用图像增强模块对原始图像进行画质提升&#xff0c;恢复各类图像信息&#xff0c;再使用目标检…

约数个数和约数之和算法总结

知识概览 约数个数 基于算数基本定理&#xff0c;假设N分解质因数的结果为 可得对于N的任何一个约数d&#xff0c;有 因为N的每一个约数和~的一种选法是一一对应的&#xff0c;根据乘法原理可得&#xff0c; 一个数的约数个数为 约数之和 一个数的约数之和公式为 多项式乘积的…

汽车IVI中控开发入门及进阶(十二):手机投屏

前言: 汽车座舱有车载中控大屏、仪表/HUD多屏的显示能力,有麦克风/喇叭等车载环境更好的音频输入输出能力,有方控按键、旋钮等方便的反向控制输入能力,还有高精度的车辆数据等。但汽车座舱中控主机硬件计算能力升级迭代周期相对较长,汽车的应用和服务不够丰富。现在很多汽…

持续集成Jmeter+Jenkins+Ant

在开始这篇文章之前&#xff0c;我要先为大家解答2个疑惑&#xff1a; 第一点&#xff0c;我们为什么要在项目中进行接口自动化测试&#xff1f;好处是什么&#xff1f; 相对于UI层面&#xff0c;接口的测试的收益是巨大的&#xff0c;能在最短的时间发现重要的问题。接口在迭…