水泥路面振动智能感知与车速轴重识别｜ 博士论文 智慧公路研究

智慧公路不仅需要车辆与道路之间的通信，还需要道路具备感知交通荷载和自身结构状态的能力。本文围绕水泥混凝土路面振动响应、MEMS传感器、车速与轴重反演、MFCC特征提取、LightGBM模型及物理引导机器学习展开，介绍如何从车辆经过路面时产生的振动信号中解析车路信息。内容适合土木工程、交通工程、计算机科学与技术、智能感知及车路协同方向的学生参考。对于正在准备博士毕业论文、学位论文或计算机论文的同学，文章还总结了理论建模、有限元仿真、现场试验与数据驱动模型如何形成完整证据链，并说明相关论文辅导应重点关注哪些研究环节。

在智慧交通不断发展的背景下，道路正在从单纯承受车辆荷载的基础设施，逐渐转变为能够感知车辆运行和结构状态的信息载体。

车辆驶过水泥混凝土路面时，会产生垂向加速度、频率变化和能量衰减等振动响应。这些信号看似杂乱，实际上包含车辆速度、轴重、行驶状态以及路面接缝等多类信息。如果能够稳定采集并准确解析，就可以为交通流监测、超载识别、道路养护和结构健康诊断提供新的技术路径。

一、传统道路感知技术存在哪些问题？

道路交通荷载监测通常会使用压电、光纤或其他埋入式感知设备。这类技术已经有较多工程应用，但在大范围推广时仍可能遇到设备成本较高、施工复杂、长期成活率有限，以及安装过程对既有路面产生扰动等问题。

利用路面振动响应获取车路信息，思路有所不同：传感器不需要直接测量轮载，而是采集车辆经过时形成的振动信号，再通过信号处理和机器学习模型反演车辆参数。

真正的难点在于，车路耦合系统具有明显的非线性和非平稳特征。车速、载重、传感器位置、路面材料及接缝状态，都会改变振动信号。标准路段训练出来的模型，放到含有切缝或结构损伤的路段上，精度可能明显下降。

二、从理论模型到现场试验，如何形成完整证据链？

该研究没有直接把振动数据输入机器学习模型，而是先分析振动产生和传播的物理机制。

研究以Kelvin–Voigt黏弹性地基和Kirchhoff薄板理论为基础，建立车辆与水泥混凝土路面的动力分析框架，并通过Abaqus构建包含接缝、传力杆和多层地基的三维有限元模型。

理论分析和数值仿真之后，又通过足尺现场试验验证模型。结果显示，车辆速度和载重变化都会影响路面的垂向加速度峰值。振动信号以荷载作用位置为中心向周围衰减，而且接缝等边界条件会改变信号的传播路径。

以振动幅值衰减到初始水平的50%作为判据时，单个MEMS传感器对移动荷载的有效感知半径约为120厘米。这一结果具有直接工程价值：传感器阵列不能只凭经验均匀布设，还要考虑振动响应的空间衰减规律。

三、为什么要把MFCC用于路面振动分析？

传统时域指标容易受到车速变化和环境干扰影响。只观察峰值、均方根或峭度，很难同时区分车辆载重、运行速度和路面结构变化。

研究因此借用了语音信号处理中的梅尔频率倒谱系数，即MFCC。语音识别利用MFCC描述声音的频谱包络，而道路振动同样具有频率和能量分布特征。经过适应性调整后，MFCC可以用于描述路面振动信号的整体频谱形态。

研究进一步融合时域、频域、时频域和改进MFCC特征，再利用相关性分析与RF-RFE递归特征消除方法，从高维特征池中筛选出14维最优特征子集。

这种处理并不是简单增加模型特征，而是在寻找一组对轴重敏感、同时对速度变化相对稳定的特征。对于计算机科学与土木工程交叉方向的论文来说，这种“从其他领域迁移方法，再结合研究对象重新设计”的思路，比直接套用一个常见算法更有创新价值。

四、LightGBM如何识别车辆轴重和车速？

现场试验表明，车辆参数与路面振动之间并不是简单的线性关系。车辆速度、载重、轮载作用时间及结构边界相互影响，使得传统多元线性回归容易产生系统性误差。

研究采用经过贝叶斯优化的LightGBM模型，学习振动特征与车辆参数之间的非线性映射关系。

在标准连续路段条件下，轴重识别决定系数R²达到0.938，车速识别决定系数R²达到0.882，平均绝对百分比误差控制在5%以内。这说明在路面状态相对稳定、训练样本覆盖充分的情况下，利用振动响应识别移动荷载具有较好的可行性。

不过，模型在标准路段表现良好，并不代表可以直接用于所有道路环境。

五、为什么含切缝路段会让模型失效？

水泥混凝土路面通常存在纵向切缝和板块边界。车辆经过这些位置时，振动传播会受到结构非连续性的影响，导致信号幅值、能量分布和频谱结构发生系统性变化。

这种变化不是普通随机噪声，而是训练数据与实际应用数据之间的分布偏移。模型可能把切缝产生的冲击误认为车辆轴重增加，从而出现较大的反演误差。

研究利用切缝两侧MEMS传感器的协同信息，提取动态传荷、频带能量差和响应相干性等特征，再通过随机森林识别切缝状态，识别准确率超过95%。

在此基础上，研究构建了物理引导残差修正网络PIRCN。该方法保留原有基准模型，再根据接缝状态和物理约束，对模型的系统性偏差进行定向修正。

工程验证结果显示，引入残差修正后，含缝路段的轴重和车速识别精度均提升到0.90以上。与完全依赖数据的黑箱模型相比，这种“物理基准＋数据修正”的方法具有更好的跨工况适应能力。

六、这项研究对博士论文写作有什么启发？

这项研究值得参考的地方，不只是使用了MEMS、MFCC、LightGBM和随机森林，而是建立了一条相对完整的研究链：

首先通过理论建模解释振动产生机制，再利用有限元仿真分析参数影响；随后通过现场试验验证理论结论，并构建数据集；最后使用机器学习完成参数反演，同时针对实际路面中出现的接缝干扰设计修正方法。

对于博士毕业论文或计算机科学与技术交叉论文来说，算法并不是越复杂越好。更重要的是回答三个问题：

为什么选择这个模型？

模型中的特征是否具有物理含义？

当应用环境变化时，模型为什么失效，又该如何修正？

如果论文只能证明“新模型比旧模型高出几个百分点”，创新性通常比较有限。如果能够解释误差来源、特征变化和模型边界，研究就会更完整。

七、现阶段还存在哪些研究空间？

这项技术距离大范围路网应用仍有一些问题需要继续验证。

现有现场试验主要集中在特定季节和环境条件下，温度、湿度、材料老化和地基刚度变化都可能影响振动信号。MEMS传感器长期埋设后，还要面对重复荷载、雨水侵入、温湿循环和信号漂移等问题。

此外，真实路面除了接缝，还可能存在板底脱空、错台、断板、传力杆失效和表面破损。未来研究需要扩大病害类型和交通工况，开展跨季节、长周期监测，并提高物理引导模型的可解释性。

这也为交通工程、计算机软件及计算机应用、智能传感和机器学习方向提供了进一步选题空间。

结语

水泥混凝土路面的振动并不只是车辆经过时产生的噪声，它也是车辆荷载、运行速度和道路结构状态的综合信息载体。

通过MEMS传感器阵列、振动特征重构、非线性机器学习和物理引导修正，可以逐步建立从“路面响应”到“车辆参数”和“结构状态”的信息解析路径。

据平台介绍，优客网ukthesis创立于1999年。针对这类土木工程与计算机交叉方向的学位论文，合理的论文辅导应集中在选题拆解、技术路线、有限元建模、特征工程、模型评价、图表表达及学术语言修改等环节。所有实验数据、程序结果和学术结论仍应由研究者本人完成并核验，同时遵守所在院校的学术诚信要求。