本發(fā)明涉及路面交通領域，特別是涉及一種路面排水滲水水滑風險檢測裝置及其實現方法。

背景技術：

目前，國內外對于直接檢測道路排水性能、滲水性能、以及水滑風險預測的設備研究仍處于空白。這主要是因為路面數據采集技術的限制，以及國內外現行的對于行車水滑發(fā)生機理的研究的不足。

國內外對行車水滑發(fā)生機理的研究起始于上個世紀六七十年代。與行車水滑的發(fā)生密切相關的影響因素可以歸納為三個方面：分別是輪胎的相關特性、道路路面的相關特性、以及道路路基的相關特性。針對于汽車輪胎對于行車水滑的影響分析的相關研究已經發(fā)展較為成熟，而從道路本身屬性的角度考慮，檢測其排水滲水性能，并對其發(fā)生水滑風險可能性大小判定的研究相對落后。這主要是由于影響路面水膜厚度的因素復雜，各種路面參數的測量技術相對落后，國內的水深傳感器的量程和精度又不能滿足研究的需要。同時，現有的國內外用于研究路面各種屬性與路面水滑風險的相關關系的模型具有一定的局限性。nasa水滑風險預測模型，是1962年由美國nasa航空航天總局研究開發(fā)的模型，該模型只考慮了輪胎的氣壓與行車水滑速度之間的關系，路面影響因素被完全忽略了。rrl模型是1968年由美國公路研究中心所開發(fā)的用于計算路面水膜深度的計算模型模，然而該模型只考慮了路面橫縱坡度對排水的影響，路面紋理以及路面材料的滲水性對水膜厚度的影響并沒有在模型中得到體現。gallway模型是目前國內外使用最為廣泛的水滑風險預測模型，該模型所涉及到的水滑風險影響因素也于當前其他模型相比更為全面，該模型不但計算了在一定降雨強度下的水膜厚度，同時也對路段的最小水滑速度進行了預測，但是該模型假設路面的積水量直接是當地的降雨量減去路面的排水量，而路面本身的滲水能力在該模型中被忽略了。

綜上所述，完全依靠目前現有的研究背景及技術，開發(fā)路面排水、滲水、水滑性能檢測儀器存在一定的難度。因此本項目以現有的研究為基礎，針對現有研究中的不足與局限性，解決路面相關屬性數據采集的技術難點，并建立影響因素涵蓋更廣更全面的水滑風險評價模型，以此開發(fā)路面排水、滲水、及水滑風險檢測儀器，從而對道路路面的排水性、滲水性、以及行車水滑風險給予綜合全面的評價。

在現有技術中，在路面情況的檢測中存在如下需要解決的問題：

(1)路面綜合屬性參數的測量

與行車水滑相關的路面屬性較為復雜，包括路面紋理構造深度、路面橫坡度、路面縱坡度、路面材料類型等。目前的研究中，對這些路面參數的測量方法不夠系統，參數的計算方法沒有統一的標準，已有的計算方法所得出的參數不能準確描述路面屬性特征。因此亟待根據路面水滑形成過程的需要，制定一套完整的，能夠準確測量路面各種屬性的方法體系。

(2)路面水膜厚度的信息采集

在一定降雨強度下，除去路面的排水能力與滲水能力，停留在路面形成路表的水膜，是行車水滑的關鍵。目前國內用于測量水深信息的各種水深電子尺，測量精度在1厘米左右，不能滿足研究的需要。

(3)路面排水量、滲水量的計算

路面的排水量，滲水量是直接影響路面水膜厚度的關鍵因素，然而目前國內外的研究中，對于路面的這兩個參量的計算仍處于空白。這主要是由于這兩個參量的影響因素較為復雜，并且沒有直接的方法能夠對這兩個參量進行測量。

(4)涵蓋復雜影響因素的水滑風險預測模型的建立

目前現有的水滑風險預測模型都存在著影響因素涵蓋不全的不足，主要被忽略的影響因素包括有，路面紋理構造深度、路面的滲水量、排水量等，這是由于現有的技術的限制，直接測量這些參量有一定的困難。再次由于建模技術發(fā)展的局限性，目前的研究也沒有研發(fā)出一種能夠較全面的涵蓋水滑風險影響因素的模型。

(5)雨天路面安全性能綜合檢測系統的開發(fā)

要實現雨天路面安全性能的綜合檢測，需要完整的實現數據采集、數據傳輸、數據分析處理、檢測結果評定各個環(huán)節(jié)，并將各個環(huán)節(jié)建立接口連接起來。然而，目前由于數據采集技術、水滑預測模型的限制，國內外沒有一套完整的系統可以測量和檢測路面的排水、滲水性能，以及評價其水滑風險。

技術實現要素：

有鑒于此，本發(fā)明的目的是提供一種路面排水滲水水滑風險檢測裝置及其實現方法，獲取的數據精度、準確度高，可利用性強，較能真實的反映路面的實際狀況。

本發(fā)明采用以下方案實現：一種路面排水滲水水滑風險檢測裝置，包括一用以檢測雨天路面情況的路面檢測儀以及一與其通信相連的智能終端；所述路面檢測儀包括一etape水深傳感器、一stm32-mini單片機、一藍牙通信模塊，均設置于一防水殼體中；所述stm32-mini單片機與所述tape水深傳感器、藍牙通信模塊相連；所述防水外殼的底部設置有用以將該防水外殼設置于地面的固定支架，所述防水外殼的底部還設置有一開口，所述etape水深傳感器的底部從所述防水外殼的開口處伸出浸入液體中，用以檢測路面的水深情況；所述stm32-mini單片機通過測量所述etape水深傳感器的電阻變化值得出水膜厚度，并通過所述藍牙通信模塊將采集到的數據傳輸至所述智能終端的app客戶端中進行數據存儲，在app客戶端中輸入降雨強度、路面綜合屬性以及限制車速，app客戶端將進行自動化的數據分析，完成對路面水滑風險高危區(qū)的測定。

進一步地，所述單片機還與一3.3v蓄電池相連，所述3.3v蓄電池用以為路面檢測儀中的電路供電。

本發(fā)明還采用以下方法實現：一種路面排水滲水水滑風險檢測裝置的實現方法，包括以下步驟：

步驟s1：將所述路面檢測儀水平放置于路面上，在降雨條件下，所述etape水深傳感器的底部浸入路面形成的水膜中，所述etape水深傳感器的電阻值隨著水深變化；

步驟s2：所述stm32-mini單片機獲取所述etape水深傳感器的電阻變化值，通過測量其電阻變化值，得出路面實際的水膜厚度；

步驟s3：所述stm32-mini單片機通過與其相連的藍牙通信模塊將采集與分析得到的數據傳輸到所述智能終端的app客戶端中進行數據的存儲；

步驟s4：采集在所述app客戶端中輸入降雨強度、路面綜合屬性信息以及限制車速，app客戶端將進行自動化的數據分析，完成對路面情況進行分析與判斷。

進一步地，所述app客戶端的數據庫每隔5s記錄一次即時的水膜深度以及測量時間。

進一步地，所述路面綜合屬性信息包括路面紋理深度、橫坡度以及縱坡度。

進一步地，所述app客戶端進行自動化的數據分析時，采用以下方式對路面排水能力進行評估：采用雨量筒采集雨水量，并將雨水量換算成單位面積、單位時間的水膜厚度wfda，并將該值定義為a值，該值為總降雨量值，同時將路面綜合屬性信息、降雨強度輸入到gallaway模型的水膜厚度計算公式中，如公式(1)所示，得出不排除路面滲水因素的水膜厚度wfdb，定義為b值，該值為實際路面的水膜厚度值加上路面的滲水量：

其中，txd為路面紋理深度(mm)；wfdb為不排除路面滲水性的水膜厚度(mm)；z為0.01485；l為排水路徑長度(m)；i為降雨強度(mm/h)；s為道路橫坡度(m/m)；

所述app客戶端進行路面排水量的計算時，通過將a值與b值相減，獲取路面的排水量換算值，如公式(2)所示：

fp＝|wfda-wfdb|(2)

其中，fp為排水量—單位面積、單位時間水膜厚度(mm)；wfda為雨量筒所測量得到的單位面積、單位時間所采集的水膜厚度(mm)；wfdb為gallaway模型計算所得的不排除路面滲水性的水膜厚度(mm)。

進一步地，所述app客戶端進行自動化的數據分析時，采用以下方式對路面滲水能力進行評估：所述app客戶端根據路面檢測儀所測量的降雨天氣下路面實際的水膜厚度，以及gallaway水膜計算公式得出的降雨情況下不考慮路面滲水性能的路表水膜厚度計算路面的滲水量，具體為：

首先將路面綜合屬性信息、降雨強度信息輸入到gallaway模型的水膜厚度計算公式中，如公式(1)所示，得出不排除路面滲水因素的路面水膜厚度值，定義為b值，該值為實際路面的水膜厚度值加上路面的滲水量，同時將路面檢測儀測量得到的路面水膜厚度求平均值，換算成單位時間內的水膜厚度，定義為c值，該值為路面實際的水膜厚度；

路面滲水量的計算，通過將b值與c值相減，獲取路面的滲水量換算值，如公式(3)所示：

fs＝|wfdb-wfdc|(3)

其中，fs為滲水量—單位面積、單位時間水膜厚度(mm)；wfdb為gallaway模型計算所得的不排除路面滲水性的水膜厚度(mm)；wfdc為水深傳感器測量所得的水膜厚度(mm)。

所述app客戶端進行自動化的數據分析時，采用以下方式對路面水滑風險高危區(qū)進行檢測識別：根據路面屬性信息以及降雨強度信息，結合一改進的pavdrn水滑風險預測模型，如公式(4)所示，計算出路段的最小行車水滑速度，通過對比路段的限速或行車速度，判別道路的水滑風險的潛在高危區(qū)：

其中，vp為水滑臨屆速度(km/hr)；pt為輪胎氣壓(kpa)；w為輪載(n)；wfd為路面水膜厚度(mm)。

9、根據權利要求8所述的一種路面排水滲水水滑風險檢測裝置的實現方法，其特征在于：所述app客戶端采用改進的pavdrn水滑風險預測模型判斷當前檢測到的水滑臨界速度vp小于行車的限制車速時，則檢測路段被判定為水滑風險高危區(qū)，所述app客戶端發(fā)出報警信號，并記錄數據。

相較于現有技術，本發(fā)明提供的檢測裝置主要由etape水深傳感器、stm32-mini單片機以及用于數據存儲及數據分析app系統構成。該裝置將路面檢測儀采集的路面水膜厚度數據通過濾波算法，自動的進行數據的除噪處理，同時結合路面的屬性信息，以及降雨信息，通過嵌入項目開發(fā)的路面排水、滲水計算模型，以及改進的pavdrn水滑風險預測模型，對路面的排水、滲水、水滑風險進行客觀定量的評價。該系統是一套用于降雨天氣路面安全性能評價的綜合系統，填補了國內外該研究方向下系統研發(fā)的空白。同時該系統較傳統的其他領域的評價系統相比，可根據報告的檢測結果對采集數據進行反查，對比國家標準，自動找出水滑風險高危路段的需要進行維修的路面屬性，并為管理部門提供科學合理的維修養(yǎng)護建議。

附圖說明

圖1是本發(fā)明的檢測裝置的實現流程示意圖。

圖2是本發(fā)明的etape水深傳感器示意圖。

圖3是本發(fā)明的單片機測量模塊連接示意圖。

圖4是本發(fā)明的單片機藍牙連接示意圖。

圖5是本發(fā)明的藍牙串口代碼示意圖。

圖6是本發(fā)明的單片機總線路圖。

圖7是本發(fā)明的app客戶端是系統界面示意圖。

具體實施方式

下面結合附圖及實施例對本發(fā)明做進一步說明。

本實施例提供一種路面排水滲水水滑風險檢測裝置，包括一用以檢測雨天路面情況的路面檢測儀以及一與其通信相連的智能終端；所述路面檢測儀包括一etape水深傳感器、一stm32-mini單片機、一藍牙通信模塊，均設置于一防水殼體中；所述stm32-mini單片機與所述tape水深傳感器、藍牙通信模塊相連；所述防水外殼的底部設置有用以將該防水外殼設置于地面的固定支架，所述防水外殼的底部還設置有一開口，所述etape水深傳感器的底部從所述防水外殼的開口處伸出浸入液體中，用以檢測路面的水深情況；所述stm32-mini單片機通過測量所述etape水深傳感器的電阻變化值得出水膜厚度，并通過所述藍牙通信模塊將采集到的數據傳輸至所述智能終端的app客戶端中進行數據存儲，在app客戶端中輸入降雨強度、路面綜合屬性以及限制車速，app客戶端將進行自動化的數據分析，完成對路面水滑風險高危區(qū)的測定。

在本實施例中，所述單片機還與一3.3v蓄電池相連，所述3.3v蓄電池用以為路面檢測儀中的電路供電。

在本實施例中，所述etape液位傳感器是一種固態(tài)傳感器，如圖2所示，主要用于無腐蝕水基液體和干燥的流體(粉末)的深度測量。該傳感器長320.7mm，寬25.4mm，厚0.208mm。傳感器在未接觸液體情況下的電阻輸出值為700ω，而完全浸泡于液體中時的電阻輸出值為85ω。作業(yè)溫度范圍值為-9℃～60℃，量程為0-197mm液體深度，其測量精度為0.794mm。該etape水深傳感器的工作原理是：當將其包絡被浸入流體時，流體靜壓力對傳感器的包絡壓縮，從而改變其電阻，傳感器的電阻輸出與液體的高度成反比，該傳感器完全能夠滿足項目的需要。其中stm32-mini單片機開發(fā)模塊包括以下各個組成部分：1：標準miniusb接口；2：可編程led與電源指示燈；3：swd接口；4：串口/支持isp；5：vbat跳線；6：8m晶振跳線；7：8m外置晶振；8：鍍金排針；9：32.768k晶振；10：32.768k晶振跳線；11：銅柱支架×4；12：標準jtag接口輸出；13：復位按鍵；14：鍍金排針；15：stm32f103rc；16：led/usbd-/usbd-跳線；17：boot1/0設置開關。stm32單片機的基本型時鐘頻率為36mhz；最高時鐘頻率可達72mhz。當時鐘頻率72mhz時，從閃存執(zhí)行代碼，stm32功耗36ma。

在本實施例中，圖3為單片機的測量模塊，該模塊的設計用于將單片機接收的電流變量轉化為路面水膜厚度變量值。圖4為單片機藍牙連接的連接圖，單片機與外接3.3伏蓄電池連接，圖5為藍牙串口代碼，單片機可向帶有藍牙接收功能的智能終端(手機、pc終端)傳輸數據信息。圖6為單片機的總體線路設計圖。

在本實施例中，路面檢測儀的結構是由etape水深傳感器、單片機、外接蓄電池、防水外殼構成。在防水外殼底部開口，并在防水外殼底部固定支架，使其與地面保持一定距離。將水深傳感器底部從防水外殼開口處伸出，測量時與地面垂直接觸，其銅線連接端與單片機相連，單片機與蓄電池相連，共同置于防水箱內部。防水外殼，可避免在實驗測量時，濺起的雨水打濕水深傳感器，造成誤差，也可避免雨水淋濕單片機和電池，造成儀器損壞。防水箱也可打開，可方便進行儀器的調試，維修，電池更換。

在本實施例中，該檢測裝置可在降雨天對路面的水膜厚度信息進行實時，準確的采集，數據精度高，具有一定的防水功能，能在雨天采集數據時保持良好的工作狀態(tài)。儀器內嵌藍牙傳輸功能，可將采集到的數據通過藍牙傳輸到手機app或電腦終端進行存儲和數據分析。該儀器攜帶方便，數據采集準確度、精度較高，應用廣泛，可在各種道路路面上進行實際操作，可用于高速公路、或城市道路等的路面排水、滲水能力的檢測，同時也可以應用于強降雨天氣下，各種道路的積水狀況的實時檢測。該項儀器的研發(fā)具有較強的推廣使用性和收益性。

在本實施例中，一種路面排水滲水水滑風險檢測裝置的實現方法，如圖1所示，包括以下步驟：

步驟s1：將所述路面檢測儀水平放置于路面上，在降雨條件下，所述etape水深傳感器的底部浸入路面形成的水膜中，所述etape水深傳感器的電阻值隨著水深變化；

步驟s2：所述stm32-mini單片機獲取所述etape水深傳感器的電阻變化值，通過測量其電阻變化值，得出路面實際的水膜厚度；

步驟s3：所述stm32-mini單片機通過與其相連的藍牙通信模塊將采集與分析得到的數據傳輸到所述智能終端的app客戶端中進行數據的存儲；

步驟s4：采集在所述app客戶端中輸入降雨強度、路面綜合屬性信息以及限制車速，app客戶端將進行自動化的數據分析，完成對路面情況進行分析與判斷。

在本實施例中，所述app客戶端的數據庫每隔5s記錄一次即時的水膜深度以及測量時間。

在本實施例中，所述路面綜合屬性信息包括路面紋理深度、橫坡度以及縱坡度。

在本實施例中，所述路面綜合屬性信息中，采用坡度尺對路面的橫坡度和縱坡度進行測量，每1米路段等距選擇5個測量點，并取平均值；路面紋理構造深度采用電動鋪砂儀進行采集，為保證計算的數據能夠準確的反映整個路面的紋理構造深度，每1米路段分別測量左右輪跡帶、以及路表正中央的路面紋理構造深度，最后依據所測輪跡帶寬度占整個路面的權重，來計算路面平均構造深度；降雨強度是通過雨量筒進行采集，平均每1分鐘進行1次讀數與記錄。

在本實施例中，所述app客戶端進行自動化的數據分析時，采用以下方式對路面排水能力進行評估：采用雨量筒采集雨水量，并將雨水量換算成單位面積、單位時間的水膜厚度wfda，并將該值定義為a值，該值為總降雨量值，同時將路面綜合屬性信息、降雨強度輸入到gallaway模型的水膜厚度計算公式中，如公式(1)所示，得出不排除路面滲水因素的水膜厚度wfdb，定義為b值，該值為實際路面的水膜厚度值加上路面的滲水量：

其中，txd為路面紋理深度(mm)；wfdb為不排除路面滲水性的水膜厚度(mm)；z為0.01485；l為排水路徑長度(m)；i為降雨強度(mm/h)；s為道路橫坡度(m/m)；

所述app客戶端進行路面排水量的計算時，通過將a值與b值相減，獲取路面的排水量換算值，如公式(2)所示：

fp＝|wfda-wfdb|(2)

其中，fp為排水量—單位面積、單位時間水膜厚度(mm)；wfda為雨量筒所測量得到的單位面積、單位時間所采集的水膜厚度(mm)；wfdb為gallaway模型計算所得的不排除路面滲水性的水膜厚度(mm)。

該路面排水能力的評估方法結合當地的實際降雨量，以及運用gallaway水膜厚度計算公式，推算出降雨情況下不考慮路面滲水性的路表水膜厚度，來計算路面的排水量。該種方法充分考慮了與排水相關的路面屬性，包括路面紋理、道路橫縱坡度，以及當時的降雨強度，對路面的排水量給出了確切的計算方法，可實現對路面排水性能進行客觀定量的評價。該種方法的創(chuàng)新在于首次將排水作為一個評價指標單獨提取出來，并通過結合與排水相關的各種影響因素，對路面的排水性能，通過項目開發(fā)的實際計算模型，將其量化，得出單位面積路面的具體實際的排水量，從而客觀量化的對路面的排水能力進行評價。

在本實施例中，所述app客戶端進行自動化的數據分析時，采用以下方式對路面滲水能力進行評估：所述app客戶端根據路面檢測儀所測量的降雨天氣下路面實際的水膜厚度，以及gallaway水膜計算公式得出的降雨情況下不考慮路面滲水性能的路表水膜厚度計算路面的滲水量，具體為：

首先將路面綜合屬性信息、降雨強度信息輸入到gallaway模型的水膜厚度計算公式中，如公式(1)所示，得出不排除路面滲水因素的路面水膜厚度值，定義為b值，該值為實際路面的水膜厚度值加上路面的滲水量，同時將路面檢測儀測量得到的路面水膜厚度求平均值，換算成單位時間內的水膜厚度，定義為c值，該值為路面實際的水膜厚度；

路面滲水量的計算，通過將b值與c值相減，獲取路面的滲水量換算值，如公式(3)所示：

fs＝|wfdb-wfdc|(3)

其中，fs為滲水量—單位面積、單位時間水膜厚度(mm)；wfdb為gallaway模型計算所得的不排除路面滲水性的水膜厚度(mm)；wfdc為水深傳感器測量所得的水膜厚度(mm)。

該路面滲水能力的評估方法結合項目開發(fā)的雨天路面安全性能綜合檢測儀器所測量的降雨天氣下路表實際水膜厚度，以及gallaway水膜計算公式得出的降雨情況下不考慮路面滲水性能的路表水膜厚度，來計算路面的滲水量。該種方法考慮了與滲水相關的路面屬性，包括路面材料、路面紋理，以及當時的降雨強度，對路面的滲水量給出了確切的計算方法，可實現對路面滲水性能進行客觀定量的評價。該種方法的創(chuàng)新在于首次將路面的滲水能力作為一個路面的安全評價指標單獨提取出來，并通過結合與路面滲水能力相關的各種影響因素，對路面的滲水性能，通過項目開發(fā)的實際計算模型，將其量化，得出單位面積路面的具體實際的滲水量，從而客觀量化的對路面的滲水能力進行評價。

以上計算公式模型可以有效、準確的計算出路面的排水、滲水量，可廣泛應用到路面幾何設計、路面材料研究的其他領域中去。

在本實施例中，所述app客戶端進行自動化的數據分析時，采用以下方式對路面水滑風險高危區(qū)進行檢測識別：根據路面屬性信息以及降雨強度信息，結合一改進的pavdrn水滑風險預測模型，如公式(4)所示，計算出路段的最小行車水滑速度，通過對比路段的限速或行車速度，判別道路的水滑風險的潛在高危區(qū)：

其中，vp為水滑臨屆速度(km/hr)；pt為輪胎氣壓(kpa)；w為輪載(n)；wfd為路面水膜厚度(mm)。

該種路面水滑風險高危區(qū)的檢測識別方法利用采集的路面屬性信息以及降雨強度信息，結合改進的pavdrn水滑風險預測模型，計算出路段的最小行車水滑速度，通過對比路段的限速或行車速度，來判別道路的水滑風險的潛在高危區(qū)。該種方法較傳統的方法(將水滑風險預測模型與模擬定量值結合計算)，其創(chuàng)新性在于提出了將道路路面檢測的實際數據(實際變量值)與水滑風險預測模型相結合，真正實現了結合路面的相關屬性以及當地的氣候條件，對道路水滑風險進行客觀定量的評價，同時該方法較國內外現有的研究相比，首次提出了一種可實際應用的路面水滑風險高危區(qū)的識別方法，具有一定的創(chuàng)新性。

在本實施例中，所述app客戶端采用改進的pavdrn水滑風險預測模型判斷當前檢測到的水滑臨界速度vp小于行車的限制車速時，則檢測路段被判定為水滑風險高危區(qū)，所述app客戶端發(fā)出報警信號，并記錄數據。該改進的pavdrn水滑風險預測模型針對現有的pavdrn模型的局限性，通過對比路段的限速或行車速度，可以推算出行車水滑的可能性大小，從而判定路段是否是水滑風險的潛在高危區(qū)。該項研究可廣泛應用到現有道路路面的安全性能檢測、評價，實用性較高。

在本實施例中，圖7為app客戶端的系統界面，上排左邊的界面為系統的第一個界面，為路面、降雨、限速信息輸入界面。輸入完相應的信息之后，可通過該界面最下端的“查看測量數據”按鈕，查看測量數據(見上排右邊界面)；通過“斷開”按鈕可斷開數據的傳輸；通過“水滑風險評價”按鈕，可跳轉到下排左邊界面，顯示水滑風險評價信息，若為被測路面為水滑風險高危區(qū)域，則該界面變?yōu)榧t色；通過“排水、滲水性能檢測”按鈕，可跳轉到下排右邊界面，顯示單位面積路面的排水量和滲水量。該客戶端還可以生成水滑風險評價報告與路面排水、滲水性能評價報告，并可通過智能終端連接打印機打印報告。對于水滑風險高危區(qū)域，評價報告會將采集的路面屬性數據，包括橫縱坡度、路面紋理構造深度與道路設計標準對比，為道路管理部門給出高危區(qū)域的路面維修養(yǎng)護建議。

以上所述僅為本發(fā)明的較佳實施例，凡依本發(fā)明申請專利范圍所做的均等變化與修飾，皆應屬本發(fā)明的涵蓋范圍。