一种路基压实参数调节方法、装置、设备及可读存储介质

技术领域

本发明涉及铁路工程技术领域，具体而言，涉及一种路基压实参数调节方法、装置、设备及可读存储介质。

背景技术

在高速铁路的建设过程之中，路基压实质量的好坏影响着高速列车的运行安全，而路基填筑工程的压实及其质量控制是保证路基压实质量的关键。随着科学技术的发展，路基的压实质量检测从传统检测方法逐渐发展至连续压实控制（Continuous CompactionControl，简称CCC）。连续压实控制技术能够在一定的程度上减小由于传统的检测方法所带来的弊端，但因为此技术还尚未完全成熟，所以目前还未被广泛的应用于现场的实际工作中；另一方面，在路基压实的现场工作中，此技术还未实现完全的智能，在得到系统对于压实实况的反馈之后，需要通过人脑来选取接下来的压路机振动参数（激振力、频率、压实遍数等）。

发明内容

本发明的目的在于提供一种路基压实参数调节方法、装置、设备及可读存储介质，以改善上述问题。

为了实现上述目的，本申请实施例提供了如下技术方案：

一方面，本申请实施例提供了一种路基压实参数调节方法，所述方法包括：

步骤S1、获取当前压实遍数下振动压路机的第一实际振动参数和路基的第一实际土体参数，所述振动压路机的第一实际振动参数包括振动压路机的第一实际压实遍数、振动压路机的第一实际加速度数据、振动压路机的第一实际频率和振动压路机的第一实际激振力，所述路基的第一实际土体参数包括路基第一实际沉降量和路基填料级配的第一实际曲率系数；

步骤S2、基于所述振动压路机的第一实际加速度数据，得到路基的第一实际压实能量指标；

步骤S3、利用GRNN神经网络模型获取所述路基的第一实际压实能量指标、所述振动压路机的第一实际振动参数和所述路基的第一实际土体参数，得到构建好的GRNN神经网络模型；

步骤S4、获取进行下一遍压实时预测的振动压路机的振动参数和预测的路基的土体参数，利用所述构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值；

步骤S5、基于所述路基的第一压实能量指标预测值，得到需要调整的第一振动参数，以指导所述振动压路机进行下一遍压实时对振动参数的调整。

可选的，所述步骤S2，包括：

对所述振动压路机的第一实际加速度数据进行经验模态分解，得到分解量，对所述分解量行进希尔伯特-黄变换，得到Hilbert幅值谱；

对所述Hilbert幅值谱进行时间积分，得到振动信号的边际谱曲线；

对所述振动信号的边际谱曲线进行求和，得到路基的压实能量指标。

可选的，所述步骤S3，包括：

提取所述振动压路机的第一实际加速度数据中的最大值，得到振动压路机的加速度峰值；

对所述路基的第一实际压实能量指标、振动压路机的第一实际压实遍数、振动压路机的加速度峰值、振动压路机的第一实际频率、振动压路机的第一实际激振力和路基的第一实际土体参数进行归一化处理，得到处理后的数据；

获取GRNN神经网络模型的参数设定值，所述GRNN神经网络模型的参数包括所述GRNN神经网络模型的光滑因子，得到设定之后的GRNN神经网络模型；

利用设定之后的GRNN神经网络模型获取所述处理后的数据，得到构建好的GRNN神经网络模型。

可选的，所述步骤S4，包括：

获取进行下一遍压实时预测的振动压路机的压实遍数、预测的振动压路机的加速度数据、预测的振动压路机频率和预测的振动压路机激振力；

提取所述预测的振动压路机的加速度数据中的最大值，得到预测的振动压路机的加速度峰值；

获取路基填料的曲率系数关于压实遍数的拟合曲线；

基于所述预测的振动压路机的压实遍数和所述路基填料的曲率系数关于压实遍数的拟合曲线，得到预测的路基的土体参数，所述预测的路基的土体参数包括预测的路基沉降量和预测的路基填料的级配曲率系数；

基于所述预测的振动压路机的压实遍数、预测的振动压路机的加速度峰值、预测的振动压路机频率、预测的振动压路机激振力和预测的路基的土体参数，利用构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值。

可选的，所述步骤S5，包括：

获取压实能量指标标准值，将所述路基的第一压实能量指标预测值与所述压实能量指标标准值进行对比，得到需要调整的第一振动参数；

发送所述需要调整的第一振动参数，以指导所述振动压路机进行下一次压实时对振动参数的调整。

可选的，所述步骤S5后，还包括：

获取进行下一遍压实时振动压路机的第二实际振动参数和路基的第二实际土体参数，所述振动压路机的第二实际振动参数包括振动压路机的第二实际压实遍数、振动压路机的第二实际加速度数据、振动压路机的第二实际频率和振动压路机的第二实际激振力，所述路基的第二实际土体参数包括路基的第二实际沉降量和路基填料级配的第二实际曲率系数；

基于所述振动压路机的第二实际加速度数据，得到路基的第二实际压实能量指标；

基于所述路基的第二实际压实能量指标、所述振动压路机的第二实际振动参数和所述路基的第二实际土体参数，更新所述构建好的GRNN神经网络模型，得到更新后的GRNN神经网络模型；

获取进行再下一遍压实时预测的振动压路机的振动参数和进行再下一遍压实时预测的路基的土体参数，利用所述更新后的GRNN神经网络模型，得到路基的第二压实能量指标预测值；

基于所述路基的第二压实能量指标预测值，得到需要调整的第二振动参数，以指导所述振动压路机进行再下一遍压实时对振动参数的调整。

第二方面，本申请实施例提供了一种路基压实参数调节装置，所述装置包括：第一获取模块、第一计算模块、构建模块、第二获取模块和第二计算模块。

所述第一获取模块，用于获取当前压实遍数下振动压路机的第一实际振动参数和路基的第一实际土体参数，所述振动压路机的第一实际振动参数包括振动压路机的第一实际压实遍数、振动压路机的第一实际加速度数据、振动压路机的第一实际频率和振动压路机的第一实际激振力，所述路基的第一实际土体参数包括路基第一实际沉降量和路基填料级配的第一实际曲率系数；

所述第一计算模块，用于基于所述振动压路机的第一实际加速度数据，得到路基的第一实际压实能量指标；

所述构建模块，用于利用GRNN神经网络模型获取所述路基的第一实际压实能量指标、所述振动压路机的第一实际振动参数和所述路基的第一实际土体参数，得到构建好的GRNN神经网络模型；

所述第二获取模块，用于获取进行下一遍压实时预测的振动压路机的振动参数和预测的路基的土体参数，利用所述构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值；

所述第二计算模块，用于基于所述路基的第一压实能量指标预测值，得到需要调整的第一振动参数，以指导所述振动压路机进行下一遍压实时对振动参数的调整。

可选的，所述第一计算模块，包括：

分解单元，用于对所述振动压路机的第一实际加速度数据进行经验模态分解，得到分解量，对所述分解量行进希尔伯特-黄变换，得到Hilbert幅值谱；

积分单元，用于对所述Hilbert幅值谱进行时间积分，得到振动信号的边际谱曲线；

求和单元，用于对所述振动信号的边际谱曲线进行求和，得到路基的压实能量指标。

可选的，所述构建模块，包括：

第一提取单元，用于提取所述振动压路机的第一实际加速度数据中的最大值，得到振动压路机的加速度峰值；

处理单元，用于对所述路基的第一实际压实能量指标、振动压路机的第一实际压实遍数、振动压路机的加速度峰值、振动压路机的第一实际频率、振动压路机的第一实际激振力和路基的第一实际土体参数进行归一化处理，得到处理后的数据；

第一获取单元，用于获取GRNN神经网络模型的参数设定值，所述GRNN神经网络模型的参数包括所述GRNN神经网络模型的光滑因子，得到设定之后的GRNN神经网络模型；

第一计算单元，用于利用设定之后的GRNN神经网络模型获取所述处理后的数据，得到构建好的GRNN神经网络模型。

可选的，所述第二获取模块，包括：

第二获取单元，用于获取进行下一遍压实时预测的振动压路机的压实遍数、预测的振动压路机的加速度数据、预测的振动压路机频率和预测的振动压路机激振力；

第二提取单元，用于提取所述预测的振动压路机的加速度数据中的最大值，得到预测的振动压路机的加速度峰值；

第三获取单元，用于获取路基填料的曲率系数关于压实遍数的拟合曲线；

第二计算单元，用于基于所述预测的振动压路机的压实遍数和所述路基填料的曲率系数关于压实遍数的拟合曲线，得到预测的路基的土体参数，所述预测的路基的土体参数包括预测的路基沉降量和预测的路基填料的级配曲率系数；

第三计算单元，用于基于所述预测的振动压路机的压实遍数、预测的振动压路机的加速度峰值、预测的振动压路机频率、预测的振动压路机激振力和预测的路基的土体参数，利用构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值。

可选的，所述第二计算模块，包括：

第四获取单元，用于获取压实能量指标标准值，将所述路基的第一压实能量指标预测值与所述压实能量指标标准值进行对比，得到需要调整的第一振动参数；

发送单元，用于发送所述需要调整的第一振动参数，以指导所述振动压路机进行下一次压实时对振动参数的调整。

可选的，所述装置还包括：

第三获取模块，用于获取进行下一遍压实时振动压路机的第二实际振动参数和路基的第二实际土体参数，所述振动压路机的第二实际振动参数包括振动压路机的第二实际压实遍数、振动压路机的第二实际加速度数据、振动压路机的第二实际频率和振动压路机的第二实际激振力，所述路基的第二实际土体参数包括路基的第二实际沉降量和路基填料级配的第二实际曲率系数；

第三计算模块，用于基于所述振动压路机的第二实际加速度数据，得到路基的第二实际压实能量指标；

更新模块，用于基于所述路基的第二实际压实能量指标、所述振动压路机的第二实际振动参数和所述路基的第二实际土体参数，更新所述构建好的GRNN神经网络模型，得到更新后的GRNN神经网络模型；

第四获取模块，用于获取进行再下一遍压实时预测的振动压路机的振动参数和进行再下一遍压实时预测的路基的土体参数，利用所述更新后的GRNN神经网络模型，得到路基的第二压实能量指标预测值；

第四计算模块，用于基于所述路基的第二压实能量指标预测值，得到需要调整的第二振动参数，以指导所述振动压路机进行再下一遍压实时对振动参数的调整。

第三方面，本申请实施例提供了一种路基压实参数调节设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述路基压实参数调节方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述路基压实参数调节方法的步骤。

本发明的有益效果为：

1、通过本发明所构建的GRNN-CEV指标预测体系，把现场经压实之后得到的数据放入预测体系之中进行训练，然后改变振动压路机的振动参数，比如压实遍数、激振力等，就可以得到模拟的数值。通过对比预测值与规定值便能知道每一个区域的压实情况，进而对于振动参数的选择便也更加清楚，利于指导接下来的施工，节省现场施工时间以及降低相应的造价。

2、本发明对比于之前的连续压实技术，在加入GRNN神经网络模型之后更加智能；通过GRNN-CEV指标预测体系的构建，能够通过对数据的快速处理得到CEV的数值，进而判断路基的压实质量如何。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例中所述的一种路基压实参数调节方法流程示意图；

图2是本发明实施例中所述的一种路基压实参数调节装置结构示意图；

图3是本发明实施例中所述的一种路基压实参数调节设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

如图1所示，本实施例提供了一种路基压实质量评判方法，该方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。

步骤S1、获取当前压实遍数下振动压路机的第一实际振动参数和路基的第一实际土体参数，所述振动压路机的第一实际振动参数包括振动压路机的第一实际压实遍数、振动压路机的第一实际加速度数据、振动压路机的第一实际频率和振动压路机的第一实际激振力，所述路基的第一实际土体参数包括路基第一实际沉降量和路基填料级配的第一实际曲率系数；

步骤S2、基于所述振动压路机的第一实际加速度数据，得到路基的第一实际压实能量指标；

步骤S3、利用GRNN神经网络模型获取所述路基的第一实际压实能量指标、所述振动压路机的第一实际振动参数和所述路基的第一实际土体参数，得到构建好的GRNN神经网络模型；

步骤S4、获取进行下一遍压实时预测的振动压路机的振动参数和预测的路基的土体参数，利用所述构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值；

步骤S5、基于所述路基的第一压实能量指标预测值，得到需要调整的第一振动参数，以指导所述振动压路机进行下一遍压实时对振动参数的调整。

在施工现场中，主要是通过改变振动压路机的振动参数来达到使路基压实质量达到压实指标的目的。对于振动参数的改变，过多或者过少都会直接影响到路基的压实质量。若是在每一次压实之后对压实指标进行测量是很浪费时间的，且目前通过每一遍压实的数据反馈之后是通过人脑来选择下一次压实的振动参数。为了能够对高铁路基压实振动参数进行智能的选择，通过本实施例把现场经压实几遍之后得到的数据放入预测体系之中进行训练，然后改变振动压路机的振动参数，比如压实遍数、激振力等，就可以得到模拟的数值。通过对比预测值与标准值便能知道每一个区域的压实情况，进而对于振动参数的选择便也更加清楚，以此来指导接下来的施工。

在本公开的一种具体实施方式中，所述步骤S2，还可以包括步骤S21、步骤S22和步骤S23。

步骤S21、对所述振动压路机的第一实际加速度数据进行经验模态分解，得到分解量，对所述分解量行进希尔伯特-黄变换，得到Hilbert幅值谱；

步骤S22、对所述Hilbert幅值谱进行时间积分，得到振动信号的边际谱曲线；

步骤S23、对所述振动信号的边际谱曲线进行求和，得到路基的压实能量指标。

在本公开的一种具体实施方式中，所述步骤S3，还可以包括步骤S31、步骤S32、步骤S33和步骤S34。

步骤S31、提取所述振动压路机的第一实际加速度数据中的最大值，得到振动压路机的加速度峰值；

步骤S32、对所述路基的第一实际压实能量指标、振动压路机的第一实际压实遍数、振动压路机的加速度峰值、振动压路机的第一实际频率、振动压路机的第一实际激振力和路基的第一实际土体参数进行归一化处理，得到处理后的数据；

步骤S33、获取GRNN神经网络模型的参数设定值，所述GRNN神经网络模型的参数包括所述GRNN神经网络模型的光滑因子，得到设定之后的GRNN神经网络模型；

步骤S34、利用设定之后的GRNN神经网络模型获取所述处理后的数据，得到构建好的GRNN神经网络模型。

在本实施例中，GRNN神经网络模型的光滑因子设置为0.1，同时本实施例中将所述处理后的数据放入到GRNN神经网络模型中，则完成了模型的构建。

在本公开的一种具体实施方式中，所述步骤S4，还可以包括步骤S41、步骤S42、步骤S43、步骤S44和步骤S45。

步骤S41、获取进行下一遍压实时预测的振动压路机的压实遍数、预测的振动压路机的加速度数据、预测的振动压路机频率和预测的振动压路机激振力；

步骤S42、提取所述预测的振动压路机的加速度数据中的最大值，得到预测的振动压路机的加速度峰值；

步骤S43、获取路基填料的曲率系数关于压实遍数的拟合曲线；

步骤S44、基于所述预测的振动压路机的压实遍数和所述路基填料的曲率系数关于压实遍数的拟合曲线，得到预测的路基的土体参数，所述预测的路基的土体参数包括预测的路基沉降量和预测的路基填料的级配曲率系数；

步骤S45、基于所述预测的振动压路机的压实遍数、预测的振动压路机的加速度峰值、预测的振动压路机频率、预测的振动压路机激振力和预测的路基的土体参数，利用构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值。

本实施例对比于之前的连续压实技术，在加入GRNN神经网络模型之后更加智能；通过GRNN-CEV指标预测体系的构建，能够通过对数据的快速处理得到CEV的数值，进而判断路基的压实质量如何。

在本公开的一种具体实施方式中，所述步骤S5，还可以包括步骤S51、和步骤S52。

步骤S51、获取压实能量指标标准值，将所述路基的第一压实能量指标预测值与所述压实能量指标标准值进行对比，得到需要调整的第一振动参数；

步骤S52、发送所述需要调整的第一振动参数，以指导所述振动压路机进行下一次压实时对振动参数的调整。

在本实施例中，通过对比预测值与规定值便能知道每一个区域的压实情况，进而对于振动参数的选择便也更加清楚，利于指导接下来的施工，节省现场施工时间以及降低相应的造价。

在本公开的一种具体实施方式中，所述步骤S5后，还可以包括步骤S6、步骤S7、步骤S8、步骤S9和步骤S10。

步骤S6、获取进行下一遍压实时振动压路机的第二实际振动参数和路基的第二实际土体参数，所述振动压路机的第二实际振动参数包括振动压路机的第二实际压实遍数、振动压路机的第二实际加速度数据、振动压路机的第二实际频率和振动压路机的第二实际激振力，所述路基的第二实际土体参数包括路基的第二实际沉降量和路基填料级配的第二实际曲率系数；

步骤S7、基于所述振动压路机的第二实际加速度数据，得到路基的第二实际压实能量指标；

步骤S8、基于所述路基的第二实际压实能量指标、所述振动压路机的第二实际振动参数和所述路基的第二实际土体参数，更新所述构建好的GRNN神经网络模型，得到更新后的GRNN神经网络模型；

步骤S9、获取进行再下一遍压实时预测的振动压路机的振动参数和进行再下一遍压实时预测的路基的土体参数，利用所述更新后的GRNN神经网络模型，得到路基的第二压实能量指标预测值；

步骤S10、基于所述路基的第二压实能量指标预测值，得到需要调整的第二振动参数，以指导所述振动压路机进行再下一遍压实时对振动参数的调整。

本实施例中，获取进行下一遍压实后的相关数据，然后更新GRNN神经网络模型，可以提高模型预测的准确性。

在具体施工情况下，按照现场的施工顺序，首先把在第一次压实之后得到的数据放入此模型之中，模型构建好之后开始预测进行第二次压实的数据，得到预测的数据之后与标准的CEV值进行对比，通过对比可以知道路基每一个区域的压实情况如何，然后通过预测的压实状况来改变参数；在第二次压实之后再把第二次压实之后的数据放入此模型之中，以更新模型，更新模型之后再进行预测，一直到施工结束。

实施例2

如图2所示，本实施例提供了一种路基压实参数调节装置，所述装置包括：第一获取模块701、第一计算模块702、构建模块703、第二获取模块704和第二计算模块705。

所述第一获取模块701，用于获取当前压实遍数下振动压路机的第一实际振动参数和路基的第一实际土体参数，所述振动压路机的第一实际振动参数包括振动压路机的第一实际压实遍数、振动压路机的第一实际加速度数据、振动压路机的第一实际频率和振动压路机的第一实际激振力，所述路基的第一实际土体参数包括路基第一实际沉降量和路基填料级配的第一实际曲率系数；

所述第一计算模块702，用于基于所述振动压路机的第一实际加速度数据，得到路基的第一实际压实能量指标；

所述构建模块703，用于利用GRNN神经网络模型获取所述路基的第一实际压实能量指标、所述振动压路机的第一实际振动参数和所述路基的第一实际土体参数，得到构建好的GRNN神经网络模型；

所述第二获取模块704，用于获取进行下一遍压实时预测的振动压路机的振动参数和预测的路基的土体参数，利用所述构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值；

所述第二计算模块705，用于基于所述路基的第一压实能量指标预测值，得到需要调整的第一振动参数，以指导所述振动压路机进行下一遍压实时对振动参数的调整。

目前路基连续压实控制技术还未实现完全的智能化，在经过压实得到相关参数的反馈之后是通过人脑的思考来确定接下来的振动参数；并且目前所使用的压实检测指标有许多种，在面对同样的工况不同的压实指标有着不同的评定范围，对于压实指标检测方法的也是一个问题；同时在压实之后若需要判断路基的压实情况，则需要花费许多时间来进行测量，耽误施工进度。

本实施例通过GRNN神经网络模型建立了CEV指标预测体系，能够实现高铁路基压实参数的智能化调节。通过现场试验的数据在GRNN神经网络模型中构建振动参数、土体参数与CEV指标的关系；在每一次压实之后都会输入在这一遍压实之后得出的数据，对网络模型不断的进行更新，然后通过对振动参数、土体参数的改变来模拟进行之后工况下的压实情况。

在本公开的一种具体实施方式中，所述第一计算模块702包括分解单元7021、积分单元7022和求和单元7023。

所述分解单元7021，用于对所述振动压路机的第一实际加速度数据进行经验模态分解，得到分解量，对所述分解量行进希尔伯特-黄变换，得到Hilbert幅值谱；

所述积分单元7022，用于对所述Hilbert幅值谱进行时间积分，得到振动信号的边际谱曲线；

所述求和单元7023，用于对所述振动信号的边际谱曲线进行求和，得到路基的压实能量指标。

在本公开的一种具体实施方式中，所述构建模块703包括第一提取单元7031、处理单元7032、第一获取单元7033和第一计算单元7034。

所述第一提取单元7031，用于提取所述振动压路机的第一实际加速度数据中的最大值，得到振动压路机的加速度峰值；

所述处理单元7032，用于对所述路基的第一实际压实能量指标、振动压路机的第一实际压实遍数、振动压路机的加速度峰值、振动压路机的第一实际频率、振动压路机的第一实际激振力和路基的第一实际土体参数进行归一化处理，得到处理后的数据；

所述第一获取单元7033，用于获取GRNN神经网络模型的参数设定值，所述GRNN神经网络模型的参数包括所述GRNN神经网络模型的光滑因子，得到设定之后的GRNN神经网络模型；

所述第一计算单元7034，用于利用设定之后的GRNN神经网络模型获取所述处理后的数据，得到构建好的GRNN神经网络模型。

在本公开的一种具体实施方式中，所述第二获取模块704包括第二获取单元7041、第二提取单元7042、第三获取单元7043、第二计算单元7044和第三计算单元7045。

所述第二获取单元7041，用于获取进行下一遍压实时预测的振动压路机的压实遍数、预测的振动压路机的加速度数据、预测的振动压路机频率和预测的振动压路机激振力；

所述第二提取单元7042，用于提取所述预测的振动压路机的加速度数据中的最大值，得到预测的振动压路机的加速度峰值；

所述第三获取单元7043，用于获取路基填料的曲率系数关于压实遍数的拟合曲线；

所述第二计算单元7044，用于基于所述预测的振动压路机的压实遍数和所述路基填料的曲率系数关于压实遍数的拟合曲线，得到预测的路基的土体参数，所述预测的路基的土体参数包括预测的路基沉降量和预测的路基填料的级配曲率系数；

所述第三计算单元7045，用于基于所述预测的振动压路机的压实遍数、预测的振动压路机的加速度峰值、预测的振动压路机频率、预测的振动压路机激振力和预测的路基的土体参数，利用构建好的GRNN神经网络模型，得到路基的第一压实能量指标预测值。

在本公开的一种具体实施方式中，所述第二计算模块705包括第四获取单元7051和发送单元7052。

所述第四获取单元7051，用于获取压实能量指标标准值，将所述路基的第一压实能量指标预测值与所述压实能量指标标准值进行对比，得到需要调整的第一振动参数；

所述发送单元7052，用于发送所述需要调整的第一振动参数，以指导所述振动压路机进行下一次压实时对振动参数的调整。

在本公开的一种具体实施方式中，所述装置，还包括第三获取模块706、第三计算模块707、更新模块708、第四获取模块709和第四计算模块710。

所述第三获取模块706，用于获取进行下一遍压实时振动压路机的第二实际振动参数和路基的第二实际土体参数，所述振动压路机的第二实际振动参数包括振动压路机的第二实际压实遍数、振动压路机的第二实际加速度数据、振动压路机的第二实际频率和振动压路机的第二实际激振力，所述路基的第二实际土体参数包括路基的第二实际沉降量和路基填料级配的第二实际曲率系数；

所述第三计算模块707，用于基于所述振动压路机的第二实际加速度数据，得到路基的第二实际压实能量指标；

所述更新模块708，用于基于所述路基的第二实际压实能量指标、所述振动压路机的第二实际振动参数和所述路基的第二实际土体参数，更新所述构建好的GRNN神经网络模型，得到更新后的GRNN神经网络模型；

所述第四获取模块709，用于获取进行再下一遍压实时预测的振动压路机的振动参数和进行再下一遍压实时预测的路基的土体参数，利用所述更新后的GRNN神经网络模型，得到路基的第二压实能量指标预测值；

所述第四计算模块710，用于基于所述路基的第二压实能量指标预测值，得到需要调整的第二振动参数，以指导所述振动压路机进行再下一遍压实时对振动参数的调整。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本公开实施例还提供了一种路基压实参数调节设备，下文描述的一种路基压实参数调节设备与上文描述的一种路基压实参数调节方法可相互对应参照。

图3是根据一示例性实施例示出的一种路基压实参数调节设备800的框图。如图3所示，该路基压实参数调节设备800可以包括：处理器801，存储器802。该路基压实参数调节设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该路基压实参数调节设备800的整体操作，以完成上述的路基压实参数调节方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该路基压实参数调节设备800的操作，这些数据例如可以包括用于在该路基压实参数调节设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该路基压实参数调节设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，该路基压实参数调节设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的路基压实参数调节方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的路基压实参数调节方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该路基压实参数调节设备800的处理器801执行以完成上述的路基压实参数调节方法。

实施例4

相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种路基压实参数调节方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的路基压实参数调节方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。