BR102020025719A2 - Método de estimativa das condições do pneu - Google Patents
Método de estimativa das condições do pneu Download PDFInfo
- Publication number
- BR102020025719A2 BR102020025719A2 BR102020025719-6A BR102020025719A BR102020025719A2 BR 102020025719 A2 BR102020025719 A2 BR 102020025719A2 BR 102020025719 A BR102020025719 A BR 102020025719A BR 102020025719 A2 BR102020025719 A2 BR 102020025719A2
- Authority
- BR
- Brazil
- Prior art keywords
- tire
- data
- condition
- sensor
- estimating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 230000009977 dual effect Effects 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 239000011324 bead Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
- B60C11/24—Wear-indicating arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60B—VEHICLE WHEELS; CASTORS; AXLES FOR WHEELS OR CASTORS; INCREASING WHEEL ADHESION
- B60B11/00—Units comprising multiple wheels arranged side by side; Wheels having more than one rim or capable of carrying more than one tyre
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60B—VEHICLE WHEELS; CASTORS; AXLES FOR WHEELS OR CASTORS; INCREASING WHEEL ADHESION
- B60B37/00—Wheel-axle combinations, e.g. wheel sets
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
- B60C23/02—Signalling devices actuated by tyre pressure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
- B60C11/24—Wear-indicating arrangements
- B60C11/246—Tread wear monitoring systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
- B60C23/02—Signalling devices actuated by tyre pressure
- B60C23/04—Signalling devices actuated by tyre pressure mounted on the wheel or tyre
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
- B60C23/06—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle
- B60C23/064—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle comprising tyre mounted deformation sensors, e.g. to determine road contact area
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
- B60C23/06—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle
- B60C23/065—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle by monitoring vibrations in tyres or suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
- G01M17/025—Tyres using infrasonic, sonic or ultrasonic vibrations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Tires In General (AREA)
Abstract
método de estimativa das condições do pneu. um método para estimar uma condição de um pneu é fornecido. o pneu suporta um veículo e é montado em uma roda. a roda é montada de forma rotativa em um eixo. um sensor é montado em pelo menos um do pneu, da roda, do eixo, e um componente do sistema de frenagem. os dados vibracionais são medidos com o sensor. os dados a partir do sensor são transmitidos para um processador, e os dados são processados. os dados processados são normalizados e pelo menos um dos dados normalizados e dados pré-processados é inserido em um modelo de aprendizado de máquina. uma estimativa de condição para o pneu é gerada, que inclui pelo menos uma de uma profundidade da banda de rodagem do pneu, uma pressão do pneu, e uma incompatibilidade de pneu duplo.
Description
[001] A invenção se refere geralmente a sistemas de monitoramento de pneu. Mais particularmente, a invenção se refere a sistemas que preveem ou estimam condições de um pneu, como desgaste e pressão. A invenção é dirigida a um método de estimativa das condições de um pneu incluindo profundidade da banda de rodagem ou estado de desgaste, pressão e incompatibilidade de pneu duplo detectando-se dados vibracionais e analisando os dados com uma técnica de aprendizagem da máquina.
[002] Os pneus incluem várias condições que são benéficas para monitorar e estimar, particularmente à medida que os pneus envelhecem. Essas condições incluem desgaste do pneu, pressão do pneu, e incompatibilidade de pneus duplos.
[003] O desgaste do pneu desempenha um papel importante nos fatores do veículo, como segurança, confiabilidade e desempenho. À medida que o pneu se desgasta, a banda de rodagem perde material e afeta diretamente esses fatores do veículo. Como resultado, é desejável monitorar e/ou medir a profundidade da banda de rodagem de um pneu, que se correlaciona diretamente com a quantidade de desgaste experimentado pelo pneu. Deve ser entendido que por conveniência, o termo “profundidade da banda de rodagem” deve ser usado, o que indica o grau de desgaste do pneu.
[004] Uma abordagem para o monitoramento e/ou medição da profundidade da banda de rodagem tem sido através do uso de sensores dispostos na banda de rodagem do pneu, o que tem sido denominado como um método ou abordagem direta. Por exemplo, um sensor é embutido na banda de rodagem e, conforme a profundidade da banda de rodagem diminui com o desgaste do pneu, as propriedades elétricas do sensor mudam, como a resistência elétrica. Algumas técnicas da técnica anterior correlacionam a mudança nas propriedades elétricas a uma perda de material da banda de rodagem, enquanto outras técnicas correlacionam a mudança nas propriedades elétricas a uma profundidade de material que permanece na banda de rodagem. A abordagem direta para medir a profundidade do pneu a partir de sensores montados no pneu tem vários desafios. Colocar os sensores em um pneu não curado ou “verde” para depois ser curado em altas temperaturas pode causar danos aos sensores. Além disso, a durabilidade do sensor pode ser um problema para atender aos milhões de requisitos de ciclos para pneus. Além disso, os sensores em uma abordagem de medição direta devem ser pequenos o suficiente para não causar problemas de uniformidade conforme o pneu gira em altas velocidades. Finalmente, os sensores podem ser caros e aumentar significativamente o custo do pneu.
[005] Devido a tais desafios, as abordagens alternativas foram desenvolvidas, as quais envolvem a previsão da profundidade da banda de rodagem ao longo da vida do pneu, incluindo estimativas indiretas da profundidade da banda de rodagem ou estado de desgaste do pneu. Estas abordagens alternativas experimentaram certas desvantagens na técnica anterior devido à falta de técnicas de previsão ideais, o que reduz a precisão e/ou confiabilidade da profundidade da banda de rodagem ou previsões de desgaste. Por exemplo, muitas dessas técnicas envolvem dados ou informações que não são facilmente obtidos ou dados que não são precisos em todas as condições de direção.
[006] Em relação à pressão dos pneus, os pneus pneumáticos são preenchidos com ar até uma pressão de inflação recomendada. No entanto, os pneus pneumáticos estão sujeitos a perdas de pressão de ar devido a perfurações por pregos e outros objetos pontiagudos, mudanças de temperatura e/ou difusão de ar através do próprio pneu. Essas perdas de pressão podem levar à redução da economia de combustível, vida útil do pneu e/ou desempenho do pneu.
[007] Os sistemas de monitoramento da pressão dos pneus (TPMS) foram desenvolvidos, que são sistemas automatizados que alertam os motoristas e/ou sistemas centrais quando a pressão do ar nos pneus do veículo cai abaixo de um nível predeterminado. Esses sistemas frequentemente empregam sensores caros em cada pneu. Além disso, os sensores de TPMS podem ser difíceis de instalar e, portanto, podem ser instalados incorretamente, o que leva a medições imprecisas pelos sensores. Além disso, alguns sensores encontram precisão e/ou confiabilidade reduzidas, o que, por sua vez, reduz indesejavelmente as estimativas de pressão geradas pelo sistema.
[008] Além disso, certos veículos, como os veículos pesados, são equipados com pneus duplos, nos quais um par de pneus é montado em cada extremidade de um eixo, para um total de quatro pneus no eixo. É desejável que ambos os pneus de cada par combinem um com o outro para otimizar a vida útil e o desempenho dos pneus. Por exemplo, os pneus devem ser do mesmo tamanho, do mesmo diâmetro externo, ter aproximadamente a mesma pressão de enchimento e/ou aproximadamente a mesma profundidade da banda de rodagem. Quando ambos os pneus em cada par não são do mesmo tamanho, não têm o mesmo diâmetro externo, não têm quase a mesma pressão de enchimento ou não têm quase a mesma profundidade de banda de rodagem, ocorre uma incompatibilidade. Essas incompatibilidades são denominadas como incompatibilidades de pneus duplos e podem reduzir indesejavelmente a vida útil e/ou o desempenho de um ou de ambos os pneus do par
[009] Como um resultado, há uma necessidade na técnica de um método que estime as condições de um pneu de forma precisa e confiável, incluindo profundidade da banda de rodagem, pressão e incompatibilidade de pneu duplo.
[010] De acordo com um aspecto de uma modalidade exemplificativa da invenção, um método para estimar uma condição de um pneu é fornecido. O pneu suporta um veículo e é montado em uma roda, que é montada de forma rotativa em um eixo. O método inclui as etapas de montar um sensor em pelo menos um do pneu, da roda, do eixo, e um componente do sistema de frenagem. Os dados vibracionais são medidos com o sensor. Os dados a partir do sensor são transmitidos para um processador. Os dados são processados no processador e os dados processados são normalizados. Pelo menos um dos dados normalizados e dados pré-processados é inserido em um modelo de aprendizado de máquina. Uma estimativa de condição para o pneu é gerada, que inclui pelo menos uma de uma profundidade da banda de rodagem do pneu, uma pressão do pneu, e uma incompatibilidade de pneu duplo.
[011] A invenção será descrita por via de exemplo e com referência aos desenhos anexos, em que:
[012] A Figura 1 é uma vista lateral esquemática de um veículo com pneus que utilizam uma modalidade exemplificativa do método de estimativa das condições do pneu da presente invenção;
[013] A Figura 2 é uma vista em perspectiva ampliada de uma porção do veículo e configuração do pneu duplo mostrada na Figura 1;
[014] A Figura 3 é uma vista em perspectiva esquemática, parcialmente em seção, de um pneu e roda mostrada na Figura 1;
[015] A Figura 4 é uma vista plana de uma porção de um pneu e roda mostrada na Figura 1 montada em eixo;
[016] A Figura 5 é uma representação gráfica que mostra uma mudança na frequência de vibração com desgaste do pneu;
[017] A Figura 6 é um diagrama de fluxo geral que mostra um sinal de domínio de tempo de entrada de vibração do pneu em um algoritmo de aprendizagem de máquina para gerar previsões de acordo com as etapas exemplificativas do método de estimativa das condições do pneu da presente invenção;
[018] A Figura 7 é uma representação esquemática de um aspecto de um modelo de aprendizagem profundo opcional que pode ser utilizado no método de estimativa das condições do pneu da presente invenção;
[019] A Figura 8 é uma representação esquemática de um aspecto de um modelo de máquina de vetor de suporte opcional que pode ser utilizado no método de estimativa das condições do pneu da presente invenção;
[020] A Figura 9 é uma representação esquemática de uma estrutura de computação que pode ser utilizada no método de estimativa das condições do pneu da presente invenção; e
[021] A Figura 10 é um diagrama de fluxo que mostra as etapas exemplificativas do método de estimativa das condições do pneu da presente invenção.
[022] Números semelhantes se referem a partes semelhantes ao longo dos desenhos.
[023] “Axial” e “axialmente” significam linhas ou direções que são paralelas ao eixo de rotação do pneu.
[024] “CAN bus” ou “sistema CAN bus” é uma abreviatura para sistema de rede de área do controlador, que é um padrão de barramento de veículo projetado para permitir que microcontroladores e dispositivos se comuniquem uns com os outros dentro de um veículo sem um computador hospedeiro. O CAN bus é um protocolo com base em mensagem, projetado especificamente para aplicações em veículos.
[025] “Circunferencial” significa linhas ou direções que se estendem ao longo do perímetro da superfície da banda de rodagem anular perpendicular à direção axial.
[026] “Plano central equatorial (CP)” significa o plano perpendicular ao eixo do pneu de rotação e passando através do centro da banda de rodagem.
[027] “Pegada” significa o remendo de contato ou área de contato criado pela banda de rodagem do pneu com uma superfície plana como o pneu gira ou rola.
[028] “Lado interno” significa o lado do pneu mais próximo do veículo quando o pneu é montado em uma roda e a roda é montada no veículo.
[029] “Lateral” significa uma direção axial.
[030] “Bordas laterais” significa uma linha tangente à área de contato da banda de rodagem mais externa axialmente ou pegada do pneu, medida sob carga normal e inflação do pneu, as linhas sendo paralelas ao plano central equatorial.
[031] “Área de contato de líquido” significa a área total dos elementos da banda de rodagem em contato com o solo entre as bordas laterais em torno de toda a circunferência da banda de rodagem do pneu dividida pela área bruta de toda a banda de rodagem entre as bordas laterais.
[032] “Lado externo” significa o lado do pneu mais distante do veículo quando o pneu é montado em uma roda e a roda é montada no veículo.
[033] “Radial” e “radialmente” significam direções radialmente em direção a ou para longe do eixo de rotação do pneu.
[034] “Elemento da banda de rodagem” ou “elemento de tração” significa um elemento de bloco definido por uma forma tendo ranhuras adjacentes.
[035] “Largura do arco da banda de rodagem” significa o comprimento do arco da banda de rodagem do pneu como medido entre as bordas laterais da banda de rodagem.
[036] Uma modalidade exemplificativa do método de estimativa das condições do pneu da presente invenção é indicada em 10 e é mostrada nas Figuras 1 a 10. O método de estimativa das condições do pneu 10 tenta superar os desafios colocados pelos métodos da técnica anterior que medem as condições do pneu, incluindo profundidade da banda de rodagem, pressão e incompatibilidade de pneu duplo, através de medições diretas. Como tal, o método em questão é denominado neste documento como um método de estimativa de condição “indireto”.
[037] Com referência particular à Figura 1, o método 10 é utilizado para estimar certas condições, a serem descritas abaixo, de em um ou mais pneus 12 que suportam um veículo 14. Embora o veículo 14 seja descrito como um caminhão comercial, a invenção não deve ser tão restrita. Os princípios da invenção encontram aplicação em outras categorias de veículos, tais como veículos de passageiros, veículos fora de estrada e semelhantes, em que os veículos podem ser suportados por mais ou menos pneus do que mostrado na Figura 1.
[038] Com referência adicional à Figura 2, o veículo 14 pode incluir uma configuração de pneu duplo. Uma configuração de pneu duplo inclui um par de pneus 12A e 12B montados adjacentes um ao outro em uma respectiva extremidade de um eixo 18 (Figura 4).
[039] Retornando à Figura 3, o pneu 12 inclui um par de áreas do talão 16, cada uma das quais é formada com um talão núcleo. Cada um de um par de paredes laterais 20 se estende radialmente para fora de uma respectiva área do talão 16 para uma banda de rodagem em contato com o solo 22. A banda de rodagem 22 é formada com múltiplos elementos da banda de rodagem 24 que são separados pelas ranhuras 26 que se estendes em direções circunferencial, lateral e/ou angular. O pneu 12 é reforçado por um carcaça 28 que toroidalmente se estende de uma área do talão 16 para a outra área do talão, como conhecido pelas pessoas versadas na técnica. Um revestimento interno 30 é formado no interior ou dentro da superfície da carcaça 28. O pneu 10 é montado em uma roda 32, como conhecido na técnica, e define uma cavidade 34 quando montado. Cada roda 32 é montada de forma rotativa em um respectivo eixo 18 (Figura 4) em uma maneira conhecida pela pessoa versada na técnica .
[040] Como mostrado nas Figuras 3 e 4, um primeiro sensor 38 é montado na roda 32, no pneu 12, uma extremidade 36 do eixo 18 no interior da borda da roda, ou a um componente do sistema de frenagem do veículo próximo ao pneu. O primeiro sensor 38 pode ser montado em uma superfície fora da borda ou dentro da borda da roda 32, em uma superfície interna ou externa do pneu 12, em uma superfície interna ou externa do eixo 18, ou em um suporte fixado a um freio de base do disco ou um tubo came de um freio de base do tambor. O primeiro sensor 38 preferencialmente é um acelerômetro, que é um sensor eletromecânico que mede forças de aceleração associadas com a vibração da roda 32 e/ou do pneu 12. Preferencialmente, o acelerômetro 38 mede pelo menos aceleração vertical da roda 32, o que produz dados vibracionais. Mais preferencialmente, o acelerômetro 38 mede aceleração vertical, lateral e longitudinal da roda 32 para produzir dados vibracionais. Mais do que um acelerômetro 38 pode ser utilizado, com os acelerômetros sendo dispostos em diferentes locais no pneu 12, na roda 32 e/ou no eixo 18.
[041] Opcionalmente, um segundo sensor 40 é montado próximo ao primeiro sensor 38. O segundo sensor pode ser montado na roda 32, no pneu 12, na extremidade 36 do eixo 18 dentro da borda da roda, ou em um componente do sistema de frenagem do veículo próximo ao pneu. O segundo sensor 40 pode ser montado em uma superfície externa ou interna da roda 32, em uma superfície interna ou externa do pneu 12, em uma superfície interna ou externa do eixo 18, ou em um suporte fixado em um freio de base do disco ou um tubo came de um freio de base do tambor. O segundo sensor 40 pode ser montado na mesma superfície como o primeiro sensor 38, ou em uma superfície diferente que está perto da superfície em que o primeiro sensor é montado.
[042] O segundo sensor 40 preferencialmente é um sensor acústico, que pode ser um microfone, ou outro tipo conhecido de sensor para coletar dados de sinal acústico do pneu 12 e/ou da roda 32 conforme eles giram durante a operação do veículo 14. Quando o segundo sensor 40 é utilizado, os dados de sinal acústico do sensor acústico 40 produzem dados vibracionais que complementam os dados vibracionais do acelerômetro 38.
[043] Os sensores 38 e 40 podem ser unidades separadas, como mostrado, ou podem ser integrados em uma única unidade. Além disso, um ou ambos os sensores 38 e 40 podem ser integrados em um sensor do sistema de monitoramento da pressão do pneu (TPMS), que é um sensor para medir a temperatura e pressão na cavidade do pneu 34, e que pode ser montado no revestimento interno 30 ou em um outro componente do pneu 12 ou na roda 32.
[044] Com referência adicional à Figura 1, cada sensor 38, 40 inclui meios para transmitir os dados medidos ou detectados para um processador 42. O processador 42 pode ser um processador localmente disposto que é montado no veículo 14, caso este em que os meios de transmissão podem incluir uma conexão com fio ou uma conexão sem fio 44 entre o processador e os sensores 38, 40. O processador 42 e os sensores 38, 40 podem ser também eletricamente conectados a um sistema de controle eletrônico do veículo, como o CAN bus do veículo, o que permite a comunicação entre os sensores e o processador.
[045] Com referência à Figura 9, o processador 42 pode ser um processador remoto, caso este em que os meios de transmissão preferencialmente incluem uma antena eletricamente conectada a cada sensor 38, 40 para transmissão sem fios dos dados medidos para o processador. Por exemplo, cada sensor 38, 40 pode ser conectado sem fio 46 a um transmissor montado no veículo 48, que está conectado à Internet 50 através de uma conexão com fio ou sem fio 52. Um servidor 54 também é conectado à Internet 50 através de uma conexão com fio ou sem fio 56, e inclui ou está em comunicação eletrônica com o processador 42 e meios de armazenamento 58 para executar as etapas do método de estimativa das condições do pneu 10.
[046] Retornando à Figura 10, as etapas exemplificativas do método de estimativa das condições do pneu 10 são mostradas. O método inclui montar o acelerômetro 38 na roda 32, no pneu 12, no eixo 18 ou em um componente do sistema de frenagem do veículo próximo ao pneu, etapa 100. Quando o sensor acústico 40 é utilizado, é montado na roda 32, no pneu 12, no eixo 18 ou em um componente do sistema de frenagem do veículo próximo ao pneu, etapa 102. Cada sensor 38, 40 coleta dados vibracionais brutos, etapa 104, e transmite os dados para o processador 42 como descrito acima, etapa 106.
[047] O processador 42 coleta os dados a partir dos sensores 38, 40 e executa uma análise dos dados. Mais particularmente, com referência adicional à Figura 5, os dados vibracionais brutos 60 de cada sensor 38, 40 podem ser processados usando um Transformada Rápida de Fourier 62, etapa 108. A Transformada Rápida de Fourier 62 é um algoritmo que calcula a Transformada discreta de Fourier de uma sequência, e é utilizada para converter os sinais a partir dos sensores 38, 40 de seus domínios originais para representações em um domínio de frequência ou tempo.
[048] Com referência agora às Figuras 6 e 10, um exemplo de um sinal de domínio de tempo resultante da vibração do pneu é indicado em 72. Os dados de vibração 72 são processados no processador 42 usando uma técnica de aprendizagem da máquina 74 para produzir uma previsão ou estimativa 76, como será descrito em mais detalhes abaixo. Para preparar os dados de vibração 72 para análise, os dados são normalizados, etapa 110, substituindo-se uma tendência linear e normalizando a variância unitária.
[049] Uma vez que os dados de vibração 72 foram normalizados, uma densidade espectral de potência (PSD) 78 preferencialmente é calculada, etapa 112, como a densidade espectral de potência para os dados fornecem processamento aprimorado na técnica de aprendizagem da máquina 74. Deve ser entendido que o pré-processamento dos dados de vibração 72 diferente do cálculo da PSD 78 pode ser empregado na etapa 112. Alternativamente, dependendo dos dados de vibração 72, nenhum pré-processamento pode ser necessário e, portanto, não seria empregado. Para fins de conveniência, deve ser feita referência ao uso de dados da PSD 78, com o entendimento de que a etapa 112 pode envolver outras técnicas de pré-processamento ou pode não ser realizada.
[050] A técnica de aprendizagem da máquina 74 inclui inserir quaisquer dados da PSD 78 em um modelo de aprendizado de máquina 80, etapa 114. Embora uma variedade de modelo de aprendizado de máquinas 80 possa ser utilizado, um primeiro modelo preferido ou técnica é um modelo de aprendizagem profundo 82 e um segundo modelo preferido ou técnica é um algoritmo de máquina de vetor de suporte (SVM) ou modelo 84. Aprendizado profundo 82 é um modelo de aprendizado de máquina ou técnica 80 que se destaca na análise de dados não estruturados, incluindo os dados de vibração 72 e quaisquer dados da PSD correspondentes 78. Aprendizado profundo 82 emprega algoritmos que combinam construção, modelagem e previsão de recursos em um único sistema de ponta a ponta e, portanto, reduz os dados não estruturados a uma representação densa de informações que é otimizada para previsão.
[051] Uma técnica preferida para aprendizado profundo 82 no método de estimativa das condições do pneu 10 é uma rede neural convolucional (CNN) 86. A CNN 86 emprega uma rede neural multicamadas. As camadas da CNN 86 incluem uma camada de entrada, uma camada de saída e uma camada oculta que inclui várias camadas convolucionais, camadas de agrupamento, camadas totalmente conectadas e camadas de normalização. Um exemplo de um aspecto da CNN 86 é mostrado na Figura 7, que ilustra esquematicamente as camadas da CNN. Os vetores de entrada 88 correspondentes aos dados da PSD 78 dos dados de vibração 72 são alimentados à rede conectada 90. A rede 90 gera as previsões 76 das condições dos pneus. Desta forma, a CNN 86 é treinada com dados para fornecer previsões eficazes 76.
[052] O algoritmo de vetor de máquina de suporte (SVM) 84 é um modelo alternativo de aprendizado de máquina ou técnica 80. Como mostrado na Figura 8, o SVM 84 inclui a localização de um hiperplano 92 que classifica os pontos de dados 94. A análise de SVM 84 inclui a geração de previsões 76 de condições de pneus de pontos de dados semelhantes 94 usando os dados da PSD 78.
[053] Retornando à Figura 10, na etapa 116, o modelo de aprendizado de máquina 80 gera, assim, as previsões 76 das condições do pneu 12. Uma estimativa resultante 96 com base nas previsões 76 é então emitida, etapa 118.
[054] As informações de identificação (ID) para o pneu 12 podem ser fornecidas em uma unidade de memória de um ou ambos os sensores 38, 40 ou podem ser armazenadas em uma unidade separada, denominada como uma etiqueta de identificação do pneu. A informação de ID do pneu é transmitida ao processador 42 para permitir a correlação da estimativa da condição do pneu 96 com o pneu 12 específico. Essa identificação do pneu permite que a estimativa 96 seja comparada com os dados das condições históricas para o pneu 12, etapa 120, para aumentar a fidelidade ou precisão do método 10.
[055] Por exemplo, os meios de armazenamento 58 (Figura 9) que estão em comunicação com o processador 42 podem incluir uma base de dados que armazena estimativas 96 da profundidade da banda de rodagem de cada pneu 12 ao longo do tempo. Quando o modelo de aprendizado de máquina 80 gera uma nova estimativa 96, a nova estimativa pode ser comparada com os dados históricos na etapa 120. A nova estimativa 96 é adicionada às estimativas históricas ao longo de um período de tempo de retrospectiva e uma profundidade da banda de rodagem prevista final 130 é obtido combinando todas as estimativas ao longo do período histórico, etapa 128. Além disso, na etapa 128, se a nova estimativa 96 mostrar consistentemente uma profundidade da banda de rodagem mais alta em comparação com dados históricos recentes, pode-se chegar a uma conclusão de que houve uma substituição do pneu 12.
[056] Para aumentar ainda mais a fidelidade ou precisão do método 10, entradas adicionais 98 podem ser empregadas. Por exemplo, as condições meteorológicas 98A podem ser obtidas da Internet 50 (Figura 9) com base na localização geográfica do veículo 14, as condições da estrada 98B podem ser obtidas da Internet com base na localização geográfica do veículo usando um sistema de posicionamento global (GPS) ou de um calculador de estimativa de atrito de estrada, como conhecido pelos versados na técnica, e/ou uma velocidade 98C do veículo pode ser obtida de um velocímetro ou um cálculo de GPS através do sistema CAN bus. Uma ou mais das entradas adicionais 98 são fornecidas através do processador 42 para o modelo de aprendizado de máquina 80. Ao levar em consideração tais entradas adicionais 98, a precisão da estimativa 96 e/ou a profundidade da banda de rodagem prevista final 130 gerada pelo modelo 80 é aumentada ainda mais.
[057] Opcionalmente, a estimativa 96 e/ou a profundidade da banda de rodagem prevista final 130 podem ser classificadas com base no estado do veículo 14, etapa 124. Por exemplo, o estado do veículo 14 pode ser monitorado. Por exemplo, na etapa 124, pode ser determinado se o veículo 14 está em movimento, por exemplo, obtendo um sinal do velocímetro ou um cálculo de GPS através do CAN bus. Também pode ser determinado se o veículo 14 está parado e em marcha lenta, ou está parado e funcionando em sua unidade de energia interna, tal como obtendo sinais de engate do motor e de engate do freio através do CAN bus. Ao classificar a estimativa 96 e/ou a profundidade da banda de rodagem prevista final 130 de acordo com os critérios adicionais do estado do veículo, a precisão da estimativa 96 e/ou a profundidade da banda de rodagem prevista final 130 gerada pelo modelo 80 pode ser aumentada ainda mais.
[058] Como o processador 42 pode ser eletricamente conectado a outros sistemas do veículo 14 através do CAN bus como descrito acima, a profundidade da banda de rodagem prevista final 130 pode ser comunicado a outros sistemas de controle do veículo, como um sistema de frenagem antibloqueio (ABS) e/ou um sistema de controle eletrônico de estabilidade (ESC), para melhorar o desempenho de tais sistemas.
[059] Além disso, cada profundidade da banda de rodagem prevista final 130 pode ser comparada no processador 42 a um limite predeterminado. Se a profundidade da banda de rodagem prevista final 130 não satisfizer o limite predeterminado, um aviso pode ser transmitido através do CAN bus ou outro sistema de controle para uma tela que é visível para um operador do veículo 14, para um dispositivo portátil, tal como smartphone de um operador e/ou para um centro de gerenciamento remoto. O método 10, portanto, pode fornecer um aviso ou uma recomendação a um operador de veículo ou gestor de que uma ou mais condições de cada pneu 12 não satisfaz o limite predeterminado, permitindo assim que a ação apropriada seja tomada.
[060] Usando a profundidade da banda de rodagem como um exemplo de uma estimativa de condição específica do pneu 96, como mostrado na Figura 5, um gráfico 64 da frequência de vibração 66 em relação ao tempo 68 para os pneus 12 com profundidades da banda de rodagem decrescentes 70A, 70B, 70C e 70D indica uma mudança na frequência de vibração com desgaste do pneu ou diminuição da profundidade da banda de rodagem. A relação entre a frequência de vibração 66 e o desgaste da banda de rodagem 22 (Figura 3) pode ser representada pela seguinte equação: Onde ω é a frequência de vibração, mt é a massa da banda de rodagem 22 e kt é uma constante com base em tempo. Para um pneu usado 12, uma redução na massa da banda de rodagem mt causa uma mudança para cima na frequência de vibração ω.
[061] Retornando à Figura 10, o modelo de aprendizado de máquina 80 emprega a relação entre frequência de vibração e desgaste do pneu ou diminuindo a profundidade da banda de rodagem na etapa 114 para gerar previsões 76 de profundidade da banda de rodagem do pneu 12 na etapa 116. Uma estimativa resultante 96 da profundidade da banda de rodagem é produzida na etapa 118. Entradas adicionais 98 podem ser empregadas no modelo 80 na etapa 122 e uma comparação com as condições históricas pode ser feita na etapa 120, bem como a classificação com base no estado do veículo na etapa 124. A profundidade da banda de rodagem prevista final resultante 130 é, portanto, uma estimativa precisa que pode ser transmitida aos sistemas de controle do veículo e/ou ao operador do veículo.
[062] Como descrito acima, a estimativa 96 está, de preferência, correlacionada às informações de identificação do pneu para cada pneu 12 específico. Assim, quando um veículo 14 emprega uma configuração de pneu duplo com pneus 12A e 12B, como mostrado na Figura 2, o método de estimativa as condições do pneu 10 podem identificar uma incompatibilidade entre os pneus. Mais particularmente, na etapa 126, uma estimativa de profundidade da banda de rodagem 96 e/ou a profundidade da banda de rodagem prevista final 130 para o primeiro pneu 12A são comparadas com uma estimativa de profundidade da banda de rodagem para o segundo pneu 12B. Se uma diferença nas estimativas 96 e/ou nas profundidades da banda de rodagem prevista final 130 excederem um limite predeterminado, um aviso de incompatibilidade pode ser gerado e transmitido conforme descrito acima. Por exemplo, se a estimativa de profundidade da banda de rodagem 96 produzir uma diferença na profundidade da banda de rodagem que é maior do que cerca de 2/32 de uma polegada entre o primeiro pneu 12A e o segundo pneu 12B, um aviso de incompatibilidade de profundidade da banda de rodagem pode ser gerado.
[063] O modelo de aprendizado de máquina 80 emprega a relação entre frequência de vibração e pressão na etapa 114 para gerar previsões 76 de pressão do pneu 12 na etapa 116. Uma estimativa resultante 96 da pressão do pneu é emitida na etapa 118. Entradas adicionais 98 podem ser empregadas no modelo 80 na etapa 122, e uma comparação com as condições históricas pode ser feita na etapa 120 para obter uma profundidade da banda de rodagem prevista final 130, que pode ser classificada com base no estado do veículo na etapa 124. A profundidade da banda de rodagem prevista final resultante 130, portanto, é uma estimativa precisa que pode ser transmitida aos sistemas de controle do veículo e/ou ao operador do veículo.
[064] Na etapa 126, o método de estimativa das condições do pneu 10 pode identificar uma incompatibilidade relacionada à pressão entre os pneus duplos 12A e 12B. Mais particularmente, na etapa 126, uma estimativa da pressão do pneu 96 para o primeiro pneu 12A é comparada com uma estimativa da pressão do pneu para o segundo pneu 12B. Se uma diferença nas estimativas 96 exceder um limite predeterminado, um aviso de incompatibilidade pode ser gerado e transmitido conforme descrito acima. Por exemplo, se a estimativa de pressão 96 produzir uma diferença que é maior do que cerca de 5 libras por polegada quadrada entre o primeiro pneu 12A e o segundo pneu 12B, um aviso de incompatibilidade de pressão pode ser gerado.
[065] Opcionalmente, o método de estimativa das condições do pneu 10 pode empregar os dados vibracionais dos sensores 38, 40 para determinar as condições adicionais do pneu 12, da roda 32 e/ou do veículo 14. Por exemplo, os dados vibracionais do sensores 38, 40 podem ser processados de acordo com as etapas descritas acima para determinar condições potenciais, incluindo separação da coroa de um ou mais pneus 12, desgaste irregular dos pneus, manchas planas dos pneus, desequilíbrio das rodas e/ou pneus e/ou freio potencial problemas de componentes.
[066] Desta maneira, o método de estimativa das condições do pneu 10 da presente invenção fornece estimativas 96 de condições do pneu 12 coletando-se dados vibracionais do pneu e/ou da roda 32 e analisando os dados com uma técnica de aprendizagem da máquina 74. O método de estimativa das condições do pneu 10 da presente invenção estima com precisão e com segurança as condições do pneu 12 incluindo profundidade da banda de rodagem, pressão e incompatibilidade de pneu duplo.
[067] Deve ser entendido que o método do sistema de estimativa da condição do pneu 10 descrito acima pode ser alterado ou reorganizado, ou componentes ou etapas conhecidas pelas pessoas versadas na técnica omitidos ou adicionados, sem afetar o conceito geral ou operação da invenção. Por exemplo, o sistema de estimativa da condição do pneu 10 encontra aplicação em qualquer tipo de pneu 12.
[068] A invenção foi descrita com referência a uma modalidade preferida. Modificações e alterações potenciais ocorrerão a outras pessoas após a leitura e compreensão desta descrição. Deve ser entendido que todas essas modificações e alterações estão incluídas no escopo da invenção, conforme estabelecido nas reivindicações anexas, ou equivalentes dos mesmos.
Claims (10)
- Método para estimar uma condição de um pneu que suporta um veículo e sendo montado em uma roda, a roda sendo montada de forma rotativa em um eixo, o método CARACTERIZADO pelo fato de que compreende as etapas de:
montar um sensor em pelo menos um do pneu, da roda, do eixo, e um componente do sistema de frenagem;
medir dados vibracionais com o sensor;
transmitir os dados a partir do sensor para um processador;
processar os dados no processador;
normalizar os dados processados;
inserir pelo menos um dos dados normalizados e dados pré-processados em um modelo de aprendizado de máquina; e
gerar uma estimativa de condição para o pneu, em que a estimativa de condição inclui pelo menos uma de uma profundidade da banda de rodagem do pneu, uma pressão do pneu, e uma incompatibilidade de pneu duplo. - Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, CARACTERIZADO pelo fato de que o sensor é um acelerômetro.
- Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, CARACTERIZADO pelo fato de que o sensor é um primeiro sensor, e o método compreende ainda as etapas de:
montar um segundo sensor em pelo menos um do pneu, da roda, do eixo, e um componente do sistema de frenagem, e
medir dados vibracionais com o segundo sensor. - Método de estimativa de uma condição de um pneu, de acordo com a Reivindicação 3, CARACTERIZADO pelo fato de que o segundo sensor é um sensor acústico.
- Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, CARACTERIZADO pelo fato de que a etapa de transmitir os dados medidos para um processador inclui transmissão sem fios dos dados para um processador remoto.
- Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, CARACTERIZADO pelo fato de que o processador é montado no veículo e está eletricamente conectado a um sistema de controle eletrônico do veículo.
- Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, CARACTERIZADO pelo fato de que a etapa de normalizar os dados medidos inclui substituir uma tendência linear e normalizando a variância unitária.
- Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, ainda CARACTERIZADO pelo fato de que compreende a etapa de calcular uma densidade espectral de potência de dados gerados na etapa de normalizar os dados processados, e a etapa de inserir pelo menos um dos dados normalizados e dados pré-processados em um modelo de aprendizado de máquina inclui inserir dados a partir do cálculo de densidade espectral de potência em um modelo de aprendizagem profundo.
- Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, ainda CARACTERIZADO pelo fato de que compreendendo a etapa de calcular uma densidade espectral de potência de dados gerados na etapa de normalizar os dados processados, e a etapa de inserir pelo menos um dos dados normalizados e dados pré-processados em um modelo de aprendizado de máquina inclui inserir dados a partir do cálculo de densidade espectral de potência em um algoritmo de vetor de máquina de suporte.
- Método para estimar uma condição de um pneu, de acordo com a Reivindicação 1, ainda CARACTERIZADO pelo fato de que compreende a etapa de classificar a estimativa de condição com base em um estado do veículo.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962948880P | 2019-12-17 | 2019-12-17 | |
US62/948,880 | 2019-12-17 |
Publications (1)
Publication Number | Publication Date |
---|---|
BR102020025719A2 true BR102020025719A2 (pt) | 2021-07-27 |
Family
ID=76345033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR102020025719-6A BR102020025719A2 (pt) | 2019-12-17 | 2020-12-16 | Método de estimativa das condições do pneu |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN112976956A (pt) |
AU (1) | AU2020286203A1 (pt) |
BR (1) | BR102020025719A2 (pt) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7194066B2 (ja) * | 2019-03-29 | 2022-12-21 | Toyo Tire株式会社 | 演算モデル生成システム、摩耗量推定システムおよび演算モデル生成方法 |
CN114559775A (zh) * | 2022-03-31 | 2022-05-31 | 中国第一汽车股份有限公司 | 一种汽车轮胎异常识别系统及识别方法 |
DE102022210221A1 (de) | 2022-09-27 | 2024-03-28 | Continental Reifen Deutschland Gmbh | Verfahren zur verbesserten Abschätzung der Profiltiefe von Fahrzeugreifen |
DE102022210222A1 (de) | 2022-09-27 | 2024-03-28 | Continental Reifen Deutschland Gmbh | Verfahren zur Abschätzung der Profiltiefe von Fahrzeugreifen bei Fahrzeugen mit Zwillingsbereifung |
CN115711752A (zh) * | 2022-11-04 | 2023-02-24 | 广州小鹏汽车科技有限公司 | 轮胎磨损检测方法、装置、车辆及计算机可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10102534C2 (de) * | 2001-01-19 | 2002-11-28 | Continental Ag | Verfahren zur Messung der Profiltiefe eines Reifens |
DE102008003845A1 (de) * | 2008-01-10 | 2009-07-16 | Robert Bosch Gmbh | Reifendruckkontrollvorrichtung zum Überwachen des Luftdrucks in einem Reifen mit Beschleunigungserfassung durch den Reifendrucksensor |
DE102009017287A1 (de) * | 2009-04-11 | 2010-10-14 | Man Nutzfahrzeuge Ag | Achskonstruktion für ein Fahrzeug, insbesondere für ein Nutzfahrzeug |
GB2533658A (en) * | 2014-12-22 | 2016-06-29 | Continental Automotive Gmbh | Method and system for determining a wheel load acting on a tire of a vehicle |
US20190009618A1 (en) * | 2016-03-09 | 2019-01-10 | Erin McPillan | Vehicle Integrated Expected Tread-Life Indicator System |
US10830908B2 (en) * | 2016-06-30 | 2020-11-10 | Massachusetts Institute Of Technology | Applying motion sensor data to wheel imbalance detection, tire pressure monitoring, and/or tread depth measurement |
CN106080055A (zh) * | 2016-07-29 | 2016-11-09 | 济南三元卡车节能技术有限公司 | 一种车辆双轮胎压力平衡器 |
CN206493797U (zh) * | 2017-02-24 | 2017-09-15 | 刘燕 | 一种双胎型汽车轮胎在线自动充气系统 |
US20180290501A1 (en) * | 2017-04-07 | 2018-10-11 | GM Global Technology Operations LLC | Methods and apparatus for determining remaining life of a tire based on road vibration data and tire tread groove depth |
-
2020
- 2020-12-08 AU AU2020286203A patent/AU2020286203A1/en active Pending
- 2020-12-16 BR BR102020025719-6A patent/BR102020025719A2/pt not_active IP Right Cessation
- 2020-12-17 CN CN202011499447.XA patent/CN112976956A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
AU2020286203A1 (en) | 2021-07-01 |
CN112976956A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BR102020025719A2 (pt) | Método de estimativa das condições do pneu | |
EP3838628B1 (en) | Method of estimating tire conditions | |
EP2813378B1 (en) | Tire wear state estimation system and method | |
JP2019011048A (ja) | タイヤ摩耗状態推定システムおよび方法 | |
BR102020017597A2 (pt) | Método e sistema de estimativa do estado de desgaste do pneu utilizando comprimento de pegada | |
CN103660811B (zh) | 轮胎侧壁载荷估计系统和方法 | |
CN103863029B (zh) | 轮胎滑移角估计系统和方法 | |
BR102014019972A2 (pt) | sistema e método de estimativa de estado de desgaste de pneu de modo de torção | |
US20040225423A1 (en) | Determination of operational parameters of tires in vehicles from longitudinal stiffness and effective tire radius | |
BR102020017441A2 (pt) | Método para extrair alterações nas características de pneu | |
US11774301B2 (en) | Tire load estimation system and method | |
US11827229B2 (en) | Method for estimating tire grip | |
US11644386B2 (en) | Tire wear state estimation system and method | |
KR20150070458A (ko) | 타이어 압력 모니터링 장치 및 방법 | |
BR102021016241A2 (pt) | Sistema de previsão de alta temperatura do pneu | |
US20230066535A1 (en) | Counter-deflection load estimation system for a tire | |
EP4385762A1 (en) | System and method for estimation of tire tread depth employing wheel speed | |
CN111351462B (zh) | 一种轮毂尺寸自动识别方法 | |
US20230060281A1 (en) | Load estimation system for a tire | |
CN118182018A (zh) | 利用车轮速度估计轮胎胎面深度的系统 | |
CN118182021A (zh) | 利用印迹长度自动定位轮胎的系统 | |
WO2023133051A1 (en) | Comprehensive tire health modeling and systems for the development and implementation thereof | |
WO2023028387A1 (en) | System and method for real-time estimation of tire rolling resistance force | |
CN115923409A (zh) | 用于轮胎的载荷估计系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B03A | Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette] | ||
B08F | Application dismissed because of non-payment of annual fees [chapter 8.6 patent gazette] |
Free format text: REFERENTE A 3A ANUIDADE. |
|
B08K | Patent lapsed as no evidence of payment of the annual fee has been furnished to inpi [chapter 8.11 patent gazette] |
Free format text: EM VIRTUDE DO ARQUIVAMENTO PUBLICADO NA RPI 2769 DE 30-01-2024 E CONSIDERANDO AUSENCIA DE MANIFESTACAO DENTRO DOS PRAZOS LEGAIS, INFORMO QUE CABE SER MANTIDO O ARQUIVAMENTO DO PEDIDO DE PATENTE, CONFORME O DISPOSTO NO ARTIGO 12, DA RESOLUCAO 113/2013. |