CN104044413A

CN104044413A - 预测的基于同等的轮胎健康监测

Info

Publication number: CN104044413A
Application number: CN201410109739.6A
Authority: CN
Inventors: 徐廷珉; 徐速
Original assignee: Goodyear Tire and Rubber Co
Current assignee: Goodyear Tire and Rubber Co
Priority date: 2013-03-14
Filing date: 2014-03-14
Publication date: 2014-09-17
Anticipated expiration: 2034-03-14
Also published as: BR102014005772B1; BR102014005772A2; EP2777957A3; JP2014177273A; CN104044413B; EP2777957A2; US20140277910A1; JP6289946B2; US9079461B2; EP2777957B1

Abstract

本发明涉及预测的基于同等的轮胎健康监测。方法、设备和程序产品通过对每个轮胎进行个体的自我比较和基于同等的比较为一台或多台车辆上的轮胎确定健康状况，其中，个体的自我比较减小车辆上的多个轮胎之间的差异，并且基于同等的比较减小每个轮胎内的差异。可检测诸如严重泄漏和轮胎充气的异常，并且可基于与健康状况相关的历史数据预测慢泄漏。

Description

预测的基于同等的轮胎健康监测

技术领域

本发明大体上涉及轮胎监测与警告系统。

背景技术

有据可查的是，维持正确的轮胎压力改善操纵，提高汽油里程，并延长车辆轮胎的使用寿命。此外，尽管这样的因素对个人的乘用车的所有者是重要的，但对于诸如牵引车挂车、卡车、公共汽车、货车的商用车队及其他类型的商用车辆，这样的因素就能耗成本和轮胎更换和/或翻新成本而言可能对利润有明显影响。

不管其无可辩驳的重要性，许多车队以及全体驾驶大众中的许多人不可能足够频繁地监测并维持轮胎压力。另外，随着“高机动性轮胎”(EMT)的出现和它们越来越广泛的商业存在，对于车辆操作者可能难以检测低压或泄露状况并采取合适的行动。结果，可出现轮胎在低压状况下超出制造商推荐极限的延长使用。

已提出了要求将轮胎压力信息传送到车辆的操作者的各种立法方法，包括新车辆配备低轮胎压力监测系统的命令。传统的轮胎压力监测系统(TPMS)典型地结合位于车辆中的每个轮胎上的传感器，以进行实时内部空气压力与温度监测。信息经由无线电带频(RF)无线地传送至驾驶员，并显示在车辆的驾驶员室中。远程感测模块典型地包括压力传感器、温度传感器、信号处理器和RF发射器，并且可由电池提供动力。替代性地，感测模块可以是“无源的”；也就是说，功率可经由与远程发射器的磁耦合供应至感测模块。接收器可专用于轮胎压力监测，或者可共用车辆中的其他功能。例如，接收器控制器可以是现有的仪表板控制器或车身控制器。接收器本身还可利用诸如远程无钥匙进入系统的相同频率范围与其他系统共享。

轮胎监测系统的目的是如果在一个或多个轮胎中出现异常则给驾驶员提供警告。在有些情况下，可报告和/或显示轮胎压力和/或温度，而在其他情况下，可产生简单的低压警报。有用地，信息必须迅速地传送并且是可靠的。然而，源自温度和压力的原始传感器测量的显示数据不总是足够精确地表示轮胎在任何给定时间和在各种负载和状况下的状态。因此，与温度和压力有关的测量数据的解释是重要的，但迄今为止是成问题的。通过与在实际使用状况下的轮胎通信的传感器的温度和压力读数受各种因素影响，包括由制动器散发的热；从轮胎到轮辋的热耗散；引起轮胎的体积的轻微变化的负载传递；和由轮胎的滞后损失引起的轮胎中的热积聚。这样的因素可影响传达至驾驶员的信息的精确度，以致不能在某些情况下警告驾驶员注意边缘轮胎状况并在其他情况下向驾驶员发出错误警报。

关于传统的轮胎监测系统，及时性也是一个问题。警告驾驶员低的轮胎压力状况可基于简单阈值，并且一旦由于压力降到低于阈值而警告驾驶员，轮胎就已经达到非最佳的状态。轮胎中的泄露可能慢或快，并且尤其地对于较快的泄露，对驾驶员的警告可能太晚以至于使驾驶员不能在不引起轮胎损坏或不得不立即停止车辆的情况下纠正上述情形，并且不能换胎或请求道路救援。

因此，在本领域中存在对以精确且及时的方式处理轮胎压力监测系统中的信息的需求。

此外，关于商用车辆，车辆时常具有更多的轮胎、更长的行程距离、和从而更高的轮胎损坏可能性，以及典型地在运输中的同时在解决轮胎问题中的更大的困难。对于长途运输的的牵引车挂车，例如，最近的服务中心可能有几十英里远，并且在许多情况下，需要派遣服务车辆以提供道路救援。另外，从车队的角度出发，协调多个车队车辆的服务和维护增加这些风险。

因此，在本领域中还存在对轮胎监测系统的需求，所述轮胎监测系统能够缩短车辆的停工期，改善燃料经济性，并降低与车队和从而所使用的商用车辆相关联的轮胎成本。

发明内容

本发明通过提供一种方法、设备和程序产品来解决与现有技术相关的这些及其他问题，所述方法、设备和程序产品利用个体的自我比较和基于同等的比较的组合而监测车辆上的轮胎的健康状况。个体的自我比较减小车辆上的轮胎之间的差异，而基于同等的比较减小每个轮胎内的差异。还可检测异常，诸如严重泄漏和轮胎充气，并且可基于与确定的健康状况相关的历史数据来预测慢泄漏。

因此，与本发明的一个方面一致，可通过接收与车辆上的多个轮胎相关的轮胎数据、和通过对每个轮胎进行轮胎数据的个体自我比较和基于同等的比较为多个轮胎中的每个轮胎确定健康状况来监测车辆轮胎。个体的自我比较减小车辆上的多个轮胎之间的差异，而基于同等的比较减小每个轮胎内的差异。

本发明提供以下技术方案：

1.一种监测车辆轮胎的方法，所述方法包括：

接收与车辆上的多个轮胎相关的轮胎数据；以及

通过进行对于每个轮胎的轮胎数据的个体的自我比较和基于同等的比较为所述多个轮胎中的每个轮胎确定健康状况，其中，所述个体的自我比较减小所述车辆上的所述多个轮胎之间的差异，并且其中，所述基于同等的比较减小每个轮胎内的差异。

2.根据方案1所述的方法，其中，所述轮胎数据包括对于所述多个轮胎中的每个轮胎的并且在多个时间取得的温度与压力数据。

3.根据方案2所述的方法，其中，对于所述多个轮胎之中的第一轮胎的并且在第一时间取得的轮胎数据包括与所述第一时间相关联的第一压力、第一温度和第一时间戳。

4.根据方案1所述的方法，其中，进行所述个体的自我比较包括将评估模型应用于所述轮胎数据。

5.根据方案4所述的方法，其中，所述评估模型包括基于距离的评估模型。

6.根据方案4所述的方法，其中，所述评估模型包括逻辑回归模型或自组织映射模型。

7.根据方案4所述的方法，其中，进行所述个体的自我比较还包括基于所述评估模型为每个轮胎生成个体健康值(IHV)，其中，对于每个轮胎的所述IHV将这样的轮胎的当前性能与在所述评估模型的训练期间确定的这样的轮胎的正常性能相比较。

8.根据方案1所述的方法，其中，进行所述基于同等的比较包括将对于第一轮胎的轮胎数据与所述多个轮胎的至少一个子集的轮胎数据相比较。

9.根据方案1所述的方法，其中，将对于所述第一轮胎的所述轮胎数据与所述多个轮胎的至少一个子集的轮胎数据相比较包括将对于所述第一轮胎的轮胎数据与从对于所述多个轮胎的至少一个子集的轮胎数据确定的中间值相比较。

10.根据方案1所述的方法，其中，将对于所述第一轮胎的轮胎数据与所述多个轮胎的至少一个子集的轮胎数据相比较包括将对于所述第一轮胎的轮胎数据与从对于所述多个轮胎的至少一个子集的轮胎数据确定的平均值相比较。

11.根据方案1所述的方法，其中，所述接收的轮胎数据包括对于每个轮胎的原始压力与温度，其中，所述方法还包括通过基于所述温度补偿所述原始压力来为每个轮胎确定补偿压力。

12.根据方案1所述的方法，还包括从所述轮胎数据去除至少一个超出范围的离群值。

13.根据方案1所述的方法，还包括：

基于所述轮胎数据中的温度数据补偿所述轮胎数据中的压力数据；以及

基于补偿的压力数据从所述轮胎数据去除至少一个不可能的数据组合离群值。

14.根据方案1所述的方法，还包括：

利用所述轮胎数据的第一部分为每个轮胎训练轮胎专用模型，以便为每个轮胎建立正常操作状况；以及

将所述轮胎数据的第二部分应用于对于每个轮胎的所述轮胎专用模型，以确定每个轮胎的健康状况。

15.根据方案14所述的方法，其中，为每个轮胎训练轮胎专用模型包括为每个轮胎确定平均压力值，并且其中，应用所述轮胎数据的所述第二部分包括：

基于个体的自我比较为每个轮胎确定个体健康值(IHV)，其中，为每个轮胎确定所述IHV包括确定补偿压力值与所述平均压力值之间的差；以及

基于同等的比较为每个轮胎确定同等健康值(PHV)，其中，为每个轮胎确定所述PHV包括确定对于每个轮胎的IHV与对于所述多个轮胎的至少一个子集的IHV的中间值之间的差。

16.根据方案14所述的方法，其中，在对于所述轮胎专用模型的训练模式中进行训练所述轮胎专用模型，并且在对于所述轮胎专用模型的测试模式中进行将所述第二部分应用于所述轮胎数据，所述方法还包括，响应于检测到对于轮胎的异常，使所述轮胎专用模型返回至所述训练模式，以便为所述轮胎重新训练所述轮胎专用模型。

17.根据方案16所述的方法，其中，所述异常是轮胎充气。

18.根据方案1所述的方法，还包括：

确定异常检测特征；以及

基于所述异常检测特征检测异常。

19.根据方案18所述的方法，其中，所述异常检测特征是同等健康值(PHV)的标准偏差或时间差异的平均值。

20.根据方案18所述的方法，还包括基于所述异常检测特征的历史趋势确定动态阈值，其中，检测所述异常基于超过所述动态阈值的异常检测特征。

21.根据方案18所述的方法，还包括，响应于检测到异常：

确定异常诊断特征；以及

基于所述异常诊断特征确定异常类型。

22.根据方案21所述的方法，其中，所述异常诊断特征是个体健康值(IHV)与最小或标准偏差之间的差。

23.根据方案21所述的方法，还包括基于所述异常诊断特征的历史趋势确定动态阈值，其中，确定所述异常类型基于所述异常诊断特征超过所述动态阈值的轮胎的数量。

24.根据方案23所述的方法，其中，所述异常类型选自由严重泄露、单个轮胎充气、轮胎的子集充气和所有轮胎充气组成的组，并且其中，对于所述单个轮胎充气，重新训练对于所述单个轮胎的轮胎专用模型，对于所述轮胎的子集充气，重新训练对于所述轮胎的子集的轮胎专用模型，并且对于所有轮胎充气，重新训练对于所有轮胎的轮胎专用模型。

25.根据方案21所述的方法，还包括：

确定排除具有最小个体健康值(IHV)的轮胎的异常检测特征；以及

响应于包括具有所述最小IHV的轮胎的异常检测特征与排除具有所述最小IHV的轮胎的异常检测特征之间的差，检测严重泄露。

26.根据方案1所述的方法，还包括基于轮胎的历史同等健康值(PHV)预测轮胎中的泄露。

27.根据方案26所述的方法，其中，预测泄露包括进行线性、指数、三次样条和分段线性回归中的至少一个。

28.根据方案26所述的方法，其中，预测泄露包括进行分段线性回归，以预测未来PHV。

29.根据方案26所述的方法，其中，预测泄露包括利用多变量自适应回归样条(MARS)回归分析建立预测模型，以使所述预测模型中的均方根误差(RMSE)最小。

30.根据方案1所述的方法，还包括在多个迭代期间基于轮胎的同等健康值(PHV)检测轮胎中的慢泄露，其中，检测所述慢泄露包括，在每个迭代期间：

将所述轮胎的PHV与第一阈值准则相比较；

如果所述轮胎的所述PHV满足所述第一阈值准则，则累加对于所述轮胎的计数；以及

如果所述轮胎的所述PHV不满足所述第一阈值准则，则复位对于所述轮胎的计数。

31.根据方案30所述的方法，其中，检测所述慢泄露还包括：

将所述计数与第二阈值准则相比较；

如果所述计数满足所述第二阈值准则，从所述轮胎的PHV确定初始慢泄露水平；以及

响应于满足与所述初始慢泄露水平相关的第三阈值准则，触发慢泄露事件。

32.根据方案1所述的方法，还包括基于轮胎的历史同等健康值(PHV)检测轮胎的恢复，其中，检测所述轮胎的恢复包括：

将所述轮胎的当前PHV与阈值准则相比较；以及

响应于所述轮胎的当前PHV满足所述阈值准则，触发轮胎恢复事件。

33.一种设备，包括：

至少一个处理器；以及

程序代码，其构造成在由所述至少一个处理器执行的时候通过接收与车辆上的多个轮胎相关的轮胎数据、和通过对每个轮胎进行所述轮胎数据的个体的自我比较和基于同等的比较为所述多个轮胎中的每个轮胎确定健康状况来监测车辆轮胎，其中，所述个体的自我比较减小所述车辆上的所述多个轮胎之间的差异，并且所述基于同等的比较减小每个轮胎内的差异。

34.根据方案33所述的方法，其中，在所述车辆上局部地生成所述轮胎数据，并且其中，所述至少一个处理器设置在构造成通过网络接收所述轮胎数据的远程监测服务中。

35.一种程序产品，包括：

非临时性计算机可读介质；以及

程序代码，其存储在所述计算机可读介质上，并构造成在执行的时候通过接收与车辆上的多个轮胎相关的轮胎数据、和通过对每个轮胎进行所述轮胎数据的个体的自我比较和基于同等的比较为所述多个轮胎中的每个轮胎确定健康状况来监测车辆轮胎，其中，所述个体的自我比较减小所述车辆上的所述多个轮胎之间的差异，并且所述基于同等的比较减小每个轮胎内的差异。

本发明还提供以下技术方案：

1.一种监测一种类型的车辆轮胎的方法，所述方法包括接收与车辆上的多个轮胎相关的轮胎数据，其特征在于所述方法还包括：

2.根据方案1所述的方法，其特征在于，进行所述个体的自我比较包括：

将评估模型应用于所述轮胎数据，其中所述评估模型包括基于距离的评估模型、逻辑回归模型或自组织映射模型；和

基于所述评估模型为每个轮胎生成个体健康值(IHV)，其中，对于每个轮胎的所述IHV将这样的轮胎的当前性能与在所述评估模型的训练期间确定的这样的轮胎的正常性能相比较。

3.根据前述方案中任一项所述的方法，其特征在于，进行所述基于同等的比较包括下列比较中的一个或多个：将对于第一轮胎的轮胎数据与所述多个轮胎的至少一个子集的轮胎数据相比较；将对于所述第一轮胎的轮胎数据与从对于所述多个轮胎的至少一个子集的轮胎数据确定的中值相比较；以及将对于所述第一轮胎的轮胎数据与从对于所述多个轮胎的至少一个子集的轮胎数据确定的平均值相比较。

4.根据前述方案中任一项所述的方法，其特征在于，所述方法还包括：

将所述轮胎数据的第二部分应用于对于每个轮胎的所述轮胎专用模型，以确定每个轮胎的健康状况；其中，为每个轮胎训练轮胎专用模型包括为每个轮胎确定平均压力值，并且其中，应用所述轮胎数据的所述第二部分包括：

5.根据方案4所述的方法，其特征在于，在对于所述轮胎专用模型的训练模式中进行训练所述轮胎专用模型，并且在对于所述轮胎专用模型的测试模式中进行将所述第二部分应用于所述轮胎数据，并且所述方法还包括，响应于检测到对于轮胎的异常，使所述轮胎专用模型返回至所述训练模式，以便为所述轮胎重新训练所述轮胎专用模型。

6.根据前述方案中任一项所述的方法，其特征在于，所述方法还包括：

确定异常检测特征；

基于所述异常检测特征检测异常；

基于所述异常检测特征的历史趋势确定动态阈值，其中，检测所述异常基于超过所述动态阈值的异常检测特征；

响应于检测到异常：

确定异常诊断特征；以及

基于所述异常诊断特征确定异常类型，其中，所述异常类型选自由严重泄露、单个轮胎充气、轮胎的子集充气和所有轮胎充气组成的组，并且其中，对于所述单个轮胎充气，重新训练对于所述单个轮胎的轮胎专用模型，对于所述轮胎的子集充气，重新训练对于所述轮胎的子集的轮胎专用模型，并且对于所有轮胎充气，重新训练对于所有轮胎的轮胎专用模型。

7.根据前述方案中任一项所述的方法，其特征在于，所述方法还包括基于轮胎的历史同等健康值(PHV)预测轮胎中的泄露，其中，预测泄露包括以下步骤中的一个或多个：进行线性、指数、三次样条和分段线性回归中的至少一个；和利用多变量自适应回归样条(MARS)回归分析建立预测模型，以使所述预测模型中的均方根误差(RMSE)最小。

8.根据前述方案中任一项所述的方法，其特征在于，所述方法还包括在多个迭代期间基于轮胎的同等健康值(PHV)检测轮胎中的慢泄露，其中，检测所述慢泄露包括，在每个迭代期间：

将所述轮胎的PHV与第一阈值准则相比较；

9.根据前述方案中任一项所述的方法，其特征在于，所述方法还包括基于轮胎的历史同等健康值(PHV)检测轮胎的恢复，其中，检测所述轮胎的恢复包括：

将所述轮胎的当前PHV与阈值准则相比较；以及

10.一种包括至少一个处理器的设备，其特征在于该设备配置成执行用于进行方案1-9中任一项的方法的程序代码。

在所附的并形成本发明的另一部分的权利要求中阐述了成为本发明的特征的这些及其他的优点和特征。然而，为了更好地理解本发明及通过其使用获得的优点和目标，应对其中描述了本发明的示例性实施例的附图和所附描述性内容作出参考。

附图说明

图1是与本发明一致的轮胎健康监测系统的方框图。

图2是图示图1的轮胎健康监测系统中的部件之间的数据流的方框图。

图3是适合实现图1的轮胎健康监测系统的示例性硬件与软件环境的方框图。

图4是图示由图3中所参考的轮胎健康监测应用进行的示例性步骤序列的流程图。

图5是图示由图4所参考的数据预处理步骤进行的示例性步骤序列的流程图。

图6是对于示例数据集的原始压力的图表，并图示超出范围的离群数据点。

图7A和7B是将对于示例数据集的原始压力与补偿压力相比较并图示不可能的数据组合离群数据点的图表。

图8是图示由图4所参考的健康值生成步骤进行的示例性步骤序列的流程图。

图9A和9B是将对于示例数据集的补偿压力与个体健康值相比较的图表。

图10是示例数据集中对于一个轮胎的个体健康值的图表。

图11是示例数据集中对于四个轮胎的个体健康值的图表，并图示泄露轮胎对平均值的影响。

图12是示例数据集中对于四个轮胎的个体健康值的图表的分解图。

图13是示例数据集中对于四个轮胎的个体健康值的图表，并包括中间值的图表。

图14A和14B是示例数据集中对于轮胎的个体健康值和基于同等的健康值的各自图表。

图15A和15B是对于示例数据集中的两个不同的异常检测特征的各自图表。

图16A和16B是对于示例数据集中的两个不同的异常诊断特征的各自图表。

图17是图示由异常检测和诊断过程进行的示例性步骤序列的流程图，该异常检测和诊断过程能够由图1的轮胎健康监测系统执行。

图18A和18B是与两个不同的泄漏事件(分别标明的事件1和事件2)相关的两个示例数据集的各自图表。

图19A和19B是图示将示例线性预测模型应用到图18A和18B的示例数据集的各自图表。

图20A和20B是图示将具有指数外推的示例指数预测模型应用到图18A和18B的示例数据集的各自图表。

图21A和21B是图示将具有线性外推的示例指数预测模型应用到图18A和18B的示例数据集的各自图表。

图22是图示在数据集具有较高曲率的情况下的线性与指数预测模型的限制的图表。

图23A和23B是图示将示例三次样条预测模型应用到图18A和18B的示例数据集的各自图表。

图24A和24B是图示将示例分段线性预测模型应用到图18A和18B的示例数据集的各自图表。

图25A和25B是与图18A和18B所参考的两个泄漏事件(分别标明的事件1和事件2)相关的两个示例大数据集的各自图表。

图26A和26B是图示利用图18A和18B的示例数据集的线性、指数、三次样条和分段线性预测模型的比较性能的各自图表。

图26C和26D是图示利用图25A和25B的示例数据集的线性、三次样条和分段线性预测模型的比较性能的各自图表。

图27是示例数据集中对于车辆上的十个轮胎的个体健康值的图表。

图28A是图27的图表的一部分的放大图。

图28B是与图28A的图表的该部分对应的异常检测特征的图表。

图29A和29B是在重新训练之后的示例数据集中对于车辆上的十个轮胎的个体健康值和基于同等的健康值的各自图表。

图30是示例数据集中对于车辆上的四个轮胎的补偿压力的图表。

图31是示例数据集中对于车辆上的四个轮胎的个体健康值的图表。

图32是示例数据集中对于车辆上的四个轮胎的基于同等的健康值的图表。

具体实施方式

与本发明一致的实施例利用个体的自我比较和基于同等的比较的组合来监测车辆上的轮胎的健康状况。

个体的自我比较减小车辆上的轮胎之间的差异，并且在这点上，个体的自我比较可被认为包括用于将轮胎的当前状况与被认为是对于轮胎的正常操作状况相比较的各种方法论。如以下将变得更显而易见地，例如，由于轮胎可充气至一压力范围，但仍被认为在正常操作状况下，所以被认为是对于轮胎的正常操作状况典型地不束缚于固定的充气水平。例如，在一个实施例中，考虑当假定轮胎在正常操作状况下操作时，个体的自我比较可将轮胎的压力与在对于轮胎的轮胎专用模型的训练期间计算的轮胎的平均压力相比较。

基于同等的比较减小每个轮胎内的差异，并且可被认为包括用于将轮胎的当前状况与相同车辆上的其他轮胎的当前状况相比较的各种方法论，其中，假定车辆上的所有轮胎经受大体上相同的操作状况。因而，在特定轮胎与车辆上的其他轮胎中检测的差异，例如，如由车辆上的所有轮胎或轮胎的子集的平均值或中间值所表示的，可指示对于轮胎的差的健康状况、或者与轮胎相关的另一潜在异常。

通过组合个体的自我比较和基于同等的比较，车辆上的各种轮胎可基于在训练期间的轮胎的当前状况在训练期间有效地归一化至相同的“正常”值，而不是任何特定的预定“正常”值。然后，在测试或监测期间，个体的自我比较和基于同等的比较的组合可用于隔离与车辆上的其他轮胎不同的特定车辆轮胎，使得不管例如由周围温度和/或轮胎温度引起的车辆的当前操作状况，或者不管车辆静止不动还是在操作中，都可识别具有差的健康状况的轮胎。

在另一实施例中，还可检测诸如严重泄漏和轮胎充气的异常，并且例如当检测到一个或多个轮胎的充气时，所述异常例如可触发轮胎专用模型的重新训练。另外，在有些实施例中，可使用预测算法，以预测轮胎的泄露率，例如，使得可计算在需要轮胎的重新充气或维修之前的时间。

其他的变体和变型将对本领域的技术人员显而易见。

硬件与软件环境

现在转向其中相同的附图标记贯穿多个视图标注相同部件的附图，图1图示了实现为能够监测例如牵引车挂车14或公共汽车16的多台车辆的轮胎健康监测服务12的示例性轮胎健康监测系统10。应意识到的是，服务12可能够监测实际上任何类型的车辆的轮胎，例如包括乘用车、轿车、卡车、货车、施工装备、农业装备、公共汽车等，因此本发明不限于图1所图示的特定车辆。

服务12经由网络18、例如经由可由操作服务12的相同实体操作的或者由单独实体完全操作的无线载波与车辆14、16无线地通信，并且本质上可以是公共的、私人的或专有的。服务12可通过有线和/或无线通信介质耦连至网络18。

服务12耦连至数据库20，所述数据库20用于存储从车辆14、16取回的轮胎压力监测系统(TPMS)数据，例如，压力、温度、车辆标识符、轮胎标识符、车轮标识符、位置数据和/或时间戳。此外，如以下将更详细地讨论地，服务12可被例如包括服务代理22的各种实体访问，所述服务代理22是服务12的提供商的代理商或其授权代表，例如授权经销商和/或服务中心。此外，在代表车队监测的有些实施例中，车队代理24还可设置有到服务12的入口。在本发明的有些实施例中还可提供例如用于车辆操作者或所有者、管理员等的附加接口。

图2更详细地图示了用于检索、传送和处理TPMS数据的系统10中的部件。例如，在车辆14上，多个TPMS传感器28可安装在车辆的每个轮胎/车轮上，并且可构造成将TPMS数据传送至设置在车辆上的接收器控制单元(RCU)30。在图1中由对应的圆圈和倒三角形图形地图示这些部件的典型位置，并且应意识到的是，多个RCU30可设置在车辆上的不同位置，以便与最近的TPMS传感器28通信。

每个RCU30典型地将TPMS数据输出至车辆14上的仪表板显示集群32，所述仪表板显示集群32可执行TPMS数据的一些处理，并且可将例如压力读数、温度读数和/或低压和/或温度警报的这样的数据报告给操作者。集群32可以是结合音频和/或视频指示器或显示器的可编程电子或计算机装置，并且可与其他车载电子部件集成。在例如不使用中央监测服务的有些实施例中，可在车辆14中局部地、例如在集群32或另一车载电子部件内进行如在此所公开的基于同等的预测算法。

在结合中央监测的图示实施例中，车辆14还包括与无线载波18通信的远程信息处理/GPS单元34，以将TPMS数据传送至服务12。单元34可构造成输出由集成GPS接收器生成的位置数据以及由传感器28收集的附加数据。应意识到的是，由单元34传送的数据在有些实施例中可被预处理，或者可以是原始数据。此外，数据传送至无线载波18的协议可在不同的实施例是不同的。此外，在有些实施例中，可省略GPS感测。另外，在有些实施例中，可支持双向通信，使得例如服务12可给车辆14的操作者提供警报或状态信息，并且可提供通过其可使操作者例如经由电子消息、声音和/或影像通信与服务代理通信的机构，以解决任何警报状况或协调车辆的服务。

无线载波18，例如通过与FTP服务器38连接，将由单元34提供的TPMS及其他数据提供至服务12。服务器38将输入数据转到数据库管理系统40，以将输入数据录入数据库20。该数据然后以以下更详细地讨论的方式由监测应用42监测和处理。

现在转向图3，图示了设备50内的服务12的示例性硬件与软件实现。就本发明而言，设备50实际上可代表任何类型的计算机、计算机系统或其他可编程的电子装置，并且为简单起见在下文中被称作是计算机。然而，应意识到的是，该设备50利用例如在集群或其他分布式计算系统中的一个或多个网络计算机实现，或者可在单个计算机或其他可编程电子装置内实现，例如台式计算机、便携式计算机、手持式计算机、手机、机顶盒等。

计算机50典型地包括中央处理单元52，所述中央处理单元52包括耦连至存储器54的至少一个微处理器，所述存储器54可代表包括计算机50的主存储的随机存取存储器(RAM)装置，以及任何补充层次的存储器，例如高速缓冲存储器、非易失性的或备份的存储器(例如，可编程存储器或闪速存储器)、只读存储器等。另外，存储器54可被认为包括物理地位于计算机50中的其他地方的存储装置，例如，CPU52的处理器中的任何高速缓冲存储器，以及用作虚拟存储器的任何存储容量，例如，如存储在大型存储装置56上或者存储在耦连至计算机50的另一计算机上。计算机50还典型地接收许多输入和输出用于外部地传送信息。为了与用户或操作者相互作用，计算机50典型地包括用户接口58，所述用户接口58结合一个或多个用户输入装置(例如，除了别的以外，键盘、鼠标、跟踪球、操纵杆、触控板和/或麦克风)和显示器(例如，除了别的以外，CRT监测器、LCD显示面板和/或扬声器)。否则，可经由另一计算机或终端接收用户输入。

为了附加存储，计算机50还可包括一个或多个大型存储装置56，例如，除了别的以外，软盘或其他可抽取式磁盘驱动器、硬盘驱动器、直接存取存储装置(DASD)、光盘驱动器(例如，CD驱动器、DVD驱动器等)和/或磁带驱动器。此外，计算机50可包括与一个或多个网络62(例如，除了别的以外，LAN、WAN、无线网络和/或因特网)的接口60，以允许与例如一个或多个客户端计算机64(例如，用于与代理22、24相互作用)和一个或多个服务器66(例如，实现服务12的其他方面)的其他计算机与电子装置的信息通信。应意识到的是，计算机50典型地包括如本领域众所周知的在CPU52与部件54、56、58和60中的每个部件之间的合适的模拟和/或数字接口。在本发明的范围内预期有其他的硬件环境。

计算机50在操作系统68的控制下操作，并执行或以另外的方式依赖于各种计算机软件应用、部件、程序、对象、模块、数据结构等，例如，呼叫中心应用70(在其内，例如可实现监测应用42)。此外，各种应用、部件、程序、对象、模块等，例如在分布式或客户端服务器计算环境下，还可在经由网络62耦连至计算机50的另一计算机中的一个或多个处理器上执行，由此实现计算机程序的功能所需的处理可分配给网络上的多个计算机。

通常，被执行以实现本发明的实施例的例程在此被称作是“计算机程序代码”或者简单地“程序代码”，所述例程被实现为操作系统的一部分或特定应用程序、部件、程序、对象、模块或指令序列乃至它们的子集。程序代码典型地包括一个或多个指令，所述一个或多个指令在不同的时间驻留在计算机中的各种存储器和存储装置中，并且所述一个或多个指令当被计算机中的一个或多个处理器读取并执行时，使该计算机执行步骤，所述步骤为执行使本发明的各个方面具体化的步骤或元素所需。此外，尽管在充分发挥作用的计算机和计算机系统的背景下已经并且将在下文中描述本发明，但本领域的技术人员应意识到的是，本发明的各种实施例能够以各种形式作为程序产品发行，并且不管用于实际上实现发行的计算机可读介质的特定类型，本发明等同地适用。

这样的计算机可读介质可包括计算机可读存储介质和通信介质。计算机可读存储介质本质上是非临时性的，并且可包括以用于信息存储的任何方法或技术实现的易失性和非易失性的、可抽取和不可抽取式的介质，诸如计算机可读指令、数据结构、程序模块或其他数据。计算机可读存储介质还可包括RAM、ROM、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪速存储器或其他固态存储器技术、CD-ROM、数字通用光盘(DVD)、或其他光学存储、磁盒、磁带、磁盘存储或其它磁性存储装置、或可用于存储所需的信息并且可被计算机50访问的任何其他介质。通信介质可使计算机可读指令、数据结构或其他程序模块具体化。作为示例，并且不作为限制的，通信介质可包括有线介质，诸如有线网络或直接有线连接，和无线介质，诸如声介质、RF介质、红外介质及其他无线介质。以上的任何介质的组合也可被包括在计算机可读介质的范围内。

可基于在本发明的特定实施例中实现的应用来识别在下文中描述的各种程序代码。然而，应意识到的是，仅为了方便使用下面的任何特定的程序命名法，从而本发明不应限于仅在由这样的命名法识别和/或暗示的任何特定应用中使用。此外，给定计算机程序可被组织成例程、过程、方法、模块、对象等的典型无数种方式以及可在驻留于典型计算机内的各种软件层(例如，操作系统、库、API、应用程序、小应用程序等)之中分配程序功能性的各种方式，应意识到的是，本发明不限于在此描述的程序功能性的特定组织和分配。

本领域的技术人员将认识到的是，图1-3中所图示的示例性环境不旨在限制本发明。实际上，本领域的技术人员将认识到的是，在不偏离本发明的范围的情况下可使用其他替代性的硬件和/或软件环境。

预测的基于同等的轮胎健康监测

与本发明一致的实施例利用预测的基于同等的轮胎健康监测，以监测特定车辆上的轮胎的健康。由图4中的过程100图示了预测的基于同等的轮胎健康监测的一个这样的实现，尤其在适合于监测来自例如卡车的商用车辆的一个或多个车队的轮胎的健康的集中轮胎健康监测服务的应用中。

过程100包括六个主要步骤：初始化102、数据获取104、数据预处理106、健康评估108、异常检测与诊断110和泄露预测112，每个步骤将在下面更详细地讨论。步骤104-112、以及在有些情况下在步骤102中执行的操作的全部或一部分典型地在计算机中被实现，例如通过诸如在图2-3的监测应用42内的软件和/或硬件。在有些实施例中，可在设置于车辆上的车载计算机或可编程电子装置中，或者以得益于本公开的本领域中的普通技术人员应意识到的其他方式，实现这些步骤中的功能性的全部或一部分。

当轮胎健康监测系统第一次应用于轮胎以确保车辆上的所有轮胎没有泄露时，执行初始化步骤102。如将在下文中变得更加显而易见的，系统典型地需要由当轮胎处于良好状况时收集的数据训练，并且因而，轮胎中的任何泄露会破坏该状况并导致差的模型参数以及从而差的模型精确度。因而，在步骤102中，在方框114中进行轮胎检查，以确保所有轮胎处于良好状况，并且基于所有轮胎是否良好，方框116要么前进到方框118以启动轮胎维护操作，从而更换或维修任何故障轮胎并重试初始轮胎检查，要么前进到步骤104以开始监测。应意识到的是，轮胎检查和/或轮胎维护操作在本发明的各种实施例中可手动地和/或自动地进行。例如，在一个实施例中，可在当已知车辆为了测试是否有任何泄露而停止的一段时间内通过获取轮胎的TPMS数据而进行轮胎检查。

一旦系统初始化并且证实对于车辆的所有轮胎良好，就为车辆建立监测，使得只有当车辆操作时，或者替代性地一直并且不管车辆的操作状态，TPMS数据可周期性地发送至轮胎健康监测服务。图1的方框120图示了响应于由轮胎监测服务接收的每个新的TPMS数据包而进行的操作。

在步骤104中，例如，可由轮胎健康监测服务获取由以上结合图2讨论的车载部件收集并传送的TPMS数据包。每个包例如可包括来自一台车辆的所有轮胎的当前温度和压力，连同诸如数据收集时间戳和GPS位置的附加数据。对于长途运输的牵引车挂车，例如，包可包括对于所有18个轮胎的压力和温度数据。

接下来，在步骤106中，预处理收集的数据。已发现，收集的数据有时可包括不在值的正常范围内或者不匹配背景值的意外离群值。这些离群值如果不去除，则可能潜在地损害随后的模型精确度，并且因而，步骤106可预处理所有接收的数据，以确保数据是干净的。然后，可进行例如经由物理模型的以补偿温度的形式的附加预处理。在一个实施例中，例如，收集的数据的预处理可用于生成补偿压力变量，其表示补偿温度影响的轮胎压力。

接下来，如由方框108和110所图示地，可利用收集并预处理的数据执行健康评估与异常检测和诊断操作。在方框108中，每个健康评估迭代初始地检查系统模式，以确定是否已进行模型训练过程(方框122)。尤其地，与本发明一致的实施例利用车辆专用轮胎健康评估模型，以监测特定车辆的轮胎，并且典型地必须在操作使用之前训练模型。因此，模型可在训练模式与操作模式之间交替变换。

因此，如果在方框122中检测到训练模式，则控制转到方框124，以通过根据接收的最新数据更新从历史数据生成的模型参数来训练轮胎健康评估模型126。如果检测到操作或测试模式，则方框122改为将控制转到健康值生成方框128，以便为每个轮胎生成健康值(HV)作为来自健康评估步骤108的输出。在方框128中进行几个操作，例如个体的自我轮胎比较、基于同等的比较等等，以生成更精确的健康值。以下更详细地讨论这些操作。

异常检测与诊断步骤110从健康评估步骤108接收健康值，并在方框130中确定是否已检测到任何异常。在图示的实施例中，系统的诸如轮胎充气的异常被设计成是可自动检测的。如果没有检测到这样的异常，则控制转到方框132，以确定所有健康值是否“正常”，即是否在被认为代表没有泄露并且足够加压的轮胎的范围内。如果健康值不正常，控制转到方框134，以指示潜在的慢泄露状况。否则，如果健康值正常，则控制回到步骤104，以处理等待处理的任何附加的TPMS数据包。

回到方框130，无论何时检测到系统异常，异常将按照不同的区分规则分成各种组。例如，方框136确定异常是否由充气而不是严重泄漏引起。如果是这样的话，控制转到方框138，以选择训练模式，使得根据在充气之后接收的数据重新训练相关健康评估模型。相反如果严重泄漏是异常的原因，则控制转到方框140，以生成紧急事件去通知服务提供商代理商、车辆操作者、车队代理和/或其他利害关系人。

回到方框134，如果在步骤110检测到慢泄露，则控制转到步骤112，以启动预测操作，以便基于模型中的历史数据预测轮胎可操作直到其达到轮胎不再适合操作使用的预定阈值为止的可能时间。在下文中将讨论关于预测操作的更多细节。

另外，如方框142-144所图示地，在方框142的每个迭代中可进行恢复检查，以基于数据趋势确定先前确定为泄露的任何轮胎是否已修好。如果是这样的话，控制转到方框144，以将模式设定成为轮胎训练。否则，跳过方框144。

在进一步详细说明前述步骤之前，对于与本发明一致的预测的基于同等的轮胎健康监测的性能可依赖于许多假设。第一，假定在轮胎操作期间，轮胎空腔的体积不显著改变，即，变化典型地是可忽略的。因此，空腔体积可被看作常数。

第二，可作出的假设是，只要数据取自处于良好状况的相同轮胎，数据就在任何时候都相似地表现。数据驱动的统计模型通常由取自系统的当其健康状况良好时的数据被训练，并测试未来数据以确定新数据是否经受相同的分布，从而如果不是，新数据将被认为表示系统的差的健康。因此，如果不满足该假设，则测试数据中的一些数据经历另一分布，并且模型将自动地将其当作负面健康指示。

第三，在诸如充气或修理的轮胎维护之后，可假定轮胎压力被维持在正常范围内。还可假定的是，在第一系统初始化之前，没有轮胎有任何异常泄露(在图4的步骤102中测试的状况)。在有些实施例中，还可通过简单地将阈值设定在压力数据上来检测这样的情况。

第四，可作出的假设是，来自诸如牵引车挂车的车辆的所有轮胎在路面平整度、周围温度、周围空气压力、正常慢泄露率等方面共享相似的操作状况。如以下将更详细地讨论的，该假设便于基于同等的健康状况比较的应用。

第五，可假定在正常操作期间，来自车辆的轮胎中的超过一半的轮胎处于良好的状况，即，轮胎中的少于一半的轮胎在任何给定的时间有泄露。该假设便于将来自所有轮胎的最正常的值选择为标称值，所有其他值可与该标称值比较。

第六，可作出的假设是，来自一台车辆的两个轮胎同时经历严重泄露的可能性非常低。

以下提供关于图4所图示的许多步骤及利用以上概述的假设的更多细节。

数据处理

现在转向图5，该图更详细地图示了可在数据预处理步骤106中进行的步骤。已发现，数据获取方法常常是不完美的，导致诸如超出范围的值和不可能的数据组合的问题，并且在没有合适的数据清理过程的情况下分析数据可产生误导结果。然而，与本发明一致的实施例可通过以下步骤预处理输入数据：第一，在方框150中，去除超出范围的离群值；第二，在方框152中，对于温度影响补偿压力数据；和第三，在方框154中，去除不可能的组合离群值。

从离群值的角度来看，已发现，存在可从原始TPMS数据观察到的两种主要类型的离群值。第一种是超出范围的值，所述超出范围的值可被认为是包含脱离正常范围的值的数据点。在一个实施例中，例如，可计算两个连续的数据点之间的差异，并且如果差异值超出预定阈值，则可去除该数据点。例如，图6在155处图示了高达160psi的压力读数，其远高于被认为是正常范围的读数(例如，对于典型的卡车轮胎，正常范围可为90-130psi)，并且其适合从数据集去除。

第二种类型的离群值被定义为“不可能的数据组合”离群值，其可被认为结合了所有变量分别在它们自己的正常范围内的情况，但作为数据包或所有变量的组合，数据值是不合理的。例如，已发现，离群压力与温度值可存在于原始数据中，但仍然落在正常的压力与温度范围内，因此，在有些实施例中，这两种变量的组合可用于一起评估这些值以检测不可能的组合离群值。

在图示的实施例中，尤其，计算补偿压力，以使压力测量对恒定温度标准化。

传统地，推荐当轮胎“冷”时，即当轮胎已经没有使用一段时间时，测出轮胎的压力读数。如果轮胎已被驱动甚至几分钟，则内胎温度典型地升高至经历对压力有可测量的效果的点。然而，TMPS传感器常常在轮胎开始旋转之后进行测量，因此从TMPS传感器收集的几乎所有压力数据典型地都包括一些温度影响。此外，当一起绘制温度与压力时，常常观察到高的线性相关，例如大约0.96的相关系数。

理想气体定律PV＝nRT可用于对于温度补偿压力。在由放气引起的轮胎尺寸的任何变化被认为可忽略的情况下，如果假定轮胎是固定的有限体积，则理想气体定律可改写为：

\frac{P}{T} = \frac{nR}{V}

其中，在方程的右侧的所有值是固定的，在这种情况下，压力示出与温度成比例。因此，通过引入两个新的值、补偿压力C和标称温度T₀，可建立以下关系：

\frac{P}{T} = \frac{nR}{V} = \frac{C}{T_{0}}

通过选择预定固定值例如25摄氏度作为标称温度T₀，对于从TPMS系统收集的每个压力与温度对，可与25摄氏度的温度对应地生成唯一的对应补偿压力。通过进行该变换，理想地将从补偿压力中完全消除温度影响，并且如果轮胎根本没有泄露，则补偿压力会是平的线。然而，认为，由于诸如TMPS传感器安装在轮辋上的环境因素，所以补偿压力仍可能有波动。测量温度在其实际上是空腔靠近车轮的温度时被看作空腔温度，并且在实际空腔温度与空腔接近车轮的温度之间可存在差异。此外，这一差异还可受周围温度影响。因而，仍可在补偿压力值中预期有某一差异。

已发现，在温度补偿之后，更容易识别不可能的组合离群值。例如，图7A和7B分别图示了对于轮胎的压力和补偿压力值。如图7A中的157处所示，离群压力读数本身可能没有落在正常读数之外，但如图7B中的159处所示，当对于温度补偿该压力值时，得到的补偿压力值更容易被识别为离群值，从而可被抛弃。

健康评估

现在回到图4和健康评估步骤108，在图示的示例中，理想的是，生成指示轮胎健康的单个值或一纽值，以便估计车辆的整体健康。由于车辆大部分时间典型地维持常规健康状况，所以理想的是，使执行故障诊断与预测步骤的频率最低，否则所述故障诊断与预测步骤可招致大量的计算成本。因此，通过进行作为故障诊断与预测的单独预备步骤的健康评估，可推迟这样的故障诊断和预测，直到检测到新的潜在故障的初始指示为止。然而，在其他实施例中，可更频繁地进行故障诊断和/或预测。

如上所述，健康评估模型126以训练模式和测试模式操作。训练典型地利用来自健康状况的数据，因此描述系统的基线。然后，在测试期间，将新的数据与训练基线相比较。如果测试样本与基线相似，则可断定系统良好的健康状况，否则，系统状况是不可接受的，并且可触发包括故障诊断与预测的一些维护措施。

在图示的实施例中，健康评估结合个体的轮胎自我比较和基于同等的比较。如图8所示，例如，图4的健康值生成步骤128可包括用于利用个体的轮胎自我比较为车辆上的每个轮胎生成个体健康值(IHV)的方框160。接下来，在方框162-168中进行基于同等的比较。取决于所使用的算法，利用方框162、164和166中的一个方框计算所有轮胎或轮胎的子集的平均值或中间值。然后，在方框168中，典型地通过从为每个轮胎计算的IHV减去计算的平均值或中间值，从在方框162、164或166中的一个方框中计算的平均值或中间值为车辆上的每个轮胎生成基于同等的健康值(PHV)。

如以下将变得更加显而易见地，个体的轮胎自我比较可用于使车辆上的不同轮胎之间的偏差最小或消除，而基于同等的比较可用于使来自一个轮胎的数据内的波动平滑。此外，应意识到的是，尽管在图8中图示了三个方框162-166，但在许多实施例中，当确定PHV时，基于同等的比较算法仅利用方框中的一个方框。

健康评估-个体的轮胎自我比较

关于个体的轮胎自我比较，如果将轮胎维护与例如传统机械工具维护过程相比较，则对于两者过程的初始状况相似，即，轮胎被合适地充气，并且工具是新改变的。然而，对于机械工具，工具从其被使用的第一天起开始劣化，而轮胎只要其维持相同的压力水平，就仍被认为处于良好的健康状况。轮胎健康状况只有在轮胎开始泄露后才开始劣化。当轮胎压力达到某一水平时，类似于机械工具达到指示过度磨损的某一水平，应触发部件维护。对于轮胎，泄露可以被修理，而对于机械工具，需要更换工具。

然而，在轮胎维护与机械工具维护之间存在显著差异性。对于新安装的工具，由于所有工具预期遵循相同的规格，所以所有工具典型地具有相同的健康状况，然而，在维护之后，轮胎典型地被充气至相似但不一定相同的压力水平。尽管轮胎可被充气至不同的水平，但它们全部仍可被认为处于相同的“良好”健康状况，即它们不泄露。因而，在图示的实施例中，合乎需要地补偿车辆上的不同轮胎实例之间的充气水平的差异，以确保所有轮胎在维护之后经受相同的健康初始状况。否则，这样的差异可掩盖轮胎的真实健康状况，并防止过早检测到劣化状况。

因而，在图示的实施例中，个体的轮胎自我比较用于将特定轮胎的当前性能与其“正常”性能、即在其下训练轮胎的模型的状况相比较，以减小或消除个体轮胎之间的差异。在一个实施例中，例如，基于距离的评估(DBA)可用于将来自车辆上的所有轮胎的补偿压力集中至相同的水平。

利用DBA模型，来自每个轮胎的数个第一数据样本用于“训练”对于每个轮胎的模型基线。计算作为来自每个轮胎的数据样本的平均值的数据中心，以抵消来自TPMS系统的任何数据获取误差并建立正常的行为基线。然后将随后的数据样本与该平均值相比较，以生成数据样本与平均值之间的“距离”或差异。在此被称作是个体健康值(IHV)的该距离然后用于确定个体的轮胎中的变化。在一个实施例中，例如，可在训练期间确定对于每个轮胎的平均压力值，并且可基于补偿压力与平均值之间的差异为每个轮胎计算IHV。

例如，图9A-9B图示了对于车辆上的四个轮胎的示例性数据点集上的DBA性能。图9A中的图表图示了四个轮胎的计算补偿压力，而图9B中的图表图示了如从DBA模型生成的该相同的四个轮胎的IHV。在该示例中，对于IHV的Fisher准则值为0.1374，其比仅对于补偿压力的0.007的对应值高得多。Fisher准则是当数据集中存在超过两个类时评估多个变量的可分离性的信息学测试。对于两类数据集，Fisher准则由下式给出：

J = \frac{{| m_{1} - m_{2} |}^{2}}{s_{1}^{2} + s_{1}^{2}}

其中，m₁和m₂分别是两个类的平均值，而s₁和s₂是两个类的标准偏差。分子代表两个组之间的平方距离，而分母代表每组内的偏差和。因此，越大的Fisher准则值指示越高的可分离性。

应意识到的是，在本发明的其他实施例中可使用其他模型和个体自我比较技术。例如，可使用的两种替代性自我比较技术包括逻辑回归与自组织映射。与DBA一样，为了尽可能早地开始用以检测可能的泄露的测试，可能期望至少最少两个样本的基本训练，之后，随着接收更多的数据样本，将继续更新模型参数。在有些实施例中，可平行进行测试和训练，并且每当接收到新的数据包之后，就可更新模型，直到已收集足够的数据样本以充分训练模型为止，在这点上，在测试继续的同时，训练可中止。例如，可通过影响训练数据的尺寸和测试性能来挑选训练样本的数量，使得训练步骤中的数据样本可涵盖来自所有轮胎足够宽以形成一般健康基线的正常性能范围。典型地从每个轮胎建立一个模型，即，对于具有18个轮胎的卡车，可建立18个模型。

有时还称为逻辑模型(logistic model)或分对数模型(logit model)的逻辑回归(LR)是二项式回归，其通常用于通过将多维数据映射至0与1之间的值来预测离散事件发生的可能性。由模型使用的数据可以是数字的且是分类的，诸如性别、存在、年龄等。为了轮胎健康监测的目的，其可作为监督方法用于定量地评估当前的系统健康状况。

LR基于逻辑函数：

p (z) = \frac{e^{z}}{e^{z} + 1} = \frac{1}{1 + e^{- z}}

其中，z被定义为：

z＝β₀+β₁x₁+β₂x₂+β₃x₃+…+β_nx_n

并且其中，β₀是截距，β₁、β₂、...是回归系数，而x₁、x₂、...是自变量。

从这些方程，可看到LR的显著优点是，尽管所有自变量的线性组合可以是从负无穷大到正无穷大的任何值，但输出是被限制在0与1之间的值。

通过改写前述方程，然后可观察到以下关系：

z = \log \frac{p (z)}{1 - p (z)} = β_{0} + β_{1} x_{1} + β_{2} x_{2} + β_{3} x_{3} + . . . + β_{n} x_{n}

在实践中，LR典型地用作监督统计模型，这意味着在训练步骤期间，需要来自可接受的状况和不可接受的状况两者的数据。可从两种系统状况观察一组样本输入{x₁、x₂、...}，并且可根据模型需求指定对应的可能性{p(z)}(例如，0.95可用于可接受的状况，并且0.05用于不可接受的状况)。然后，可通过最大可能估计(MLE)获得模型参数β₀、β₁、β₂、...，这探索通过迭代循环使观察数据的可能性最大的最佳参数组合。

在模型参数都被训练之后，测试数据可代入模型，以计算当前系统个体健康值(IHV)。为了满足LR模型的训练要求，可由来自可接受的状况和不可接受的状况的两种数据来训练LR模型。对于轮胎充气，0psi是轮胎可达到的最低压力值，并且可被看作来自不良状况的数据。因此，一些补偿压力样本可用于代表可接受的状况，而一些其他的0psi值可用于不可接受的状况。两个对应的HV，0.95和0.05，可分别给予每种健康状况。在训练之后，所有来自LR的输出IHV被限制于0与1之间的值。

自组织映射(SOM)是一种神经网络模型，其由于其仅由数据的拓扑结构训练，并且不需要数据分类信息，所以该模型典型地被认为是无监督学习模型。SOM通过引入邻域函数维持数据的拓扑结构，并且由于其通常将数据维数减少至小数，通常为二，所以SOM典型地是良好的数据可视化工具。

SOM由神经元节点组成，所述神经元节点中的每个神经元节点与权向量相关联。一开始，所有的节点随机布置在映射上，然后在迭代训练步骤中，它们基于学习规则被更新，诸如：

·当样本矢量作为输入给予映射时，将计算该样本矢量与所有节点之间的距离，并且具有最短距离的节点将被选择并被看作最佳匹配单元(BMU)。

·根据新的样本矢量全部更新由拓扑形状预先确定的BMU的邻居节点，并且学习速率相应于BMU与样本矢量之间的距离，所述学习速率单调递减。

·在学习步骤的结束时，节点聚成组，并且每组代表一类数据类型。

自组织映射平均量化误差(SOM-MQE)是同样可用于健康评估的扩展SOM模型。由于使用轮胎健康评估，在健康的状况期间相对易于收集数据，而相比之下，故障数据典型地更少并且难于收集，所以作为半监督学习方法，SOM-MQE就模型训练的便利而言有优点。它仅基于健康数据训练模型，并且在测试期间计算测试样本与训练基线之间的距离，以评估测试数据离基线有多远。测试样本离基线越远，则对于当前系统指示越差的健康。

首先用正常操作数据训练映射，然后计算被定义为测试样本与其BMU之间的距离的MQE。由于BMU识别过程是目标在于找到具有到测试样本的最短欧几里德距离的训练节点的搜索过程，所以甚至属于未被训练数据涵盖的空间的样本也可找到BMU，并计算其被视为SOM-MQE模型的健康指示的MQE。

与LR模型相似，SOM-MQE模型可由假定从可接受的状况收集的第一样本训练。来自SOM-MQE的规律输出是为正数的MQE距离。然而，为了使结果更直观，理想的是，对所有MQE距离求反，以更好地代表泄漏。

另外的模型和方法论也可用于生成IHV，例如统计模式识别、高斯混合模型、神经网络等。因此，本发明不限于在此公开的特定模型和方法论。

健康评估-基于同等的比较

尽管在许多实施例中已发现前述处理步骤，以使车辆上的各轮胎之间的许多差异最小化或减小，但理想的是，在许多实施例中还利用基于同等的比较，以解决可能在每个轮胎内出现的波动。

再次对比参考机械工具维护，对于传统的机械工具监测，典型地基于运行(机械工具完成所有其可重复的移动的持续时间)提取用于更好地代表原始数据集并减小数据集尺寸的特征。由于机械工具再三重复同一系列的运动，所以假定它仅具有一种状态，如果机械工具保持处于良好状况，则特征应保持不变。另一方面，轮胎没有固定的操作计划，例如，车辆每天可在不同的路线上驾驶。另外，即使当车辆每天在相同的路线上操作时，诸如周围温度的环境状况因时而变。因此，更加难以限定用作分析基础的固定操作循环。换句话说，已发现轮胎操作是极大地受环境不确定性影响的动态过程。

由于这些环境的不确定性，所以即使在温度补偿之后，实际上也看不到预期在没有泄露的轮胎中看到的补偿压力的理论的平的线。相反，典型地观察到具有许多波动的平的趋势。波动可由许多方面引起，诸如周围温度的变化、轮胎负载、速度、路面平整度、周围大气压力等。另外，例如，如图10所示，通过个体的轮胎自我比较，波动影响从补偿压力传到IHV。

从系统监测的角度来看，波动降低故障检测和预测两者的精确度。例如，对于故障检测，由于趋势可具有相对大的变化，所以阈值设定面临在敏感度与错误警报之间的大的权衡。

已知当轮胎温度低时在车辆停放时一般形成IHV数据中的谷值，而高的峰值大部分由温度积聚所引起。还可观察到的是，即使在温度补偿之后，补偿压力仍具有例如由周围温度引起的某种程度的温度影响。尽管周围温度可形成用于附加建模和/或补偿的基础，但在许多实施例中，给定周围温度典型地不是由许多传统的TPMS系统提供，理想的是，避免监测周围温度。

尽管在有些实施例中可使用周围温度，但在图示的实施例中，数据驱动的基于同等的比较用于减小由周围温度所引起的波动的影响和其他环境影响。

图示的实施例中的基于同等的比较依赖于前述假设：给定车辆上的所有轮胎共享相似的操作状况，包括环境状况、道路状况和正常的轮胎慢泄露。如由图8的方框162所图示地，由于来自一台车辆的所有轮胎共享相似的总体性能，所以在有些实施例中，可计算来自所有轮胎的IHV的平均值，使得个体的轮胎与平均值之间的差异可指示泄露状况。

然而，已发现，尽管所有轮胎的平均值当所有轮胎处于健康状况时可能是足够的，但当牵涉泄露轮胎时，尤其当泄漏严重时，平均值可能偏向泄露轮胎的状况，并且可能不足以指示总体的健康轮胎状况。例如，图11图示了对于车辆的示例数据集，其中，第一半数据的平均值(在数据点648之前)严重偏向有泄露的轮胎1。另一方面，轮胎1在点648处被修好，并且来自四个轮胎的IHV集中回到相同的水平并且更紧密地跟踪平均值。

在其他实施例中，可结合附加规则，以通过试图计算确定为没有泄露的轮胎的平均值来解决泄露轮胎的潜在偏置。因此，如图8的方框164所图示地，如果在操作期间，检测到任何轮胎具有潜在泄露，则可标记该轮胎，使得当计算平均值时，不包括来自该泄露轮胎的数据，并且平均值仅基于轮胎的数据集。已发现，规则的应用至少部分地解决归因于泄露轮胎的偏置。然而，已还发现，由于在泄露开始的时候，在压降起初可能小时，压降对平均值可能有影响，所以偏置问题在有些情况下可能仍然存在。例如，在图11所图示的相同情况下，可基于所有四个轮胎计算平均值，直到在数据点260中检测到泄露为止。如图12所示，例如，可观察到的是，平均值极好地代表了在泄露检测之后的所有好轮胎的总体性能。然而，在检测之前，轮胎1已有泄露，并且可从分解曲线图更好地看到平均值的小偏差。

因此，在还有的其他实施例中，同样理想的是，结合附加规则以进一步解决泄露轮胎的潜在偏置。尤其，如上所述，可作出的另一假设是，在规律操作期间，来自车辆的轮胎中超过一半的轮胎处于良好的状况。换句话说，可假定牵引车上的十个轮胎中的至少六个轮胎在任何给定时间不泄露，并且可作出这样的假设：来自车辆的没有可检测的泄露的轮胎中超过一半的轮胎处于良好的状况。例如，牵引车有十个轮胎，并且它们中的两个轮胎具有可检测的泄露。因此，附加的规则假定没有可检测的泄露的八个轮胎中的至少五个轮胎处于良好的状况。

如果声明被完全接受，则车辆上的所有轮胎或轮胎的子集的中间值可用作总体轮胎健康轮胎性能的指示，如图8的方框166所图示的。另外，中间值计算可仅需要在所有值的正中间的少至一或两个值，所述少至一或两个值根据来自车辆的轮胎中超过一半的轮胎处于良好状况的前述假设指的是来自好轮胎的值。例如，图13图示了四个轮胎的IHV和由这些值计算的中间值，以代表在动态操作状况下和即使在某些泄露轮胎的情况下的所有好轮胎的总体健康轮胎性能。值得注意的，尽管在有些实施例中，理想的是，从中间计算中排除已知的或预测的泄露轮胎，但在许多实施例中，在中间计算中包括这些泄露轮胎不会明显改变最后得到的中间值，因此理想的是，不要试图从该计算中排除泄露轮胎。

因此，在有些实施例中，可从所有个体轮胎性能，即IHV，减去基于从轮胎的子集计算的中间值的总体健康轮胎性能，以减少由动态操作状况引起的波动。在进行基于同等的比较之后获得的该值在此被称作是基于同等的健康值(PHV)，并且如由图14A-14B所图示的，可观察到的是，以在此(图14B)描述的方式计算的PHV值比对于相同轮胎的对应IHV值(图14A)具有相对较小的变化，此外，包括温度影响的环境因素对数据具有小得多的影响。

应意识到的是，利用来自车辆的轮胎的子集的平均值或中间值的确定可以与本发明一致的各种方式实现，并且可包括来自车辆的不同数量和组合的轮胎。例如，平均值或中间值可取自每根轮轴、取自每种轮胎类型(例如，转向/驱动/挂车)、或取自转向、内驱动、外驱动、内挂车和/或外挂车轮胎。替代性地，平均值或中间值可取自最大值和最小值、或来自任何前述轮胎组合的第二最大值和第二最小值。然而，本发明不限于在此公开的特定确定。

异常检测与诊断

再次回到图4以及具体地回到异常检测与诊断步骤110，分析为车辆中的每个轮胎计算的PHV，以检测故障并响应于检测的故障进行诊断。

可假定的是，所有轮胎具有正常的泄露，并且被规律地充气，以保持它们的压力在正常范围内。另外，在每次充气之后存在可从数据发现的两种可能的结果：1.轮胎之间的压力差异保持相同；2.轮胎之间的压力差异改变。在大多数情况下，压力差异在充气之后改变。其间，以上讨论的对于车辆的轮胎健康评估模型都基于这些压力差异，因而，在轮胎充气之后，轮胎健康评估模型典型地需要重新训练，以确定轮胎之间新的压力差异。尽管在有些实施例中，可支持模型重新训练的手动触发，但在其他实施例中，不可能或者不希望支持手动的重新训练，因而，常常希望提供数据驱动的异常检测算法，以自动识别轮胎充气，从而触发轮胎健康评估模型的重新训练。

异常检测合乎需要地提供令人满意的精确度，以在保持相对良好的敏感度的同时提供相对低的错误警报发生率。另外，由于及时性典型地通过实时系统被高度重视，所以异常合乎需要地应在它们出现之后的相对短的时间内被检测到。

为了解决这些经常竞争的问题，可从已处理数据和/或原始数据提取不同的特征，例如包括：在单个轮胎内和在轮胎之中的平均值、中间值、差异、标准偏差、最大值、最小值等。“在单个轮胎内”意味着在某一时段期间(或者替代性地，利用移动窗口技术)从一个轮胎提取特征。另一方面，“在轮胎之中”意味着在相同的时间戳从不同的轮胎收集的数据中提取特征。已发现，尽管许多测试特征能够指示充气事件，但许多需要在充气发生之后的相对长的滞后，以收集足够的数据提取合适的特征。

在有些实施例中，可使用两种不同类型的特征：在此被称作是异常检测特征的第一种特征可用于定位异常点，以及在此被称作是异常诊断特征的第二种特征可用于诊断什么引起异常点。

例如，图15A和15B图示了可用作异常检测特征的两个候选特征，健康轮胎之中的PHV的标准偏差(图15A)和时间差异的平均值(图15B)。作为示例，为了计算时间差异的平均值，可计算来自对于所有轮胎的相同轮胎位置的两个连续测量之间的差异，并可计算来自健康轮胎的所有差异的平均值。因此，例如，如果存在10个健康轮胎，则来自第一数据包的读数为[100、100、...100、105]，并且来自第二数据包的读数为[100、100、...100、100]，则时间差异为[0、0、...0、-5]，导致-0.5的平均值。

从这两个附图，图示了两个集群，其中初始集群当异常发生(由线170、172图示)时上移，以形成新的集群。异常检测特征用于检测系统水平，即车辆水平异常，因而，对于每个特征考虑来自车辆上的所有轮胎的信息。应意识到的是，图15A-15B提供了在长的时间期间的相应特征的视图；然而，在实时系统中，逐一计算特征值，因而，当异常出现时，在第二集群中仅观察到一个点。因而，在实时系统中，理想的是，提供一个或多个额外数据包的滞后，以确保作为离群值的单个峰值不引起集群的移动，如会出现图15B中的174处代表的数据值的情况。

在检测到异常点之后，理想的是，提供诊断过程，以试图理解在异常点背后的原因。这样的诊断过程利用一个或多个异常诊断特征，所述异常诊断特征与异常检测特征形成对比，用于当检测到异常时理解个体的轮胎性能，并且这样的特征可相应地取自个体的轮胎。例如，图16A-16B分别图示了对于十个轮胎中的每个轮胎的IHV与其最小值之间的差异(图16A)和标准偏差(图16B)的两种不同特征的使用。

图17图示了与本发明一致的示例性异常检测与诊断过程200。在为每个轮胎计算IHV值和PHV值之后，可对于每组新的数据点执行过程200。过程200通过计算一个或多个异常检测特征而开始于方框202，这例如可基于来自处于良好状况的轮胎的IHV。异常检测特征例如可包括PHV的标准偏差、IHV、或补偿压力、时间差异的平均值等。

接下来，在方框204中，可基于讨论中的特征的历史趋势计算动态或移动阈值。例如，在一个实施例中，到平均值5西格玛的距离可被看作阈值，以确定点是否异常。在替代性实施例中，可使用固定阈值。

接下来，方框206和208分别确定特征是否超过计算阈值，并且如果是这样的话，确定超过阈值是否达预定数量的连续采样周期。在一个实施例中，例如，如果两个连续异常检测特征值超过移动阈值，则可检测到异常。在其他实施例中，可能仅需要超过单个阈值，以检测异常，而在还有的其他实施例中，可能需要超过多于两个的阈值。

如果不满足方框206或方框208中的状况，则没有检测到异常，并且过程200完成。否则，控制转到方框210，以识别脱离阈值的第一点作为异常点。

方框212接下来启动异常诊断，以试图确定异常是由于泄漏事件还是充气事件。在图示的实施例中，可指示四种可能的事件：(1)在轮胎中出现严重泄露；(2)单个轮胎已被充气；(3)两个轮胎已被充气；和(4)超过两个的轮胎已被充气。

方框212尤其重新计算一个或多个异常检测特征，但从计算中排除具有最小IHV的轮胎。例如，如果在十个轮胎之中，轮胎1至9被认为是良好的，并且在异常出现的时候，在轮胎1至9之中轮胎1具有最小的IHV，则基于轮胎2至9重新计算异常检测特征。通过这样做，如果异常由严重泄露所引起，则泄露轮胎具有最低的IHV，从而可在方框214中比较有最低的IHV的异常检测特征与没有最低的IHV的异常检测特征，使得结果之间的任何非平凡差异(即，高于阈值的差异)典型地指示具有最小IHV的轮胎引起异常点，因而具有严重泄露，而小的差异指示异常点的原因不是严重泄露。

因此，在严重泄露的情况下，控制转到方框216，以用信号传达指示最小IHV轮胎的严重泄露的事件。否则，控制转到方框218，以计算一个或多个异常诊断特征。

如上所述，在图示的实施例中可依赖于的一个假设是两个轮胎同时开始严重泄露的机会非常低，因此如果异常不是由单个轮胎的严重泄露所导致，则所述异常可被认为由一个或多个轮胎的充气所引起。同样地，当检测到异常但没有指示严重泄露时，可为了潜在充气、轮胎更换或换位对所有好轮胎进行检查。另外，由于模型重新训练将复位轮胎健康值，并使这些值返回至大约0的值，所以在有些情况下，由于重新训练，可能假装有慢的轮胎泄露趋势。因此，为了防止潜在的不必要的模型重新训练，理想的是，在有些实施例中，仅检测轮胎的子集的充气，使得仅重新训练确定为已充气的那些轮胎。在图示的实施例中，例如，可与“超过两个的轮胎被充气”事件一起检测“一个轮胎充气”和“两个轮胎充气”事件，使得按需要重新训练仅仅一个、两个或所有轮胎的模型。应意识到的是，在有些实施例中，可响应于任何轮胎被充气而重新训练所有轮胎，而在其他实施例中，可单独地检查被充气的三个、四个或更多个轮胎。

异常诊断特征用于系统变化检测，例如充气检查、轮胎更换、轮胎换位和/或轮胎压力的任何其他刻意变化，并且在异常发生之后提取的特征值用由它们的历史特征值生成的阈值测试。超出阈值的值的数量然后可用于将异常的根本原因分类。因此，例如，方框218计算诸如IHV与其最小值之间的差异、标准偏差等的一个或多个异常诊断特征。

接下来，在方框220中，可基于讨论中的特征的历史趋势计算一个或多个动态或移动阈值。在一个实施例中，例如，可计算来自每个个体轮胎的最后100个异常诊断特征的平均值和标准偏差。在一个示例中，可使用两个阈值，其中，第一阈值是平均值加/减标准偏差的三倍，并且第二阈值是平均值加/减标准偏差的四倍。在替代性实施例中，可使用固定阈值。

方框222然后确定超过阈值并从而确定已刻意改变的轮胎的数量。在一个实施例中，可分别将来自相同轮胎的最后两个异常诊断特征值与两个阈值相比较，并且如果对于轮胎的两个异常诊断特征值在第二阈值外，则轮胎可标记为充气/更换/换位的轮胎。另外，可对所有轮胎累加超出第一阈值的异常诊断特征值的数量，并且如果超出第一阈值的异常诊断特征值的总数超过预设数量(例如，五)，则可一起重新训练所有轮胎。

如果确定单个轮胎被充气，则控制转到方框224，以用信号传达指示轮胎被充气的事件，使得可重新训练对于该轮胎的模型。如果确定两个轮胎被充气，则控制转到方框226，以用信号传达指示两个轮胎被充气的事件，使得可重新训练对于那些轮胎的模型。否则，控制转到方框228，以用信号传达指示应重新训练对于所有轮胎的模型的事件。

慢泄露检查

再次回到图4以及具体地回到步骤134中的慢泄露检查，如果对于轮胎的PHV正常，则检查慢泄露。在一个实施例中，可(例如，由用户)定义阈值准则，例如PHV降到低于-3psi，以确定轮胎是否有慢泄露。可将来自所有车轮位置的所有PHV与依次用于每次迭代的阈值准则相比较，并且如果PHV比阈值低得多(例如，比阈值低超过1psi)，则可将两个点累加至与该车轮位置相关的慢泄露指示器或计数。如果PHV没有比阈值低得多(例如，小于1psi)，则可将一个点添加至慢泄露指示器或计数，但如果PHV不比阈值低，则累加的慢泄露指示器或计数可复位回零，并重新开始累加点。

一旦慢泄露指示器满足另一阈值准则、例如达到诸如3的预定值，则来自相同车轮位置的最后两个PHV的平均值可被计算并存储为初始慢泄露水平。只要慢泄露指示器不复位至零，相同的初始慢泄露水平就可用于该车轮位置。其后可响应于例如将最后两个PHV的平均值与来自相同车轮位置的初始慢泄露水平相比较的另一阈值准则，触发慢泄露事件，使得如果最后两个PHV的平均值比初始慢泄露水平低某一量(例如，1.5psi)，则可触发慢泄露事件并且可启动轮胎健康预报。

轮胎恢复检查

再次回到图4以及具体地回到步骤142中的恢复检查，该步骤基于数据趋势检查任何检测的泄露的轮胎是否已修好。假定当泄露轮胎被修好或恢复时，轮胎被重新充气，并从而引起轮胎的PHV的增加。在一个实施例中，对于每次迭代，可将泄露轮胎的ΔPHV(当前PHV与最后的PHV之间的差异)与例如5psi的阈值相比较。如果当前的ΔPHV比阈值大，则可将下一ΔPHV(来自下一迭代)与例如10psi的第二阈值相比较。如果两ΔPHV都比阈值大，则轮胎可被认为从泄露恢复(再次的健康轮胎)，以使得触发轮胎恢复事件并对该轮胎进行重新训练(方框144)。

轮胎健康预报

再一次回到图4，图示实施例的附加方面是在方框112中实现的轮胎健康预测或预报。预报可用于基于系统的历史状况预测系统的未来健康趋势，并且在图示的实施例中，来自具有慢泄露的轮胎的历史PHV代入预测模型，以预告轮胎的未来性能。

利用许多不同类型的预测技术可实现与本发明一致的预测模型。以下更详细地讨论在此指定为线性、指数、三次样条和分段线性的四种这样的预测技术。在该讨论的背景下，使用基于每隔16分钟收集的TPMS的10个牵引车/挂车组合(即，10个18车轮)的示例数据集来以16分钟的间隔生成PHV值，其中，PHV值依次用作用于相应模型的输入数据，并且其中，每个模型的输出是对于粗略5小时(20个间隔)的未来泄露趋势，以达到预设低压阈值。

例如，每种模型可设置成开始于事件的检测被循环地更新，直到达到事件的结束(例如，当轮胎修好并且被重新充气时)。初始训练集可包括在最后的轮胎充气事件与泄漏检测事件之间收集的数据。另外，通过预测模型的预测可涵盖在前面的N步(例如，20步)，其中利用20步的预测为每次迭代计算预测均方根误差(RMSE)。

为了比较不同的技术，使用两种典型事件。第一事件(事件1)相对较简单，并且更线性，而第二事件(事件2)具有更多的斜率变化。图18A和18B分别图示了与这两个事件对应的PHV值。

图19A和19B分别图示了分别对于事件1和2的数据点的线性回归模型的应用。发现线性回归预测对于局部趋势具有相对低的脆弱性，并且可表示为f(t)＝at+b，其中，a是斜率，并且b是截距，并且其中，斜率被约束成小于或等于零。

图20A和20B分别图示了利用指数外推分别对于事件1和2的数据点的指数回归模型的应用，而图21A和21B图示了利用线性外推分别对事件1和2的数据点的另一指数回归模型的应用。指数回归预测可以形式f(t)＝ae^bt表示，其中，斜率ab的约束为非正。在指数外推的情况下(图20A和20B)，拟合指数方程用于外推，而在线性外推的情况下(图21A和21B)，最后的训练点的正数/斜率用于外推。

线性回归模型和指数回归模型两者在某些应用中可能有限制。例如，如图22所图示地，如果附加的训练数据(例如，10天)用于事件2，则两种模型将提供相对差的预测结果。在有些应用中，理想的是，通过仅将数据点的一部分用作训练数据来改善拟合，以减小在训练数据集中的大曲率的可能性(例如，通过仅将最后的50、150、250等数据点用作训练数据)。

可使用的另一预测技术是分段回归，其常常用于在数据内具有突然的状况变化的模型系统。采用分段回归，不同的状况通过模型的不同片段建模，并且典型地，全局最小二乘估计用于优化在所有片段上的模型拟合性能。两个片段之间的连接点和/或曲线上的最左/最右的点被认为是结点，并且结点的数量和位置典型地定位成使模型性能最大化。两者可在前面确定或利用最优模型被计算。

在下文中讨论的两种示例分段回归模型(三次样条和分段线性)将6用作结点的最大数量，使得训练数据可被截断达5个片段并分别地建模。另外，在有些实施例中可利用以下更详细地讨论的广义交叉验证优化结点的确切数量。

结点的位置可通过模型本身被优化，使得更好地对训练数据集中的曲率建模，此外，可生成更好的预测。

在其他技术之中，多变量自适应回归样条(还称为MARS)技术可用于建立分段回归模型。

采用MARS技术，最终模型典型地采取的形式，其中，多个(n个)基本函数B_i(x)各自由对应的权数w_i加权。每个基本函数典型地可实现为常数项、铰链函数或多个铰链函数的乘法。铰链函数是典型地采取max(0、c-x)或max(0、x-c)的形式的分段函数，其中，c是与结点对应的常数。

模型建立过程与通常具有两个阶段的逐步回归相似：前向选择和后向删除。在前向选择期间，将训练数据集分割成多个不相交的片段，直到实现可接受的最小模型误差为止。模型通过仅具有作为所有训练数据的平均值的一项而被初始化。然后，所述模型采用贪婪算法并保持搜索下一结点(两片段之间的断点)，以分割下一片段并添加下一基本函数对，所述下一基本函数对根据平方误差之和将最大的降低给予总体模型训练误差。例如，在训练误差小于预设值的情况下，在添加下一基本函数之前和之后、模型误差的减小小于预设值的情况下，或者在基本函数达到预设极限的情况下，典型地将基本函数添加至模型，直到满足预设准则为止。

在后向删除阶段中，组合来自前向选择的模型的最低效的相邻片段，以增强模型的泛化。广义交叉验证(GCV)值可用于同时考虑模型的拟合性能和复杂性，目标是使所有片段上的GCV最小：

GCV = \frac{{MSE}_{training}}{{[1 - \frac{k + \frac{d (k - 1)}{2}}{n}]}^{2}}

其中，k是基本函数的数量，d是每个结点的惩罚(例如，2)，并且n是训练数据点的数量。

三次样条模型是三阶多项式分段回归模型，其中，每个片段可由采取f_i(t)＝a_i+b_it+c_it²+d_it³的形式的方程表示，并被约束成使得在线上的各处，线/斜率/曲率是连续的，并且斜率为非正。在该示例中，使用6个结点，并且利用最后(最右)的训练点的斜率和位置基于线性外推来预测。图23A和23B例如分别图示了将这样的三次样条模型分别应用于事件1和2的数据点。

相比之下，分段线性模型是一阶多项式分段回归模型，其中，每个片段可由采取f_i(t)＝a_i+b_it的形式的方程表示，并被约束成使得在线上的各处，线是连续的并且斜率为非正。在该示例中，使用6个结点，并且利用最后(最右)的训练点的斜率和位置基于线性外推来预测。图24A和24B例如分别图示了将这样的分段线性模型分别应用于事件1和2的数据点的。

基于前述内容，可基于对于事件1和2两者的预测结果利用固定尺寸移动窗口(在前面的20步)均方根误差(RMSE)值比较五种模型(线性模型、具有指数外推的指数模型、具有线性外推的指数模型、三次样条模型和分段线性模型)的性能。预测可刚好在检测到泄露之后开始，并且可每当接收到新的测量时(即，每当新的测量加入训练数据集时)更新。因此，可在泄露的检测与修理(结束)之间对每个模型生成一系列RMSE值。

训练数据集可包括从上次重新训练预测模型起以上述方式生成的所有PHV值(例如，模型重新训练可由轮胎充气/更换而触发)。由于从最后的重新训练到泄露的开始的持续时间变化，所以训练数据的主要组成可变化。如果泄露刚好在模型重新训练之后开始，则在泄露开始之后收集大部分的训练数据，而如果泄露在最后的模型重新训练之后的几天开始，则训练数据集可包括在泄露开始之前收集的更多数据。为了该讨论，分别将小(即，在泄露开始之后的大部分数据)的或大(即，在泄露开始之前的大部分数据)的训练数据集用于前述泄露事件。例如，先前讨论的图18A和18B分别图示了对于事件1和2的示例的小训练数据集，而图25A和25B图示了对于事件1和2的示例的大训练数据集。

图26A-26B分别图示了对于事件1和2的小训练集的五个前述模型的比较性能(就RMSE而言)。图26A图示了对于事件1和小的训练集，具有指数外推的指数模型滞后其他四种模型的性能。图26B图示了对于事件2和小的训练集，在数据形成具有更多曲率的趋势的情况下，线性、三次样条和分段线性模型表现比指数模型更好。

图26C-26D分别图示了仅有对于事件1和2的线性、三次样条和分段线性模型的比较性能(就RMSE而言)。通常，对于大的训练集，三次样条与分段线性模型表现比线性模型更好。另外，由于轮胎泄露趋势常常相对嘈杂，所以认为，三次样条模型在有些情况下可能太灵活(与分段线性相比较)，并且可能花费较长的时间训练(给定三阶对一阶)，因此，在有些实施例中，分段线性回归模型使用在慢泄露预测中可能是合乎需要的。

然而，应意识到的是，可使用替代性的回归或外推算法，以预测轮胎的未来充气水平，例如包括自回归滑动平均(ARMA)、线性回归、多项式回归、二次回归、指数回归、具有线性外推的指数回归、样条回归、分段线性回归、神经网络、卡尔曼滤波器、粒子滤波器、基于相似性的预测等。还应意识到的是，在有些实施例中，理想的是，应用一种或多种去噪技术，以例如通过对数据集下采样(例如，通过取多个数据点的平均值)和/或上采样(例如，通过在数据点之间插值)改善模型精确度。

此外，在有些实施例中，理想的是，利用相互合作的多种回归模型，例如使线性回归与二次和指数回归融合到一起，其中线性回归负责直线预测并且二次和指数回归用于改变斜率曲线拟合。融合规则可基于训练数据集和预测样本的形状的专业知识，例如基于劣化轮胎的曲线形状不应保持上升的知识，并且融合规则可用于在不同的点组合和/或选择各种类型的回归。

基于确定的预测，各种实施例可向车辆操作者、车辆或车队所有者、服务或维护提供商和/或第三方提供警报和与预测相关的信息，使得，例如，可自动或手动地排定轮胎维护操作。例如，轮胎可按计划被维修或更换。另外，与预测相关的信息例如可用于确定轮胎在其需要充气、维修和/或更换之前能够使用多久。

还应意识到的是，尽管图示的实施例利用诸如压力、温度和时间戳的轮胎数据，但诸如周围温度、胎面深度、在轮胎、轮辋或车轮上的不同点取得的附加温度、振动等的附加数据同样可用于与本发明一致的轮胎监测系统。因此，本发明不限于在此讨论的特定实施例。

工作示例

为了进一步说明在此描述的监测与预测功能性，分析了取自用于零担货运(less than truck load，LTL)运输业务(即，来自一台卡车的所有货物来自不同地点，并且同样分发至不同地点)的10个牵引车-挂车组合(即，来自每台卡车的18个轮胎)的真实世界数据集。每台卡车设置有TPM系统，所述TPM系统通过当轮胎旋转时(由加速度计检测)大约每隔30秒进行测量并大约每隔16分钟收集，从所有18个轮胎获取数据。收集的数据被手动地下载，并且从该数据提取在每个收集间隔对于每个轮胎的相对时间戳、温度和压力用于分析。通常，对于每个卡车收集近似7个月的有价值数据。

为了利用离线数据模拟实时状况，使用迭代算法，使得每次将一个数据包载入系统并处理。如果检测到不健康的轮胎，则设定警报，否则，下一迭代开始。

从对健康轮胎的异常检测的角度来看，整个系统的输入变量为温度、压力和时间。然而，发现，由于数据中大的间隙，所以不管由于当卡车不操作时的夜晚还是周末，可通过相对于数据点的索引(indices)而不是时间而绘制数据点来改善数据可视化。

例如，发现，异常检测特征的使用能使检测到异常，尤其是车辆上的多个轮胎的充气。例如图27图示了对于车辆上的一组十个轮胎的示例IHV曲线图。另外，该图示出了在点356之前的不同轮胎的IHV靠到一起，但在经过点365之后分开。

从实时系统的角度，理想的是，对于该事件，要在其发生之后相对迅速地检测。因此，检查在图28A中示出的点366(包括366，它是在充气发生之后的一个数据点)之前的IHV更有意义。尽管可能难以从点365的先前的点使点365的变化可视化，但通过应用以上讨论的异常检测特征，例如通过计算在健康轮胎之中的PHV的标准偏差(例如，如图15A所示)，变化较易于可视化。在图28B中示出了异常检测特征，并且所述异常检测特征图示了两个连续的特征数据点(点365、366)高于指示检测到系统异常的阈值。

其后，在没有具有最小IHV的轮胎的情况下通过异常检测特征的重新计算，如以上所讨论地，在点365和366处同样找到高于阈值的相似特征值，并从而将系统异常的原因分类为充气。另外，异常诊断特征表明超过两个的轮胎被充气，因此，重新训练所有轮胎的健康评估模型。在包括轮胎自我比较和基于同等的比较的重新训练之后，所有轮胎的IHV被结合到一起，并且PHV返回至大约为零的值，以指示健康状况保持良好。图29A和29B分别示出了在重新训练之后的IHV和PHV，并且应指出的是，尽管在充气之后，更多的空气被泵送到轮胎中，但仍指示轮胎处于与以前大致相同的健康状况。因此，轮胎的健康状况不基于每个轮胎中的空气量而改变。图29B的PHV全部大约为0，这指示轮胎在充气事件之前和之后等同地处于良好的状况。因此，在模型重新训练之后，PHV继续精确反映所有轮胎的健康状况。

因此发现，通过使轮胎从不同的充气水平达到相同的健康状况并从数据中提取它们相似的工作状态影响来减小良好状况组内的差异，便于可能的坏轮胎状况的检测。此外，精确地检测到诸如充气事件的系统变化。

接下来，从泄露检测与预测的角度来看，利用相同的数据集以试图检测慢泄露并预测泄露轮胎的泄露速率。例如，图30图示了数据集中来自卡车的四个轮胎的补偿压力的曲线图。为了在不生成太多错误警报的同时检测泄露轮胎，设定低于最低正常轮胎压力的阈值。此外，已知四个轮胎中的有些轮胎在数据点1189处被充气，并且需要设定两个不同的阈值以检测轮胎泄漏。在充气之前，设定97psi的阈值260，而在充气之后的阈值262被设定在103psi。利用补偿压力，在点1387处初始地检测到如曲线图264中示出的来自轮胎3的泄露，其中，其压力具有第一个大的下降。

然而，通过应用前述预测算法，实现较早的泄漏检测。如图31所示，首先，通过轮胎自我比较、充气检测和模型重新训练，发现，在任何时间对于任何轮胎仅需要一个唯一的阈值。此外，在IHV曲线图中的266处示出了从补偿压力可能观察不到的慢泄漏，并且泄漏轮胎检测时间可移至早得多的时间点，例如点300附近。然后，如图32所示，在进行基于同等的比较之后，获得每个轮胎内较小的数据变化，并且泄漏检测时间可进一步提前至点120附近。另外，由于泄漏在其初始被检测到时不严重，所以随后触发预测过程，以推断轮胎的未来健康状况。

可在不偏离本发明的精神和范围的情况下作出各种附加的变型。因此，本发明在于所附的权利要求。

Claims

2.根据权利要求1所述的方法，其特征在于，进行所述个体的自我比较包括：

3.根据前述权利要求中任一项所述的方法，其特征在于，进行所述基于同等的比较包括下列比较中的一个或多个：将对于第一轮胎的轮胎数据与所述多个轮胎的至少一个子集的轮胎数据相比较；将对于所述第一轮胎的轮胎数据与从对于所述多个轮胎的至少一个子集的轮胎数据确定的中值相比较；以及将对于所述第一轮胎的轮胎数据与从对于所述多个轮胎的至少一个子集的轮胎数据确定的平均值相比较。

4.根据前述权利要求中任一项所述的方法，其特征在于，所述方法还包括：

5.根据权利要求4所述的方法，其特征在于，在对于所述轮胎专用模型的训练模式中进行训练所述轮胎专用模型，并且在对于所述轮胎专用模型的测试模式中进行将所述第二部分应用于所述轮胎数据，并且所述方法还包括，响应于检测到对于轮胎的异常，使所述轮胎专用模型返回至所述训练模式，以便为所述轮胎重新训练所述轮胎专用模型。

6.根据前述权利要求中任一项所述的方法，其特征在于，所述方法还包括：

确定异常检测特征；

基于所述异常检测特征检测异常；

响应于检测到异常：

确定异常诊断特征；以及

7.根据前述权利要求中任一项所述的方法，其特征在于，所述方法还包括基于轮胎的历史同等健康值(PHV)预测轮胎中的泄露，其中，预测泄露包括以下步骤中的一个或多个：进行线性、指数、三次样条和分段线性回归中的至少一个；和利用多变量自适应回归样条(MARS)回归分析建立预测模型，以使所述预测模型中的均方根误差(RMSE)最小。

8.根据前述权利要求中任一项所述的方法，其特征在于，所述方法还包括在多个迭代期间基于轮胎的同等健康值(PHV)检测轮胎中的慢泄露，其中，检测所述慢泄露包括，在每个迭代期间：

将所述轮胎的PHV与第一阈值准则相比较；

9.根据前述权利要求中任一项所述的方法，其特征在于，所述方法还包括基于轮胎的历史同等健康值(PHV)检测轮胎的恢复，其中，检测所述轮胎的恢复包括：

将所述轮胎的当前PHV与阈值准则相比较；以及

10.一种包括至少一个处理器的设备，其特征在于该设备配置成执行用于进行权利要求1-9中任一项的方法的程序代码。