CN108805031A - 一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则 - Google Patents
一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则 Download PDFInfo
- Publication number
- CN108805031A CN108805031A CN201810468169.8A CN201810468169A CN108805031A CN 108805031 A CN108805031 A CN 108805031A CN 201810468169 A CN201810468169 A CN 201810468169A CN 108805031 A CN108805031 A CN 108805031A
- Authority
- CN
- China
- Prior art keywords
- tire pressure
- data
- training
- wheel speed
- training data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明描述了一种创新的基于软件的间接式胎压监测解决方案以及此方案的具体实施步骤。本方案基于ESC系统自带的轮速传感器、加速度计等传感器,不添加额外的传感器。开发阶段通过数据采集设备获得原始的传感器数据生成训练数据集,用于训练神经网络。充分训练后的神经网络具备识别频谱特征的能力,能够实现对特定轮胎绝对胎压值的实时显示。该方法既具备间接式胎压低成本、绿色环保的特征,又突破了目前市场上所有间接式胎压无法显示具体胎压值的缺陷。在功能表现上,该方案既能满足国标及时报警的法规要求,又能实现对轻度漏气轮胎的预警提示。
Description
技术领域
本发明涉及胎压监测技术领域,具体为一种基于轮速信号频谱特 征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则。
背景技术
自世界上第一辆汽车诞生起,人类的生活、工作等各方面都因此 发生了巨大的变化。汽车也从一个简单的代步工具变化为人类生活屮 不可或缺的一部分,人们对汽车安全性的需求也在不断的提高。在与 轮胎相关的安全领域,爆胎会对乘客生命安全造成直接的巨大的威胁, 而大部分的爆胎都是由胎压不足造成的。当胎压不足时,轮胎侧面受 挤压而弯曲,进而造成轮胎温度升高进而引发爆胎。此外,轮胎每漏 气0.2bar,耗油量会增加20%,轮胎寿命会下降20%。据统计,75% 的轮胎存在冲气不足或者慢撒气,因此,胎压监测系统对于降低油耗 和保证安全驾驶都具有必要性。
第一代胎压监测系统由于只能判断车轮半径的相对变化,因此不 支持多轮报警,无法满足各个市场的法规要求。目前市场上成熟的间 接式胎压监测系统都属于第二代胎压监测系统,利用了轮胎频谱信息 来识别轮胎气压来实现有效的多轮报警。另外,第二代间接式胎压因 为不需要安装额外的传感器,作为软硬件功能日益强大的ESC的附加 功能,在满足法规要求方面具备成本上的巨大优势。
本系统是在第二代胎压监测系统上进行的功能拓展,在继承了第 二代胎压监测系统的满足法规要求和降低开发成本的基础上,实现了 可信度较高的显示绝对胎压的功能,并且大幅缩短了间接式胎压监测 的开发周期。
发明内容
本发明的目的在于提供一种基于轮速信号频谱特征的可以显示绝 对胎压值的间接式胎压监测方案以及方案实施细则,以解决上述背景 技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于轮速信号 频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实 施细则,包含以下步骤:
步骤一:记录轮胎型号,为轮胎加装直接式胎压监测系统,并将 胎压充至额定胎压;
步骤二:开始采集CAN总线数据,并借助RLS滤波算法实时修 正四轮轮速信号上升沿时间戳,采集时间为60-180分钟的有效行驶 (速度35-105km/h)时间,采集数据过程中需要注意覆盖不同路况以 及不同速度区间,以确保训练数据的完备性;
步骤三:将车停靠在阴凉处一小时,并将胎压依次递减,重复步 骤二;
步骤四:根据采集的数据离线生成训练数据;
步骤五:利用训练数据训练神经网络模型;
步骤六:存储训练后的神经网络模型参数,并依照AUTOSAR 规范植入ESC软件。
优选的,一种基于轮速信号频谱特征的可以显示绝对胎压值的间 接式胎压监测方案以及方案实施细则中步骤二用于估计轮速信号上 升沿时间戳误差的RLS滤波算法,RLS滤波器参考车轮运转一周的 平均速度,对每个轮速信号上升沿时间戳进行实时误差估计和更新。
优选的,一种基于轮速信号频谱特征的可以显示绝对胎压值的间 接式胎压监测方案以及方案实施细则中步骤三所述胎压递减,其特征 在于胎压依次递减5%直至为额定胎压的65%(100%->95%->90%->... ->70%->65%)。
优选的,一种基于轮速信号频谱特征的可以显示绝对胎压值的间 接式胎压监测方案以及方案实施细则中步骤四所述生成训练数据的 具体实施方式,步骤如下:
步骤一:记录数据包对应的平均速度;
步骤二:对数据包频谱进行倒谱分析,并对倒谱分析结果加窗后 计算出15Hz附近低频频段能量值;
步骤三:对倒谱分析结果加窗后计算出45Hz附近中频频段能量 值;
步骤四:对倒谱分析结果45Hz附近频段进行加权求均值,得到 中频能量谱峰值频率;
步骤五:记录数据包对应的dTPMS测量的胎压值;
步骤六:记录数据包对应的室外温度(辅助调校);
步骤七:记录数据包对应的记录数据包对应的dTPMS测量的轮 胎内部温度值(辅助调校);
步骤八:记录数据包对应的横纵向加速度值,用于剔除不良数据 包;
在经由步骤八中的数据剔除不良数据包后,将步骤一到步骤五生 成的有效数据包记录为训练数据,其中步骤五记录的数据作为训练数 据标签;
步骤六与步骤七记录的数据用于辅助参数调校,训炼结果需要依 据胎压与温度的先验知识,借助室外温度信号进行补偿。
优选的,所述生成训练数据的具体实施方式中步骤二利用倒谱分 析提取轮速信号包络线的方案,步骤如下:
步骤一:对修正后的轮速信号上升沿时间戳进行插值采样,采样 频率为256Hz;
步骤二:选取512个采样点对采样值打包,并对打包后的数据通 过倒谱分析提取频谱包络线,倒谱分析步骤中,在求得频谱对数的傅 里叶逆变换后,将下标大于10的结果记为0后进行傅里叶变换,求 得频谱包络线。
优选的,一种基于轮速信号频谱特征的可以显示绝对胎压值的间 接式胎压监测方案以及方案实施细则中步骤五所述神经网络训练方 案,具体细节如下:
方案所采用的神经网络为双隐层神经网络,第一层为输入层,包 含4路输入信号和一路偏置信号;
两层隐层分别具有7个和6个节点,输出层包含一个节点,输出 值表征胎压漏气程度,每层激励函数选用Sigmoid函数,以应对频谱 特征分析模型中的非线性特征,训练策略为反向传播算法,每层权值 更新策略采用梯度下降算法,训练集应包含至少8种胎压状态的4000 个训练数据,每个胎压状态训练数据不应小于400个,每个速度区间 训练数据不应小于300个训练数据,且应尽量覆盖不同路况。为提高 训练数据采集效率,应借助辅助软件实时分析并统计打包训练数据, 以确保司机实时获知不同速度区间的数据采集进度,防止训练数据过 于集中在某个特定速度区间。为提高神经网络训练效率,实际训练过 程中将对训练数据打乱,防止因数据集不够多而造成过拟合或者训练 结果不收敛,反向传播训练过程中需要重复利用训练数据,一般经 1000-1500次迭代后收敛。
与现有技术相比,本发明的有益效果是:市场上现有的间接式胎 压监测的开发周期较长,并且需要针对不同的法规要求分别设计测试 计划采集数据,造成数据的不必要的冗余。由于间接式胎压检测系统 只能在具备完整信号、汽车结构设计完备的样品车上开发,往往开发 末期也临近汽车量产日期,所以缩短开发周期具有实际的商业价值, 有利于后期参数调校和软件功能修改。本专利方案可以充分利用神经 网络训练数据,提高数据利用率,大大缩短数据采集时间。
此外,本专利提出的方案可以比较可信地显示绝对胎压值(可选 功能),便于车主掌握实时胎压信息。
最后,基于本方案的胎压监测可以提供对于15%-25%区间内的 预报警(可选功能)。考虑到轻微的慢撒气也会明显增加油耗以及加 速轮胎磨损,因此,在满足国标要求的基础上,此功能能产生实际的 经济效益。
本发明为了实现上述功能,充分利用了轮胎胎压与车轮角速度频 谱的相关性。该相关性体现在将轮胎等效为弹簧-阻尼振动系统后, 轮圈扭向位移相对于外作用力(来源于粗糙地面的激励)的传递函数 可以用一个二阶函数近似。因此,由胎压降低造成的弹簧刚度系数和 弹簧阻尼系数的变化将体现在系统传递函数参数的变化上,进而影响 轮速信号频谱。通过甄别频谱的特征变化,便可以实现对轮胎胎压的 监测。
附图说明
图1为本发明系统框架结构示意图;
图2为本发明轮速信号对比图;
图3为本发明学习速率为0.002时的LMS滤波器仿真结果图;
图4为本发明学习速率为0.9时的LMS滤波器仿真结果图;
图5为本发明学习速率为0.3时的RLS滤波器仿真结果图;
图6为本发明未经修正轮速信号频谱时RLS滤波器预处理结果 图;
图7为本发明修正后轮速信号频谱时RLS滤波器预处理结果图;
图8为本发明倒谱分析效果图;
图9为本发明神经网络为双隐层神经网络架构图;
图10为本发明训练模型准确度随迭代次数的变化曲线图;
图11为本发明额定胎压下(*型)与25%缺气下(·型)的输出 对比图;
具体实施方式
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,所描述的实施例仅仅是本发明一部 分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普 通技术人员在没有做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。
请参阅图1-11,本发明提供一种技术方案:一种基于轮速信号 频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实 施细则,包含以下步骤:
步骤一:记录轮胎型号,为轮胎加装直接式胎压监测系统,并将 胎压充至额定胎压;
步骤二:开始采集CAN总线数据,并借助RLS滤波算法实时修 正四轮轮速信号上升沿时间戳,采集时间为120分钟的有效行驶(速 度35-105km/h)时间,采集数据过程中需要注意覆盖不同路况以及不 同速度区间,以确保训练数据的完备性;
步骤三:将车停靠在阴凉处一小时,并将胎压依次递减5%直至 为额定胎压的65%(100%->95%->90%->...->70%->65%),重复步骤 二;
步骤四:根据采集的数据离线生成训练数据;
步骤五:利用训练数据训练神经网络模型;
步骤六:存储训练后的神经网络模型参数,并依照AUTOSAR 规范植入ESC软件。
一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎 压监测方案以及方案实施细则中步骤二用于估计轮速信号上升沿时 间戳误差的RLS滤波算法,RLS滤波器参考车轮运转一周的平均速 度,对每个轮速信号上升沿时间戳进行实时误差估计和更新。
一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎 压监测方案以及方案实施细则中步骤四生成训练数据的具体实施方 式,步骤如下:
步骤一:记录数据包对应的平均速度;
步骤二:对数据包频谱进行倒谱分析,并对倒谱分析结果加窗后 计算出15Hz附近低频频段能量值;
步骤三:对倒谱分析结果加窗后计算出45Hz附近中频频段能量 值;
步骤四:对倒谱分析结果45Hz附近频段进行加权求均值,得到 中频能量谱峰值频率;
步骤五:记录数据包对应的dTPMS测量的胎压值;
步骤六:记录数据包对应的室外温度(辅助调校);
步骤七:记录数据包对应的记录数据包对应的dTPMS测量的轮 胎内部温度值(辅助调校);
步骤八:记录数据包对应的横纵向加速度值,用于剔除不良数据 包;
在经由步骤八中的数据剔除不良数据包后,将步骤一到步骤五生 成的有效数据包记录为训练数据,其中步骤五记录的数据作为训练数 据标签;
步骤六与步骤七记录的数据用于辅助参数调校,训炼结果需要依 据胎压与温度的先验知识,借助室外温度信号进行补偿。
生成训练数据的具体实施方式中步骤二利用倒谱分析提取轮速 信号包络线的方案,步骤如下:
步骤一:对修正后的轮速信号上升沿时间戳进行插值采样,采样 频率为256Hz;
步骤二:选取512个采样点对采样值打包,并对打包后的数据通 过倒谱分析提取频谱包络线,倒谱分析步骤中,在求得频谱对数的傅 里叶逆变换后,将下标大于10的结果记为0后进行傅里叶变换,求 得频谱包络线。
进一步地,一种基于轮速信号频谱特征的可以显示绝对胎压值的 间接式胎压监测方案以及方案实施细则,步骤五中神经网络训练方案, 具体细节如下:
方案所采用的神经网络为双隐层神经网络,第一层为输入层,包 含4路输入信号和一路偏置信号;
两层隐层分别具有7个和6个节点,输出层包含一个节点,输出 值表征胎压漏气程度,每层激励函数选用Sigmoid函数,以应对频谱 特征分析模型中的非线性特征,训练策略为反向传播算法,每层权值 更新策略采用梯度下降算法,训练集应包含至少8种胎压状态的4000 个训练数据,每个胎压状态训练数据不应小于400个,每个速度区间 训练数据不应小于300个训练数据,且应尽量覆盖不同路况,为提高 训练数据采集效率,应借助辅助软件实时分析并统计打包训练数据, 以确保司机实时获知不同速度区间的数据采集进度,防止训练数据过 于集中在某个特定速度区间,为提高神经网络训练效率,实际训练过 程中将对训练数据打乱,防止因数据集不够多而造成过拟合或者训练 结果不收敛。反向传播训练过程中需要重复利用训练数据,一般经 1000-1500次迭代后收敛。
本方案需在配备车身稳定控制系统(ESC)的试验车上进行,通 过CAN信号解析设备采集并记录所需信号数据。之后会利用所采集 的数据生成训练数据,用于对神经网络的训练。训练后的神经网络参 数将会被记录在实车的ESC存储器中,用于实时识别胎压状态和对 漏气轮胎的胎压报警。
其中CAN总线信号需包含如下信号:
1.四轮轮速信号上升沿时间戳
2.室外温度信号
3.直接式胎压监测系统记录的轮胎胎压信息(需在试验车上辅助 安装支持CAN通信协议的直接式胎压监测系统)
4.直接式胎压监测系统记录的轮胎内部实时温度(需在试验车上 辅助安装支持CAN通信协议的直接式胎压监测系统,用于辅助调校)
5.横纵向加速度信号(用于剔除动态较大的数据包,保证训练数 据的有效性)
由于霍尔式轮速传感器磁极加工精度和后期机械磨损,导致原始 轮速信号时间戳中存在误差。在汽车行驶速度恒定时,理想轮速信号 与实际轮速信号的对比图见图2。
当轮速恒定时,此误差会导致轮速信号频谱中出现幅值较大的谐 波分量,影响下一步的频谱分析,因此需要对轮速信号上升沿时间戳 信号进行预处理,以消除轮速信号频谱中的谐波分量。这对于准确分 析频谱特征非常必要。常规算法是采用最小均方差(LMS)滤波算法 来实现轮速信号时间戳误差的自学习,采用梯度下降法则逼近真实误 差信号。此方法缺点在于,实施过程中需要设定合理的收敛速度,收 敛速度过快则容易造成在真实值附近的超调与震荡,收敛速度过慢则 导致学习时间过长,有效数据减少。采用递归最小二乘(RLS)滤波 器可以有效避免这个问题。RLS滤波器参考车轮运转一周的平均速度, 对每个轮速信号上升沿时间戳进行误差估计和更新。RLS滤波器会依 据输入信号的统计特性自适应更新学习速度,实现更快的收敛速度, 并且有效避免超调。此外,RLS算法在估计误差时,只需要根据当前 测量值对状态估计值进行更新,因此具有较低的计算复杂度和对存储 空间的要求,适用于实时处理数据。LMS与RLS滤波器的算法仿真 结果对比见图3-5。
对轮速信号上升沿时间戳信号进行RLS滤波算法预处理,消除 轮速传感器生产误差,获得修正后的轮速信号上升沿时间戳。此时轮 速信号频谱中的谐波分量被消除,便于对频谱进行进一步的分析。基 于实车数据的RLS滤波器预处理结果见图6-7。
对修正后的轮速信号上升沿时间戳进行插值采样,采样频率为 256Hz,进而获取平滑滤波后的瞬时速度值。
选取512个采样点对采样值打包,并对打包后的数据通过倒谱分 析提取频谱包络线。倒谱分析步骤中,在求得频谱对数的傅里叶逆变 换后,将下标大于10的结果记为0后进行傅里叶变换,求得频谱包 络线。倒谱分析效果图见图8。
通过倒谱分析即可获得轮速信号频谱包络线。此包络线特征反映 了道路状况、车辆悬架共振、发动机传动装置共振以及轮胎胎压信息。
一般而言,15Hz附近低频频段频谱包络线特征仅与路面状况相 关,而45Hz附近中频频段频谱包络线特征既与路面状况相关,也与 胎压信息相关。由于路面粗糙程度会对45Hz中频频段频谱包络线产 生影响,因此,训练神经网络时需要将15Hz频段能量值(由频谱包 络线计算获得)作为一路输入信号。
同时,同样路况下,行驶速度也会对45Hz附近频谱特征造成影 响,因此需要在计算频谱包络线过程中,计算打包数据的平均速度。
训练数据应覆盖如下8种胎压状态
训练数据应覆盖如下7个速度区间
速度区间编号 | 速度范围(km/h) |
1 | 35–45 |
2 | 45–55 |
3 | 55–65 |
4 | 65–75 |
5 | 75–85 |
6 | 85–95 |
7 | 95–105 |
训练数据应覆盖如下5种路况
路况 | 路况描述 |
光滑沥青路面 | 路面状况较新,路面光滑平整 |
粗糙沥青路面 | 路面状况较旧,表面采用碎石粒料 |
光滑混凝土路面 | 路面状况较新,路面光滑平整 |
粗糙混凝土路面 | 路面状况较旧,表面有肉眼可见坑洞 |
碎石路面 | 路面粗糙,由碎石构成 |
本方案所采用的双隐层神经网络,训练模型准确度随迭代次数的 变化曲线见图10。
其中,针对GB26149草案,额定胎压下(红色)与25%缺气下 (绿色)的输出对比见图11。
本方案提出的神经网络在训练完成后,通过一阶低通滤波器(first order low-pass filter)滤波后即可准确地将满气和缺气状态区分开来, 以实现国标要求的轮胎缺气报警。此外,在降低滤波器收敛速度之后, 本方案可以较准确地输出单轮绝对胎压值,给予最终用户直观的感受。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术 人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这 些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权 利要求及其等同物限定。
Claims (6)
1.一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则,其特征在于:包含以下步骤:
步骤一:记录轮胎型号,为轮胎加装直接式胎压监测系统,并将胎压充至额定胎压;
步骤二:开始采集CAN总线数据,并借助RLS滤波算法实时修正四轮轮速信号上升沿时间戳,采集时间为60-180分钟的有效行驶(速度35-105km/h)时间,采集数据过程中需要注意覆盖不同路况以及不同速度区间,以确保训练数据的完备性;
步骤三:将车停靠在阴凉处一小时,并将胎压依次递减,重复步骤二;
步骤四:根据采集的数据离线生成训练数据;
步骤五:利用训练数据训练神经网络模型;
步骤六:存储训练后的神经网络模型参数,并依照AUTOSAR规范植入ESC软件。
2.根据权利要求1中步骤二用于估计轮速信号上升沿时间戳误差的RLS滤波算法,其特征在于:RLS滤波器参考车轮运转一周的平均速度,对每个轮速信号上升沿时间戳进行实时误差估计和更新。
3.根据权利要求1中的步骤三所述的胎压递减方式,其特征在于胎压依次递减5%直至为额定胎压的65%(100%->95%->90%->...->70%->65%)。
4.根据权利要求1中步骤四所述生成训练数据的具体实施方式,其特征在于:步骤如下:
步骤一:记录数据包对应的平均速度;
步骤二:对数据包频谱进行倒谱分析,并对倒谱分析结果加窗后计算出15Hz附近低频频段能量值;
步骤三:对倒谱分析结果加窗后计算出45Hz附近中频频段能量值;
步骤四:对倒谱分析结果45Hz附近频段进行加权求均值,得到中频能量谱峰值频率;
步骤五:记录数据包对应的dTPMS测量的胎压值;
步骤六:记录数据包对应的室外温度(辅助调校);
步骤七:记录数据包对应的记录数据包对应的dTPMS测量的轮胎内部温度值(辅助调校);
步骤八:记录数据包对应的横纵向加速度值,用于剔除不良数据包;
在经由步骤八中的数据剔除不良数据包后,将步骤一到步骤五生成的有效数据包记录为训练数据,其中步骤五记录的数据作为训练数据标签;
步骤六与步骤七记录的数据用于辅助参数调校,训炼结果需要依据胎压与温度的先验知识,借助室外温度信号进行补偿。
5.根据权利要求根据权利要求4中步骤二利用倒谱分析提取轮速信号包络线的方案,其特征在于:步骤如下:
步骤一:对修正后的轮速信号上升沿时间戳进行插值采样,采样频率为256Hz;
步骤二:选取512个采样点对采样值打包,并对打包后的数据通过倒谱分析提取频谱包络线,倒谱分析步骤中,在求得频谱对数的傅里叶逆变换后,将下标大于10的结果记为0后进行傅里叶变换,求得频谱包络线。
6.根据权利要求根据权利要求1中步骤五所述神经网络训练方案,其特征在于:具体细节如下:
方案所采用的神经网络为双隐层神经网络,第一层为输入层,包含4路输入信号和一路偏置信号;
两层隐层分别具有7个和6个节点,输出层包含一个节点,输出值表征胎压漏气程度,每层激励函数选用Sigmoid函数,以应对频谱特征分析模型中的非线性特征,训练策略为反向传播算法,每层权值更新策略采用梯度下降算法,训练集应包含至少8种胎压状态的4000个训练数据,每个胎压状态训练数据不应小于400个,每个速度区间训练数据不应小于300个训练数据,且应尽量覆盖不同路况;
为提高训练数据采集效率,应借助辅助软件实时分析并统计打包训练数据,以确保司机实时获知不同速度区间的数据采集进度,防止训练数据过于集中在某个特定速度区间;
为提高神经网络训练效率,实际训练过程中将对训练数据打乱,防止因数据集不够多而造成过拟合或者训练结果不收敛,反向传播训练过程中需要重复利用训练数据,一般经1000-1500次迭代后收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468169.8A CN108805031A (zh) | 2018-05-16 | 2018-05-16 | 一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468169.8A CN108805031A (zh) | 2018-05-16 | 2018-05-16 | 一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805031A true CN108805031A (zh) | 2018-11-13 |
Family
ID=64092489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810468169.8A Pending CN108805031A (zh) | 2018-05-16 | 2018-05-16 | 一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805031A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109774389A (zh) * | 2019-03-25 | 2019-05-21 | 宗培亮 | 一种基于频谱分析的间接式胎压监测方法 |
CN111483277A (zh) * | 2020-04-26 | 2020-08-04 | 武汉大学 | 基于机器学习的轮胎欠压识别方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105539026A (zh) * | 2015-12-11 | 2016-05-04 | 西安交通大学 | 一种胎压检测系统和方法 |
CN105946473A (zh) * | 2016-05-05 | 2016-09-21 | 郑州宇通客车股份有限公司 | 一种间接式胎压监测方法和装置 |
CN107160950A (zh) * | 2017-05-09 | 2017-09-15 | 清华大学苏州汽车研究院(吴江) | 一种基于can总线的车辆行驶状态识别方法 |
CN107512143A (zh) * | 2017-07-14 | 2017-12-26 | 清华大学 | 轮胎压力计算方法、装置及在自行车上的应用 |
-
2018
- 2018-05-16 CN CN201810468169.8A patent/CN108805031A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105539026A (zh) * | 2015-12-11 | 2016-05-04 | 西安交通大学 | 一种胎压检测系统和方法 |
CN105946473A (zh) * | 2016-05-05 | 2016-09-21 | 郑州宇通客车股份有限公司 | 一种间接式胎压监测方法和装置 |
CN107160950A (zh) * | 2017-05-09 | 2017-09-15 | 清华大学苏州汽车研究院(吴江) | 一种基于can总线的车辆行驶状态识别方法 |
CN107512143A (zh) * | 2017-07-14 | 2017-12-26 | 清华大学 | 轮胎压力计算方法、装置及在自行车上的应用 |
Non-Patent Citations (1)
Title |
---|
罗锲铭: "基于频率法的间接式轮胎压力监测系统研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109774389A (zh) * | 2019-03-25 | 2019-05-21 | 宗培亮 | 一种基于频谱分析的间接式胎压监测方法 |
CN111483277A (zh) * | 2020-04-26 | 2020-08-04 | 武汉大学 | 基于机器学习的轮胎欠压识别方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3330106B1 (en) | Indirect tire pressure and wear state estimation system and method | |
Qin et al. | Speed independent road classification strategy based on vehicle response: Theory and experimental validation | |
CN104008644B (zh) | 一种基于梯度下降的城市道路交通噪声测量方法 | |
CN109357822B (zh) | 一种基于车桥耦合系统时变动力特征改变的桥梁快速测试与评估方法 | |
CN106840097B (zh) | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 | |
CN103981795B (zh) | 一种利用车辆悬架传感器实现路面谱软测量的方法 | |
CN112539816B (zh) | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 | |
CN104792937B (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
CN106886638A (zh) | 一种基于核密度估计的履带车辆传动轴载荷谱编制方法 | |
CN106092600A (zh) | 一种针对汽车试验场强化道路的路面识别方法 | |
CN104299417B (zh) | 基于波形检测的车辆识别方法 | |
CN108805031A (zh) | 一种基于轮速信号频谱特征的可以显示绝对胎压值的间接式胎压监测方案以及方案实施细则 | |
CN105139086A (zh) | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 | |
CN103318180A (zh) | 一种车辆路面不平度自动识别系统及方法 | |
CN104228489A (zh) | 使用多维共振频率分析的间接轮胎压力监测系统和方法 | |
CN107379897B (zh) | 一种汽车轮胎安全状态智能检测装置 | |
CN110217238A (zh) | 一种行车风险等级判断优化方法 | |
CN107379898A (zh) | 一种汽车轮胎安全智能检测系统 | |
CN106250592A (zh) | 一种车辆惯质悬架参数优化设计方法 | |
CN104864846A (zh) | 基于加速度传感器的车载式路面不平度采集系统及工作方法 | |
CN102879009A (zh) | 一种汽车行驶里程计算方法及装置 | |
CN104699980A (zh) | 基于加速度传感器实现iri值软测量的方法 | |
CN105588599B (zh) | 车载移动测量系统振动位移误差的自适应矫正方法 | |
CN108228994A (zh) | 在越野道路随机激励下车辆及工作装置的应力计算方法 | |
CN203283230U (zh) | 一种车辆路面不平度自动识别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |