CN111976389B - 轮胎磨损程度辨识方法及装置 - Google Patents

轮胎磨损程度辨识方法及装置 Download PDF

Info

Publication number
CN111976389B
CN111976389B CN202010769295.4A CN202010769295A CN111976389B CN 111976389 B CN111976389 B CN 111976389B CN 202010769295 A CN202010769295 A CN 202010769295A CN 111976389 B CN111976389 B CN 111976389B
Authority
CN
China
Prior art keywords
tire
neural network
convolutional neural
network model
circumferential
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.)
Active
Application number
CN202010769295.4A
Other languages
English (en)
Other versions
CN111976389A (zh
Inventor
赵通
危银涛
梁冠群
杜永昌
童汝婷
邬明宇
尹航
吕靖成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010769295.4A priority Critical patent/CN111976389B/zh
Publication of CN111976389A publication Critical patent/CN111976389A/zh
Application granted granted Critical
Publication of CN111976389B publication Critical patent/CN111976389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Tires In General (AREA)

Abstract

本发明实施例提供一种轮胎磨损程度辨识方法及装置，该方法包括：获取行驶过程中轮胎的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度。该方法避免了对轮胎磨损复杂机理的建模，通过对轮胎周向、径向加速度响应进行分析实现磨损程度辨识，更加简便且精度更高，能实现在线的实时预测。利用卷积神经网络强大的特征提取功能对重组的加速度信号矩阵进行端到端的磨损程度预测，不需要太多前期预处理，对行车工况的变化具有鲁棒性。

Description

轮胎磨损程度辨识方法及装置
技术领域
本发明涉及车辆工程技术领域，尤其涉及一种轮胎磨损程度辨识方法及装置。
背景技术
轮胎磨损是车辆行驶过程中无法避免的问题，过度的磨损会影响车辆行驶时的稳定性，对行车安全造成极大威胁。对轮胎的磨损程度进行辨识可以为驾驶员判断当前轮胎健康状况提供有效信息。
目前，轮胎磨损程度辨识方法主要有基于轮胎加速度响应的花纹深度估计方法，对垂向加速度信号进行频谱分析得到共振频率，用递归最小二乘法进行参数估计进而得到花纹深度；但是此方法需要较长的估计时间，且估计精度严重依赖于花纹深度和共振频率之间的模型。目前的共振频率分析对磨损的敏感度不高，容易受到噪声干扰。
发明内容
本发明实施例提供一种鲁棒性好且能准确辨识出轮胎磨损程度的轮胎磨损程度辨识方法及装置，用以解决现有技术中的缺陷。
本发明实施例提供一种轮胎磨损程度辨识方法，包括：获取行驶过程中轮胎的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
根据本发明一个实施例的轮胎磨损程度辨识方法，所述获取行驶过程中的周向加速度序列和径向加速度序列，包括连续地采集行驶过程中轮胎的周向加速度信号和径向加速度信号；截取车速变化率小于预设阈值时间段内的周向和径向的加速度信号片段，对两类加速度信号片段分别依次进行分割，得到多个周向加速度序列和多个径向加速度序列。
根据本发明一个实施例的轮胎磨损程度辨识方法，所述将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本，包括：将相同时间段的周向加速度序列和径向加速度序列，作为二维矩阵的邻近两行，对于多个相邻时间段的周向加速度序列和径向加速度序列依次进行拼接，得到对应的二维矩阵形式的待预测样本。
根据本发明一个实施例的轮胎磨损程度辨识方法，所述周向加速度序列和所述径向加速度序列的时长，大于一个轮胎旋转周期。
根据本发明一个实施例的轮胎磨损程度辨识方法，将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度，包括：将所述待预测样本输入至所述卷积神经网络模型的多层卷积层，利用所述多层卷积层对所述待预测样本进行特征提取，得到所述待预测样本对应的多个特征图；将所述特征图输入到平均池化层进行特征降维，得到所述特征图对应的多个一维特征点向量；将所有一维特征点向量进行综合，输入至所述卷积神经网络模型的全连接层，再经过所述卷积神经网络模型的输出层，输出对应磨损程度的预测概率，根据所述预测概率确定磨损程度。
根据本发明一个实施例的轮胎磨损程度辨识方法，将所述待预测样本输入至预设的卷积神经网络模型之前，还包括：获取磨损程度已知的轮胎行驶过程中的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；将归一化后的多个周向加速度序列和多个径向加速度序列，组成二维矩阵形式，结合确定的磨损程度结果作为标签，得到训练样本；根据多个磨损程度已知的轮胎得到的训练样本，对所述卷积神经网络模型进行训练；完成训练的卷积神经网络模型用于对待预测的轮胎进行实时磨损程度预测。
根据本发明一个实施例的轮胎磨损程度辨识方法，所述对所述卷积神经网络模型进行训练，包括：初始化卷积神经网络模型的参数；
将任意一个训练样本输入至所述卷积神经网络模型，输出所述训练样本对应于磨损程度的预测概率；利用预设损失函数根据所述训练样本对应的预测概率和所述训练样本的标签计算损失误差；用梯度下降法对损失误差进行逐层反向传播，实现参数更新，直至损失误差收敛到预设阈值时，完成训练。
本发明实施例还提供一种轮胎磨损程度辨识装置，包括：加速度采集模块，用于获取行驶过程中轮胎的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；预处理模块，用于将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；磨损程度辨识模块，用于将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述轮胎磨损程度辨识方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述轮胎磨损程度辨识方法的步骤。
本发明实施例提供的轮胎磨损程度辨识方法及装置，避免了对轮胎磨损复杂机理的建模，通过对轮胎周向、径向加速度响应进行分析实现磨损程度辨识，更加简便且精度更高，能实现在线的实时辨识。利用卷积神经网络强大的特征提取功能对重组的加速度信号矩阵进行端到端的磨损程度分类，不需要太多前期预处理，对行车工况的变化具有鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的轮胎磨损程度辨识方法的流程示意图；
图2是本发明实施例提供的二维矩阵待预测样本构建示意图；
图3是本发明实施例提供的卷积神经网络结构示意图；
图4是本发明实施例提供的轮胎磨损程度辨识装置的结构示意图；
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的轮胎磨损程度辨识方法的流程示意图，如图1所示，本发明实施例提供一种轮胎磨损程度辨识方法，包括：
101、获取行驶过程中轮胎的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化。
该方法可通过ECU实现，并通过三轴加速度传感器和车速传感器获取数据。周向即“圆周方向”，与“轴向”、“径向”共同构成车轮柱坐标的三个正交方向。三轴加速度传感器用于采集车辆行驶时轮胎的周向、径向加速度信号，并贴附于轮胎内衬横向中心位置。车速信号可以直接从汽车CAN总线上读取轮速传感器的车速得到，也可由GPS模块测量得到。
例如，首先从原始信号中选出可用的、易处理的加速度信号片段，截取出车速相对稳定时的周向、径向加速度信号，然后对车速的平方进行归一化处理。
102、将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本。
将多个周向、径向加速度信号序列，重复地在矩阵行方向上拼接，得到维度为M×N的二维矩阵，M为矩阵的行数，即序列的个数；N为矩阵的列数，即每个序列的采样值个数。
103、将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，获取轮胎的磨损程度；其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
预设的卷积神经网络模型，是通过已知磨损程度的加速度序列训练样本训练后得到的。训练样本，是预先已经获知磨损程度的加速度序列构成的矩阵形式的样本，并将对应的已知磨损程度作为待预测样本的标签。建立卷积神经网络模型后，通过大量的此类训练样本进行训练，从而得到预设的卷积神经网络模型，对于后续获取的待辨识的待预测样本，将待预测样本输入至预设的卷积神经网络模型，能够快速准确得到相应的磨损程度输出结果。
相应地，用于训练的训练样本的二维矩阵形式获取方法，采用步骤101和102中的相同方法。通过利用深度学习中的卷积网络模型，实现从低层级特征提取抽象不变的高层属性特征，实现了复杂的非线性函数逼近，从而保证获得的磨损程度的准确性。
磨损程度标签可根据需求进行定义，例如为全新、轻度磨损、中度磨损和重度磨损。可通过显示模块通过线束与ECU通信，将磨损程度显示于仪表盘内的显示屏幕中，图形化地展示出当前所有轮胎的磨损等级情况。
本发明实施例提供的轮胎磨损程度辨识方法，避免了对轮胎磨损复杂机理的建模，通过对轮胎周向、径向加速度响应进行分析实现磨损程度辨识，更加简便且精度更高，能实现在线的实时辨识。利用卷积神经网络强大的特征提取功能对重组的加速度信号矩阵进行端到端的磨损程度分类，不需要太多前期预处理，对行车工况的变化具有鲁棒性。
基于上述实施例的内容，作为一种可选实施例，获取行驶过程中的周向加速度序列和径向加速度序列，包括：获取行驶过程中周向加速度的连续信号和径向加速度的连续信号；截取车速变化率小于预设阈值时间段内的周向和径向的加速度信号片段，对两类加速度信号片段进行分割，得到多个周向加速度序列和多个径向加速度序列。
信号采集装置，连续地采集行驶过程中轮胎的周向加速度信号和径向加速度信号。截取出车速相对稳定、没有出现急剧变化时的所有信号片段，可基于单位时间的速度变化率来判断。
所有片段按长度N进行顺序采样分割，采样之后，还包括将每个采样得到的N个点的加速度序列线性归一化到[0，1]的区间内。然后将周向、径向加速度信号序列重复地在矩阵行方向上拼接，得到维度为M×N的二维矩阵，M为矩阵的行数，N为矩阵的列数。
本发明实施例的轮胎磨损程度辨识方法，通过截取车速变化率小于预设阈值的周向和径向的加速度信号片段，保证加速的平稳性，有利于磨损程度的准确判断。
基于上述实施例的内容，作为一种可选实施例，将归一化后的多个周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本，包括：将相同时间段的周向加速度序列和径向加速度序列，作为二维矩阵的邻近两行，对于多个时间段的周向加速度序列和径向加速度序列依次进行拼接，得到对应的二维矩阵形式的待预测样本。
图2是本发明实施例提供的二维矩阵待预测样本构建示意图，可参见图2，按上述方法，将周向、径向加速度信号序列重复地在矩阵行方向上拼接，得到维度为M×N的二维矩阵，M为矩阵的行数，N为矩阵的列数。
基于上述实施例的内容，作为一种可选实施例，周向加速度序列和所述径向加速度序列的时长，大于一个轮胎旋转周期。
序列的分割长度N需要保证在硬件采样率下，至少覆盖一个完整的轮胎旋转周期，从而能够全面评估轮胎的磨损程度。
基于上述实施例的内容，作为一种可选实施例，将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，获取轮胎的磨损程度，包括：将所述待预测样本输入至所述卷积神经网络模型的多层卷积层，利用所述多层卷积层对所述待预测样本进行特征提取，得到所述待预测样本对应的多个特征图；将所述特征图输入到平均池化层进行特征降维，得到所述特征图对应的多个一维特征点向量；将所有一维特征点向量进行综合，输入至所述卷积神经网络模型的全连接层，再经过所述卷积神经网络模型的输出层，输出对应磨损程度的预测概率，根据所述预测概率确定磨损程度。
例如，卷积神经网络包含8层：输入层、四层卷积层、全局平均池化层、全连接层和输出层。图3是本发明实施例提供的卷积神经网络结构示意图，如图3所示，前四层卷积层顺序连接，对输入的二维矩阵进行特征提取；卷积后通过全局平均池化操作，将待预测样本的列方向，即时间维度进行平均，得到特征点；全连接层将特征点进行整合，再经过逻辑回归的Softmax最终得到输出。
第一个卷积层接收输入的二维加速度信号矩阵对应的待预测样本，用卷积核对其进行卷积运算，与偏置参数相加后再经过激活函数得到该层的输出；接下来的三个卷积层依次将上一层的激活输出作为当前层的输入；第六层为全局平均池化层，它将第五层的卷积层输出的所有特征图，在列方向上，即输入的二维加速度信号矩阵的时间维度上进行平均运算，得到特征点矢量；第七层为全连接层，将所有特征点矢量综合成二维矩阵，与权重矩阵相乘再与偏置参数相加，经过激活函数得到激活输出；第八层为输出层，通过Softmax方法把第七层输出的离散数值转化成对应于磨损程度的概率；对应概率最大者作为最终预测结果。
基于上述实施例的内容，作为一种可选实施例，将所述待预测样本输入至预设的卷积神经网络模型之前，还包括：获取有磨损程度结果的轮胎行驶过程中的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；将归一化后的多个周向加速度序列和多个径向加速度序列，组成二维矩阵形式，结合确定的磨损程度结果作为标签，得到训练样本；根据多个磨损程度已知的轮胎得到的训练样本，对所述卷积神经网络模型进行训练；完成训练的卷积神经网络模型用于对待预测的轮胎进行实时磨损程度预测。
基于上述实施例的内容，作为一种可选实施例，对所述卷积神经网络模型进行训练，包括：将任意一个训练样本输入至所述卷积神经网络模型，输出训练样本对应的磨损程度预测概率；利用预设损失函数根据训练样本对应的预测概率和训练样本的标签计算损失误差；用梯度下降法对损失误差进行逐层反向传播，实现参数更新，直至损失误差收敛到预设阈值时，完成训练。
可随机初始化卷积层的卷积核、偏置参数以及全连接层的权重矩阵，将训练样本输入卷积神经网络进行前向传播；用损失函数计算卷积神经网络的预测输出和真实标签之间的损失误差，用梯度下降法对损失误差进行逐层反向传播，实现参数更新，完成对卷积神经网络的端到端监督训练，具体举例如下：
第一个卷积层为CL1，它接收输入的二维加速度信号矩阵，用卷积核对其进行卷积运算，经过激活函数得到该层的输出，可以表示为：
Figure BDA0002615923030000091
oj 1＝f(yj 1)
其中，x为输入的二维矩阵，kj 1为得到第j个卷积输出yj 1所用的卷积核，
Figure BDA0002615923030000092
表示卷积运算，bj 1为偏置参数，f(·)表示激活函数，oj 1为激活输出的特征图。
接下来的三个卷积层CL2、CL3、CL4可以表示为：
Figure BDA0002615923030000093
oj l＝f(yj l)
其中，l＝2，3，4为层数的序号，上一层的激活输出oi l-1作为当前层的输入，kij l为由l-1层的第i个激活输出得到第l层的第j个输出的卷积核，bj l为第l层的偏置参数。
对于第四个卷积层输出oj 4的所有特征图，在列方向上进行平均，得到特征点矢量qj 6：
qj 6＝[qj1 6,···qji 6,···qjM 6]
Figure BDA0002615923030000101
其中，qji 6为一个特征元素，oj 4(i,m)为特征图oj 4的第i行、第m列的元素。
第七层为全连接层，可以表示为:
oj 7＝f(ω7·q6+bj 7)
其中，ω7为全连接层的权重矩阵，q6为所有特征点矢量组合而成的二维矩阵，bj 7为全连接层的偏置参数，oj 7为包含n个元素的激活输出矢量，n为磨损等级类别数。
第八层为输出层，通过Softmax方法把n个离散数值转化成对应磨损程度的概率：
Figure BDA0002615923030000102
其中，P(x∈Cj)即为输入样本x预测为类别Cj的概率，j＝1,···,n。预测结果和真实标签之间的损失为:
Figure BDA0002615923030000103
其中，Sj为真实标签概率。
反向传播过程包括损失误差依次在输出层、全连接层、全局平均池化层及卷积层的传播，参数更新包括对全连接层的权重矩阵、卷积层的卷积核参数及偏置参数进行更新。
经验证，在网络的训练迭代过程中，在训练数据集和测试数据集上的预测准确率；随着训练的进行，在训练集和测试集上的准确率不断提高，平均准确率达到97.5％，网络进行了有效的学习，能够有效提取出对磨损程度敏感的特征。
下面对本发明实施例提供的轮胎磨损程度辨识装置进行描述，下文描述的轮胎磨损程度辨识装置与上文描述的轮胎磨损程度辨识方法可相互对应参照。
图4是本发明实施例提供的轮胎磨损程度辨识装置的结构示意图，如图4所示，该轮胎磨损程度辨识装置包括：加速度采集模块401、预处理模块402和磨损程度辨识模块403。其中，加速度采集模块401用于获取行驶过程中的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；预处理模块402用于将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；磨损程度辨识模块403用于将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的轮胎磨损程度辨识装置，避免了对轮胎磨损复杂机理的建模，通过对轮胎周向、径向加速度响应进行分析实现磨损程度辨识，更加简便且精度更高，能实现在线的实时辨识。利用卷积神经网络强大的特征提取功能对重组的加速度信号矩阵进行端到端的磨损程度分类，不需要太多前期预处理，对行车工况的变化具有鲁棒性。
图5是本发明实施例提供的一种电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行轮胎磨损程度辨识方法，该方法包括：获取行驶过程中的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的轮胎磨损程度辨识方法，该方法包括：获取行驶过程中的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的轮胎磨损程度辨识方法，该方法包括：获取行驶过程中的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种轮胎磨损程度辨识方法，其特征在于，包括：
获取行驶过程中轮胎的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；
将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；
将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；
其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到；
所述获取行驶过程中轮胎的周向加速度序列和径向加速度序列，包括：
连续地采集行驶过程中轮胎的周向加速度信号和径向加速度信号；
截取车速变化率小于预设阈值时间段内的周向和径向的加速度信号片段，对两类加速度信号片段分别依次进行分割，得到多个周向加速度序列和多个径向加速度序列。
2.根据权利要求1所述的轮胎磨损程度辨识方法，其特征在于，所述将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本，包括：
将相同时间段的周向加速度序列和径向加速度序列，作为二维矩阵的邻近两行，对于多个相邻时间段的周向加速度序列和径向加速度序列依次进行拼接，得到对应的二维矩阵形式的待预测样本。
3.根据权利要求1所述的轮胎磨损程度辨识方法，其特征在于，所述周向加速度序列和所述径向加速度序列的时长，大于一个轮胎旋转周期。
4.根据权利要求1所述的轮胎磨损程度辨识方法，其特征在于，将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度，包括：
将所述待预测样本输入至所述卷积神经网络模型的多层卷积层，利用所述多层卷积层对所述待预测样本进行特征提取，得到所述待预测样本对应的多个特征图；
将所述特征图输入到平均池化层进行特征降维，得到所述特征图对应的多个一维特征点向量；
将所有一维特征点向量进行综合，输入至所述卷积神经网络模型的全连接层，再经过所述卷积神经网络模型的输出层，输出对应磨损程度的预测概率，根据所述预测概率确定磨损程度。
5.根据权利要求1所述的方法，其特征在于，将所述待预测样本输入至预设的卷积神经网络模型之前，还包括：
获取磨损程度已知的轮胎行驶过程中的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；
将归一化后的多个周向加速度序列和多个径向加速度序列，组成二维矩阵形式，结合确定的磨损程度结果作为标签，得到训练样本；
根据多个磨损程度已知的轮胎得到的训练样本，对所述卷积神经网络模型进行训练；
完成训练的卷积神经网络模型用于对待预测的轮胎进行实时磨损程度预测。
6.根据权利要求5所述的方法，其特征在于，所述对所述卷积神经网络模型进行训练，包括：
初始化卷积神经网络模型的参数；
将任意一个训练样本输入至所述卷积神经网络模型，输出所述训练样本对应于磨损程度的预测概率；
利用预设损失函数根据所述训练样本对应的预测概率和所述训练样本的标签计算损失误差；
用梯度下降法对损失误差进行逐层反向传播，实现参数更新，直至损失误差收敛到预设阈值时，完成训练。
7.一种轮胎磨损程度辨识装置，其特征在于，包括：
加速度采集模块，用于获取行驶过程中轮胎的周向加速度序列和径向加速度序列，并根据同时刻的车速平方，对序列进行归一化；
预处理模块，用于将归一化后的周向加速度序列和径向加速度序列，组成二维矩阵形式的待预测样本；
磨损程度辨识模块，用于将所述待预测样本输入至预设的卷积神经网络模型，根据所述卷积神经网络模型的输出结果，确定轮胎的磨损程度；
所述获取行驶过程中轮胎的周向加速度序列和径向加速度序列，包括：
连续地采集行驶过程中轮胎的周向加速度信号和径向加速度信号；
截取车速变化率小于预设阈值时间段内的周向和径向的加速度信号片段，对两类加速度信号片段分别依次进行分割，得到多个周向加速度序列和多个径向加速度序列；
其中，所述卷积神经网络模型，根据带有磨损程度标签的周向加速度序列和径向加速度序列的二维矩阵，作为训练样本训练后得到。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述轮胎磨损程度辨识方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述轮胎磨损程度辨识方法的步骤。
CN202010769295.4A 2020-08-03 2020-08-03 轮胎磨损程度辨识方法及装置 Active CN111976389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010769295.4A CN111976389B (zh) 2020-08-03 2020-08-03 轮胎磨损程度辨识方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010769295.4A CN111976389B (zh) 2020-08-03 2020-08-03 轮胎磨损程度辨识方法及装置

Publications (2)

Publication Number Publication Date
CN111976389A CN111976389A (zh) 2020-11-24
CN111976389B true CN111976389B (zh) 2021-09-21

Family

ID=73445008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010769295.4A Active CN111976389B (zh) 2020-08-03 2020-08-03 轮胎磨损程度辨识方法及装置

Country Status (1)

Country Link
CN (1) CN111976389B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112373248B (zh) * 2020-11-27 2022-08-19 智周博行(北京)科技有限公司 轮胎磨损检测方法、轮胎磨损检测装置及车辆
CN112829526A (zh) * 2021-02-09 2021-05-25 上海交通大学 一种轮胎磨损程度监测方法、系统
CN113506254B (zh) * 2021-06-30 2022-12-06 武汉飞恩微电子有限公司 跟踪轮胎胎面磨损方法、装置、设备及存储介质
CN113255847B (zh) * 2021-07-08 2021-10-01 山东捷瑞数字科技股份有限公司 一种基于生成对抗网络的轮胎磨损程度预测方法
CN113761649B (zh) * 2021-08-05 2024-06-11 江苏大学 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法
CN116881783B (zh) * 2023-06-21 2024-04-09 清华大学 道路损伤检测方法、装置、计算机设备、存储介质
CN116881782B (zh) * 2023-06-21 2024-07-23 清华大学 路面病害识别方法、装置、计算机设备和存储介质
CN117217389B (zh) * 2023-10-26 2024-09-20 广东省信息网络有限公司 一种交互式数据预测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104044585A (zh) * 2013-03-12 2014-09-17 固特异轮胎和橡胶公司 车辆动态载荷估计系统和方法
CN104870970A (zh) * 2012-12-28 2015-08-26 普利司通美国轮胎运营有限责任公司 用于室内轮胎测试的可扩展车辆模型
CN107614294A (zh) * 2015-03-31 2018-01-19 株式会社普利司通 轮胎磨损量估计方法和轮胎磨损量估计设备
CN108319962A (zh) * 2018-01-29 2018-07-24 安徽大学 一种基于卷积神经网络的刀具磨损监测方法
CN108357486A (zh) * 2018-01-24 2018-08-03 长安大学 一种客运车辆长下坡自适应缓速器及其控制装置和方法
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11112784B2 (en) * 2016-05-09 2021-09-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for communications in an industrial internet of things data collection environment with large data sets
JP6567471B2 (ja) * 2016-06-30 2019-08-28 株式会社ブリヂストン 加速度センサの脱落判定方法及び加速度センサの脱落判定装置
KR102079862B1 (ko) * 2018-05-10 2020-02-20 이도규 타이어의 트레드 이미지를 이용한 마모도 측정 시스템 및 방법
CN110667402B (zh) * 2019-10-17 2023-04-07 清华大学苏州汽车研究院（吴江） 四轮驱动电动汽车电子差速控制方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104870970A (zh) * 2012-12-28 2015-08-26 普利司通美国轮胎运营有限责任公司 用于室内轮胎测试的可扩展车辆模型
CN104044585A (zh) * 2013-03-12 2014-09-17 固特异轮胎和橡胶公司 车辆动态载荷估计系统和方法
CN107614294A (zh) * 2015-03-31 2018-01-19 株式会社普利司通 轮胎磨损量估计方法和轮胎磨损量估计设备
CN108357486A (zh) * 2018-01-24 2018-08-03 长安大学 一种客运车辆长下坡自适应缓速器及其控制装置和方法
CN108319962A (zh) * 2018-01-29 2018-07-24 安徽大学 一种基于卷积神经网络的刀具磨损监测方法
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法

Also Published As

Publication number Publication date
CN111976389A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111976389B (zh) 轮胎磨损程度辨识方法及装置
CN109118055B (zh) 一种驾驶行为评分方法及装置
CN112465748B (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN108345875B (zh) 可行驶区域检测模型训练方法、检测方法和装置
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN108447057B (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN113160084B (zh) 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置
CN115034315B (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
CN108229522A (zh) 神经网络的训练方法、属性检测方法、装置及电子设备
CN115451803B (zh) 基于gnss与测量机器人融合的水闸实时监测预警方法
CN111177135B (zh) 一种基于界标的数据填补方法及装置
CN113567369A (zh) 一种基于多光谱遥感的森林环境监测方法及系统
CN116385819A (zh) 基于神经网络模型的水质评价方法、装置以及设备
CN114155397A (zh) 一种小样本图像分类方法及系统
CN110263836B (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
CN116597320A (zh) 一种适合复杂山区的滑坡地质灾害时空预测方法
CN116561536B (zh) 一种滑坡隐患的识别方法、终端设备及介质
CN117058451A (zh) 基于二维卷积神经网络的结构加速度数据异常检测方法
CN111639523A (zh) 目标检测方法、装置、计算机设备和存储介质
CN116242788A (zh) 基于多光谱影像的水体磷酸盐浓度预测方法以及装置
CN115861630A (zh) 跨波段红外目标检测方法、装置、计算机设备和存储介质
CN113610781B (zh) 一种时序sar图形的变化检测方法及装置
CN115565115A (zh) 一种舾装件智能识别方法、计算机设备
CN116934603A (zh) 测井曲线缺失段补全方法、装置、存储介质及电子设备
CN116822671A (zh) 一种油耗预测方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant