CN112622915B - 基于高频轮速与机器学习的胎压及磨损量监测方法 - Google Patents

基于高频轮速与机器学习的胎压及磨损量监测方法 Download PDF

Info

Publication number
CN112622915B
CN112622915B CN202011565204.1A CN202011565204A CN112622915B CN 112622915 B CN112622915 B CN 112622915B CN 202011565204 A CN202011565204 A CN 202011565204A CN 112622915 B CN112622915 B CN 112622915B
Authority
CN
China
Prior art keywords
wheel speed
tire pressure
tire
frequency
signal
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
CN202011565204.1A
Other languages
English (en)
Other versions
CN112622915A (zh
Inventor
魏凌涛
李亮
王翔宇
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 CN202011565204.1A priority Critical patent/CN112622915B/zh
Publication of CN112622915A publication Critical patent/CN112622915A/zh
Application granted granted Critical
Publication of CN112622915B publication Critical patent/CN112622915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了属于故障诊断技术领域，特别涉及一种基于高频轮速与机器学习的胎压及磨损量监测方法。该方法包括：一、胎压监测，二、轮胎寿命监测；三、轮胎状态预警三部分；本发明通过轮胎压力传感器和环境温度传感器，综合决策树和SVM的对合理的轮速信号初步判断情况，估计得到的胎压和轮胎的磨损量，判断出胎压正常、胎压欠压、胎压过压和轮速不正常的状态，经过胎压监测和轮胎寿命监测，可得到轮胎的状态；在轮胎处于过压、欠压或磨损量超过一定值后，通过声或光的方式提示轮胎处于预警状态，要求驾驶者注意安全。

Description

基于高频轮速与机器学习的胎压及磨损量监测方法
技术领域
本发明属于故障诊断技术领域，特别涉及一种基于高频轮速与机器学习的胎压及磨损量监测方法。
背景技术
间接式胎压监测的原理是不直接利用压力传感器对胎压进行测量，取而代之的是利用轮速或其他信号，计算与胎压相关的轮胎物理参数，进而间接估计胎压。由于轮胎的频率谱与胎压呈现一定关系，如图1所示，通过轮速信号可计算该频率谱，对比计算得到的频率谱和理论频率谱，可间接估计胎压。此外，车轮磨损量也会影响该频率谱。
在专利2019109470950中公开了一种胎压监测方法及装置，其利用滚动半径与频率方法相结合，实现了一种低成本的胎压监测方法。上述方法仅针对前轮使用频率法进行判断胎压判断，后轮仅使用半径方法。
发明内容
本发明的目的是提供一种基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，该方法包括：一、胎压监测，二、轮胎寿命监测；三、轮胎状态预警三部分；现在分述如下：
所述胎压监测包括如下步骤：
步骤一，轮速信号预处理，从ABS轮速传感器获得的原子数，获得用于后续计算的轮速信号，经该步骤处理后的图像为剔除了轮速齿圈误差、重采样后的轮速；
步骤二，轮速信号的特征提取，将处理得到的轮速信号进行频域和时域分析，提取信号的特征；
步骤三，剔除不合理信号，利用决策树将不合理信号剔除，判断轮速信号合理与不合理；
步骤四，利用支持向量机(Supporting Vector Machine,SVM)合理的轮速信号初步判断为可能正常、可能欠压、可能过压；
步骤五，综合一段时间内决策树和SVM的对合理的轮速信号初步判断情况，判断出胎压正常、胎压欠压、胎压过压和轮速不正常的结果；
所述轮胎寿命监测即轮胎磨损量监测包括步骤：
第一，上述胎压监测提供了一种判断车轮正常胎压、欠压、过压的方法，显然，将上述胎压状态进一步细分为胎压为1.8bar,1.9bar,…2.3bar,2.4bar；利用该方法可得到细分的胎压估计值；
第二，根据频率、环境温度和胎压的关系，利用温度传感器测得环境温度，根据估计得到的胎压，可得到轮胎的估计频率
Figure GDA0003513885750000021
同理，在轮胎内增加压力传感器，通过实测的胎压值，可得到轮胎的实际频率f；因为轮胎的磨损和胎压均会导致频率的改变，因此，当假设轮胎未磨损时，通过实验测试得到的数据曲线估计的胎压与压力传感器一致，进而求解得到的频率一致；
第三，计算频率变化量
Figure GDA0003513885750000031
通过实验测试得到的数据曲线进而得到轮胎磨损量的估计值。
所述轮胎状态预警，经过上述胎压监测和轮胎寿命监测，可得到轮胎的状态；当轮胎处于过压、欠压或磨损量超过一定值后，通过声或光的方式提示驾驶者。
所述胎压监测的步骤一轮速信号预处理，具体包括：
第一，采用滚动半径与频率相结合方法进行轮速计算，得到重采样后的轮速；
第二，将采集到的轮速切分为多组固定时长tl的轮速信号序列，后续的分析均以时长tl的轮速信号为基础，其中tl取为7.5s。
所述胎压监测的步骤二轮速信号的特征提取，基于实验数据特征和实验经验，提出了轮速信号的频域和时域的23个特征，该特征用于描述轮速信号在时域和频域的形状；
所述时域特征包括轮速均值
Figure GDA0003513885750000032
轮速信号高频部分的均方根值RMS；
所述频域特征包括(1)峰值位置fr(i)和峰值Pr(i)；其中i表示第几个峰对应的特征，i＝1,2,3,4,5,6；(2)拟合频谱的峰值位置fs(i)、拟合频谱的峰宽度δfs(i)和拟合频谱的幅值Ps(i)；其中i＝1,2,3；
上述各特征均是以轮速切分时长tl的轮速信号序列为基础，假设某一段轮速信号序列为v(t)，t＝1,2…,N；特征计算方式如下：
①
Figure GDA0003513885750000042
(单位km/h)：将被分析的信号取平均值；
②RMS(单位km/h)：首先，利用高通滤波器对v(t)进行滤波，得到滤波后的轮速序列vfilter(t)；其次，计算滤波后轮速信号的均方根值，计算公式为
Figure GDA0003513885750000041
③fr(i)和Pr(i)的计算：
第一，将高通滤波后的轮速信号vfilter(t)做离散傅里叶变换或快速傅里叶变换，得到轮速信号的频率谱，该频率谱的横坐标是频率，纵坐标为幅值，表示信号在某一频率位置振动的强弱程度；
第二，截取频率谱中的0-200Hz频段部分；
第三，寻找频率谱的前i个极值点，方法为：(a)设定频率间隔为△ftemp，此处△ftemp取为15Hz；(b)将寻找区间设置为[0,200]Hz，(c)搜寻寻找区间内的幅值最大点，其对应的频率记为ftemp，(d)寻找区间重置为上一个寻找区间扣除幅值最大点的附近区间[max(0,ftemp-△ftemp),min(200,ftemp+△ftemp)],(e)重复(c)(d)过程直至找到6个极值点，并将其按频率从小到大编号为i＝1,2,3,4,5,6；
第四，fr(i)和Pr(i)分别取为6个极值点的频率、幅值；
④fs(i)、δfs(i)和Ps(i)计算：
第一，将③中得到的频率谱图像，得到拟合后的频率谱，利用高斯分布拟合；或利用平滑拟合；平滑拟合的方法为，某一点记为△ftemp处的拟合值取为其左右频率间隔△ftemp，△ftemp取为2.5Hz，构成的区间[max(0,ftemp-△ftemp),min(200,ftemp+△ftemp)]内所有点的均值，拟合得到的频率谱图像；
第二，设置关心区间为[0,10]Hz,[35,45]Hz和[75,90]Hz；
第三，在关心区间内计算fs(i)、δfs(i)和Ps(i)，以关心区间[35,45]Hz为例，计算步骤如下：(a)找到该区间内的幅值最大值Pmax和最小值Pmin，将幅值的变化量取为ΔP＝0.3*(Pmax-Pmin)或ΔP＝(0-1)*(Pmax-Pmin)；(b)将关心区间内幅值与Pmax偏差为ΔP的两个点对应的频率记为P3和P4；(c)若Pmax是在区间[P3,P4]内，且P3,P4均不等于关心区间的左、右端点，则fs(i)＝(P3+P4)/2，δfs(i)＝P4-P3，fs(i)＝Pmax；否则上述三者均取为0，表示在关心区间内信号未表现出先上升后下降的趋势；(d)对三个区间均进行(c)步骤计算，区间[0,10]Hz,[35,45]Hz,[75,90]Hz计算得到的fs(i)、δfs(i)、Ps(i)的下标i分别取为1,2,3。
所述胎压监测的步骤三剔除不合理信号，具体包括：
第一，实验人员正常驾驶车辆行驶并采集数据，试验车辆在行驶时包括有正常胎压、欠压、过压的数据，其中欠压取为正常胎压的80％，过压取为120％；基于实验人员经验，将实验测得的轮速信号分为合理和不合理两类，经上述步骤一、步骤二和步骤三后，得到一系列组元；每个组元包含有上述23个特征，且包含有一个表示该组员信号是否合理与不合理的标签；
第二，将上述组元利用决策树进行训练，不同决策树的主要区别是最大分支数量不同，这里使用不同的决策树对轮速信号进行训练，得到准确率最高的一种决策树；其中，最大分支数量小于20的决策树在此有好的效果；
第三，对于新采集的轮速数据，基于上述计算的特征和训练得到的决策树，给出“合理信号”或“不合理信号”的判断；
所述判断得出“不合理信号”的主要依据是，(1)轮速均值不要过小，(2)信号的抖动和噪声不要过大，即RMS不能过大，(3)信号的波峰形状应当与理论形状近似，即fr(i)和Pr(i)、fs(i)和δfs(i)及Ps(i)呈现特定的关系。
所述胎压监测的步骤四可能胎压判断
第一，将步骤四中获得的合理信号分为正常、欠压、过压三类，每类信号的组元均包含有上述23个特征，且包含有一个表示该组员信号是否正常、欠压、过压的标签；
第二，将上述信号利用SVM进行训练，不同SVM的主要区别是采用的核函数不同，这里使用不同的SVM对轮速信号进行训练，得到准确率最高的一种SVM；经使用下式所示的二次核函数在此有较好的效果，其中x,y是向量，α和c是可调参数；
k(x,y)＝(αxTy+c)2 (2)
第三，对于新采集的轮速数据，在经过步骤四判断为合理后，经本步骤使用训练得到的SVM进行判断，给出“可能正常”、“可能欠压”、“可能过压”判断。
所述胎压监测的步骤五最终胎压判断，
第一，将新采集的一组数据按固定时间间隔分为若干组；其中，有Nu组信号被判定为不合理信号，有Nn组信号被判定为可能正常信号，有Nl组信号被判定为可能欠压信号，有No组信号被判定为可能过压信号；判定式如下：
Figure GDA0003513885750000071
Figure GDA0003513885750000072
Figure GDA0003513885750000073
当式(3)满足时，说明信号中存在一定数量的不合理信号，此时将胎压状态判定为未知，防止胎压的误识别；
第二，当式(3)不满足时，说明信号正常，此时进一步判断车轮的胎压状态。若式(4)满足，则车轮被判定为欠压；若式(5)满足，则车轮被判定为过压；若式(4)、式(5)均不满足，则车轮被判定为正常胎压；
第三，需要注意的是，上述式(3)、(4)、式(5)的阈值0.2，0.6，0.6并非固定的值，可根据实际或经验进行修改。
本发明的有益效果是本发明基于估计得到的胎压，通过轮胎压力传感器和环境温度传感器，可估计轮胎的磨损量，经过上述胎压监测和轮胎寿命监测，可得到轮胎的状态；在轮胎处于过压、欠压或磨损量超过一定值后，通过声或光的方式提示轮胎处于预警状态，要求驾驶者注意安全。
附图说明
图1为通过轮速信号计算该频率谱和理论频率谱的对比图。
图2为胎压监测的流程图。
图3为轮速信号的频率谱。
图4为拟合得到的频率谱图像。
图5为利用3000组轮速特征训练得到的决策树
图6为频率、环境温度和胎压的关系。
图7为频率、环境温度和胎磨损量的关系。
具体实施方式
本发明提供一种基于高频轮速与机器学习的胎压及磨损量监测方法，该方法包括：一、胎压监测，二、轮胎寿命监测；三、轮胎状态预警三部分；现在分述如下：
一，胎压监测：
1.如图2所示胎压监测流程图包括如下步骤：
步骤一，轮速信号预处理，从ABS轮速传感器获得的原子数，获得用于后续计算的轮速信号，经该步骤处理后的图像为剔除了轮速齿圈误差、重采样后的轮速；
步骤二，轮速信号的特征提取，将处理得到的轮速信号进行频域和时域分析，提取信号的特征；
步骤三，剔除不合理信号，利用决策树将不合理信号剔除，判断轮速信号合理与不合理；
步骤四，利用支持向量机(Supporting Vector Machine,SVM)合理的轮速信号初步判断为可能正常、可能欠压、可能过压；
步骤五，综合一段时间内决策树和SVM的对合理的轮速信号初步判断情况，判断出胎压正常、胎压欠压、胎压过压和轮速不正常的结果；
2.轮速信号预处理
第一，采用滚动半径与频率相结合方法进行轮速计算，得到重采样后的轮速。
第二，将采集到的轮速切分为多组固定时常tl的轮速信号序列，后续的分析均以时长为tl的轮速信号为基础；本发明中tl取为7.5s。
3.特征提取
本发明基于实验数据特征和实验人员经验，提出了轮速信号的频域和时域的23个特征，该特征用于描述信号在时域和频域的形状。其中时域特征包括轮速均值
Figure GDA0003513885750000091
轮速信号高频部分的均方根值RMS；频域特征包括峰值位置fr(i)(括号内数值i＝1,2,3,4,5,6表示第几个峰对应的特征，下同)、峰值Pr(i)(i＝1,2,3,4,5,6)、拟合频谱的峰值位置fs(i)(i＝1,2,3)，拟合频谱的峰宽度δfs(i)(i＝1,2,3),拟合频谱的幅值Ps(i)(i＝1,2,3)。各特征均是以2中时长为tl的轮速信号序列为基础，假设某一段轮速信号序列为v(t)(t＝1,2…,N)，特征计算方式如下：
①
Figure GDA0003513885750000102
(单位km/h)：将被分析的信号取平均值。
②RMS(单位km/h)：首先，利用高通滤波器对v(t)进行滤波，得到滤波后的轮速序列vfilter(t)。第二，计算滤波后轮速信号的均方根值，计算公式为
Figure GDA0003513885750000101
③fr(i)和Pr(i)：首先，将高通滤波后的轮速信号vfilter(t)做离散傅里叶变换(或快速傅里叶变换)，得到轮速信号的频率谱，如图3所示。该频率谱的横坐标是频率，纵坐标为幅值，表示信号在某一频率位置振动的强弱程度。第二，截取频率谱中的0-200Hz频段部分。第三，寻找频率谱的前i个极值点，方法为：(a)设定频率间隔(暂记为△ftemp，本方法中取为15Hz)，(b)将寻找区间设置为[0,200]Hz，(c)搜寻寻找区间内的幅值最大点，其对应的频率暂记为ftemp，(d)寻找区间重置为上一个寻找区间扣除幅值最大点的附近区间[max(0,ftemp-△ftemp),min(200,ftemp+△ftemp)],(e)重复(c)(d)过程直至找到6个极值点，并将其按频率从小到大编号为(i＝1,2,3,4,5,6)。第四，fr(i)和Pr(i)分别取为6个极值点的频率、幅值。
④fs(i)、δfs(i)和Ps(i)：首先，将③中得到的频率谱图像，得到拟合后的频率谱，可以利用高斯分布拟合；或利用平滑拟合。平滑拟合的方法为，某一点(暂记为△ftemp)处的拟合值取为其左右频率间隔(暂记为△ftemp，本方法中取为2.5Hz)构成的区间[max(0,ftemp-△ftemp),min(200,ftemp+△ftemp)]内所有点的均值，拟合得到的图像如图4所示。第二，设置关心区间，本方法中设置为[0,10]Hz,[35,45]Hz,[75,90]Hz(图中箭头所示位置)。第三，在关心区间内计算fs(i)、δfs(i)和Ps(i)，以关心区间[35,45]Hz为例，计算步骤如下：(a)找到该区间内的幅值最大值Pmax和最小值Pmin，将幅值的变化量取为ΔP＝0.3*(Pmax-Pmin)(0.3可更改为0到1之间的其他数)；(b)将关心区间内幅值与Pmax偏差为ΔP的两个点对应的频率记为P3和P4；(c)若Pmax是在区间[P3,P4]内，且P3,P4均不等于关心区间的左、右端点，则fs(i)＝(P3+P4)/2，δfs(i)＝P4-P3，fs(i)＝Pmax；否则上述三者均取为0，表示在关心区间内信号未表现出先上升后下降的趋势；(d)对三个区间均进行(c)步骤计算，区间[0,10]Hz,[35,45]Hz,[75,90]Hz计算得到的fs(i)、δfs(i)、Ps(i)的下标i分别取为1,2,3。
4.不合理信号剔除
第一，实验人员正常驾驶车辆行驶并采集数据，试验车辆在行驶时包括有正常胎压、欠压、过压的数据(欠压可取为正常胎压的80％，过压可取为120％)。基于实验人员经验，将实验测得的轮速信号分为合理和不合理两类，经上述1,2,3步骤后，可得到一系列组元。每个组元包含有上述23个特征，且包含有一个表示该组员信号是否合理的标签(合理、不合理)。
第二，将上述组元利用决策树进行训练(决策树是一种广泛使用的算法，其具体实现方式不作为本专利内容)。不同决策树的主要区别是最大分支数量不同，这里使用不同的决策树对轮速信号进行训练，得到准确率最高的一种决策树；发明者在使用中发现，最大分支数量小于20的决策树在此有较好的效果。图5表示了本方法利用3000组轮速特征训练得到的决策树，图中各字母表示不同的特征，数值表示其大小。
第三，对于新采集的轮速数据，基于3中计算的特征和训练得到的决策树，给出“合理信号”或“不合理信号”的判断。
需要注意的是，上述提到的利用数据集训练决策树只是获得决策树的方法，基于图5可知，判断得出“不合理信号”的主要依据是，1)轮速均值不可过小，2)信号的抖动和噪声不可过大，即RMS不可过大，3)信号的波峰形状应当与图1所示理论形状近似，即fr(i)和Pr(i)、fs(i)和δfs(i)及Ps(i)呈现特定的关系。
5.可能胎压判断
第一，将上述获得的合理信号分为正常、欠压、过压三类，每类信号的组元均包含有上述23个特征，且包含有一个表示该组员信号是否正常的标签(正常、欠压、过压)。
第二，将上述信号利用SVM进行训练(SVM是一种广泛使用的算法，不同SVM的主要区别是采用的核函数不同，这里使用不同的SVM对轮速信号进行训练，得到准确率最高的一种SVM。在实际使用中，使用如式(2)所示的二次核函数在此有较好的效果，其中x,y是向量，α和c是可调参数。
k(x,y)＝(αxTy+c)2 (2)
第三，对于新采集的轮速数据，在判断为合理后，经本步骤使用训练得到的SVM进行判断，给出“可能正常”、“可能欠压”、“可能过压”判断。
6.最终胎压判断
第一，将新采集的一组数据按固定时间间隔分为若干组；其中，有Nu组信号被判定为不合理信号，有Nn组信号被判定为可能正常信号，有Nl组信号被判定为可能欠压信号，有No组信号被判定为可能过压信号；判定式如下：
Figure GDA0003513885750000131
Figure GDA0003513885750000132
Figure GDA0003513885750000133
第二，当式(3)满足时，说明信号中存在一定数量的不合理信号，此时将胎压状态判定为未知，防止胎压的误识别；
第三，当式(3)不满足时，说明信号正常，此时进一步判断车轮的胎压状态；
第四，若式(4)满足，则车轮被判定为欠压；若式(5)满足，则车轮被判定为过压；若式(4)、式(5)均不满足，则车轮被判定为正常胎压；
第四，需要注意的是，上述式(3)、(4)、式(5)的阈值0.2，0.6，0.6并非固定的值，技术人员也可根据实际或经验进行修改。
二、轮胎寿命监测
第一，上述胎压监测提供了一种判断车轮正常胎压、欠压、过压的方法。显然，可将上述方法的胎压状态进一步细分，例如分为胎压为1.8bar,1.9bar,…2.3bar,2.4bar等，利用该方法可得到细分的胎压估计值。
第二，根据图6所示的频率、环境温度和胎压的关系，利用温度传感器测得环境温度，根据估计得到的胎压，可得到轮胎的估计频率
Figure GDA0003513885750000142
同理，在轮胎内增加压力传感器，通过实测的胎压值，可得到轮胎的实际频率f。轮胎的磨损和胎压均会导致频率的改变，因此，当假设轮胎未磨损时，利用本发明方法估计的胎压应当与压力传感器一致，进而求解得到的频率应当一致。
第三，计算频率变化量
Figure GDA0003513885750000141
根据图7所示关系即可得到轮胎磨损量的估计值。(图6和图7所示的是通过实验测试得到的数据曲线)。
三、轮胎状态预警
经过上述胎压监测、和轮胎寿命监测，可得到轮胎的状态。当轮胎处于过压、欠压或磨损量超过一定值后，通过声或光提示轮胎的状态处于预警状态，要求驾驶者注意安全。

Claims (7)

1.一种基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，该方法包括：一、胎压监测，二、轮胎寿命监测；三、轮胎状态预警三部分；现在分述如下：
所述胎压监测包括如下步骤：
步骤一，轮速信号预处理，从ABS轮速传感器获得的原子数，获得用于后续计算的轮速信号，经该步骤处理后的图像为剔除了轮速齿圈误差、重采样后的轮速；
步骤二，轮速信号的特征提取，将处理得到的轮速信号进行频域和时域分析，提取信号的特征；
步骤三，剔除不合理信号，利用决策树将不合理信号剔除，判断轮速信号合理与不合理；
步骤四，利用支持向量机(Supporting Vector Machine,SVM)合理的轮速信号初步判断为可能正常、可能欠压、可能过压；
步骤五，综合一段时间内决策树和SVM的对合理的轮速信号初步判断情况，判断出胎压正常、胎压欠压、胎压过压和轮速不正常的结果；
所述轮胎寿命监测即轮胎磨损量监测包括：
第一，上述胎压监测提供了一种判断车轮正常胎压、欠压、过压的方法，显然，将上述胎压状态进一步细分为胎压为1.8bar,1.9bar,…2.3bar,2.4bar；利用该方法可得到细分的胎压估计值；
第二，根据频率、环境温度和胎压的关系，利用温度传感器测得环境温度，根据估计得到的胎压，可得到轮胎的估计频率
Figure FDA0003543412470000011
同理，在轮胎内增加压力传感器，通过实测的胎压值，可得到轮胎的实际频率f；因为轮胎的磨损和胎压均会导致频率的改变，因此，当假设轮胎未磨损时，通过实验测试得到的数据曲线估计的胎压与压力传感器一致，进而求解得到的频率一致；
第三，计算频率变化量
Figure FDA0003543412470000021
通过实验测试得到的数据曲线进而得到轮胎磨损量的估计值；
所述轮胎状态预警，经过上述胎压监测和轮胎寿命监测，可得到轮胎的状态；当轮胎处于过压、欠压或磨损量超过一定值后，通过声或光的方式提示驾驶者。
2.根据权利要求1所述的基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，所述胎压监测中步骤一轮速信号预处理，具体包括：
第一，采用滚动半径与频率相结合方法进行轮速计算，得到重采样后的轮速；
第二，将采集到的轮速切分为多组固定时长tl的轮速信号序列，后续的分析均以时长tl的轮速信号为基础，其中tl取为7.5s。
3.根据权利要求1所述的基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，所述胎压监测中步骤二轮速信号的特征提取，基于实验数据特征和实验经验，提出了轮速信号的频域和时域的23个特征，该特征用于描述轮速信号在时域和频域的形状；
所述时域特征包括轮速均值
Figure FDA0003543412470000022
轮速信号高频部分的均方根值RMS；
所述频域特征包括(1)峰值位置fr(i)和峰值Pr(i)；其中i表示第几个峰对应的特征，i＝1,2,3,4,5,6；(2)拟合频谱的峰值位置fs(i)、拟合频谱的峰宽度δfs(i)和拟合频谱的幅值Ps(i)；其中i＝1,2,3。
4.根据权利要求3所述的基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，上述各特征均是以轮速切分时长tl的轮速信号序列为基础，假设某一段轮速信号序列为v(t)，t＝1,2…,N；特征计算方式如下：
①
Figure FDA0003543412470000023
(单位km/h)：将被分析的信号取平均值；
②RMS(单位km/h)：首先，利用高通滤波器对v(t)进行滤波，得到滤波后的轮速序列vfilter(t)；其次，计算滤波后轮速信号的均方根值，计算公式为
Figure FDA0003543412470000031
③fr(i)和Pr(i)的计算：
第一，将高通滤波后的轮速信号vfilter(t)做离散傅里叶变换或快速傅里叶变换，得到轮速信号的频率谱，该频率谱的横坐标是频率，纵坐标为幅值，表示信号在某一频率位置振动的强弱程度；
第二，截取频率谱中的0-200Hz频段部分；
第三，寻找频率谱的前i个极值点，方法为：(a)设定频率间隔为△ftemp，此处△ftemp取为15Hz；(b)将寻找区间设置为[0,200]Hz，(c)搜寻寻找区间内的幅值最大点，其对应的频率记为ftemp，(d)寻找区间重置为上一个寻找区间扣除幅值最大点的附近区间[max(0,ftemp-△ftemp),min(200,ftemp+△ftemp)],(e)重复(c)(d)过程直至找到6个极值点，并将其按频率从小到大编号为i＝1,2,3,4,5,6；
第四，fr(i)和Pr(i)分别取为6个极值点的频率、幅值；
④fs(i)、δfs(i)和Ps(i)计算：
第一，将③中得到的频率谱图像，得到拟合后的频率谱，利用高斯分布拟合；或利用平滑拟合；平滑拟合的方法为，某一点记为△ftemp处的拟合值取为其左右频率间隔△ftemp，△ftemp取为2.5Hz，构成的区间[max(0,ftemp-△ftemp),min(200,ftemp+△ftemp)]内所有点的均值，拟合得到的频率谱图像；
第二，设置关心区间为[0,10]Hz,[35,45]Hz和[75,90]Hz；
第三，在关心区间内计算fs(i)、δfs(i)和Ps(i)，以关心区间[35,45]Hz为例，计算步骤如下：(a)找到该区间内的幅值最大值Pmax和最小值Pmin，将幅值的变化量取为ΔP＝0.3*(Pmax-Pmin)或ΔP＝(0-1)*(Pmax-Pmin)；(b)将关心区间内幅值与Pmax偏差为ΔP的两个点对应的频率记为P3和P4；(c)若Pmax是在区间[P3,P4]内，且P3,P4均不等于关心区间的左、右端点，则fs(i)＝(P3+P4)/2，δfs(i)＝P4-P3，fs(i)＝Pmax；否则上述三者均取为0，表示在关心区间内信号未表现出先上升后下降的趋势；(d)对三个区间均进行(c)步骤计算，区间[0,10]Hz,[35,45]Hz,[75,90]Hz计算得到的fs(i)、δfs(i)、Ps(i)的下标i分别取为1,2,3。
5.根据权利要求1所述的基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，所述胎压监测中步骤三剔除不合理信号，具体包括：
第一，实验人员正常驾驶车辆行驶并采集数据，试验车辆在行驶时包括有正常胎压、欠压、过压的数据，其中欠压取为正常胎压的80％，过压取为120％；基于实验人员经验，将实验测得的轮速信号分为合理和不合理两类，经上述步骤一、步骤二和步骤三后，得到一系列组元；每个组元包含有上述23个特征，且包含有一个表示该组员信号是否合理与不合理的标签；
第二，将上述组元利用决策树进行训练，不同决策树的主要区别是最大分支数量不同，这里使用不同的决策树对轮速信号进行训练，得到准确率最高的一种决策树；其中，最大分支数量小于20的决策树在此有好的效果；
第三，对于新采集的轮速数据，基于上述计算的特征和训练得到的决策树，给出“合理信号”或“不合理信号”的判断；
所述判断得出“不合理信号”的主要依据是，(1)轮速均值不要过小，(2)信号的抖动和噪声不要过大，即RMS不能过大，(3)信号的波峰形状应当与理论形状近似，即fr(i)和Pr(i)、fs(i)和δfs(i)及Ps(i)呈现特定的关系。
6.根据权利要求1所述的基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，所述胎压监测中步骤四可能胎压判断
第一，将步骤四中获得的合理信号分为正常、欠压、过压三类，每类信号的组元均包含有上述23个特征，且包含有一个表示该组员信号是否正常、欠压、过压的标签；
第二，将上述信号利用SVM进行训练，不同SVM的主要区别是采用的核函数不同，这里使用不同的SVM对轮速信号进行训练，得到准确率最高的一种SVM；经使用下式所示的二次核函数在此有较好的效果，其中x,y是向量，α和c是可调参数；
k(x,y)＝(αxTy+c)2 (2)
第三，对于新采集的轮速数据，在经过步骤四判断为合理后，经本步骤使用训练得到的SVM进行判断，给出“可能正常”、“可能欠压”、“可能过压”判断。
7.根据权利要求1所述的基于高频轮速与机器学习的胎压及磨损量监测方法，其特征在于，所述胎压监测中步骤五最终胎压判断，
第一，将新采集的一组数据按固定时间间隔分为若干组；其中，有Nu组信号被判定为不合理信号，有Nn组信号被判定为可能正常信号，有Nl组信号被判定为可能欠压信号，有No组信号被判定为可能过压信号；判定式如下：
Figure FDA0003543412470000051
Figure FDA0003543412470000052
Figure FDA0003543412470000053
当式(3)满足时，说明信号中存在一定数量的不合理信号，此时将胎压状态判定为未知，防止胎压的误识别；
第二，当式(3)不满足时，说明信号正常，此时进一步判断车轮的胎压状态；若式(4)满足，则车轮被判定为欠压；若式(5)满足，则车轮被判定为过压；若式(4)、式(5)均不满足，则车轮被判定为正常胎压；
第三，需要注意的是，上述式(3)、(4)、式(5)的阈值0.2，0.6，0.6并非固定的值，可根据实际或经验进行修改。
CN202011565204.1A 2020-12-25 2020-12-25 基于高频轮速与机器学习的胎压及磨损量监测方法 Active CN112622915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011565204.1A CN112622915B (zh) 2020-12-25 2020-12-25 基于高频轮速与机器学习的胎压及磨损量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011565204.1A CN112622915B (zh) 2020-12-25 2020-12-25 基于高频轮速与机器学习的胎压及磨损量监测方法

Publications (2)

Publication Number Publication Date
CN112622915A CN112622915A (zh) 2021-04-09
CN112622915B true CN112622915B (zh) 2022-05-17

Family

ID=75324966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011565204.1A Active CN112622915B (zh) 2020-12-25 2020-12-25 基于高频轮速与机器学习的胎压及磨损量监测方法

Country Status (1)

Country Link
CN (1) CN112622915B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117589480B (zh) * 2024-01-18 2024-05-10 山东中亚轮胎试验场有限公司 一种轮胎异常状态检测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1656264A1 (de) * 2003-08-14 2006-05-17 Continental Teves AG & Co. oHG Verfahren zur berwachung von reifendruck berwachungssystemen in einem kraftfahrzeug
CN104228483A (zh) * 2014-09-29 2014-12-24 安徽江淮汽车股份有限公司 一种胎压监测方法及系统
KR20180070109A (ko) * 2016-12-16 2018-06-26 현대자동차주식회사 간접식 타이어 압력 모니터링 시스템 및 방법
CN109249934A (zh) * 2018-09-30 2019-01-22 广州小鹏汽车科技有限公司 一种轮胎磨损参数计算方法、系统及装置
CN110053431A (zh) * 2019-03-26 2019-07-26 武汉理工大学 一种测量车辆轮胎压力的误差补偿方法与装置
CN111532090A (zh) * 2020-05-12 2020-08-14 格陆博科技有限公司 一种基于电动车电机轮速的四轮间接胎压检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1656264A1 (de) * 2003-08-14 2006-05-17 Continental Teves AG & Co. oHG Verfahren zur berwachung von reifendruck berwachungssystemen in einem kraftfahrzeug
CN104228483A (zh) * 2014-09-29 2014-12-24 安徽江淮汽车股份有限公司 一种胎压监测方法及系统
KR20180070109A (ko) * 2016-12-16 2018-06-26 현대자동차주식회사 간접식 타이어 압력 모니터링 시스템 및 방법
CN109249934A (zh) * 2018-09-30 2019-01-22 广州小鹏汽车科技有限公司 一种轮胎磨损参数计算方法、系统及装置
CN110053431A (zh) * 2019-03-26 2019-07-26 武汉理工大学 一种测量车辆轮胎压力的误差补偿方法与装置
CN111532090A (zh) * 2020-05-12 2020-08-14 格陆博科技有限公司 一种基于电动车电机轮速的四轮间接胎压检测方法

Also Published As

Publication number Publication date
CN112622915A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
KR101748444B1 (ko) 차량 질량 추정 장치, 방법 및 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체와, 타이어 공기압 저하 검출 장치, 방법 및 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
JP5837341B2 (ja) 路面状態判定方法とその装置
EP3279013B1 (en) Tire wear amount estimating method and tire wear amount estimating device
EP2813378B1 (en) Tire wear state estimation system and method
US6002327A (en) Low tire warning system with axle torque signal
US6668637B2 (en) Tire air pressure estimating apparatus
EP2137010B1 (en) Tire pressure classification based tire pressure monitoring
CA2225558A1 (en) Low tire warning system
CN109477906A (zh) 路面状态判别方法和路面状态判别装置
CN112622915B (zh) 基于高频轮速与机器学习的胎压及磨损量监测方法
CN118277872B (zh) 一种基于智能轮胎技术的轮胎爆胎预警系统及方法
CN114161888B (zh) 双胎iTPMS胎压监测方法及其系统
KR102090328B1 (ko) 차량의 롤링 시 차량 바퀴의 불균형을 검출하는 방법
CN109649399B (zh) 一种基于横向行车速度的驾驶员分心判别方法
US20180154709A1 (en) Wheel imbalance detection system and method
DE15186610T1 (de) Reifendruckverringerungserkennungsvorrichtung,- Verfahren und -Programm
CN117284029B (zh) 一种适用于复杂驾驶工况的间接式胎压监测方法及系统
CN110091888A (zh) 一种抗蛇行减振器的控制方法及装置
Halfmann et al. Supervision of vehicles' tyre pressures by measurement of body accelerations
US20090118894A1 (en) Method and system for diagnosing the condition of a motor vehicle tyres
EP3835090A1 (en) Tire type distinguishing method and tire type distinguishing device
CN118810296A (zh) 一种智能汽车轮胎磨损情况的实时监测方法及装置
CN117828299B (zh) 一种轮胎磨损度检测计算系统
JP2010120621A (ja) タイヤ空気圧低下検出装置および方法、ならびにタイヤの空気圧低下検出プログラム
JP2017140969A (ja) タイヤの空気圧状態の判定装置

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