CN112766771A - 一种基于svm的重型汽车整车质量预测方法 - Google Patents
一种基于svm的重型汽车整车质量预测方法 Download PDFInfo
- Publication number
- CN112766771A CN112766771A CN202110104431.2A CN202110104431A CN112766771A CN 112766771 A CN112766771 A CN 112766771A CN 202110104431 A CN202110104431 A CN 202110104431A CN 112766771 A CN112766771 A CN 112766771A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- running
- svm
- predicting
- 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
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000011068 load Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000000875 corresponding Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006011 modification reaction Methods 0.000 description 2
- 238000004642 transportation engineering Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000004059 degradation Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management, e.g. organising, planning, scheduling or allocating time, human or machine resources; Enterprise planning; Organisational models
- G06Q10/063—Operations research or analysis
- G06Q10/0639—Performance analysis
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; 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; COUNTING
- G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
Abstract
本发明提供一种基于SVM的重型汽车整车质量预测方法，包括如下步骤：通过车载智能系统按照设定采样频率采集车辆行驶中的数据；对采集的车辆行驶中的数据进行预处理，删除异常数据，补全缺失数据，以及进行数据滤波；根据预处理后数据以及行驶中车辆受力状况，构造特征量，再将预预处理后数据及构造的特征量进行标准化处理；将标准化处理后数据生成数据集合，并将数据集合按照设定比例拆分为训练样本集和测试样本集；基于训练样本集对SVM回归模型进行训练，对模型参数进行优化选择，生成整车质量预测模型，再通过测试样本集对训练好的整车质量预测模型进行性能评估；使用整车质量预测模型对车辆的整车载重进行预测。
Description
技术领域
本发明属于智能车联网技术领域，具体涉及一种基于SVM的重型汽车整车质量预测方法。
背景技术
现有车辆超载预警，车辆使用状态监控等，都需要对汽车进行载重测量或者估计预测，为了准确度量车辆整车载重，目前国内外已经有很多研究。现有的研究主要有两大类。
第一是基于传感器的测量方法。其中，根据传感器安装的位置，可以分为两个研究方向。第一种是路面称重技术。其主要是基于路面传感器，如地磅系统，通过测量路面的变形量来计算车辆整车载重。这种方法的优点是测量较为准确，缺点是称重站位置固定，可能会出现车辆逃避，同时会导致拥堵，降低车辆通行效率。第二种方法是车载自测载重。基于安装在车辆上的压力传感器，例如测量胎压，传感器形变量来进行预测估计。这种方法的缺点是传感器价格昂贵，设备易老化，会增加车辆成本以及后期维护成本。
第二是基于数据的估计预测方法。现有采用的方法是根据汽车运动的纵向动力学特性，例如基于遗忘因子的递归最小二乘法，基于扩展卡尔曼滤波的估计算法。而这种方法一般要求数据精度高，以及采样频率高，例如100Hz，往往很难得到，或者成本很高。
此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种基于SVM的重型汽车整车质量预测方法，是非常有必要的。
发明内容
针对现有技术的上述目前车辆载重预测中存在的成本高，准确度低的缺陷，本发明提供一种基于SVM的重型汽车整车质量预测方法，以解决上述技术问题。
本发明提供一种基于SVM的重型汽车整车质量预测方法，包括如下步骤：
S1.通过车载智能系统按照设定采样频率采集车辆行驶中的数据，所述数据包括地理数据、发动机数据以及整车数据；
S2.对车载智能系统采集的车辆行驶中的数据进行预处理，删除异常数据，补全缺失数据，以及进行数据滤波；
S3.根据预处理后数据以及行驶中车辆受力状况，构造特征量，再将预预处理后数据及构造的特征量进行标准化处理；
S4.将标准化处理后数据生成数据集合，并将数据集合按照设定比例拆分为训练样本集和测试样本集；
S5.基于训练样本集对SVM回归模型进行训练，对模型参数进行优化选择，生成整车质量预测模型，再通过测试样本集对训练好的整车质量预测模型进行性能评估；
S6.使用性能评估通过的整车质量预测模型对车辆的整车载重进行预测。
进一步地，步骤S1具体步骤如下：
S11.在车辆安装车载智能系统，并设定采样频率；
S12.车载智能系统按照设定采样频率采集车辆行驶中地理数据，地理数据包括方向和海拔；
S13.车载智能系统按照设定采样频率采集车辆行驶中发动机数据，发动机数据包括转速和扭矩；
S14.车载智能系统按照设定采样频率采集车辆行驶中整车数据，整车数据包括时间、车速、档位、油门、制动以及离合。其中，车载智能系统通过CAN总线获取转速、扭矩、离合、档位、制动以及油门数据，通过GPS获取海拔、方向以及车速数据。
进一步地，设定采样频率为1Hz。
进一步地，步骤S2具体步骤如下：
S21.判断车载智能系统采集的汽车行驶中的数据是否存在同一时刻采集的多次回传数据；
若是，进入步骤S22；
若否，进入步骤S23；
S22.判定多次回传数据为冗余数据，并对冗余数据进行删除；
S23.判断车载智能系统采集的汽车行驶中的数据是否存在异常数据；
若是，对异常数据进行删除，进入步骤S24；
若否，进入步骤S24；
S24.判断车载智能系统采集的汽车行驶中的数据是否存在某些采样时刻的缺失数据；
若是，进入步骤S25；
若否，进入步骤S26；
S25.对缺失数据的采样时刻进行采用线性插值方式进行插值补全；
S26.采用S-G数字滤波算法，并依据设定窗长及多项式阶数进行数据滤波，获取平滑数据。
进一步地，步骤S26中设定窗长为15，多项式阶数为3。
进一步地，步骤S25具体步骤如下：
S251.判断车载智能系统采集的汽车行驶中的数据是否存在某些采样时刻的缺失数据；
若是，进入步骤S252；
若否，进入步骤S26；
S252.判断缺失数据的采样时刻是否为大于设定时间阈值的连续时间段；
若是，进入步骤S253；
若否，进入步骤S26；
S253.判定存在缺失数据的连续时间段为车辆停止运行时间段，对应采样时刻无需进行数据补全，进入步骤S27。
进一步地，步骤S3具体步骤如下：
S31.根据车辆行驶中所受空气阻力与速度平方的关系，构造速度平方特征向量；
S32.根据车辆行驶中所受滚动阻力与速度和坡度的关系，以及车辆行驶中所受坡度阻力与速度的关系，构造海拔变化率和高度变化率特征向量；
S33.根据车辆行驶中所受加速阻力与加速度的关系，构造加速度特征向量；
S34.将预处理后数据及构造的四个特征向量进行标准化处理，使得各特征列数据服从标准正态分布。
进一步地，步骤S4具体步骤如下：
S41.将标准化处理后的特征例数据生成数据集合，并以已知的车辆载重为标签列；
S42.将数据集合按照设定比例拆分为训练样本集和测试样本集。
进一步地，设定比例为训练样本集数据占80％，测试样本集数据占20％。
进一步地，步骤S5具体步骤如下：
S51.基于训练样本集对SVM回归模型进行训练，使用网络搜索选择模型的超参数，生成整车质量预测模型，所述超参数包括惩罚系数、核函数以及核函数的系数；
S52.将测试样本集输入训练好的整车质量预测模型，获取预测的车辆载重；
S53.将预测的车辆载重与测试样本集中对应标签列的车辆载重进行均方误差计算，判断均方误差值是否小于设定阈值；
若是，判定整车质量预测模型性能评估通过，进入步骤S6；
若否，重新采集车辆行驶中的数据，返回步骤S1。
进一步地，步骤S6具体步骤如下：
S61.通过车载智能系统采集待评估车辆行驶中的实时数据；
S62.根据待评估车辆行驶中实时数据构造特征量；
S63.将待评估车辆行驶中实时数据以及构造特征量输入整车质量预测模型，预测待评估车辆的整车载重。
进一步地，步骤S61中，待评估车辆与整车质量预测模型训练及评估采集数据的车辆型号相同。
本发明的有益效果在于，
本发明提供的基于SVM的重型汽车整车质量预测方法，依托于车载智能系统，基于车辆运行时采集到的历史数据，对机器学习预测回归算法SVM进行训练，得到最终的整车质量预测模型；本发明实时运算速度快，准确度高，且完全基于现有数据，不需要额外安装车载传感器，从而节省了制造成本；通过对整车质量的评估，可以实现对车辆运输过程载重的实时监控，对于超载预警，车队车辆运输管理等具有重大参考意义；通过分析不同载重对车辆零部件使用寿命的影响，可以为售后提供决策支持。此外，也可以通过分析车辆在不同载重下的性能分析，对整车研发部门提供数据支持。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
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简单地介绍，显而易见地，对于本领域普通技术人员而言，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是本发明的基于SVM的重型汽车整车质量预测方法流程示意图一；
图2是本发明的基于SVM的重型汽车整车质量预测方法流程示意图二；
图3为本发明的采集车辆行驶中的数据示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
SVM，是Support Vector Machine的简称，支持向量机算法。
S-G滤波，是Savitzky-Golay滤波拟合法的简称，Savitzky-Golay滤波拟合法是根据NDVI时间序列曲线的平均趋势，确定合适的滤波参数，用多项式实现滑动窗内的最小二乘拟合；利用Savitzky-Golay滤波方法(基于最小二乘的卷积拟合算法)进行迭代运算，模拟整个NDVI时序数据获得长期变化趋势。
实施例1：
如图1所示，本发明提供一种基于SVM的重型汽车整车质量预测方法，包括如下步骤：
S1.通过车载智能系统按照设定采样频率采集车辆行驶中的数据，所述数据包括地理数据、发动机数据以及整车数据；
S2.对车载智能系统采集的车辆行驶中的数据进行预处理，删除异常数据，补全缺失数据，以及进行数据滤波；
S3.根据预处理后数据以及行驶中车辆受力状况，构造特征量，再将预预处理后数据及构造的特征量进行标准化处理；
S4.将标准化处理后数据生成数据集合，并将数据集合按照设定比例拆分为训练样本集和测试样本集；
S5.基于训练样本集对SVM回归模型进行训练，对模型参数进行优化选择，生成整车质量预测模型，再通过测试样本集对训练好的整车质量预测模型进行性能评估；
S6.使用性能评估通过的整车质量预测模型对车辆的整车载重进行预测。
实施例2：
如图1及图2所示，本发明提供一种基于SVM的重型汽车整车质量预测方法，包括如下步骤：
S1.通过车载智能系统按照设定采样频率采集车辆行驶中的数据如图3所示，所述数据包括地理数据、发动机数据以及整车数据；具体步骤如下：
S11.在车辆安装车载智能系统，并设定采样频率；设定采样频率为1Hz；
S12.车载智能系统按照设定采样频率采集车辆行驶中地理数据，地理数据包括方向和海拔；
S13.车载智能系统按照设定采样频率采集车辆行驶中发动机数据，发动机数据包括转速和扭矩；
S14.车载智能系统按照设定采样频率采集车辆行驶中整车数据，整车数据包括时间、车速、档位、油门、制动以及离合；
S2.对车载智能系统采集的车辆行驶中的数据进行预处理，删除异常数据，补全缺失数据，以及进行数据滤波；具体步骤如下：
S21.判断车载智能系统采集的汽车行驶中的数据是否存在同一时刻采集的多次回传数据；
若是，进入步骤S22；
若否，进入步骤S23；
S22.判定多次回传数据为冗余数据，并对冗余数据进行删除；
S23.判断车载智能系统采集的汽车行驶中的数据是否存在异常数据；
若是，对异常数据进行删除，进入步骤S24；
若否，进入步骤S24；
S24.判断车载智能系统采集的汽车行驶中的数据是否存在某些采样时刻的缺失数据；
若是，进入步骤S25；
若否，进入步骤S26；
S25.对缺失数据的采样时刻进行采用线性插值方式进行插值补全；
S26.采用S-G数字滤波算法，并依据设定窗长及多项式阶数进行数据滤波，获取平滑数据；设定窗长为15，多项式阶数为3；数据滤波可降低数据噪声；
S3.根据预处理后数据以及行驶中车辆受力状况，构造特征量，再将预预处理后数据及构造的特征量进行标准化处理；具体步骤如下：
S31.根据车辆行驶中所受空气阻力与速度平方的关系，构造速度平方特征向量；
S32.根据车辆行驶中所受滚动阻力与速度和坡度的关系，以及车辆行驶中所受坡度阻力与速度的关系，构造海拔变化率和高度变化率特征向量；
S33.根据车辆行驶中所受加速阻力与加速度的关系，构造加速度特征向量；
S34.将预处理后数据及构造的四个特征向量进行标准化处理，使得各特征列数据服从标准正态分布；
S4.将标准化处理后数据生成数据集合，并将数据集合按照设定比例拆分为训练样本集和测试样本集；具体步骤如下：
S41.将标准化处理后的特征例数据生成数据集合，并以已知的车辆载重为标签列；
S42.将数据集合按照设定比例拆分为训练样本集和测试样本集；设定比例为训练样本集数据占80％，测试样本集数据占20％；
S5.基于训练样本集对SVM回归模型进行训练，对模型参数进行优化选择，生成整车质量预测模型，再通过测试样本集对训练好的整车质量预测模型进行性能评估；具体步骤如下：
S51.基于训练样本集对SVM回归模型进行训练，使用网络搜索选择模型的超参数，生成整车质量预测模型，所述超参数包括惩罚系数、核函数以及核函数的系数；
S52.将测试样本集输入训练好的整车质量预测模型，获取预测的车辆载重；
S53.将预测的车辆载重与测试样本集中对应标签列的车辆载重进行均方误差计算，判断均方误差值是否小于设定阈值；
若是，判定整车质量预测模型性能评估通过，进入步骤S6；
若否，重新采集车辆行驶中的数据，返回步骤S1；
S6.使用性能评估通过的整车质量预测模型对车辆的整车载重进行预测；具体步骤如下：
S61.通过车载智能系统采集待评估车辆行驶中的实时数据；待评估车辆与整车质量预测模型训练及评估采集数据的车辆型号相同；
S62.根据待评估车辆行驶中实时数据构造特征量；
S63.将待评估车辆行驶中实时数据以及构造特征量输入整车质量预测模型，预测待评估车辆的整车载重。
在上述实施例2中，步骤S25具体步骤如下：
S251.判断车载智能系统采集的汽车行驶中的数据是否存在某些采样时刻的缺失数据；
若是，进入步骤S252；
若否，进入步骤S26；
S252.判断缺失数据的采样时刻是否为大于设定时间阈值的连续时间段，例如30min；
若是，进入步骤S253；
若否，进入步骤S26；
S253.判定存在缺失数据的连续时间段为车辆停止运行时间段，对应采样时刻无需进行数据补全，进入步骤S27。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于SVM的重型汽车整车质量预测方法，其特征在于，包括如下步骤：
S 1.通过车载智能系统按照设定采样频率采集车辆行驶中的数据，所述数据包括地理数据、发动机数据以及整车数据；
S2.对车载智能系统采集的车辆行驶中的数据进行预处理，删除异常数据，补全缺失数据，以及进行数据滤波；
S3.根据预处理后数据以及行驶中车辆受力状况，构造特征量，再将预预处理后数据及构造的特征量进行标准化处理；
S4.将标准化处理后数据生成数据集合，并将数据集合按照设定比例拆分为训练样本集和测试样本集；
S5.基于训练样本集对SVM回归模型进行训练，对模型参数进行优化选择，生成整车质量预测模型，再通过测试样本集对训练好的整车质量预测模型进行性能评估；
S6.使用性能评估通过的整车质量预测模型对车辆的整车载重进行预测。
2.如权利要求1所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S1具体步骤如下：
S 11.在车辆安装车载智能系统，并设定采样频率；
S 12.车载智能系统按照设定采样频率采集车辆行驶中地理数据，地理数据包括方向和海拔；
S 13.车载智能系统按照设定采样频率采集车辆行驶中发动机数据，发动机数据包括转速和扭矩；
S 14.车载智能系统按照设定采样频率采集车辆行驶中整车数据，整车数据包括时间、车速、档位、油门、制动以及离合。
3.如权利要求1所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S2具体步骤如下：
S21.判断车载智能系统采集的汽车行驶中的数据是否存在同一时刻采集的多次回传数据；
若是，进入步骤S22；
若否，进入步骤S23；
S22.判定多次回传数据为冗余数据，并对冗余数据进行删除；
S23.判断车载智能系统采集的汽车行驶中的数据是否存在异常数据；
若是，对异常数据进行删除，进入步骤S24；
若否，进入步骤S24；
S24.判断车载智能系统采集的汽车行驶中的数据是否存在某些采样时刻的缺失数据；
若是，进入步骤S25；
若否，进入步骤S26；
S25.对缺失数据的采样时刻进行采用线性插值方式进行插值补全；
S26.采用S-G数字滤波算法，并依据设定窗长及多项式阶数进行数据滤波，获取平滑数据。
4.如权利要求3所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S26中设定窗长为15，多项式阶数为3。
5.如权利要求3所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S25具体步骤如下：
S251.判断车载智能系统采集的汽车行驶中的数据是否存在某些采样时刻的缺失数据；
若是，进入步骤S252；
若否，进入步骤S26；
S252.判断缺失数据的采样时刻是否为大于设定时间阈值的连续时间段；
若是，进入步骤S253；
若否，进入步骤S26；
S253.判定存在缺失数据的连续时间段为车辆停止运行时间段，对应采样时刻无需进行数据补全，进入步骤S27。
6.如权利要求1所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S3具体步骤如下：
S31.根据车辆行驶中所受空气阻力与速度平方的关系，构造速度平方特征向量；
S32.根据车辆行驶中所受滚动阻力与速度和坡度的关系，以及车辆行驶中所受坡度阻力与速度的关系，构造海拔变化率和高度变化率特征向量；
S33.根据车辆行驶中所受加速阻力与加速度的关系，构造加速度特征向量；
S34.将预处理后数据及构造的四个特征向量进行标准化处理，使得各特征列数据服从标准正态分布。
7.如权利要求6所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S4具体步骤如下：
S41.将标准化处理后的特征例数据生成数据集合，并以已知的车辆载重为标签列；
S42.将数据集合按照设定比例拆分为训练样本集和测试样本集。
8.如权利要求1所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S5具体步骤如下：
S51.基于训练样本集对SVM回归模型进行训练，使用网络搜索选择模型的超参数，生成整车质量预测模型，所述超参数包括惩罚系数、核函数以及核函数的系数；
S52.将测试样本集输入训练好的整车质量预测模型，获取预测的车辆载重；
S53.将预测的车辆载重与测试样本集中对应标签列的车辆载重进行均方误差计算，判断均方误差值是否小于设定阈值；
若是，判定整车质量预测模型性能评估通过，进入步骤S6；
若否，重新采集车辆行驶中的数据，返回步骤S1。
9.如权利要求1所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S6具体步骤如下：
S61.通过车载智能系统采集待评估车辆行驶中的实时数据；
S62.根据待评估车辆行驶中实时数据构造特征量；
S63.将待评估车辆行驶中实时数据以及构造特征量输入整车质量预测模型，预测待评估车辆的整车载重。
10.如权利要求9所述的基于SVM的重型汽车整车质量预测方法，其特征在于，步骤S61中，待评估车辆与整车质量预测模型训练及评估采集数据的车辆型号相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110104431.2A CN112766771A (zh) | 2021-01-26 | 2021-01-26 | 一种基于svm的重型汽车整车质量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110104431.2A CN112766771A (zh) | 2021-01-26 | 2021-01-26 | 一种基于svm的重型汽车整车质量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766771A true CN112766771A (zh) | 2021-05-07 |
Family
ID=75705763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110104431.2A Pending CN112766771A (zh) | 2021-01-26 | 2021-01-26 | 一种基于svm的重型汽车整车质量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766771A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI768884B (zh) * | 2021-05-10 | 2022-06-21 | 威剛科技股份有限公司 | 電動車的重量估算系統與方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130101968A1 (en) * | 2011-10-10 | 2013-04-25 | Cse Software Inc. | Heavy equipment simulator and related methods |
| CN108944935A (zh) * | 2018-05-31 | 2018-12-07 | 重庆大学 | 一种考虑参数耦合关系的汽车质量和道路坡度估计方法 |
| CN109635830A (zh) * | 2018-10-24 | 2019-04-16 | 吉林大学 | 用于估算汽车质量的有效数据的筛选方法 |
| CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
| CN110727994A (zh) * | 2019-10-28 | 2020-01-24 | 吉林大学 | 参数解耦的电动汽车质量与坡度估计方法 |
-
2021
- 2021-01-26 CN CN202110104431.2A patent/CN112766771A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130101968A1 (en) * | 2011-10-10 | 2013-04-25 | Cse Software Inc. | Heavy equipment simulator and related methods |
| CN108944935A (zh) * | 2018-05-31 | 2018-12-07 | 重庆大学 | 一种考虑参数耦合关系的汽车质量和道路坡度估计方法 |
| CN109635830A (zh) * | 2018-10-24 | 2019-04-16 | 吉林大学 | 用于估算汽车质量的有效数据的筛选方法 |
| CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
| CN110727994A (zh) * | 2019-10-28 | 2020-01-24 | 吉林大学 | 参数解耦的电动汽车质量与坡度估计方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI768884B (zh) * | 2021-05-10 | 2022-06-21 | 威剛科技股份有限公司 | 電動車的重量估算系統與方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689723B (zh) | 基于功率分布与自学习的货车超载识别方法 | |
| US10753827B2 (en) | Method and system for measuring vertical wheel impact force in real-time based on tire pressure monitoring | |
| CN111833604B (zh) | 基于驾驶行为特征提取的车辆载重状态识别方法及装置 | |
| CN111260125B (zh) | 一种轨道车辆部件的温度异常检测方法 | |
| CN111709332B (zh) | 基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法 | |
| CN113646225A (zh) | 用于预测车辆的部件的维护/更换周期的方法和系统 | |
| CN111353252A (zh) | 一种基于环境激励的桥梁静载试验方法 | |
| CN111207938A (zh) | 一种铁道车辆故障检测方法 | |
| CN112766771A (zh) | 一种基于svm的重型汽车整车质量预测方法 | |
| KR20210101284A (ko) | 타이어의 마모 및 수명의 종료를 예측하기 위한 모델 | |
| CN109978026B (zh) | 一种基于lstm网络的电梯位置检测方法及系统 | |
| US20210217256A1 (en) | Method and Apparatus for Diagnosing and Monitoring Vehicles, Vehicle Components and Routes | |
| KR102169791B1 (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
| CN110232170A (zh) | 一种判断车辆载重状态的方法 | |
| CN106446384A (zh) | 一种桥式起重机主梁结构的损伤识别方法 | |
| CN111487068B (zh) | 一种车辆易损点寿命预测方法及系统 | |
| CN110956808B (zh) | 一种基于非全样定位数据的重型货车交通流量预测方法 | |
| CN110160615B (zh) | 车载称重方法、装置及系统 | |
| KR102172012B1 (ko) | 철도차량 안전부품 진단장치 | |
| Liu et al. | An Optimized Method for Dynamic Measurement of Truck Loading Capacity | |
| CN105910806A (zh) | 加注泵早期健康状态监测方法 | |
| CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
| CN114414023A (zh) | 传感器异常诊断方法及装置、存储介质 | |
| CN115620421A (zh) | 一种基于图神经网络模型的高速列车轴温短时预测方法 | |
| CN114414024A (zh) | 车载称重系统的监测方法及装置、存储介质、电子装置 |
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 |