CN113532717A - 测量车辆的路面输入载荷的系统及方法 - Google Patents
测量车辆的路面输入载荷的系统及方法 Download PDFInfo
- Publication number
- CN113532717A CN113532717A CN202010920876.3A CN202010920876A CN113532717A CN 113532717 A CN113532717 A CN 113532717A CN 202010920876 A CN202010920876 A CN 202010920876A CN 113532717 A CN113532717 A CN 113532717A
- Authority
- CN
- China
- Prior art keywords
- data
- road surface
- vehicle
- input
- strain gauges
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 238000013135 deep learning Methods 0.000 claims abstract description 65
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000725 suspension Substances 0.000 description 6
- 239000012634 fragment Substances 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/068—Road friction coefficient
-
- 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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
- G01L25/006—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency for measuring work or mechanical power or mechanical efficiency
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/005—Measuring force or stress, in general by electrical means and not provided for in G01L1/06 - G01L1/22
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0009—Force sensors associated with a bearing
- G01L5/0019—Force sensors associated with a bearing by using strain gages, piezoelectric, piezo-resistive or other ohmic-resistance based sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/22—Strain gauge
-
- 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
- B60W2422/00—Indexing codes relating to the special location or mounting of sensors
- B60W2422/80—Indexing codes relating to the special location or mounting of sensors on wheel hub bearing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Organic Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
本发明涉及一种测量车辆的路面输入载荷的系统及方法,其可以包括:多个应变计、存储装置和处理器,所述多个应变计安装在车辆的轮毂轴承的表面上;所述存储装置连接到所述多个应变计并配置为存储深度学习人工神经网络模型,所述深度学习人工神经网络模型根据多个应变计的输出数据的片段来学习车辆的路面输入载荷数据;所述处理器连接到存储装置和多个应变计,并配置为执行在存储装置中存储的深度学习人工神经网络模型的每一层中执行的计算,并根据多个应变计的输出数据的片段得出车辆的路面输入载荷数据。
Description
技术领域
本发明涉及一种测量车辆的路面输入载荷的系统及方法,更具体地涉及这样一种测量车辆的路面输入载荷的系统及方法,其能够利用深度学习人工神经网络、根据从安装在车辆轮毂轴承中的多个应变计输入的数据来测量路面输入载荷。
背景技术
通常,能够测量通过车轮从路面作用在车辆上的载荷或力矩的六分量测力传感器(6-component load cell sensor)以附接在车轮的外侧的形式而应用。由于传感器的重量以及为传感器安装而增加到车辆的轮辋和轮毂上的装置的重量,这种传统的六分量测力传感器改变了车辆悬架的几何形状,从而改变了车辆悬架的特性。此外,为了安装应变计,需要对传统的六分量测力传感器进行处理。
如上所述,在安装传统的车轮附接型六分量测力传感器时,车辆悬架的特性改变,并且需要进行单独的处理,以安装应变计。因此,即使准确地执行了车辆路面输入载荷的测量,也存在以下缺点:由于实际量产的车辆与测试车辆之间的悬架特性的差异而可能产生误差,并且需要额外的处理成本。
包括在本发明的背景部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的各个方面旨在提供一种测量车辆的路面输入载荷的系统和方法,其配置为利用深度学习人工神经网络、通过使用从多个应变计(其直接安装在车辆的轮毂轴承中)输入的数据来准确地测量车辆的路面输入载荷。
根据一个方面,提供了一种测量车辆的路面输入载荷的系统,该系统包括:多个应变计、存储装置和处理器,所述多个应变计安装在车辆的轮毂轴承的表面上;所述存储装置连接到多个应变计,并配置为存储深度学习人工神经网络模型,所述深度学习人工神经网络模型根据多个应变计的输出数据的片段来学习车辆的路面输入载荷数据;所述处理器连接到存储装置和多个应变计,并配置为执行在存储装置中存储的深度学习人工神经网络模型的每一层中执行的计算,并根据多个应变计的输出数据的片段得出车辆的路面输入载荷数据。
在本发明的各种示例性实施方案中,多个应变计可以以规则的间隔安装在轮毂轴承的外圈的表面上。
在本发明的各个示例性实施方案中,多个应变计可以安装在与一对轴承滚珠之间的应力集中点相对应的位置,所述一对轴承滚珠在轮毂轴承上沿旋转轴线方向平行安装。
在本发明的各种示例性实施方案中,深度学习人工神经网络模型可以包括:多个密集层和多个ReLu层,所述多个密集层配置为接收从多个应变计输出的数据片段或从前一层输出的数据,并且将使权重值和偏置值应用于接收到的数据片段得到的值输入到激活函数,从而确定输出值;所述多个ReLu层位于多个密集层之间,并配置为通过将多个密集层的输出值应用于ReLu函数来确定输出值。
在本发明的各种示例性实施方案中,多个密集层可以输出的数据片段的数量小于接收到的数据片段的数量。
在本发明的各种示例性实施方案中,存储装置可以存储权重值和偏置值。
在本发明的各个示例性实施方案中,处理器可以根据预定的恒定采样周期、按时间通道的顺序来接收多个应变计的输出数据,并且将与多个顺序时间通道相对应的数据片段作为一个数据集输入到深度学习人工神经网络模型。
在本发明的各种示例性实施方案中,处理器可以将包括对应的时间通道的数据和多个先前时间通道的数据片段的数据集输入到深度学习人工神经网络模型,作为用于得出对于一个时间通道的路面输入载荷的输入数据。
在本发明的各种示例性实施方案中,处理器可以对在多个时间通道中的高优先级的预设数量的时间通道中输入到深度学习人工神经网络模型的输入数据应用过采样,并且对从最后的预设时间通道输入到深度学习人工神经网络模型的输入数据应用过采样。
根据另一方面,提供了一种测量车辆的路面输入载荷的方法,该方法包括:收集安装在车辆的轮毂轴承的表面上的多个应变计的输出数据的片段以及根据多个应变计的输出数据的片段的路面输入载荷的实际测量数据,作为用于学习的数据;使得预存储的深度学习人工神经网络模型能够利用收集到的数据进行学习,并验证预存储的深度学习人工神经网络模型;存储进行学习并经验证的深度学习人工神经网络模型;通过将多个应变计的输出数据的片段输入到进行学习并经验证的深度学习人工神经网络模型,得出车辆的路面输入载荷数据。
在本发明的各种示例性实施方案中,收集可以是根据预定的恒定的采样周期、按时间通道的顺序收集用于学习的数据;并且在进行学习和验证之前,所述方法可以进一步包括确定包括一个时间通道的输入数据和与多个先前时间通道相对应的输入数据的片段的数据集作为一个时间通道的用于学习的输入数据的片段的数据预处理。
在本发明的各种示例性实施方案中,收集可以是根据预定的恒定采样周期、按时间通道的顺序收集用于学习的数据,并且在进行学习和验证之前,所述方法可以进一步包括对从多个时间通道中的高优先级的预设数量的时间通道输入的用于学习的输入数据的片段应用过采样以及对从最后的预设时间通道输入的用于学习的输入数据应用过采样的数据预处理。
在本发明的各种示例性实施方案中,深度学习人工神经网络模型可以包括:多个密集层和多个ReLu层,所述多个密集层配置为接收从多个应变计输出的数据片段或从前一层输出的数据,并且将使权重值和偏置值应用于接收到的数据片段得到的值输入到激活函数,从而确定输出值;所述多个ReLu层位于多个密集层之间,并配置为通过将多个密集层的输出值应用于ReLu函数来确定输出值。
在本发明的各种示例性实施方案中,多个密集层可以输出的数据片段的数量小于接收到的数据片段的数量。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
图1是示出根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统的框图;
图2是示例性地示出根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统的轮毂轴承和安装在轮毂轴承中的应变计的立体图;
图3是示例性地示出根据图2所示的本发明各种示例性实施方案的利用大数据的车辆动力控制系统的应变计安装区域的一部分的截面图;
图4是示出应用于根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统的深度学习人工神经网络模型的示例的框图;
图5是示出应用于深度学习人工神经网络模型的密集层的神经元(cell)的示意图,所述深度学习人工神经网络模型应用于根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统;
图6是示出应用于深度学习人工神经网络模型的ReLu层的神经元的ReLu函数的曲线图,所述深度学习人工神经网络模型应用于根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统;
图7是示出根据本发明各种示例性实施方案的测量车辆的路面输入载荷的方法中,深度学习人工神经网络模型的学习方法的流程图;
图8是示出在根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统和方法中,对从应变计输出的数据进行处理以输入到深度学习人工神经网络模型的数据片段的示例;
图9是示出根据本发明各种示例性实施方案的测量车辆的路面输入载荷的方法中实际测量路面输入载荷的过程的流程图。
应当了解,所附附图并非按比例地绘制,而仅是为了说明本发明的基本原理的各种特征的适当简化的画法。本文所公开的本发明的具体设计特征包括例如具体尺寸、方向、位置和外形将部分地由具体所要应用和使用的环境来确定。
在这些图中,贯穿附图的多幅图,相同的附图标记表示本发明的相同或等同的部分。
具体实施方式
现在将详细参考本发明的各种实施方案,这些实施方案的示例呈现在附图中并描述如下。尽管本发明将与本发明的示例性的实施方案相结合进行描述,应当理解,本说明书并非旨在将本发明限制为那些示例性的实施方案。另一方面,本发明旨在不仅覆盖本发明的示例性实施方案,还包括各种替代的实施方案、修改的实施方案、等同的实施方案和其它实施方案,所述实施方案包含在由所附权利要求所限定的本发明的精神和范围中。
在下文中,将参照附图详细描述根据本发明各种实施方案的测量车辆的路面输入载荷的系统及方法。
图1是示出根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统的框图。
参照图1,根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统可以包括:多个应变计11-1、11-2、…和11-n、存储装置30以及处理器20,所述多个应变计11-1、11-2、…和11-n安装在车辆的轮毂轴承10的表面上;所述存储装置30用于存储深度学习人工神经网络模型,所述深度学习人工神经网络模型根据多个应变计11-1、11-2、…和11-n的输出数据来学习车辆的路面输入载荷数据;所述处理器20用于执行在存储装置30中存储的深度学习人工神经网络模型的每一层中执行的计算。
在本发明的示例性实施方案中,控制器可以包括处理器20。
图2是示例性地示出根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统的轮毂轴承和安装在轮毂轴承中的应变计的立体图,图3是示例性地示出根据图2所示的本发明各种示例性实施方案的利用大数据的车辆动力控制系统的应变计安装区域的一部分的截面图。
参照图2和图3,安装有应变计11-1、11-2,......和11-7的轮毂轴承10可以包括:外圈13、内圈14以及安装在外圈13与内圈14之间的轴承滚珠15b和安装在外圈13与轮毂12之间的轴承滚珠15a。根据应用轮毂轴承10的每个制造商或每个车辆,轮毂轴承10的结构可以具有略微不同的结构。然而,大多数轮毂轴承的结构是一致的:外圈13固定地联接到转向节,轮毂12和内圈14通过轮毂螺栓16安装在车轮上并可转动。
在本发明的各种示例性实施方案中,应变计11-1、11-2、......和11-7可以以附接到轮毂轴承10的外圈13的表面上的形式安装。应变计11-1、11-2、......和11-7可以以规则的间隔附接到外圈13的外周表面上。考虑到轴承滚珠15a和15b安装的位置,将应变计11-1、11-2、......和11-7安装在一对轴承滚珠15a和15b(其沿轴向安装)之间的应力集中点处。
可以将由应变计11-1、11-2、......和11-n检测到的多段应变数据提供给处理器20。
处理器20可以接收从应变计11-1、11-2、......和11-n输出的应变数据,并且通过将接收到的应变数据应用于预先学习的深度学习人工神经网络模型、根据从应变计11-1、11-2、......和11-n输出的应变数据而得出车辆的路面输入载荷数据。
处理器20可以执行将接收到的应变数据应用于预先学习的深度学习人工神经网络模型所需的各种计算和数据处理。例如,处理器20可以以适用于预先学习的深度学习人工神经网络模型的数据的形式,对接收到的应变数据执行预处理,并且执行在预先学习的深度学习人工神经网络模型的每一层中执行的计算。
或者,处理器20还可以对学习前的深度学习人工神经网络模型执行深度学习人工神经网络模型的学习,该深度学习人工神经网络模型的学习确定属于人工神经网络模型的每一层的神经元的权重和偏置。
存储装置30可以存储预先学习的深度学习人工神经网络模型,所述深度学习人工神经网络模型接收从应变计11-1、11-2、......和11-n输出的数据作为输入,并输出车辆的路面输入载荷。
图4是示出应用于根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统的深度学习人工神经网络模型的示例的框图。
参照图4,应用于根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统的深度学习人工神经网络模型是这样的模型:其接收应变计11-1、11-2、......和11-n的输出数据,并根据接收到的输出数据得出并输出路面输入载荷数据,所述深度学习人工神经网络模型可以包括多个密集层DL1至DL4和多个ReLu层RL1至RL3。
多个密集层DL1至DL4可以包括多个神经元,其接收从应变计11-1、11-2、......和11-n输出的所有数据片段或从先前的层输出的所有数据片段,并且根据通过对接收到的数据片段进行学习而确定的权重和偏置来执行计算,以输出计算结果。属于多个密集层DL1至DL4的神经元的数量可以包括小于输入数据的片段数量的神经元的数量,使得输出数据的尺寸(dimension)可以小于输入数据的尺寸。
图5是示出应用于深度学习人工神经网络模型的密集层的神经元的示意图,所述深度学习人工神经网络模型应用于根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统。
如图5所示,应用于密集层DL1至DL4的神经元可以通过将使权重值wi和偏置值b应用于从应变计11-1、11-2、......和11-n输出的数据片段或从先前的层输出的数据片段xi得到的值输入到激活函数f来产生输出值。
深度学习人工神经网络模型的最终密集层DL4是输出层,并且可以确定权重值和偏置值,以输出路面输入载荷。
多个ReLu层RL1至RL3是将ReLu函数应用为激活函数的层,并且其将ReLu函数应用于从先前配置的密集层DL1至DL3的神经元输出的值并输出应用结果。
图6是示出应用于深度学习人工神经网络模型的ReLu层的神经元的ReLu函数的曲线图,所述深度学习人工神经网络模型应用于根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统。
如图6所示,当输入值大于或等于零时,ReLu函数对应于斜率为1的直线,当x值小于零时,ReLu函数的值为零,ReLu函数将大于或等于零的输入值直接输出,而对于小于零的输入值输出值为零。
根据本发明各种示例性实施方案的测量车辆的路面输入载荷的方法包括以下过程:学习如图4所示的深度学习人工神经网络模型,并利用进行学习的深度学习人工神经网络模型来得出路面输入载荷。
图7是示出在根据本发明各种示例性实施方案的测量车辆的路面输入载荷的方法中,深度学习人工神经网络模型的学习方法的流程图。
如图7所示,在根据本发明各种示例性实施方案的测量车辆的路面输入载荷的方法中,深度学习人工神经网络模型的学习方法从收集应变计输出数据和根据应变计输出数据的路面输入载荷数据作为学习数据开始(S11)。
如图1、图2和图3所示,用于学习的学习数据可以通过在存储装置30中预先设置测量路面输入载荷的硬件和深度学习人工神经网络模型的方式来收集,然后,利用仿真装置等、根据应变计11-1、11-2、......和11-n的输出数据来获得路面输入载荷的实际测量值。
图8是示出在根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统和方法中,对从应变计输出的数据进行处理以输入到深度学习人工神经网络模型的数据片段的示例。
如图8所示,应变计11-1、11-2、......和11-n的输出数据和根据输出数据的路面输入载荷数据可以根据预定的恒定采样周期、按照时间通道的顺序进行收集。时间通道的总数可以根据需要进行适当调整。
在收集学习数据之后,可以执行确定用于学习的数据集的数据预处理步骤(S12)。数据预处理步骤是确定一次输入到深度学习人工神经网络模型的数据集的步骤。
在本发明的各种示例性实施方案中,数据预处理步骤(S12)可以将与多个顺序时间通道相对应的用于学习的输入数据的片段确定为一个数据集。即,作为对于一个时间通道的用于学习的输入数据,可以将对应的时间通道的输入数据以及与多个先前时间通道相对应的输入数据的片段确定为用于学习的输入数据。例如,与第五时间通道相对应的用于学习的输入数据可以是包括与第一至第四时间通道相对应的用于学习的输入数据的片段的数据集。
此外,在数据预处理步骤(S12)中,将合成少数类过采样技术(syntheticminority oversampling technique,SMOTE)应用于在多个时间通道中的领头时间通道中输入的用于学习的输入数据以及在多个时间通道中的最后时间通道中输入的用于学习的输入数据,以执行过采样,从而还可以确保关于用于学习的输入数据的领头部分和最后部分的预测信息的准确性。
接下来,通过将用于学习的输入数据输入到深度学习人工神经网络模型,以使得深度学习人工神经网络模型能够输出用于学习的数据(即,通过仿真获得的期望的路面输入载荷数据),从而深度学习人工神经网络模型可以进行学习(S13)。在学习步骤(S13)中,可以执行最优学习,使得通过仿真获得的期望的路面输入载荷数据与从深度学习人工神经网络模型输出的输出数据之间的误差最小。
随后,可以以这样的方式执行学习:其中,利用通过仿真获得的验证数据来验证深度学习人工神经网络模型的学习是否适当地完成,然后将通过学习和验证最终确定的结果存储在存储装置30中。
如上所述,学习和验证所需的数据计算和处理可以由处理器20执行。
图9是示出在根据本发明各种示例性实施方案的测量车辆的路面输入载荷的方法中,实际测量路面输入载荷的过程的流程图。
测量路面输入载荷的过程是这样的过程:其中,处理器20接收应变计11-1、11-2、......和11-n的输出数据的片段(S21),使应用于实际车辆的轮毂轴承的应变计11-1、11-2、......和11-n的输出数据的片段输入到存储在存储装置30中的深度学习人工神经网络模型,深度学习人工神经网络模型的层DL1至DL4以及RL1至RL3执行各种计算,并输出路面输入载荷数据。
即,在应用于上述深度学习人工神经网络模型的学习时,在测量路面输入载荷的过程中,需要接收应变计11-1、11-2、......和11-n的输出数据的片段,然后执行对输出数据的片段进行预处理的过程(S22)。预处理的过程可以包括将待测量的时间通道的输入数据和多个先前时间通道的输入数据的片段设置为一个数据集,并且通过将SMOTE应用于从高优先级的预设时间通道输入的数据和从最后一个预设时间通道输入的数据来执行过采样。
通常,当将应变计安装在轮毂轴承上时,在地面、应变计的安装位置和轴承滚珠的安装位置彼此共线的情况下,以及在地面、应变计的安装位置和轴承滚珠之间的空余部分彼此共线的情况下,从应变计输出的值可能会彼此不同。即,当应变计和轴承滚珠安装为与地面共线时,产生的应变较大。由于轴承滚珠以规则的间隔围绕轮毂安装,由应变计检测到的应变的大小可能呈现反复增大和减小的正弦波的形式。此外,当应变计安装在轮毂轴承上时,仅当多个应变计准确地安装在应力集中的位置时,才可以准确地测量路面输入载荷。
按照根据本发明各种示例性实施方案的测量路面输入载荷的系统和方法,由于通过将从多个应变计输入的数据片段应用于深度学习人工神经网络模型(其基于相应的应变计的数据进行学习)来估算路面输入载荷,因此无论根据轴承滚珠位置或应变计位置的应变变化如何,都可以准确地估算路面输入载荷。
此外,按照根据本发明各种示例性实施方案的测量路面输入载荷的系统和方法,由于不需要单独附接到车轮的结构或车轮处理,可以准确地测量路面输入载荷,而不会改变应用于车辆的车轮悬架的特性。
按照根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统和方法,由于路面输入载荷是通过将从多个应变计输入的数据片段应用于深度学习人工神经网络模型(其基于相应的应变计的数据进行学习)来估算的,无论根据轴承滚珠位置或应变计位置的应变变化如何,都可以准确地估算路面输入载荷。
此外,按照根据本发明各种示例性实施方案的测量车辆的路面输入载荷的系统和方法,由于不需要单独附接到车轮上的结构或车轮处理,可以准确地测量路面输入载荷,而不会改变应用于车辆的车轮悬架的特性。
根据本发明各种示例性实施方案而获得的效果不限于上述效果,并且本发明各种示例性实施方案所属领域的技术人员可以通过上述描述清楚地理解未提及的其他效果。
此外,术语“控制器”指的是包括存储器和处理器20的硬件装置,其配置为执行解释为算法结构的一个或更多个步骤。存储器存储算法步骤,处理器执行算法步骤以执行根据本发明各种示例性实施方案的方法的一个或更多个过程。根据本发明示例性实施方案的控制器可以通过非易失性存储器和处理器来实现,所述非易失性存储器配置为存储用于控制车辆的各个组件的操作的算法或关于用于执行算法的软件命令的数据,所述处理器配置为利用存储在存储器中的数据执行以上描述的操作。存储器和处理器可以是单独的芯片。或者,存储器和处理器可以集成在单个芯片中。处理器可以实现为一个或更多个处理器。
控制器可以是由预定程序操作的至少一个微处理器,该预定程序可以包括用于执行根据本发明各种示例性实施方案的方法的一系列命令。
前述的本发明也可以实现为计算机可读记录介质上的计算机可读代码。计算机可读记录介质是可以存储其后可以由计算机系统读取的数据的任何数据存储装置。计算机可读记录介质的示例包括硬盘驱动器(HDD)、固态磁盘(SSD)、硅磁盘驱动器(SDD)、只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘、光学数据存储装置等,并实现为载波(例如,通过互联网传输)。
为了便于在所附权利要求中进行解释和准确限定,术语“上”、“下”、“内”、“外”、“上面”、“下面”、“向上”、“向下”、“前”、“后”、“背面”、“内侧”、“外侧”、“向内的”、“向外的”、“内部的”、“外部的”、“内侧”、“外侧”、“向前”、“向后”被用于参考附图中所显示的这些特征的位置来描述示例性实施方案的特征。将进一步理解,术语“连接”或其派生词既指直接连接又指间接连接。
前面所呈现的对本发明具体示例性实施方案的描述是出于说明和描述的目的。本发明具体示例性实施方案并不旨在详尽或将本发明限制在所公开的精确的实施方案中,并且显然,根据上述教示可以进行各种修改和改变。选择和描述的示例性实施方案是为了解释本发明的某些原理和实际应用,以使其他本领域技术人员能够制造和使用本发明的各个示例性实施方案,及其替代方案和修改方案。本发明的范围旨在由所附权利要求及其等同形式所限定。
Claims (18)
1.一种测量车辆的路面输入载荷的系统,所述系统包括:
多个应变计,所述多个应变计安装在车辆的轮毂轴承的表面上;
存储装置,其连接到所述多个应变计,并配置为存储深度学习人工神经网络模型,所述深度学习人工神经网络模型根据所述多个应变计的输出数据的片段来学习车辆的路面输入载荷数据;和
处理器,其连接到所述存储装置和所述多个应变计,并配置为执行在存储装置中存储的深度学习人工神经网络模型的每一层中执行的计算,并根据所述多个应变计的输出数据的片段得出车辆的路面输入载荷数据。
2.根据权利要求1所述的测量车辆的路面输入载荷的系统,其中,所述多个应变计以预定的间隔围绕轮毂轴承的外圈的表面安装在外圈的表面上。
3.根据权利要求1所述的测量车辆的路面输入载荷的系统,其中,所述多个应变计安装在与一对轴承滚珠之间的应力集中点相对应的位置,所述一对轴承滚珠在轮毂轴承上沿旋转轴线方向平行安装。
4.根据权利要求1所述的测量车辆的路面输入载荷的系统,其中,所述深度学习人工神经网络模型包括:
多个密集层,所述多个密集层配置为接收从所述多个应变计输出的数据片段或从前一层输出的数据,并且将使权重值和偏置值应用于接收到的数据片段得到的值输入到激活函数,从而确定输出值;和
多个ReLu层,所述多个ReLu层位于所述多个密集层之间,并配置为通过将所述多个密集层的输出值应用于ReLu函数来确定输出值。
5.根据权利要求4所述的测量车辆的路面输入载荷的系统,其中,所述多个密集层输出的数据片段的数量小于接收到的数据片段的数量。
6.根据权利要求4所述的测量车辆的路面输入载荷的系统,其中,所述存储装置存储权重值和偏置值。
7.根据权利要求4所述的测量车辆的路面输入载荷的系统,其中,
当ReLu函数的输入值大于或等于零时,ReLu函数形成为具有预定斜率的直线;
当ReLu函数的输入值小于零时,ReLu函数形成为具有零的斜率。
8.根据权利要求1所述的测量车辆的路面输入载荷的系统,其中,所述处理器配置为:根据预定的恒定采样周期、按时间通道的顺序来接收所述多个应变计的输出数据,并且将与多个顺序时间通道相对应的数据片段作为一个数据集输入到深度学习人工神经网络模型。
9.根据权利要求8所述的测量车辆的路面输入载荷的系统,其中,所述处理器配置为将包括对应的时间通道的数据和多个先前时间通道的数据片段的数据集输入到深度学习人工神经网络模型,作为用于得出对于一个时间通道的路面输入载荷的输入数据。
10.根据权利要求8所述的测量车辆的路面输入载荷的系统,其中,所述处理器配置为:对在多个时间通道中的高优先级的预定数量的时间通道中输入到深度学习人工神经网络模型的输入数据应用过采样,并且对从最后的预定时间通道输入到深度学习人工神经网络模型的输入数据应用过采样。
11.一种测量车辆的路面输入载荷的方法,所述方法包括:
由控制器收集安装在车辆的轮毂轴承的表面上的多个应变计的输出数据的片段以及根据连接到控制器的多个应变计的输出数据的片段的路面输入载荷的测量数据,作为用于学习的数据;
由控制器使得预存储的深度学习人工神经网络模型能够利用收集到的数据进行学习,并验证预存储的深度学习人工神经网络模型;
由控制器存储进行学习并经验证的深度学习人工神经网络模型;
通过将多个应变计的输出数据的片段输入到进行学习并经验证的深度学习人工神经网络模型,由控制器得出车辆的路面输入载荷数据。
12.根据权利要求11所述的方法,其中,
收集是根据预定的恒定采样周期、按时间通道的顺序收集用于学习的数据;
在进行学习和验证之前,所述方法还包括数据预处理:其确定包括一个时间通道的输入数据和与多个先前时间通道相对应的输入数据的片段的数据集作为一个时间通道的用于学习的输入数据的片段。
13.根据权利要求11所述的方法,其中,
收集是根据预定的恒定采样周期、按时间通道的顺序收集用于学习的数据;
在进行学习和验证之前,所述方法还包括数据预处理:其对从多个时间通道中的高优先级的预定数量的时间通道输入的用于学习的输入数据的片段应用过采样以及对从最后的预定时间通道输入的用于学习的输入数据应用过采样。
14.根据权利要求11所述的方法,其中,所述深度学习人工神经网络模型包括:
多个密集层,所述多个密集层配置为接收从多个应变计输出的数据片段或从前一层输出的数据,并且将使权重值和偏置值应用于接收到的数据片段得到的值输入到激活函数,从而确定输出值;和
多个ReLu层,所述多个ReLu层位于所述多个密集层之间,并配置为通过将所述多个密集层的输出值应用于ReLu函数来确定输出值。
15.根据权利要求14所述的方法,其中,所述多个密集层输出的数据片段的数量小于接收到的数据片段的数量。
16.根据权利要求15所述的方法,其中,
当ReLu函数的输入值大于或等于零时,ReLu函数形成为具有预定斜率的直线;
当ReLu函数的输入值小于零时,ReLu函数形成为具有零的斜率。
17.根据权利要求11所述的方法,其中,所述控制器包括:
处理器;和
非暂时性存储介质,其上记录有用于执行根据权利要求11所述的方法的程序,所述程序由处理器执行。
18.一种非暂时性计算机可读介质,其上记录有用于执行根据权利要求11所述的方法的程序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0038766 | 2020-03-31 | ||
KR1020200038766A KR20210121657A (ko) | 2020-03-31 | 2020-03-31 | 차량용 노면입력 하중 측정 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113532717A true CN113532717A (zh) | 2021-10-22 |
Family
ID=77855386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010920876.3A Pending CN113532717A (zh) | 2020-03-31 | 2020-09-04 | 测量车辆的路面输入载荷的系统及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210300391A1 (zh) |
KR (1) | KR20210121657A (zh) |
CN (1) | CN113532717A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136584A (zh) * | 2021-11-30 | 2022-03-04 | 中国航天空气动力技术研究院 | 一种轮毂式结构的六分量铰链力矩天平 |
CN114676648A (zh) * | 2022-05-30 | 2022-06-28 | 岚图汽车科技有限公司 | 一种基于机器学习的车辆载荷谱预测方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004233331A (ja) * | 2002-12-04 | 2004-08-19 | Sumitomo Rubber Ind Ltd | 車輪力検出装置及び車輪力検出方法 |
JP4487528B2 (ja) | 2003-09-29 | 2010-06-23 | 日本精工株式会社 | 車輪支持用転がり軸受ユニットの荷重測定装置 |
US8943902B2 (en) | 2012-10-05 | 2015-02-03 | Harris Corporation | Force and torque sensors |
US10442439B1 (en) * | 2016-08-18 | 2019-10-15 | Apple Inc. | System and method for road friction coefficient estimation |
WO2019079202A1 (en) * | 2017-10-16 | 2019-04-25 | Illumina, Inc. | ABERRANT CONNECTION DETECTION USING CONVOLUTION NEURAL NETWORKS (CNN) |
WO2020014683A1 (en) * | 2018-07-13 | 2020-01-16 | Kache.AI | Systems and methods for autonomous object detection and vehicle following |
EP3853564A1 (en) * | 2018-09-17 | 2021-07-28 | Optics11 B.V. | Determining weights of vehicles in motion |
-
2020
- 2020-03-31 KR KR1020200038766A patent/KR20210121657A/ko unknown
- 2020-08-14 US US16/993,583 patent/US20210300391A1/en not_active Abandoned
- 2020-09-04 CN CN202010920876.3A patent/CN113532717A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136584A (zh) * | 2021-11-30 | 2022-03-04 | 中国航天空气动力技术研究院 | 一种轮毂式结构的六分量铰链力矩天平 |
CN114136584B (zh) * | 2021-11-30 | 2024-05-28 | 中国航天空气动力技术研究院 | 一种轮毂式结构的六分量铰链力矩天平 |
CN114676648A (zh) * | 2022-05-30 | 2022-06-28 | 岚图汽车科技有限公司 | 一种基于机器学习的车辆载荷谱预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
KR20210121657A (ko) | 2021-10-08 |
US20210300391A1 (en) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113532717A (zh) | 测量车辆的路面输入载荷的系统及方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
US20230347901A1 (en) | Maximum friction coefficient estimation system and maximum friction coefficient estimation method | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN113570057A (zh) | 一种基于模型训练的车辆轮心垂向位移测量方法和装置 | |
CN112393934A (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN101650266A (zh) | 用于双轴车轮测试机的车轮外倾角最优化方法 | |
CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
CN111380649A (zh) | 基于pso优化lssvm的车用多维力传感器解耦方法 | |
CN111090959A (zh) | 车辆载荷谱获取方法和系统 | |
CN116432352A (zh) | 一种基于数字孪生的航空发动机主轴轴承故障诊断方法 | |
CN114676648B (zh) | 一种基于机器学习的车辆载荷谱预测方法和装置 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN115391916A (zh) | 一种车轮双轴疲劳仿真分析方法、装置、设备及介质 | |
KR102218146B1 (ko) | 연성 하이브리드 동적 시스템의 시뮬레이션을 위한 오프라인 제어 방법 및 시스템 | |
Jang et al. | A feasible strain-history extraction method using machine learning for the durability evaluation of automotive parts | |
CN103994858B (zh) | 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 | |
US11951965B2 (en) | System and method for upgrading metamodel for friction coefficient prediction of brake pad, and brake control system using the metamodel | |
JPWO2020008869A1 (ja) | 演算処理システム、センサシステム、演算処理方法、及びプログラム | |
CN114861335B (zh) | 一种汽车动力学计算模型的标定方法及相关设备 | |
CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
KR101934690B1 (ko) | 콘볼루션/디콘볼루션에 기초한 추정을 사용한 타이어 균일성 개선 | |
KR101934833B1 (ko) | 딥러닝 기반의 전자식 브레이크 제어 장치, 방법 및 컴퓨터 프로그램, 그리고 전자식 브레이크 제어 시스템 |
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 |