CN113865682A - 货车轮胎载重确定方法、装置及存储介质 - Google Patents

货车轮胎载重确定方法、装置及存储介质 Download PDF

Info

Publication number
CN113865682A
CN113865682A CN202111155036.3A CN202111155036A CN113865682A CN 113865682 A CN113865682 A CN 113865682A CN 202111155036 A CN202111155036 A CN 202111155036A CN 113865682 A CN113865682 A CN 113865682A
Authority
CN
China
Prior art keywords
truck
load
data
deformation data
truck tire
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.)
Granted
Application number
CN202111155036.3A
Other languages
English (en)
Other versions
CN113865682B (zh
Inventor
苗少光
刘阳
杨国强
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.)
Shenzhen Hand Hitech Co ltd
Original Assignee
Shenzhen Hand Hitech Co ltd
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 Shenzhen Hand Hitech Co ltd filed Critical Shenzhen Hand Hitech Co ltd
Priority to CN202111155036.3A priority Critical patent/CN113865682B/zh
Publication of CN113865682A publication Critical patent/CN113865682A/zh
Application granted granted Critical
Publication of CN113865682B publication Critical patent/CN113865682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Tires In General (AREA)

Abstract

本申请提供一种货车轮胎载重确定方法、装置及存储介质，所述方法包括：获取所述货车车桥的实时形变数据，将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据；其中，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的，能够保证货车轮胎载重测量的实时性和准确性。

Description

货车轮胎载重确定方法、装置及存储介质
技术领域
本申请涉及车辆智能监测技术领域，尤其涉及一种货车轮胎载重确定方法、装置及存储介质。
背景技术
轮胎承载的重量可以给轮胎力的测量带来很大的帮助，为车辆智能控制提供更多信息。除此之外，轮胎寿命和其使用期间车轮承载的重量息息相关，所以轮胎载重数据对轮胎的寿命预测方面的研究有重要意义。
目前轮胎载重的测量方法主要有两种，一种是通过压力感应弹簧杆检测货车轮胎的挤压程度，即获取轮胎的形变信息，最后通过信号转换和计算得到轮胎载重。但这种方法测得的轮胎形变会受到胎压的影响，导致轮胎载重计算结果不准确；另一种是将一串称重传感器单元固定在行驶道路沿线上，称重传感器单元在车辆轮胎压接时，输出车辆轮胎称重值。但这种方法只能在安装有称重传感器单元的道路上才能测量，而不能在任意地点任意时刻进行实时测量。总的来说，现有的轮胎载重获取方法，无法兼顾测量的实时性和准确性。
发明内容
针对现有技术存在的上述技术问题，本申请提供一种货车轮胎载重确定方法、装置及存储介质。
第一方面，本申请提供一种货车轮胎载重确定方法，包括：
获取所述货车车桥的实时形变数据；
将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据；
其中，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；
所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的。
可选地，根据本申请的货车轮胎载重确定方法，所述训练样本中货车车桥的形变数据样本是通过对称设置于货车车桥两端的应变计传感器测量得到的，所述形变数据样本对应的货车轮胎的载重数据是通过平行放置于地面的两个称重仪测量得到的；
其中，所述称重仪之间的距离和同一车轴轮胎间的距离相同，测量时，所述同一车轴对应的两个轮胎分别位于所述两个称重仪上。
可选地，根据本申请的货车轮胎载重确定方法，所述货车轮胎载重确定模型的训练步骤具体包括：
基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集；
基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值。
可选地，根据本申请的货车轮胎载重确定方法，所述基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集，具体包括：
基于所述货车的历史载重信息，确定所述货车的多个载重场景；
基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态；其中，N为大于1的正整数；
测量所述目标载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据；
基于不同载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据，生成所述训练样本集。
可选地，根据本申请的货车轮胎载重确定方法，所述基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态，具体包括：
基于所述目标载重场景中货物在货车车厢中的分布情况，将所述货车车厢划分为N个子区域；
基于所述目标载重场景的使用频率，确定所述目标载重场景对应的训练样本数量；
基于所述目标载重场景对应的训练样本数量，确定所述标准砝码的放置方式，并基于所述标准砝码的放置方式在不同子区域放置标准砝码，以获得所述目标载重场景下的不同载重状态；其中，所述目标载重场景下的不同载重状态的数量与所述目标载重场景对应的训练样本数量相同。
可选地，根据本申请的货车轮胎载重确定方法，所述货车轮胎载重确定模型的代价函数为：
Figure BDA0003288392910000031
其中，θ0,θ1,...,θm为m+1个待优化参数；n为训练样本数；
Figure BDA0003288392910000032
Figure BDA0003288392910000033
为第i个训练样本的特征向量，其是基于第i个训练样本中各应变计传感器测得的形变数据确定的；
Figure BDA0003288392910000034
表示第i个训练样本的各个轮胎的载重值，所述hθ(xi)的表达式为：
Figure BDA0003288392910000035
其中，
Figure BDA0003288392910000041
分别表示第i个训练样本中各应变计传感器测得的形变数据。
可选地，根据本申请的货车轮胎载重确定方法，所述基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值，包括：
采用最小二乘法或梯度下降法确定使得所述代价函数最小的待优化参数的值；
将所述使得所述代价函数最小的待优化参数的值作为所述货车轮胎载重确定模型的最优参数值。
第二方面，本申请还提供一种货车轮胎载重确定装置，包括：
车桥形变数据获取单元，用于获取所述货车车桥的实时形变数据；
货车轮胎载重确定单元，用于将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据；
其中，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；
所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的。
第三方面，本申请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第一方面所提供的方法的步骤。
第四方面，本申请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第一方面所提供的方法的步骤。
本申请提供的货车轮胎载重确定方法、装置及存储介质，通过将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据，能够保证轮胎载重数据获取的实时性，同时，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的，训练样本与货车实际运行场景相对应，能够保证轮胎载重数据的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请提供的货车轮胎载重确定方法的流程示意图；
图2是本申请提供的货车结构示意图；
图3是本申请提供的应变计传感器安装位置示意图；
图4是本申请提供的货车车厢区域划分示意图之一；
图5是本申请提供的货车车厢区域划分示意图之二；
图6是本申请提供的货车轮胎载重确定装置的结构示意图；
图7是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面结合图1-图7描述本申请的货车轮胎载重确定方法、装置及存储介质。
图1为本申请提供的货车轮胎载重确定方法的流程示意图，如图1所示，该方法包括：
步骤110，获取所述货车车桥的实时形变数据。
具体的，如图2所示为本申请提供的货车结构示意图，其车厢下方对称设置有四组共八个轮胎，可以理解的是，本申请实施例也适用于其它类型的货车(例如车厢下方对称设置有两组共四个轮胎的货车)，图2所示的货车结构仅作为示例。
所述货车的每组轮胎均通过车桥连接，因此，通过对货车车桥的形变进行测量，即可间接反映所述车桥对应的两个轮胎的载重情况。基于此，要获取所述货车轮胎的实时载重数据，首先需要获取所述货车车桥的实时形变数据。在本申请实施例中，所述货车车桥的实时形变数据是通过对称设置于货车车桥两端的应变计传感器测量得到的。
如图3所示为本申请提供的应变计传感器安装位置示意图，在货车每个车桥的两端各安装一个应变计传感器，同一车桥上的两个应变计传感器安装位置尽量靠近车的侧面且对称，这样可以更大程度地获取由货物带给车桥的各种受力情况，避免受力不均衡带来的形变捕捉丢失的情况。在货车运行过程中，通过应变计传感器捕捉车桥形变信息，并将其转化为传感器模拟信号值(即所述货车车桥的形变数据)。
步骤120，将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据；
其中，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；
所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的。
具体的，为了保证货车轮胎载重测量的准确性，通过在货车车厢的不同子区域放置标准砝码的方式模拟货车的真实载重场景，并测得不同载重状态下的货车车桥的形变数据(即货车车桥的形变数据样本)和对应的货车轮胎的载重数据(即所述样本对应的货车轮胎的载重数据)。同一载重状态下的货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据构成一条训练样本，对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量，即可获得多条训练样本，进而构成训练样本集。
利用所述训练样本集对货车轮胎载重确定模型进行训练，使所述货车轮胎载重确定模型能够准确地学习所述货车车桥的形变数据与对应的货车轮胎的载重数据的关联关系。训练好的货车轮胎载重确定模型即可根据所述货车车桥的实时形变数据确定所述货车轮胎的实时载重数据，在保证货车轮胎载重监测的实时性的基础上，也兼顾了监测数据的准确性。
本申请提供的方法，通过将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据，能够保证轮胎载重数据获取的实时性，同时，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的，训练样本与货车实际运行场景相对应，能够保证轮胎载重数据的准确性。
基于上述实施例，所述训练样本中货车车桥的形变数据样本是通过对称设置于货车车桥两端的应变计传感器测量得到的，所述形变数据样本对应的货车轮胎的载重数据是通过平行放置于地面的两个称重仪测量得到的；
其中，所述称重仪之间的距离和同一车轴轮胎间的距离相同，测量时，所述同一车轴对应的两个轮胎分别位于所述两个称重仪上。
具体的，在获取训练样本的过程中，所述货车车桥的形变数据样本同样是通过对称设置于货车车桥两端的应变计传感器测量得到的，这样可以保证训练样本中模型输入与实际测量过程中模型输入的获取途径一致，进而保证货车轮胎载重确定模型的准确性。
训练样本中与所述形变数据样本对应的货车轮胎的载重数据，则是通过平行放置于地面的两个称重仪测量得到的。具体的，将两个称重仪平行放至地面，称重仪之间的距离和同一车桥车轮间距离大致相同，开动货车直至同一车轴对应的两个轮胎压到称重仪上，即可完成对货车轮胎的载重数据的测量。
基于上述实施例，所述货车轮胎载重确定模型的训练步骤具体包括：
基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集；
基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值。
具体的，获取训练样本集之后，即可利用所述训练样本集对所述货车轮胎载重确定模型进行训练。在训练过程中，基于所述训练样本集中的训练样本与所述货车轮胎载重确定模型的代价函数的关联关系，即可确定所述货车轮胎载重确定模型的最优参数值。
本申请提供的方法，通过基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集，基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值，能够在保证模型准确度的基础上，简化模型的训练过程。
基于上述实施例，所述基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集，具体包括：
基于所述货车的历史载重信息，确定所述货车的多个载重场景；
基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态；其中，N为大于1的正整数；
测量所述目标载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据；
基于不同载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据，生成所述训练样本集。
具体的，所述货车的历史载重信息是在货车历史运行过程中对货车每一次运输的货物类型，货物重量，装载方式等信息的记录，其中，所述装载方式包括货物在车厢中的位置分布以及货物的放置顺序等，所述货物重量包括货物的总重量以及车厢中不同位置的货物重量。
为了保证货车轮胎载重确定模型的准确性，需要保证所述训练样本集中的数据与货车的真实载重场景相对应。基于此，本申请实施例基于所述货车的历史载重信息，确定所述货车的多个载重场景。所述载重场景按照货物的位置分布方式可以划分为均匀载重场景和集中载重场景：所述均匀载重场景即将货物均匀放置于车厢的各个区域，例如对于体积小、数量多的货物，通常采用此方式进行放置；所述集中载重场景即将货物集中放置于车厢的某一个区域，例如对于体积大、数量少的货物，通常采用此方式进行放置。可以理解的是，上述载重场景的划分方式仅为本申请实施例的优选方式，在实际应用过程中，可以采用其它的划分方式，也可以在上述划分方式的基础上进一步基于所述货车的历史载重信息，对场景进行细分。
对于所述货车的多个载重场景中的目标载重场景，基于所述目标载重场景下货物的分布方式(即位置分布)以及不同位置的货物重量波动范围等特征信息，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态。
例如，对于均匀载重场景，如图4所示是本申请提供的货车车厢区域划分示意图之一，本申请实施例为了准确还原货车的真实载重场景，将所述货车车厢均匀划分为N个子区域。可以理解的是，图4所示的划分为9个子区域的方式仅作为本申请的优选实施例，在实际应用中，也可以将所述车厢划分为其它不同数量的子区域，例如4个、16个等。
基于所述货车的历史载重信息，可以确定所述目标载重场景下各子区域货物的重量波动范围，进而确定不同子区域放置的标准砝码数量，通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态，并测量所述目标载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据。其中，所述标准砝码的重量可以基于不同载重场景下各子区域货物的重量波动范围确定，保证能够提供足够的训练样本的同时避免标准砝码数量过多导致的操作不便。
对于通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态的过程，下面以图4所示的均匀载重场景下的子区域划分方式为基础进行介绍：
步骤S1、将车厢划分为9个子区域，编号①～⑨；
步骤S2、采集空载情况下的货车车桥的形变数据样本以及所述样本对应的货车轮胎的载重数据：
所述货车车厢不放置标准砝码，将两个称重仪平行放至地面，称重仪之间的距离和同一车桥车轮间距离大致相同。开动车辆直至同一车桥对应的两个轮子压到称重仪上。记录此刻传感器数值和对应的两个轮子的载重。对其它车轴按照以上步骤操作一遍。
步骤S3、采集载重情况下的货车车桥的形变数据样本以及所述样本对应的货车轮胎的载重数据：
步骤S301，开动车辆直至同一车桥对应的两个轮子压到称重仪上，按照①②③⑥⑤④⑦⑧⑨的顺序在每个区域放置标准砝码，累计放置，即先在子区域①累计放置标准砝码，到达预设重量后，继续在子区域②累计放置砝码(此过程与实际运输过程中货物的放置顺序相同，以保证训练样本与实际载重场景高度一致)，依此类推，每次放置一个标准砝码，则保存对应的传感器数值和对应的各轮胎的载重。所述各子区域均放置完毕之后，即可得到一组训练样本。所述预设重量是基于目标载重场景下各子区域货物的重量波动范围确定的。为了保证训练样本的全面性，需要对所述预设重量进行调整，并重复上述步骤，以获得不同预设重量的情况对应的训练样本。举例来说，基于第一预设重量测得一组训练样本之后，调整所述第一预设重量至第二预设重量，重复上述操作，得到另一组训练样本，依此类推，直至所述预设重量覆盖所述重量波动范围。可以理解的是，所述预设重量为所述重量波动范围中的值。
步骤S302，进一步的，为了保证训练样本的全面性，调整标准砝码放置顺序为③②①④⑤⑥⑨⑧⑦，重复步骤S301中的测量步骤以获得更多的样本数据。所述步骤S301和S302中的标准砝码放置顺序均与实际运输过程中货物的放置顺序相同，以保证训练样本与实际载重场景高度一致，同时保证训练样本全面覆盖，提高货车轮胎载重确定模型的准确性。
对于集中载重场景，如图5所示是本申请提供的货车车厢区域划分示意图之二，其对应于集中载重场景。集中载重场景的区域划分方式可以基于集中载重的区域进行划分。假设集中载重区域为车厢中部，例如，在运输大型精密仪器时，为了避免碰撞对仪器造成损坏，会将其固定于车厢中部区域，基于此，将所述车厢按照图5的方式划分为三个子区域，在采集该场景下的样本数据时，仅需在子区域②中放置标准砝码。
具体的，开动车辆直至同一车桥对应的两个轮子压到称重仪上，在子区域②累计放置标准砝码，直至达到预设重量，可以理解的是，所述预设重量是该子区域的重量波动范围的上限附近的值，每次放置标准砝码(对应于每次增加子区域内的标准砝码重量)均保存对应的各传感器数值和对应的各轮胎的载重。基于此，即可获得集中载重场景对应的样本数据。
可以理解的是，对于集中载重场景对应的货车车厢区域划分方式，重点在于划分出集中载重区域，至于集中载重区域之外的区域，划分方式可以根据实际需求进行调整，本申请实施例对此不作具体限定。本申请提供的方法，通过基于所述货车的历史载重信息，确定所述货车的多个载重场景，基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态，测量所述目标载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据以生成所述训练样本集，能够保证样本数据的全面性和准确性，进而保证所述货车轮胎载重确定模型的准确性。
基于上述实施例，所述基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态，具体包括：
基于所述目标载重场景中货物在货车车厢中的分布情况，将所述货车车厢划分为N个子区域；
基于所述目标载重场景的使用频率，确定所述目标载重场景对应的训练样本数量；
基于所述目标载重场景对应的训练样本数量，确定所述标准砝码的放置方式，并基于所述标准砝码的放置方式在不同子区域放置标准砝码，以获得所述目标载重场景下的不同载重状态；其中，所述目标载重场景下的不同载重状态的数量与所述目标载重场景对应的训练样本数量相同。
具体的，前述实施例已经具体介绍了如何基于所述目标载重场景中货物在货车车厢中的分布情况，将所述货车车厢划分为N个子区域。出于简化训练样本的获取过程的考虑，本申请实施例基于各载重场景的使用频率，确定各载重场景对应的训练样本数量。对于使用频率较高的载重场景，设置更多的训练样本，以保证模型输出结果的准确性，对于使用频率较低的载重场景，设置少量的训练样本，以简化训练样本的获取过程。例如，基于某辆货车的历史载重信息，确定该货车主要用于运输电器(即均匀载重场景的使用频率较高)，偶尔会运输大型装备(即集中载重场景的使用频率较低)，基于此，在获取训练样本时，对于均匀载重场景将获取更多训练样本，而对于集中载重场景则获取少量样本，反之亦然。
相应的，接前述实施例，基于所述目标载重场景对应的训练样本数量，若要调整均匀载重场景下的训练样本，可以通过调整每次累加的标准砝码的重量和/或所述预设重量的跨度的方式实现，若要调整集中载重场景下的训练样本，调整每次累加的标准砝码的重量即可。例如，正常情况下每次增加两个标准砝码并记录对应的样本数据，但为了获取更多训练样本，每次增加一个标准砝码并记录对应的样本数据，该方式对于均匀载重场景和集中载重场景均适用。而对于均匀载重场景，还可以通过调整预设重量的跨度的方式控制训练样本数量，假设均匀载重场景下各子区域货物的重量波动范围为1-2吨，正常情况下每0.5吨采集一组样本数据(即分别针对1吨、1.5吨、2吨的情形各采集一组数据)，而为了获取更多训练样本，可以每0.25吨采集一组样本数据。反之亦然。
可以理解的是，上述内容只是定性分析了如何基于所述目标载重场景对应的训练样本数量，确定所述标准砝码的放置方式。对于具体的定量执行方案，可以根据不同载重场景的使用频率的比值确定训练样本的具体数量，再基于训练样本的数量确定每次累加的标准砝码的重量和/或所述预设重量的跨度并进行样本数据测量，以生成对应数量的训练样本。
本申请提供的方法，通过基于所述目标载重场景中货物在货车车厢中的分布情况，将所述货车车厢划分为N个子区域，基于所述目标载重场景的使用频率，确定所述目标载重场景对应的训练样本数量，基于所述目标载重场景对应的训练样本数量，确定所述标准砝码的放置方式，并基于所述标准砝码的放置方式在不同子区域放置标准砝码，以获得所述目标载重场景下的不同载重状态，能够在保证模型输出结果准确性的基础上，简化训练样本的获取过程。
基于上述实施例，所述货车轮胎载重确定模型的代价函数为：
Figure BDA0003288392910000141
其中，θ0,θ1,...,θm为m+1个待优化参数；n为训练样本数；
Figure BDA0003288392910000142
Figure BDA0003288392910000143
为第i个训练样本的特征向量，其是基于第i个训练样本中各应变计传感器测得的形变数据确定的；
Figure BDA0003288392910000144
表示第i个训练样本的各个轮胎的载重值，所述hθ(xi)的表达式为：
Figure BDA0003288392910000145
其中，
Figure BDA0003288392910000146
分别表示第i个训练样本中各应变计传感器测得的形变数据。
具体的，所述货车车桥的形变数据样本的数据格式为：
Figure BDA0003288392910000151
其中，X为特征数据，即应变计传感器测得的形变数据；m为特征数，即应变计传感器个数；n为训练样本数。其中
Figure BDA0003288392910000152
表示第i个训练样本的第j个特征值。
所述训练样本对应的货车轮胎的载重数据的数据格式为：
Figure BDA0003288392910000153
其中，Y为目标值，即轮胎载重；其中c为轮胎个数，
Figure BDA0003288392910000154
表示第i个训练样本对应的第k个轮胎的载重。
由于本申请中所采集的样本数据量少，且应变计传感器数据本身具备一定的线性关系。故而本申请使用多元线性回归来对车桥形变数据和轮胎载重数据的关系建模。多元线性回归公式为：
hθ(x)＝θ0+θ1x1+θ2x2+…+θmxm
其中θ0,θ1,...,θm为待优化参数，x1,x2,...,xm为特征值，即应变计传感器测得的形变数据。
其代价函数为：
Figure BDA0003288392910000155
其中，θ0,θ1,...,θm为m+1个待优化参数；n为训练样本数；
Figure BDA0003288392910000156
Figure BDA0003288392910000157
为第i个训练样本的特征向量，其是基于第i个训练样本中各应变计传感器测得的形变数据确定的；
Figure BDA0003288392910000158
表示第i个训练样本的各个轮胎的载重值，所述hθ(xi)的表达式为：
Figure BDA0003288392910000161
其中，
Figure BDA0003288392910000162
分别表示第i个训练样本中各应变计传感器测得的形变数据。
基于所述代价函数的表达式、所述货车车桥的形变数据样本以及所述样本对应的货车轮胎的载重数据，即可确定使得代价函数最小的参数(θ0,θ1,...,θm)，即所述货车轮胎载重确定模型的最优参数值。
本申请提供的方法，通过所述货车轮胎载重确定模型的代价函数
Figure BDA0003288392910000163
确定所述货车轮胎载重确定模型的最优参数值，能够在样本数据量较小的情况下保证模型的准确性，提高了模型训练的效率。
基于上述实施例，所述基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值，包括：
采用最小二乘法或梯度下降法确定使得所述代价函数最小的待优化参数的值；
将所述使得所述代价函数最小的待优化参数的值作为所述货车轮胎载重确定模型的最优参数值。
具体的，要找到最优模型，即要找到使得代价函数J(θ0,θ1,...,θm)最小的参数(θ0,θ1,...,θm)，本申请采用两种求解最优参数值的方法：最小二乘法或梯度下降法。
本申请提供的方法，通过采用最小二乘法或梯度下降法确定使得所述代价函数最小的待优化参数的值；
将所述使得所述代价函数最小的待优化参数的值作为所述货车轮胎载重确定模型的最优参数值，能够准确高效地获取货车轮胎载重确定模型的最优参数值，保证模型训练的效率。
基于上述实施例，所述方法还包括：
将所述货车轮胎的实时载重数据与对应的货车ID上传至货车轮胎载重监测平台服务器，以供货车轮胎载重监测终端实时查看。
具体的，安装在车桥上的应变计传感器实时获取货物使车桥产生的形变信息，并转换为数字信号后传送到货车轮胎载重确定模型中。最后货车轮胎载重确定模型根据输入的传感器数据实时输出各个轮胎的实时载重，并将所述轮胎的实时载重数据以及对应的货车ID上传至轮胎载重监测平台服务器。用户可通过PC端登录所述轮胎载重监测平台服务器查看车辆轮胎实时载重数据或下载车辆轮胎历史载重数据以用于轮胎的寿命预测，对于即将到达使用寿命的轮胎发出更换提示等。同时，也可在手机端安装app，打开app连接车载终端蓝牙，识别当前车辆ID。app根据车辆ID从平台获取该货车各个轮胎的载重值。可以理解的是，所述用户可以是货车司机，也可以是相应的监管或研究人员，本申请实施例对此不作具体限定。
本申请提供的方法，通过将所述货车轮胎的实时载重数据与对应的货车ID上传至货车轮胎载重监测平台服务器，以供货车轮胎载重监测终端实时查看，能够提高用户查看货车轮胎载重数据的效率，同时为数据的后续利用提供便利。
基于上述任一实施例，图6为本申请提供的货车轮胎载重确定装置的结构示意图，如图6所示，该装置包括：
车桥形变数据获取单元610，用于获取所述货车车桥的实时形变数据；
货车轮胎载重确定单元620，用于将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据；
其中，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；
所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的。
基于上述实施例，所述训练样本中货车车桥的形变数据样本是通过对称设置于货车车桥两端的应变计传感器测量得到的，所述形变数据样本对应的货车轮胎的载重数据是通过平行放置于地面的两个称重仪测量得到的；
其中，所述称重仪之间的距离和同一车轴轮胎间的距离相同，测量时，所述同一车轴对应的两个轮胎分别位于所述两个称重仪上。
基于上述实施例，所述装置还包括货车轮胎载重确定模型训练单元，所述货车轮胎载重确定模型训练单元包括：
训练样本集获取子单元，用于基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集；
最优参数确定子单元，用于基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值。
基于上述实施例，所述训练样本集获取子单元具体用于：
基于所述货车的历史载重信息，确定所述货车的多个载重场景；
基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态；其中，N为大于1的正整数；
测量所述目标载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据；
基于不同载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据，生成所述训练样本集。
基于上述实施例，所述训练样本集获取子单元具体用于：
基于所述目标载重场景中货物在货车车厢中的分布情况，将所述货车车厢划分为N个子区域；
基于所述目标载重场景的使用频率，确定所述目标载重场景对应的训练样本数量；
基于所述目标载重场景对应的训练样本数量，确定所述标准砝码的放置方式，并基于所述标准砝码的放置方式在不同子区域放置标准砝码，以获得所述目标载重场景下的不同载重状态；其中，所述目标载重场景下的不同载重状态的数量与所述目标载重场景对应的训练样本数量相同。
基于上述实施例，所述货车轮胎载重确定模型的代价函数为：
Figure BDA0003288392910000191
其中，θ0,θ1,...,θm为m+1个待优化参数；n为训练样本数；
Figure BDA0003288392910000192
Figure BDA0003288392910000193
为第i个训练样本的特征向量，其是基于第i个训练样本中各应变计传感器测得的形变数据确定的；
Figure BDA0003288392910000194
表示第i个训练样本的各个轮胎的载重值，所述hθ(xi)的表达式为：
Figure BDA0003288392910000195
其中，
Figure BDA0003288392910000196
分别表示第i个训练样本中各应变计传感器测得的形变数据。
基于上述实施例，所述最优参数确定子单元具体用于：
采用最小二乘法或梯度下降法确定使得所述代价函数最小的待优化参数的值；
将所述使得所述代价函数最小的待优化参数的值作为所述货车轮胎载重确定模型的最优参数值。
本申请提供的货车轮胎载重确定装置可以执行上述货车轮胎载重确定方法，其具体工作原理和相应的技术效果与上述方法相同，在此不再赘述。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行上述各方法所提供的货车轮胎载重确定方法。
此外，上述的存储器730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，本申请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)执行本申请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，RandomAccess 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，本申请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上述各方法所提供的货车轮胎载重确定方法。
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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种货车轮胎载重确定方法，其特征在于，包括：
获取所述货车车桥的实时形变数据；
将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据；
其中，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；
所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的。
2.根据权利要求1所述的货车轮胎载重确定方法，其特征在于，所述训练样本中货车车桥的形变数据样本是通过对称设置于货车车桥两端的应变计传感器测量得到的，所述形变数据样本对应的货车轮胎的载重数据是通过平行放置于地面的两个称重仪测量得到的；
其中，所述称重仪之间的距离和同一车轴轮胎间的距离相同，测量时，所述同一车轴对应的两个轮胎分别位于所述两个称重仪上。
3.根据权利要求2所述的货车轮胎载重确定方法，其特征在于，所述货车轮胎载重确定模型的训练步骤具体包括：
基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集；
基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值。
4.根据权利要求3所述的货车轮胎载重确定方法，其特征在于，所述基于不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据，生成所述训练样本集，具体包括：
基于所述货车的历史载重信息，确定所述货车的多个载重场景；
基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态；其中，N为大于1的正整数；
测量所述目标载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据；
基于不同载重场景下的不同载重状态对应的货车车桥的形变数据以及所述形变数据对应的货车轮胎的载重数据，生成所述训练样本集。
5.根据权利要求4所述的货车轮胎载重确定方法，其特征在于，所述基于所述货车的多个载重场景中的目标载重场景，将所述货车车厢划分为N个子区域，并通过在不同子区域放置标准砝码的方式获得所述目标载重场景下的不同载重状态，具体包括：
基于所述目标载重场景中货物在货车车厢中的分布情况，将所述货车车厢划分为N个子区域；
基于所述目标载重场景的使用频率，确定所述目标载重场景对应的训练样本数量；
基于所述目标载重场景对应的训练样本数量，确定所述标准砝码的放置方式，并基于所述标准砝码的放置方式在不同子区域放置标准砝码，以获得所述目标载重场景下的不同载重状态；其中，所述目标载重场景下的不同载重状态的数量与所述目标载重场景对应的训练样本数量相同。
6.根据权利要求3所述的货车轮胎载重确定方法，其特征在于，所述货车轮胎载重确定模型的代价函数为：
Figure FDA0003288392900000021
其中，θ0，θ1，...，θm为m+1个待优化参数；n为训练样本数；
Figure FDA0003288392900000022
Figure FDA0003288392900000023
为第i个训练样本的特征向量，其是基于第i个训练样本中各应变计传感器测得的形变数据确定的；
Figure FDA0003288392900000024
表示第i个训练样本的各个轮胎的载重值，所述hθ(xi)的表达式为：
Figure FDA0003288392900000031
其中，
Figure FDA0003288392900000032
分别表示第i个训练样本中各应变计传感器测得的形变数据。
7.根据权利要求6所述的货车轮胎载重确定方法，其特征在于，所述基于所述训练样本集和所述货车轮胎载重确定模型的代价函数，确定所述货车轮胎载重确定模型的最优参数值，包括：
采用最小二乘法或梯度下降法确定使得所述代价函数最小的待优化参数的值；
将所述使得所述代价函数最小的待优化参数的值作为所述货车轮胎载重确定模型的最优参数值。
8.一种货车轮胎载重确定装置，其特征在于，包括：
车桥形变数据获取单元，用于获取所述货车车桥的实时形变数据；
货车轮胎载重确定单元，用于将所述货车车桥的实时形变数据输入货车轮胎载重确定模型，输出所述货车轮胎的实时载重数据；
其中，所述货车轮胎载重确定模型是基于预设的训练样本集训练得到的，所述训练样本集中的各训练样本均包括货车车桥的形变数据样本以及所述形变数据样本对应的货车轮胎的载重数据；
所述训练样本集是通过对不同载重状态下的货车车桥的形变数据和对应的货车轮胎的载重数据进行测量得到的；所述不同载重状态是通过在货车车厢的不同子区域放置标准砝码的方式获得的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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7任一项所述货车轮胎载重确定方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述货车轮胎载重确定方法的步骤。
CN202111155036.3A 2021-09-29 2021-09-29 货车轮胎载重确定方法、装置及存储介质 Active CN113865682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111155036.3A CN113865682B (zh) 2021-09-29 2021-09-29 货车轮胎载重确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111155036.3A CN113865682B (zh) 2021-09-29 2021-09-29 货车轮胎载重确定方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113865682A true CN113865682A (zh) 2021-12-31
CN113865682B CN113865682B (zh) 2023-11-21

Family

ID=79000692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111155036.3A Active CN113865682B (zh) 2021-09-29 2021-09-29 货车轮胎载重确定方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113865682B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116625473A (zh) * 2023-07-21 2023-08-22 深圳市汉德网络科技有限公司 测量搅拌车装载不同密度货物的重量的方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0797081A2 (en) * 1996-03-22 1997-09-24 Yazaki Corporation Automatic load measuring device
JP2001050848A (ja) * 1999-08-09 2001-02-23 Bridgestone Corp 空気入りタイヤの設計方法、最適化解析装置及びタイヤの最適化解析プログラムを記憶した記憶媒体
CN105115578A (zh) * 2015-09-19 2015-12-02 方昌銮 一种通过测量钢板形变检测车辆载重的方法及测量系统
CN106407986A (zh) * 2016-08-29 2017-02-15 电子科技大学 一种基于深度模型的合成孔径雷达图像目标识别方法
CN106644008A (zh) * 2016-11-14 2017-05-10 上海电机学院 多功能车载超载监测系统
CN107194413A (zh) * 2017-04-24 2017-09-22 东北大学 一种基于多特征融合的判别型级联外观模型的目标匹配方法
KR20190125745A (ko) * 2018-04-30 2019-11-07 (주) 코스텍 화물차량의 적재량 측정장치 및 방법
CN111089643A (zh) * 2020-01-02 2020-05-01 深圳市汉德网络科技有限公司 一种动态车载称重的方法及系统
CN111157092A (zh) * 2020-01-02 2020-05-15 深圳市汉德网络科技有限公司 一种车载称重自动标定的方法及计算机可读存储介质
CN111447574A (zh) * 2018-12-27 2020-07-24 中国移动通信集团辽宁有限公司 短信分类方法、装置、系统和存储介质
CN111862952A (zh) * 2019-04-26 2020-10-30 华为技术有限公司 一种去混响模型训练方法及装置
CN112964469A (zh) * 2021-02-28 2021-06-15 哈尔滨理工大学 一种迁移学习的变负载下滚动轴承在线故障诊断方法
WO2021131091A1 (ja) * 2019-12-25 2021-07-01 新明和工業株式会社 コンピュータプログラム、推定装置、学習モデルの生成方法、及び特装車の積載重量推定システム

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0797081A2 (en) * 1996-03-22 1997-09-24 Yazaki Corporation Automatic load measuring device
JP2001050848A (ja) * 1999-08-09 2001-02-23 Bridgestone Corp 空気入りタイヤの設計方法、最適化解析装置及びタイヤの最適化解析プログラムを記憶した記憶媒体
CN105115578A (zh) * 2015-09-19 2015-12-02 方昌銮 一种通过测量钢板形变检测车辆载重的方法及测量系统
CN106407986A (zh) * 2016-08-29 2017-02-15 电子科技大学 一种基于深度模型的合成孔径雷达图像目标识别方法
CN106644008A (zh) * 2016-11-14 2017-05-10 上海电机学院 多功能车载超载监测系统
CN107194413A (zh) * 2017-04-24 2017-09-22 东北大学 一种基于多特征融合的判别型级联外观模型的目标匹配方法
KR20190125745A (ko) * 2018-04-30 2019-11-07 (주) 코스텍 화물차량의 적재량 측정장치 및 방법
CN111447574A (zh) * 2018-12-27 2020-07-24 中国移动通信集团辽宁有限公司 短信分类方法、装置、系统和存储介质
CN111862952A (zh) * 2019-04-26 2020-10-30 华为技术有限公司 一种去混响模型训练方法及装置
WO2021131091A1 (ja) * 2019-12-25 2021-07-01 新明和工業株式会社 コンピュータプログラム、推定装置、学習モデルの生成方法、及び特装車の積載重量推定システム
CN111089643A (zh) * 2020-01-02 2020-05-01 深圳市汉德网络科技有限公司 一种动态车载称重的方法及系统
CN111157092A (zh) * 2020-01-02 2020-05-15 深圳市汉德网络科技有限公司 一种车载称重自动标定的方法及计算机可读存储介质
CN112964469A (zh) * 2021-02-28 2021-06-15 哈尔滨理工大学 一种迁移学习的变负载下滚动轴承在线故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116625473A (zh) * 2023-07-21 2023-08-22 深圳市汉德网络科技有限公司 测量搅拌车装载不同密度货物的重量的方法及系统
CN116625473B (zh) * 2023-07-21 2023-09-22 深圳市汉德网络科技有限公司 测量搅拌车装载不同密度货物的重量的方法及系统

Also Published As

Publication number Publication date
CN113865682B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN111089643B (zh) 一种动态车载称重的方法及系统
CN104460477B (zh) 一种自卸载重车载重状态及运输趟次检测系统及方法
CN111157092B (zh) 一种车载称重自动标定的方法及计算机可读存储介质
EP2898323B1 (en) System and method for monitoring atmospheric pollution
CN113646225A (zh) 用于预测车辆的部件的维护/更换周期的方法和系统
CN102506983A (zh) 汽车衡称重误差自动补偿方法
US20210278209A1 (en) Road monitoring method and system
CN103822692A (zh) 基于超声波测距传感器的货运车辆载荷监测方法及监测设备
CN113091866A (zh) 一种实时测量汽车载重质量的方法与装置
CN113865682A (zh) 货车轮胎载重确定方法、装置及存储介质
CN104019941A (zh) 一种测定客车质心位置的测控装置及测定方法
CN114414024A (zh) 车载称重系统的监测方法及装置、存储介质、电子装置
CN112763045A (zh) 车辆自载重检测云端标定预测方法
CN110160615B (zh) 车载称重方法、装置及系统
CN111829639B (zh) 组合式汽车衡的标定方法
CN113389115B (zh) 车辆特性和路面平整度检测方法、装置、设备及存储介质
CN114414023A (zh) 传感器异常诊断方法及装置、存储介质
CN116222721A (zh) 动态称重系统、动态称重方法及存储介质
CN111090959A (zh) 车辆载荷谱获取方法和系统
CN113361079B (zh) 路面平整度检测方法、装置、设备及存储介质
CN114818301A (zh) 不停车监测系统、方法、设备及存储介质
JP5203119B2 (ja) 積載量計測装置及び積載量計測システム
CN116625473B (zh) 测量搅拌车装载不同密度货物的重量的方法及系统
RU143665U1 (ru) Устройство для определения массы груза, загружаемого в транспортное средство подъемным устройством
CN116499628B (zh) 一种路面作用力分析方法、装置、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