CN114004143A - 一种轮胎寿命的预测方法、装置、终端设备及存储介质 - Google Patents
一种轮胎寿命的预测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114004143A CN114004143A CN202111208339.7A CN202111208339A CN114004143A CN 114004143 A CN114004143 A CN 114004143A CN 202111208339 A CN202111208339 A CN 202111208339A CN 114004143 A CN114004143 A CN 114004143A
- Authority
- CN
- China
- Prior art keywords
- tire
- vehicle
- braking distance
- life
- similarity
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tires In General (AREA)
Abstract
本发明公开了一种轮胎寿命的预测方法、装置、终端设备及存储介质,所述预测方法包括:获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;根据车辆刹车位置和车辆停止位置计算实际刹车距离,并基于实际刹车距离和初次刹车速度获取相同环境数据下车辆的最优刹车距离;根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命;将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。本发明预测时无需将轮胎拆卸下来,不影响车辆的正常行驶,能够实现准确、高效地对轮胎的寿命进行预测。
Description
技术领域
本发明涉及轮胎性能评价技术领域,尤其涉及一种轮胎寿命的预测方法、装置、终端设备及存储介质。
背景技术
轮胎作为车辆的重要部件,用于承载整个车辆的运动。一般情况下,轮胎出厂时会有一个标准寿命,然而由于轮胎的使用环境、操作习惯等因素的不同,轮胎的实际寿命与标准寿命通常存在较大差距。目前,我国在高速公路上发生的交通事故有半数以上是由于轮胎磨损问题引起的,其中大量的事故是由于轮胎损耗严重所引发的爆胎。因此,对车辆轮胎进行准确的寿命预测可以将大部分车辆事故防范于未然。
现有的轮胎寿命预测方法,在预测时需要将轮胎从车辆上拆卸下来,放入到单独的寿命预测机,并通过寿命预测机模拟实际行车环境。但是该方法过程繁琐,且机器模拟的行车环境与车辆实际的行车环境存在一定的差异,导致轮胎寿命的预测结果不够准确。或者通过摄像头获取轮胎的表面花纹图,将图案与数据库中的轮胎初始图案进行比对,从而判断轮胎的剩余寿命。但是该方法摄像头只能拍摄到轮胎的部分区域,不能反映轮胎的整体情况,亦不能反映轮胎在具体环境下的真实表现,当轮胎花纹中嵌入杂物时,还会极大地影响对轮胎的寿命预测结果。此外,还有基于历史行驶数据的预测方法,通过在车机中预先设置轮胎的初始寿命,之后根据车辆的行驶里程、行驶地区、刹车次数等行驶状况不断地扣除初始寿命,从而得到轮胎的剩余寿命。但是该方法需要工程师能够列举出车辆在现实中所面临的所有行驶状况,无法覆盖现实中复杂多变的行驶环境,这就意味着,当车辆行驶在未曾预设的行驶状况时,轮胎寿命预测的结果将不够准确。
发明内容
本发明实施例所要解决的技术问题在于,提供一种轮胎寿命的预测方法、装置、终端设备及存储介质,预测时无需将轮胎拆卸下来,不影响车辆的正常行驶,能够实现准确、高效地对轮胎的寿命进行预测。
为了实现上述目的,本发明实施例提供了一种轮胎寿命的预测方法,包括:
获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;其中,所述刹车数据包括刹车时的车速、车辆刹车位置和车辆停止位置;
根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;
根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命;
将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;
对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。
作为上述方案的改进,所述环境数据包括车辆行驶的路面类型、路面温度和路面湿度。
作为上述方案的改进,所述根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离,具体包括:
根据所述车辆刹车位置、所述车辆停止位置及公式D1=L2-L1,计算实际刹车距离;其中,D1为实际刹车距离,L1为车辆刹车位置,L2为车辆停止位置;
基于所述实际刹车距离和初次刹车速度从本地数据库中获取相同路面类型、路面温度和路面湿度下的最优刹车距离。
作为上述方案的改进,所述根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命,具体为:
其中,L为所有轮胎的综合剩余寿命,D1为实际刹车距离,D2为最优刹车距离。
作为上述方案的改进,所述神经网络模型包括两个卷积层、两个池化层、两个全连接层和一个输出层,且所述神经网络模型采用交叉熵损失函数;通过所述卷积层和所述池化层对与所述车辆停止位置对应的轮胎图像和其理想状态下的轮胎图像进行特征提取,所述全连接层对特征提取后的图像进行分类,所述输出层输出每个轮胎与其理想状态下的相似度。
作为上述方案的改进,所述对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命,具体为:
根据所述综合剩余寿命、每个轮胎的所述相似度及公式Li=H*(1+μ1*L+μ2*S)分别进行加权计算,得到每个轮胎的预测剩余寿命;
其中,Li为第i个轮胎的剩余寿命,H为轮胎出厂时的正常使用寿命,L为所有轮胎的综合剩余寿命,S为相似度,μ1、μ2均为超参数。
作为上述方案的改进,所述方法还包括:
从远程数据库中调取相同情况下轮胎的剩余寿命,并计算所述剩余寿命与所述预测剩余寿命之间的预测误差;
将所述预测误差返回所述神经网络模型,对所述神经网络模型自身的参数以及超参数μ1、μ2进行调整,直至预测误差处于预设范围之内。
本发明实施例还提供了一种轮胎寿命的预测装置,包括:
获取模块,用于获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;其中,所述刹车数据包括刹车时的车速、车辆刹车位置和车辆停止位置;
第一计算模块,用于根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;
第二计算模块,用于根据所述实际刹车距离和所述最优刹车距离计算所述车辆上所有轮胎的综合剩余寿命;
相似度获取模块,用于将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;
第三计算模块,用于对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的轮胎寿命的预测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的轮胎寿命的预测方法。
相对于现有技术,本发明实施例提供的一种轮胎寿命的预测方法、装置、终端设备及存储介质的有益效果在于:通过获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命;将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。本发明实施例在对轮胎寿命进行预测时,无需将轮胎拆卸下来,不影响车辆的正常行驶,能够实现准确、高效地对轮胎的寿命进行预测。通过车联网实时获取预测过程中车辆所处的环境数据,并将这些数据用于寿命预测的计算过程,从而能够自动拓展该预测方法的应用范围。将整车轮胎的综合寿命与单个轮胎的状态进行加权去计算单个轮胎的剩余寿命,更加符合现实中轮胎的损耗情况,同时通过神经网络模型对预测过程中的参数进行自动调整,使得预测误差更小,有效提高了预测的准确度。
附图说明
图1是本发明提供的一种轮胎寿命的预测方法的一个优选实施例的流程示意图;
图2是本发明提供的一种轮胎寿命的预测方法的一个优选实施例中神经网络模型的示意图;
图3是本发明提供的一种轮胎寿命的预测装置的一个优选实施例的结构示意图;
图4是本发明提供的一种终端设备的一个优选实施例的结构示意图。
具体实施方式
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。
请参阅图1,图1是本发明提供的一种轮胎寿命的预测方法的一个优选实施例的流程示意图。所述轮胎寿命的预测方法,包括:
S1,获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;其中,所述刹车数据包括刹车时的车速、车辆刹车位置和车辆停止位置;
S2,根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;
S3,根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命;
S4,将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;
S5,对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。
具体的,本发明实施例提供的一种轮胎寿命的预测方法,首先通过车机获取车辆行驶过程中的刹车数据,通过车辆网获取车辆行驶过程中的环境数据,通过车载摄像头获取轮胎图像;其中,刹车数据包括刹车时的车速V、车辆刹车时的位置L1和车辆完全停止时停止位置L2。然后根据车辆刹车位置L1和车辆停止位置L2计算实际刹车距离D1,并基于实际刹车距离D1和初次刹车速度获取相同环境数据下车辆的最优刹车距离D2。根据实际刹车距离D1和最优刹车距离D2计算车辆的所有轮胎的综合剩余寿命L。当某一次刹车结束,车辆处于完全静止状态时,车载摄像头会对各个轮胎表面进行拍摄,将与车辆停止位置对应的轮胎图像输入神经网络模型,神经网络模型输出每个轮胎与其理想状态下的相似度S;对综合剩余寿命L和相似度S进行加权计算,得到每个轮胎的预测剩余寿命。
本实施例在对轮胎寿命进行预测时,无需将轮胎拆卸下来,不影响车辆的正常行驶,能够实现准确、高效地对轮胎的寿命进行预测。通过车联网实时获取预测过程中车辆所处的环境数据,并将这些数据用于寿命预测的计算过程,从而能够自动拓展该预测方法的应用范围。将整车轮胎的综合寿命与单个轮胎的状态进行加权去计算单个轮胎的剩余寿命,更加符合现实中轮胎的损耗情况,有效提高了预测的准确度。
在另一个优选实施例中,所述环境数据包括车辆行驶的路面类型、路面温度和路面湿度。
具体的,环境数据包括车辆行驶的路面类型P、路面温度T和路面湿度H,其中,路面类型P包括道路等级P1和坡度大小P2。当P2=0时,表示车辆行驶在平坦的路面上;当P2>0时,表示车辆正在上坡,且该值为坡面的角度;当P2<0时,表示该车辆正在下坡,且该值为坡面的角度。
在又一个优选实施例中,所述S2,根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离,具体包括:
根据所述车辆刹车位置、所述车辆停止位置及公式D1=L2-L1,计算实际刹车距离;其中,D1为实际刹车距离,L1为车辆刹车位置,L2为车辆停止位置;
基于所述实际刹车距离和初次刹车速度从本地数据库中获取相同路面类型、路面温度和路面湿度下的最优刹车距离。
具体的,根据车辆刹车位置、车辆停止位置及公式D1=L2-L1,计算实际刹车距离;其中,D1为实际刹车距离,L1为车辆刹车位置,L2为车辆停止位置。然后基于实际刹车距离D1和初次刹车速度从本地数据库中获取相同路面类型P、路面温度T和路面湿度H下的最优刹车距离D2。
需要说明的是,上述实际刹车距离D1、初次刹车速度、路面类型P、路面温度T和路面湿度H可以统称为主键,该主键还包括车型。主键各项数据确定后,会与本地数据库中现存的记录进行对比,即判断该主键在本地数据库中是否有记录,如果有则以该记录下的最优刹车距离作为参考值,如果该主键不存在于本地数据库中,则会返回相似车型的最优刹车距离作为参考值。如果都没有,则将本次的实际刹车距离存放于本地数据库中作为最优刹车距离。当后续有更好的情况时,本地数据库便会用更好的情况作为新的最优刹车距离。
在又一个优选实施例中,所述S3,根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命,具体为:
其中,L为所有轮胎的综合剩余寿命,D1为实际刹车距离,D2为最优刹车距离。
需要说明的是,当轮胎的整体剩余寿命越高时,相同状态下的刹车距离会越短,实际刹车效果也会越好。因此,本地数据库中存储的最优刹车距离D2,即在某一相同的情况下,车辆轮胎为崭新状态的刹车距离。一般情况下,最优刹车距离D2小于某次刹车的实际刹车距离D1,若大于,则会对本地数据库中的数据进行更新。
在又一个优选实施例中,所述神经网络模型包括两个卷积层、两个池化层、两个全连接层和一个输出层,且所述神经网络模型采用交叉熵损失函数;通过所述卷积层和所述池化层对与所述车辆停止位置对应的轮胎图像和其理想状态下的轮胎图像进行特征提取,所述全连接层对特征提取后的图像进行分类,所述输出层输出每个轮胎与其理想状态下的相似度。
具体的,考虑到实际的轮胎图像具有多种失真类型和失真级别,这就要需要神经网络需要极高的稳定性,因此,本实施例采用卷积神经网络模型(CNN)进行更为准确的图像质量评价。请参阅图2,图2是本发明提供的一种轮胎寿命的预测方法的一个优选实施例中神经网络模型的示意图。神经网络模型包括两个卷积层、两个池化层、两个全连接层和一个输出层,神经元个数分别是64,16,1,前两层使用Relu激活函数。通过卷积层和池化层对与车辆停止位置对应的轮胎图像和其理想状态下的轮胎图像进行特征提取,全连接层对特征提取后的图像进行分类,输出层输出每个轮胎与其理想状态下的相似度。神经网络采用交叉熵损失函数,如下所示:
其中,C为图像的类别总数;yim为符号函数(取值为0或1),如果图像i的真实类别等于m取1,否则取0;pim为第二个全连接层输出的结果,表示样本i属于类别m的预测概率。
在又一个优选实施例中,所述S5,对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命,具体为:
根据所述综合剩余寿命、每个轮胎的所述相似度及公式Li=H*(1+μ1*L+μ2*S)分别进行加权计算,得到每个轮胎的预测剩余寿命;
其中,Li为第i个轮胎的剩余寿命,H为轮胎出厂时的正常使用寿命,L为所有轮胎的综合剩余寿命,S为相似度,μ1、μ2均为超参数。
具体的,根据综合剩余寿命、每个轮胎的相似度及公式Li=H*(1+μ1*L+μ2*S)分别进行加权计算,得到每个轮胎的预测剩余寿命;其中,Li为第i个轮胎的剩余寿命,H为轮胎出厂时的正常使用寿命,L为所有轮胎的综合剩余寿命,S为相似度,μ1、μ2均为超参数。
需要说明的是,μ1、μ2是由不同刹车状态所决定的超参数,具体的调整由神经网络模型来实现。当各个轮胎全新时,μ1、μ2的值为0,即该轮胎的剩余寿命为出厂寿命。后续μ1、μ2的值将根据以往步骤中获得的状态往不同的负值进行调整,具体的调整将由神经网络模型通过预测误差分析来控制。从该公式可以看出,当车辆所有轮胎的整体寿命以及轮胎的相似度越高时,得到的轮胎的剩余寿命也会越高。即,同样一个全新的轮胎,在车辆的其余轮胎都处于全新状态时,该轮胎的使用寿命也会更长;如果其他轮胎的状态都较为老旧,则会加重该全新轮胎的磨损程度,导致该轮胎的使用寿命变短。因此,本实施例的轮胎寿命预测对整车全体轮胎的状态进行了考虑,更加符合现实使用场景,有效提高了预测结果的精准度。
作为优选方案,所述方法还包括:
从远程数据库中调取相同情况下轮胎的剩余寿命,并计算所述剩余寿命与所述预测剩余寿命之间的预测误差;
将所述预测误差返回所述神经网络模型,对所述神经网络模型自身的参数以及超参数μ1、μ2进行调整,直至预测误差处于预设范围之内。
具体的,当得到每个轮胎的预测寿命之后,车机会联网从远程数据库中调取相同情况下轮胎的剩余寿命,并计算该剩余寿命与预测剩余寿命之间的预测误差,将预测误差返回神经网络模型,对神经网络模型自身的参数以及超参数μ1、μ2进行调整,直至预测误差处于预设范围之内。此外,车主也可以随时对车机进行授权,不定期地从远程数据库中获取最优参数来更新本地的参数,以提高预测的准确度,并能使该预测方法快速应用于新的行驶环境。
相应地,本发明还提供一种轮胎寿命的预测装置,能够实现上述实施例中的轮胎寿命的预测方法的所有流程。
请参阅图3,图3是本发明提供的一种轮胎寿命的预测装置的一个优选实施例的结构示意图。所述轮胎寿命的预测装置,包括:
获取模块301,用于获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;其中,所述刹车数据包括刹车时的车速、车辆刹车位置和车辆停止位置;
第一计算模块302,用于根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;
第二计算模块303,用于根据所述实际刹车距离和所述最优刹车距离计算所述车辆上所有轮胎的综合剩余寿命;
相似度获取模块304,用于将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;
第三计算模块305,用于对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。
优选地,所述环境数据包括车辆行驶的路面类型、路面温度和路面湿度。
优选地,所述第一计算模块302,具体用于:
根据所述车辆刹车位置、所述车辆停止位置及公式D1=L2-L1,计算实际刹车距离;其中,D1为实际刹车距离,L1为车辆刹车位置,L2为车辆停止位置;
基于所述实际刹车距离和初次刹车速度从本地数据库中获取相同路面类型、路面温度和路面湿度下的最优刹车距离。
优选地,所述第二计算模块303,具体用于:
其中,L为所有轮胎的综合剩余寿命,D1为实际刹车距离,D2为最优刹车距离。
优选地,所述神经网络模型包括两个卷积层、两个池化层、两个全连接层和一个输出层,且所述神经网络模型采用交叉熵损失函数;通过所述卷积层和所述池化层对与所述车辆停止位置对应的轮胎图像和其理想状态下的轮胎图像进行特征提取,所述全连接层对特征提取后的图像进行分类,所述输出层输出每个轮胎与其理想状态下的相似度。
优选地,所述第三计算模块305,具体用于:
根据所述综合剩余寿命、每个轮胎的所述相似度及公式Li=H*(1+μ1*L+μ2*S)分别进行加权计算,得到每个轮胎的预测剩余寿命;
其中,Li为第i个轮胎的剩余寿命,H为轮胎出厂时的正常使用寿命,L为所有轮胎的综合剩余寿命,S为相似度,μ1、μ2均为超参数。
优选地,所述装置还包括调整模块,所述调整模块具体用于:
从远程数据库中调取相同情况下轮胎的剩余寿命,并计算所述剩余寿命与所述预测剩余寿命之间的预测误差;
将所述预测误差返回所述神经网络模型,对所述神经网络模型自身的参数以及超参数μ1、μ2进行调整,直至预测误差处于预设范围之内。
在具体实施当中,本发明实施例提供的轮胎寿命的预测装置的工作原理、控制流程及实现的技术效果,与上述实施例中的轮胎寿命的预测方法对应相同,在此不再赘述。
请参阅图4,图4是本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器401、存储器402以及存储在所述存储器402中且被配置为由所述处理器401执行的计算机程序,所述处理器401执行所述计算机程序时实现上述任一实施例所述的轮胎寿命的预测方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……),所述一个或者多个模块/单元被存储在所述存储器402中,并由所述处理器401执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器401可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器301也可以是任何常规的处理器,所述处理器401是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器402主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器402可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器302也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图4的结构示意图仅仅是上述终端设备的示例,并不构成对上述终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的轮胎寿命的预测方法。
本发明实施例提供了一种轮胎寿命的预测方法、装置、终端设备及存储介质,通过获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命;将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。本发明实施例在对轮胎寿命进行预测时,无需将轮胎拆卸下来,不影响车辆的正常行驶,能够实现准确、高效地对轮胎的寿命进行预测。通过车联网实时获取预测过程中车辆所处的环境数据,并将这些数据用于寿命预测的计算过程,从而能够自动拓展该预测方法的应用范围。将整车轮胎的综合寿命与单个轮胎的状态进行加权去计算单个轮胎的剩余寿命,更加符合现实中轮胎的损耗情况,同时通过神经网络模型对预测过程中的参数进行自动调整,使得预测误差更小,有效提高了预测的准确度。
需说明的是,以上所描述的系统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。另外,本发明提供的系统实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种轮胎寿命的预测方法,其特征在于,包括:
获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;其中,所述刹车数据包括刹车时的车速、车辆刹车位置和车辆停止位置;
根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;
根据所述实际刹车距离和所述最优刹车距离计算所述车辆的所有轮胎的综合剩余寿命;
将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;
对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。
2.如权利要求1所述的轮胎寿命的预测方法,其特征在于,所述环境数据包括车辆行驶的路面类型、路面温度和路面湿度。
3.如权利要求2所述的轮胎寿命的预测方法,其特征在于,所述根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离,具体包括:
根据所述车辆刹车位置、所述车辆停止位置及公式D1=L2-L1,计算实际刹车距离;其中,D1为实际刹车距离,L1为车辆刹车位置,L2为车辆停止位置;
基于所述实际刹车距离和初次刹车速度从本地数据库中获取相同路面类型、路面温度和路面湿度下的最优刹车距离。
5.如权利要求1所述的轮胎寿命的预测方法,其特征在于,所述神经网络模型包括两个卷积层、两个池化层、两个全连接层和一个输出层,且所述神经网络模型采用交叉熵损失函数;通过所述卷积层和所述池化层对与所述车辆停止位置对应的轮胎图像和其理想状态下的轮胎图像进行特征提取,所述全连接层对特征提取后的图像进行分类,所述输出层输出每个轮胎与其理想状态下的相似度。
6.如权利要求1所述的轮胎寿命的预测方法,其特征在于,所述对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命,具体为:
根据所述综合剩余寿命、每个轮胎的所述相似度及公式Li=H*(1+μ1*L+μ2*S)分别进行加权计算,得到每个轮胎的预测剩余寿命;
其中,Li为第i个轮胎的剩余寿命,H为轮胎出厂时的正常使用寿命,L为所有轮胎的综合剩余寿命,S为相似度,μ1、μ2均为超参数。
7.如权利要求6所述的轮胎寿命的预测方法,其特征在于,所述方法还包括:
从远程数据库中调取相同情况下轮胎的剩余寿命,并计算所述剩余寿命与所述预测剩余寿命之间的预测误差;
将所述预测误差返回所述神经网络模型,对所述神经网络模型自身的参数以及超参数μ1、μ2进行调整,直至预测误差处于预设范围之内。
8.一种轮胎寿命的预测装置,其特征在于,包括:
获取模块,用于获取车辆行驶过程中的刹车数据、环境数据以及轮胎图像;其中,所述刹车数据包括刹车时的车速、车辆刹车位置和车辆停止位置;
第一计算模块,用于根据所述车辆刹车位置和所述车辆停止位置计算实际刹车距离,并基于所述实际刹车距离和初次刹车速度获取相同环境数据下所述车辆的最优刹车距离;
第二计算模块,用于根据所述实际刹车距离和所述最优刹车距离计算所述车辆上所有轮胎的综合剩余寿命;
相似度获取模块,用于将与所述车辆停止位置对应的轮胎图像输入神经网络模型,所述神经网络模型输出每个轮胎与其理想状态下的相似度;
第三计算模块,用于对所述综合剩余寿命和所述相似度进行加权计算,得到每个轮胎的预测剩余寿命。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的轮胎寿命的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的轮胎寿命的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208339.7A CN114004143B (zh) | 2021-10-18 | 2021-10-18 | 一种轮胎寿命的预测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208339.7A CN114004143B (zh) | 2021-10-18 | 2021-10-18 | 一种轮胎寿命的预测方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114004143A true CN114004143A (zh) | 2022-02-01 |
CN114004143B CN114004143B (zh) | 2022-05-27 |
Family
ID=79923047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111208339.7A Active CN114004143B (zh) | 2021-10-18 | 2021-10-18 | 一种轮胎寿命的预测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004143B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147953A (zh) * | 2022-06-09 | 2022-10-04 | 中国第一汽车股份有限公司 | 刹车系统的监测告警方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060289255A1 (en) * | 2005-06-25 | 2006-12-28 | Adams Philip H | Disc brake pad cushions |
CN104778313A (zh) * | 2015-03-27 | 2015-07-15 | 江苏大学 | 一种轮胎疲劳寿命评价及预测方法 |
CN111504662A (zh) * | 2020-03-23 | 2020-08-07 | 上海博泰悦臻电子设备制造有限公司 | 一种轮胎使用寿命的预测方法、装置及计算机存储介质 |
CN112706729A (zh) * | 2019-10-25 | 2021-04-27 | 北京地平线机器人技术研发有限公司 | 车辆刹车控制方法、车辆刹车控制装置和电子设备 |
CN113239599A (zh) * | 2021-06-15 | 2021-08-10 | 江苏理工学院 | 基于bp神经网络的智能轮胎磨损寿命预估方法及装置 |
DE102020203330A1 (de) * | 2020-03-16 | 2021-09-16 | Volkswagen Aktiengesellschaft | Verfahren zum Einleiten eines Notbremsvorgangs und Kraftfahrzeug |
-
2021
- 2021-10-18 CN CN202111208339.7A patent/CN114004143B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060289255A1 (en) * | 2005-06-25 | 2006-12-28 | Adams Philip H | Disc brake pad cushions |
CN104778313A (zh) * | 2015-03-27 | 2015-07-15 | 江苏大学 | 一种轮胎疲劳寿命评价及预测方法 |
CN112706729A (zh) * | 2019-10-25 | 2021-04-27 | 北京地平线机器人技术研发有限公司 | 车辆刹车控制方法、车辆刹车控制装置和电子设备 |
DE102020203330A1 (de) * | 2020-03-16 | 2021-09-16 | Volkswagen Aktiengesellschaft | Verfahren zum Einleiten eines Notbremsvorgangs und Kraftfahrzeug |
CN111504662A (zh) * | 2020-03-23 | 2020-08-07 | 上海博泰悦臻电子设备制造有限公司 | 一种轮胎使用寿命的预测方法、装置及计算机存储介质 |
CN113239599A (zh) * | 2021-06-15 | 2021-08-10 | 江苏理工学院 | 基于bp神经网络的智能轮胎磨损寿命预估方法及装置 |
Non-Patent Citations (4)
Title |
---|
M. CARBONI,等: "Defects and in-service fatigue life of truck wheels", 《ENGINEERING FAILURE ANALYSIS》 * |
V.K. ABITHA,等: "Studies on Dynamic Ageing Conditions for Life Cycle Prediction of Tyre Tread", 《J. MATER. ENVIRON. SCI》 * |
段宝山: "基于机械手的铝合金车轮外形测量自动化技术探讨", 《工业技术》 * |
董永刚,等: "重载列车紧急制动过程车轮踏面疲劳裂纹萌生寿命预测", 《中国铁道科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147953A (zh) * | 2022-06-09 | 2022-10-04 | 中国第一汽车股份有限公司 | 刹车系统的监测告警方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114004143B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062413B (zh) | 一种道路目标检测方法、装置、电子设备及存储介质 | |
CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN111079640B (zh) | 一种基于自动扩增样本的车型识别方法及系统 | |
WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
TW201706918A (zh) | 作爲供神經網路的訓練準則的濾波器特異性 | |
CN113119981B (zh) | 车辆主动安全控制方法、系统及存储介质 | |
CN114379581B (zh) | 基于自动驾驶下的算法迭代系统及方法 | |
CN114004143B (zh) | 一种轮胎寿命的预测方法、装置、终端设备及存储介质 | |
CN112883991A (zh) | 对象分类方法、对象分类电路、机动车辆 | |
US20170103121A1 (en) | Drive support apparatus | |
CN115393818A (zh) | 驾驶场景识别方法、装置、计算机设备和存储介质 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN109784586B (zh) | 车险的出险情况的预测方法及系统 | |
CN113799788A (zh) | 用于处理信号的方法、计算机程序和设备 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN114863680B (zh) | 预测处理方法、装置、计算机设备及存储介质 | |
CN115861305A (zh) | 柔性电路板检测方法、装置、计算机设备及存储介质 | |
CN116011995A (zh) | 车辆保养信息推送方法、装置、电子设备及存储介质 | |
CN112508080B (zh) | 基于经验回放的车辆型号识别方法、装置、设备及介质 | |
CN114694104A (zh) | 一种基于激活函数的改进YOLOv4车辆行人检测算法 | |
CN114519842A (zh) | 基于高位视频监控的车辆匹配关系判断方法以及装置 | |
CN110751054B (zh) | 一种异常驾驶行为的检测系统 | |
CN113673513A (zh) | 一种车牌识别方法、装置、设备及介质 | |
CN112990329A (zh) | 一种系统异常诊断方法和装置 | |
CN112560737A (zh) | 一种信号灯识别方法、装置、存储介质及电子设备 |
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 |