CN114636464B - 基于人工智能的叉车轮胎可承载重量在线监测方法 - Google Patents
基于人工智能的叉车轮胎可承载重量在线监测方法 Download PDFInfo
- Publication number
- CN114636464B CN114636464B CN202210223628.2A CN202210223628A CN114636464B CN 114636464 B CN114636464 B CN 114636464B CN 202210223628 A CN202210223628 A CN 202210223628A CN 114636464 B CN114636464 B CN 114636464B
- Authority
- CN
- China
- Prior art keywords
- layer
- frequency part
- data
- tire
- weight
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000001681 protective effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Forklifts And Lifting Vehicles (AREA)
Abstract
本发明公开了一种基于人工智能的叉车轮胎可承载重量在线监测方法,首先在轮胎运行过程中,实时通过红外距离传感器采集多组距离信息;利用小波去噪算法对距离数据进行噪声预处理;利用最小值查找算法得到五个较小的距离数据作为高度数据;利用多层BP神经网络算法对高度数据进行补偿,得到轮胎运行过程中红外距离传感器距离地面最高高度精确值;利用得到的最高高度精确值匹配磨损专家数据库,得出轮胎现时的最大可承载重量,存储到Flash中,并通过蓝牙将可载重数据上传到车辆控制主控器保存为历史数据。本发明融合小波去噪算法与多层BP神经网络的数据处理方法,有效提高了测距精度,引入专家数据库,实现实时可承载重量的在线检测。
Description
技术领域
本发明属于轮胎安全预警领域,具体为一种基于人工智能的叉车轮胎可承载重量在线监测方法。
背景技术
实心轮胎具有足够高的定伸应力(使试样橡胶材料拉伸达到给定长度所需施加的单位截面积上的负荷量)、较高的硬度、低的永久变形和良好的耐磨性等优点,其安全性、耐久性、经济性等明显优于充气胎。叉车作为一种载重型车辆,一般在低速、高负载条件下运行,要求轮胎有足够的耐压性和耐磨性。所以实心轮胎被广泛使用在叉车上。
实心轮胎在出厂时往往设有额定的载重质量,来保证车辆的稳定运行。但是实心轮胎在使用的过程中会不断磨损,其额定的载重质量也会发生变化。由于实心轮胎固有的结构问题,在超过额定载重质量的情况下长时间使用,可能会出现滑圈现象,即轮毂和橡胶胎体分离。
车辆驾驶员在实际操作时,可能不清楚轮胎的磨损情况,在运输超过轮胎额定载重质量的货物时,可能发生车辆侧翻、货物坠落或人员伤亡事故。其主要原因还是驾驶员对轮胎状态信息了解较少,不了解轮胎的实际可载重质量,运输的货物超出了轮胎可载重范围,导致事故发生。
发明内容
本发明的目的在于提出了一种基于人工智能的叉车轮胎可承载重量在线监测方法。
实现本发明目的的技术方案为:一种基于人工智能的叉车轮胎可承载重量在线监测方法,包括:
在轮胎运行过程中,通过红外距离传感器实时采集若干组距离信息,所述距离信息为红外距离传感器到地面的距离信息;
利用小波去噪算法对距离信息进行噪声预处理;
利用最小值查找算法查找五个最小的距离信息数据作为高度数据;
采用多层BP神经网络对高度数据进行补偿,得到轮胎运行过程中红外距离传感器距离地面最高高度精确值;
利用得到的最高高度精确值匹配磨损专家数据库,得出轮胎现时的最大可承载重量,存储到Flash中,并通过低功耗蓝牙模块将可载重数据上传到车辆控制主控器保存为历史数据。
优选地,在实心轮胎外侧壁开孔,伸出带保护壳的红外距离传感器探头,其中,红外传感器所在平面与水平面呈15°夹角,斜向下探测,避开轮胎自身的遮挡,使红外距离传感器探测到距离地面的高度。
优选地,所述红外距离传感器采集的距离数据存储在控制器的Flash中。
优选地,利用小波去噪算法对距离信息进行噪声预处理的具体方法为:
将原始距离数据h[n]以第一阈值为分界点分解成低频部分与高频部分,作为第一层分解;
将第一层分解出来的低频部分以第二阈值为分界点分解成低频与高频两个部分,作为第二层分解;
将第二层分解出来的低频部分以第三阈值分解为低频与高频两个部分,作为第三层分解;
每层经过分解之后小波具有低频部分和高频部分,对每一层的高频部分进行去噪处理;
针对每一层小波分解之后的低频部分和经过去噪处理之后的高频部分进行相加重构,再与上一层信号相加重构,直到第一层,以获得去噪后的重构信号h′[n]。
优选地,多层BP神经网络的训练过程为:
(1)测量多组不同距离情况下的红外距离传感器探头到地面的真实距离和每种情况下使用红外距离传感器测得的五个高度数据,构建训练样本集;
(2)对训练样本集归一化处理,使输入数据都落在[-1,1]之间;
(3)将归一化后的五个数据按照从小到大的顺序作为BP神经网络的输入,采用S型函数作为BP神经网络的传递函数;
(4)输入的数据通过输入层权值和激活函数传递到隐含层,隐含层再通过输出层权值和激活函数将信息传递到输出层;
(5)求出输出值与目标值的误差,如果误差超过设定值,通过梯度最速下降算法反向调整权值和阀值,使误差在接受范围内,得到训练完成的BP神经网络。
优选地,所述S型函数为:
其中,x为高度数据。
优选地,所述BP神经网络输入层为5个节点,隐含层为11个节点,输出层为1个节点。
本发明与现有技术相比,其显著优点为:
1)本发明是一种全自动的检测方法,为轮胎磨损监测和降低叉车事故发生概率提供了一种重要的技术手段;
(2)本发明引入BP神经网络来减小轮胎磨损监测系统中的误差,提高了检测精度;
(3)本发明具备历史数据查看功能,一方面为科研人员提供轮胎磨损完整的变化过程数据,完善设计;另一方面,在发生事故时,历史数据可为生命财产安全事故鉴定提供依据;
(4)本发明采用的低功耗控制器具有深度低功耗工作模式,在深度低功耗模式下工作时工作电流仅0.6uA,可以将电池的使用寿命延长到4-5年。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明实施例的具体流程图。
图2为本发明实施例中的监控系统原理框图。
图3为本发明实施例中的监控模型示意图。
图4为本发明实施例中小波阈值去噪示意图。
图5为本发明实施例中BP神经网络结构图。
具体实施方式
一种基于人工智能的叉车轮胎可承载重量在线监测方法,该方法采用的硬件设备包括红外距离传感器、传感器控制电路、低功耗蓝牙模块和锂电池,具体过程为:
在轮胎运行过程中,实时通过红外距离传感器采集多组距离信息,所述距离信息为红外距离传感器到地面的距离信息;
采用小波去噪算法对距离数据进行噪声预处理;
采用最小值查找算法得到五个较小的距离数据作为高度数据;
采用多层BP神经网络算法对高度数据进行补偿,得到轮胎运行过程中红外距离传感器距离地面最高高度精确值;
利用得到的最高高度精确值匹配磨损专家数据库,得出轮胎现时的最大可承载重量,存储到Flash中,并通过低功耗蓝牙模块将可载重数据上传到车辆控制主控器保存为历史数据。
本发明融合小波去噪算法与多层BP神经网络的数据处理方法,有效提高了测距精度,引入专家数据库,实现实时可承载重量的在线检测。
作为一种实施例,一种基于人工智能的叉车轮胎可承载重量在线监测方法,具体步骤为:
步骤一:在叉车轮胎运行的过程中,通过红外距离传感器采集多组距离数据存储在低功耗控制器的Flash中,然后控制红外距离传感器进入省电工作状态;
步骤二:用小波去噪算法对距离数据进行去噪预处理;再用最小值查找算法得到最小的五个距离数据作为高度数据;最后用三层BP神经网络算法对高度数据进行补偿,得到红外距离传感器距离地面最高高度的精确值;
步骤三:将测得的最高高度数据与专家库数据进行匹配,得出轮胎现时的最大可承载重量,存储到Flash中,并通过蓝牙将可载重数据上传到车辆控制主控器。当最大可承载重量低于设计的阈值时,车辆控制主控器进行报警。
结合图3,本实施例中,通过在实心轮胎2外侧壁3开孔4,伸出带保护壳的红外距离传感器探头1,其中红外传感器所在平面与水平面呈15°夹角,斜向下探测,是为了避开轮胎自身的遮挡,使红外距离传感器可以探测到距离地面的高度。探头保护壳通过自身外螺纹和轮胎外壁开孔4处螺纹咬合固定在一起,确保了轮胎在运行时可稳定地采集距离信息。
本实施例中,所述红外距离传感器用于测量传感器所在位置距离地面的高度值h。
本实施例中,采集多组距离数据h[n]并存储,目的在于获取红外传感器在运行过程中,传感器高度数据的变化规律,从中筛选有效数据。
本实施例中,所述低功耗控制器是自带PCB印制板天线的MESH蓝牙低功耗方案模块,其低功耗ARMCortex-M4F内核提供了丰富强大的支持功能;模块内部包括2MBFlash存储空间;模块依从Bluetooth5.0版本规范,与叉车主控制器实现数据的无线收发。
本实施例中,所述锂电池为红外距离传感器、传感器控制电路和低功耗蓝牙模块供电。
本实施例中,控制电路就是传感器电源开关电路,不使用时断电,省电;用CMOS管控制红外距离传感器工作状态,可使红外距离传感器进入省电工作状态。
结合图4,本实施例中,对距离数据用小波去噪算法进行平滑处理的步骤包括:
(1)先将原始距离数据h[n]分解成低频部分与高频部分,是第一层分解;在第一层的基础上,高频部分不做分解,低频部分再分解成低频与高频两个部分;第三层是把第二层分解出来的低频部分分解为低频与高频两个部分。这样就将原始数据分解为三层。
(2)每层经过分解之后小波具有低频部分和高频部分,针对每一层选择一个合适的阈值,对高频部分进行处理并去除高频部分中的噪声成分。
(3)针对每一层小波分解之后的低频部分和经过阈值量化处理之后的高频部分进行相加重构,再与上一层信号相加重构,直到第一层,就可以获得去噪后的重构信号h′[n],与原信号样本点数一样。
本实施例中,利用最小值查找算法查找所述平滑处理后的距离数据中最小的五个距离数据作为高度数据。
本实施例中,将高度数据作为BP神经网络的输入。
结合图5,本实施例中,三层BP神经网络的训练过程如下:
(1)测量多组不同距离情况下的红外距离传感器探头到地面的真实距离,和每种情况下使用红外距离传感器测得的最小的五个高度数据,构建训练样本集;
(2)对训练样本集归一化处理,使输入数据都落在[-1,1]之间;
(3)将归一化后的五个数据h1,h2,h3,h4,h5按照从小到大的顺序作为输入,采用S型函数作为BP神经网络的传递函数;
(4)输入的数据通过输入层权值和激活函数传递到隐含层,隐含层再通过输出层权值和激活函数将信息传递到输出层;
(5)求出输出值与目标值的误差,如果误差超过设定值,通过梯度最速下降算法反向调整权值和阀值,最终使误差在接受范围内,得到训练完成的BP神经网络输出y。
本实施例中,采集400组实测数据,每组数据包含一个用激光测距仪测量的真实距离和用红外距离传感器测得的最小的五个高度数据。
本实施例中,所述S型函数为其中,x为实施例所述最小的五个高度数据。
结合图5,本实施例中,所述输入层为5个节点,隐含层为11个节点,输出层为1个节点。
本实施例中,所述红外距离传感器安装位置到地面最高高度精确值数据为训练好的BP神经网络输出的数据y。
本实施例中,所述叉车轮胎可载重专家库为实测的叉车轮胎厚度对应的轮胎可载重量,在设备出厂时预设在低功耗控制器Flash存储器中。
本实施例中,所述将最高高度精确值与预设在低功耗控制器中的叉车轮胎可载重专家库数据表进行匹配,使用的算法为二分法查找法和两点内插法。
Claims (5)
1.一种基于人工智能的叉车轮胎可承载重量在线监测方法,其特征在于,包括:
在轮胎运行过程中,通过红外距离传感器实时采集若干组距离信息,所述距离信息为红外距离传感器到地面的距离信息;
利用小波去噪算法对距离信息进行噪声预处理,具体方法为:
将原始距离数据h[n]以第一阈值为分界点分解成低频部分与高频部分,作为第一层分解;
将第一层分解出来的低频部分以第二阈值为分界点分解成低频与高频两个部分,作为第二层分解;
将第二层分解出来的低频部分以第三阈值分解为低频与高频两个部分,作为第三层分解;
每层经过分解之后小波具有低频部分和高频部分,对每一层的高频部分进行去噪处理;
针对每一层小波分解之后的低频部分和经过去噪处理之后的高频部分进行相加重构,再与上一层信号相加重构,直到第一层,以获得去噪后的重构信号h′[n];
利用最小值查找算法查找五个最小的距离信息数据作为高度数据;
采用多层BP神经网络对高度数据进行补偿,得到轮胎运行过程中红外距离传感器距离地面最高高度精确值;
多层BP神经网络的训练过程为:
(1)测量多组不同距离情况下的红外距离传感器探头到地面的真实距离和每种情况下使用红外距离传感器测得的五个高度数据,构建训练样本集;
(2)对训练样本集归一化处理,使输入数据都落在[-1,1]之间;
(3)将归一化后的五个数据按照从小到大的顺序作为BP神经网络的输入,采用S型函数作为BP神经网络的传递函数;
(4)输入的数据通过输入层权值和激活函数传递到隐含层,隐含层再通过输出层权值和激活函数将信息传递到输出层;
(5)求出输出值与目标值的误差,如果误差超过设定值,通过梯度最速下降算法反向调整权值和阀值,使误差在接受范围内,得到训练完成的BP神经网络;
利用得到的最高高度精确值匹配磨损专家数据库,得出轮胎现时的最大可承载重量,存储到Flash中,并通过低功耗蓝牙模块将可载重数据上传到车辆控制主控器保存为历史数据。
2.根据权利要求1所述的基于人工智能的叉车轮胎可承载重量在线监测方法,其特征在于,在实心轮胎外侧壁开孔,伸出带保护壳的红外距离传感器探头,其中,红外传感器所在平面与水平面呈15°夹角,斜向下探测,避开轮胎自身的遮挡,使红外距离传感器探测到距离地面的高度。
3.根据权利要求1所述的基于人工智能的叉车轮胎可承载重量在线监测方法,其特征在于,所述红外距离传感器采集的距离数据存储在控制器的Flash中。
4.根据权利要求1所述的基于人工智能的叉车轮胎可承载重量在线监测方法,其特征在于,所述S型函数为:
其中,x为高度数据。
5.根据权利要求1所述的基于人工智能的叉车轮胎可承载重量在线监测方法,其特征在于,所述BP神经网络输入层为5个节点,隐含层为11个节点,输出层为1个节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210223628.2A CN114636464B (zh) | 2022-03-07 | 2022-03-07 | 基于人工智能的叉车轮胎可承载重量在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210223628.2A CN114636464B (zh) | 2022-03-07 | 2022-03-07 | 基于人工智能的叉车轮胎可承载重量在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114636464A CN114636464A (zh) | 2022-06-17 |
CN114636464B true CN114636464B (zh) | 2024-04-23 |
Family
ID=81947554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210223628.2A Active CN114636464B (zh) | 2022-03-07 | 2022-03-07 | 基于人工智能的叉车轮胎可承载重量在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114636464B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024080169A (ja) * | 2022-12-01 | 2024-06-13 | 株式会社ブリヂストン | タイヤ状態推定装置及びタイヤ状態推定プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及系统 |
CN111272334A (zh) * | 2020-02-18 | 2020-06-12 | 金陵科技学院 | 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 |
JP2021088230A (ja) * | 2019-12-02 | 2021-06-10 | Toyo Tire株式会社 | 車両安全支援システムおよび車両安全支援方法 |
-
2022
- 2022-03-07 CN CN202210223628.2A patent/CN114636464B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及系统 |
JP2021088230A (ja) * | 2019-12-02 | 2021-06-10 | Toyo Tire株式会社 | 車両安全支援システムおよび車両安全支援方法 |
CN111272334A (zh) * | 2020-02-18 | 2020-06-12 | 金陵科技学院 | 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114636464A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105270108B (zh) | 用于提供与胎压有关的信息的胎压传感器模块、胎压监测系统、车轮、方法和计算机程序 | |
CN114636464B (zh) | 基于人工智能的叉车轮胎可承载重量在线监测方法 | |
US10935466B2 (en) | Integrated tire sensor and reader system | |
DE10218781A1 (de) | Auf einer Felge montierbarer Luftreifen, Sensornetz, Umdrehungsmesseinheit und Fahrzeugüberwachungssystem | |
CN110189070B (zh) | 智能物流物联网系统 | |
CN112440628A (zh) | 利用印迹长度的轮胎磨损估计系统和方法 | |
EP3501855A1 (en) | Sensor system for monitoring tire wear | |
EP3838631A1 (en) | Flexible tire sensor unit and tire | |
CN112208273B (zh) | 基于智能轮胎状态检测装置的车辆控制方法、设备 | |
CN112976956A (zh) | 评估轮胎状况的方法 | |
AU2018421149B2 (en) | Tire state detection device | |
CN114414023A (zh) | 传感器异常诊断方法及装置、存储介质 | |
CN117401578B (zh) | 一种起重量称量信号智能管理系统 | |
CN101946175A (zh) | 监测运载工具结构的设备 | |
CN101678727A (zh) | 轮胎内压信息测量装置 | |
CN106143002A (zh) | 一种车辆载重检测系统及方法 | |
US20180073855A1 (en) | Novel sensor for monitoring direct and realtime measurement of friction between tire and road for driver and driverless vehicle applications | |
CN104097467A (zh) | 一种胎压监测诊断设备及其应用的轮毂参数查询方法 | |
CN115782474A (zh) | 一种汽车轮胎健康异常检测系统及检测方法 | |
CN116142214A (zh) | 用于处理与车辆能量消耗相关联的数据的装置和方法 | |
CN115519942A (zh) | 轮胎更换预估系统和方法 | |
CN114103562A (zh) | 轮胎压力监视系统 | |
WO2020202212A2 (en) | Dynamic load determination on a tyre | |
CN110689072B (zh) | 一种基于知识转移的动态工业数据分类方法 | |
CN212340396U (zh) | 一种汽车车载称重系统 |
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 |