CN114636570A - 利用机器学习预测轮胎磨损的方法和装置 - Google Patents
利用机器学习预测轮胎磨损的方法和装置 Download PDFInfo
- Publication number
- CN114636570A CN114636570A CN202111179624.0A CN202111179624A CN114636570A CN 114636570 A CN114636570 A CN 114636570A CN 202111179624 A CN202111179624 A CN 202111179624A CN 114636570 A CN114636570 A CN 114636570A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tire wear
- tire
- information
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
- B60C11/24—Wear-indicating arrangements
- B60C11/246—Tread wear monitoring systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
- B60C11/24—Wear-indicating arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
- G01M17/022—Tyres the tyre co-operating with rotatable rolls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
- B60C23/06—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Tires In General (AREA)
Abstract
本发明涉及利用机器学习预测轮胎磨损的方法和装置。用于在安装于车辆的装置中预测轮胎磨损的方法可以包括:导入基于基本数据生成的轮胎磨损数据库,通过对基本数据进行预处理来生成数据集,针对每种车辆行驶方式对数据集进行分类,基于分类的数据集对用于机器学习的超参数进行优化,通过对优化的超参数执行机器学习来预测车辆的轮胎磨损寿命。
Description
相关申请的交叉引用
本申请要求于2020年12月16日提交的韩国专利申请No.10-2020-0176787的优先权,其全部内容合并于本文中,以用于通过该引用的所有目的。
技术领域
本发明涉及一种轮胎磨损预测技术,更具体地,涉及一种利用人工智能机器学习的轮胎磨损预测技术。
背景技术
轮胎磨损寿命在执行实际测试/评估之前难以预测轮胎磨损量和磨损花纹。
目前,轮胎磨损性能是在轮胎样品制作完成后通过实际道路行驶(或实际道路模拟室内卷筒转动测试)得出的。
轮胎有限元法(Tire finite element method,FEM)分析根据轮胎花纹、内部结构和胎面胶来预测磨损,但由于与实际行驶的相关性低,因此其对轮胎的开发和利用是不充分的。
相应地,需要一种使轮胎开发商能够对轮胎磨损进行定量分析,并且提前预测轮胎磨损寿命的方法,对未来可能发生的问题抢先采取措施。
公开于本发明背景技术部分的信息仅仅旨在增强对本发明的总体背景的理解,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已知的现有技术。
发明内容
本发明的各个方面致力于提供一种利用人工智能机器学习的轮胎磨损预测方法及其装置。
本发明的各个方面提供了一种利用AI机器学习的轮胎磨损预测方法及其装置,该方法配置为在实际行驶前评估轮胎磨损时,通过对轮胎磨损性能的早期预测和分析来促进虚拟车辆的开发,从而对未来问题抢先采取措施。
本发明的各个方面提供了一种利用机器学习技术的多输出回归预测模型,其配置为基于为开发机器学习算法而构建的学习/预测数据库框架定量地执行基于数据的轮胎磨损预测。
本发明的各个方面提供了一种利用AI机器学习的轮胎磨损预测方法及其装置,该方法配置为通过利用人工智能机器学习技术将多输出回归预测模型链接到车辆控制器、信息娱乐系统和移动运营商,从而促进自动驾驶车辆/移动车辆的实时主动控制和操作管理。
本发明的各个方面提供了一种利用AI机器学习的轮胎磨损预测方法及其装置,该方法配置为用于对每个轮胎磨损影响因素执行磨损特征的相对比较和贡献分析。
本发明构思所要解决的技术问题不限于上述问题,本发明的各种示例性实施方案所属领域的技术人员通过以下描述将清楚地理解本文中未提及的任何其它技术问题。
根据本发明的各个方面,一种用于在安装于车辆的装置中预测轮胎磨损的方法可以包括:导入基于基本数据生成的轮胎磨损数据库;通过对基本数据进行预处理来生成数据集;针对每种车辆驱动方式对数据集进行分类;基于分类的数据集对用于机器学习的超参数进行优化;通过对优化的超参数执行机器学习来预测车辆的轮胎磨损寿命。
根据本发明的各种示例性实施方案,基本数据可以包括通过实际车辆的轮胎磨损测试获得的解释变量和预测变量,其中解释变量包括车辆信息、车辆行驶信息、轮胎信息和车轮定位信息中的至少一个,并且预测变量包括每个轮胎沟槽的磨损寿命。
根据本发明的各种示例性实施方案,对基本数据进行预处理可以包括以下中的至少一个:将离散变量和定性变量转换为定量变量、将定量变量归一化、从预测变量中消除极值、补偿解释变量的缺失值。
根据本发明的各种示例性实施方案,可以通过基于最小绝对值收缩和选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)模型,经由对每个轮胎磨损因素进行重要性分析,通过从分类的数据集中消除重要性低于预定值的因素来优化超参数。
根据本发明的各种示例性实施方案,轮胎磨损寿命基于多输出回归分析技术来预测,并且通过多输出回归分析技术来预测。
根据本发明的各种示例性实施方案,多输出回归分析技术可以包括随机森林技术(random forest technique)和随机梯度提升技术(stochastic gradient boostingtechnique),并且可以基于分类的数据集的数量选择性地利用随机森林技术和随机梯度提升技术的一个。
根据本发明的各种示例性实施方案,该方法可以进一步包括:通过设置在车辆中的输出装置来输出预测的轮胎寿命信息,并将预测的轮胎寿命信息发送到其它装置。
根据本发明的各种示例性实施方案,其它装置可以包括车辆控制器、车辆开发商服务器、驾驶员终端以及移动运营商服务器中的至少一个。
根据本发明的各种示例性实施方案,该方法可以进一步包括:通过基于预测的轮胎寿命信息执行车辆主动控制来优化车辆行驶相关的参数,并且车辆主动控制可以包括制动控制、悬架控制、方向盘控制和转向控制中的至少一个。
根据本发明的各种示例性实施方案,基本数据可以从设置在车辆中的传感器收集,并且基本数据可以包括以下中的至少一个:由内置在安全气囊控制单元中的加速度传感器检测到的行驶模式分析信息、由电子悬架装置检测到的车轮定位变化信息、由自动调平装置检测到的车辆重量变化信息、由轮胎压力监测系统(tire pressure monitoringsystem,TPMS)检测到的轮胎压力变化信息以及由空调装置中的车外空气温度传感器检测到的行驶气候环境信息。
根据本发明的各个方面,一种轮胎磨损预测装置可以包括存储器以及与存储器电连接的处理器,并且处理器可以从存储器或外部装置导入基于基本数据生成的轮胎磨损数据库,通过对基本数据进行预处理来生成数据集,针对每种车辆驱动方式对数据集进行分类,基于分类的数据集对用于机器学习的超参数进行优化,通过对优化的超参数执行机器学习来预测车辆的轮胎磨损寿命。
根据本发明的各种示例性实施方案,基本数据可以包括通过实际车辆的轮胎磨损测试获得的解释变量和预测变量,并且解释变量可以包括车辆信息、车辆行驶信息、轮胎信息和车轮定位信息中的至少一个,并且预测变量可以包括每个轮胎沟槽的磨损寿命。
根据本发明的各种示例性实施方案,处理器可以包括以下中的至少一个:用于将离散变量和定性变量转换为定量变量的手段、用于将定量变量归一化的手段、用于消除预测变量中的极值的手段,以及用于补偿解释变量的缺失值的手段。
根据本发明的各种示例性实施方案,可以基于最小绝对值收缩和选择算子(LASSO)模型,经由对每个轮胎磨损因素进行重要性分析,通过从分类的数据集中消除重要性低于预定值的因素来优化超参数。
根据本发明的各种示例性实施方案,轮胎磨损寿命可以基于多输出回归分析技术来预测,并且通过多输出回归分析技术来预测。
根据本发明的各种示例性实施方案,多输出回归分析技术可以包括随机森林技术和随机梯度提升技术,并且处理器可以基于分类的数据集的数量来选择性地选择随机森林技术和随机梯度提升技术的任何一个。
根据本发明的各种示例性实施方案,处理器可以包括以下的至少一个:用于通过设置在车辆中的输出装置来控制预测的轮胎寿命信息或基于预测的轮胎寿命信息处理的信息的输出的手段,以及用于控制将预测的轮胎寿命信息发送到其它装置的手段。
根据本发明的各种示例性实施方案,其它装置可以包括车辆控制器、车辆开发商服务器、驾驶员终端和移动运营商服务器中的至少一个。
根据本发明的各种示例性实施方案,处理器可以通过基于预测的轮胎寿命信息执行车辆主动控制来优化车辆行驶相关的参数,并且车辆主动控制可以包括制动控制、悬架控制、方向盘控制和转向控制中的至少一个。
根据本发明的各种示例性实施方案,基本数据可以从设置在车辆中的传感器收集,并且基本数据可以包括以下中的至少一个:由内置在安全气囊控制单元中的加速度传感器检测到的行驶模式分析信息、由电子悬架装置检测到的车轮定位变化信息、由自动调平装置检测到的车辆重量变化信息、由轮胎压力监测系统(TPMS)检测到的轮胎压力变化信息以及由空调装置中的车外空气温度传感器检测到的行驶气候环境信息。
本发明的各种实施方案所要解决的技术问题不限于上述问题,并且本发明的各种示例性实施方案所属领域的技术人员通过以下描述将清楚地理解本文中未提及的任何其它技术问题。
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阐述,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是用于描述根据本发明的各种示例性实施方案的利用机器学习预测轮胎磨损的方法的流程图;
图2是用于描述根据本发明的各种示例性实施方案的用于构建训练数据集的基本数据处理过程的示意图;
图3是用于描述根据本发明的各种示例性实施方案的学习建模过程的示意图;
图4是用于描述根据本发明的各种示例性实施方案的学习算法的示意图;
图5是用于描述根据本发明的各种示例性实施方案的用于AI学习/预测的数据清洗过程的示意图;
图6示出了根据图5的用于AI学习/预测的数据清洗过程的具体示例;
图7是用于描述根据本发明的各种示例性实施方案的轮胎磨损预测装置的操作机制的流程图;
图8是示出根据本发明的各种示例性实施方案的基于实际车辆行驶评估的轮胎磨损寿命和利用轮胎磨损学习算法的轮胎磨损寿命的预测结果的曲线图;以及
图9示出了根据后轮外倾角变化的用于后轮磨损寿命比率的AI学习预测结果。
应当理解的是,附图并非按比例地绘制,而是图示性地简化呈现各种特征以显示本发明的基本原理。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。
在这些图形中,贯穿附图的多幅图形,附图标记引用本发明的同样的或等同的部分。
具体实施方式
下面将详细参考本发明的各种实施方案,这些实施方案的示例示于附图中并且描述如下。尽管将结合本发明的示例性实施方案来描述本发明,但是将理解的是,本说明书并非旨在将本发明限制于那些示例性实施方案。另一方面,本发明旨在不但覆盖本发明的示例性实施方案,而且覆盖可以包括在由所附权利要求所限定的本发明的精神和范围之内的各种替选方式、修改方式、等同方式以及其它的实施方案。
在下文中,将参考示例性附图对本发明的各种示例性实施方案进行详细描述。在将附图标记添加到每个附图的组件中时,可以注意的是,即使当相同或等同的组件显示在其它附图中时,它们也由相同的附图标记来表示。此外,在描述本发明的示例性实施方案时,将会排除对已知的特征或功能的详细描述,以免不必要地模糊本发明的主旨。
在描述根据本发明的各个示例性实施方案的组件时,可以使用诸如第一、第二、“A”、“B”、(a)、(b)等术语。这些术语仅旨在将一个组件与另一组件区分,并且这些术语不限制构成组件的本质、顺序或次序。除非另有定义,否则本文中所使用的所有术语(包括技术术语或科学术语)都具有与本发明的各个示例性实施方案所属领域的技术人员通常所理解的相同的含义。在通用词典中定义的这些术语应解释为具有与在相关技术领域的语境中的含义相同的含义,并且不解释为具有理想化的或过度正式的含义,除非在本申请中有明确定义为具有这样的含义。
在下文中,将参照图1、图2、图3、图4、图5、图6、图7、图8以及图9对本发明的实施方案进行详细描述。
图1是用于描述根据本发明的各种示例性实施方案的利用机器学习预测轮胎磨损的方法的流程图。
根据图1的通过基本数据和AI建模预测轮胎磨损寿命的方法可以在与车辆电子控制系统、车辆传感器系统、信息娱乐系统、移动运营商服务器、用户终端等连接的计算机系统上实现。在下文中,将执行利用机器学习预测轮胎磨损的方法的装置简称为轮胎磨损预测装置。
参照图1,可以基于基本数据在轮胎磨损预测装置中建立轮胎磨损数据库(S110)。作为本发明的各种示例性实施方案,轮胎磨损数据库可以建立在链接到轮胎磨损预测装置的单独服务器上。这里,基本数据可以是实际轮胎磨损测试数据,并且可以包括车辆信息、车辆行驶特性信息、轮胎规格信息、车辆状况信息等。通过数据预处理可以对基本数据进行归一化和补充。
轮胎磨损预测装置可以根据预定义的建模规则确定学习模型(S120)。建模规则可以配置为基于车辆信息、关于车辆行驶状况的信息、轮胎规格信息、车轮定位信息等来确定每个轮胎沟槽的预期磨损寿命。
轮胎磨损预测装置可以基于多输出回归方法来执行机器学习(S130)。作为示例,多输出回归方法可以利用随机森林技术(random forest technique)、随机梯度提升技术(stochastic gradient boosting technique)等,随机森林技术配置为执行回归分析或分类分析,但多输出回归方法不限于此。可以利用最小绝对值收缩和选择算子(LeastAbsolute Shrinkage and Selection Operator,LASSO)技术,其通过惩罚回归来消除不重要变量的系数并确定变量重要性。
随机森林技术是一种用于分类和回归分析的集成学习方法,例如,其可以操作为从在训练过程中构建的多个决策树中输出分类或平均预测值。
随机梯度提升技术是一种回归分析学习技术,其以决策树的集成的形式产生预测模型,以分阶段的方式建立模型,并且通过使任意的可微分的损失函数能够进行优化来归纳模型。
根据数据集的大小,可以利用随机森林技术或随机梯度提升技术。
当训练数据集的数量较少时(例如,大约1000个),可以优先利用随机森林模型,并且当数据集增加时,可以同时利用随机森林和随机梯度提升,然后根据性能有选择地利用。LASSO可以用于分析特征因素对轮胎磨损性能的贡献。
在对每个轮胎沟槽进行磨损寿命训练和测试,并执行5折交叉验证后,通过五个性能的平均值来验证性能,然后可以根据数据集的大小和特点来利用最优的机器学习模型。
通过LASSO模型,可以通过分析每个磨损因素的重要性来确定变量的影响程度(系数)。作为示例,可以将通过LASSO模型确定的具有非零影响的变量分类为重要变量,并且可以将具有0影响的变量分类为不重要变量。
轮胎磨损预测装置可以通过设置的显示器来输出学习结果(S140)。
图2是用于描述根据本发明的各种示例性实施方案的用于构建训练数据集的基本数据处理过程的示意图。
参照图2,基本数据主要可以包括解释变量和预测变量。
解释变量可以包括车辆信息、车辆行驶信息、轮胎信息、车轮定位信息等。
车辆信息可以包括车辆等级信息、车辆型号信息、动力源信息、动力源名称信息、排量信息、电动汽车电池容量信息、变速器类型信息、输出(PS)信息、扭矩(Kgf.m)信息、驱动方式(前/后轮驱动)信息、2WD/4WD信息、悬架类型(多连杆/CTBA)信息、FR侧重量(Kg)信息、RR侧重量(Kg)信息以及前/后轮轮胎压力(psi)信息中的至少一个。
行驶模式信息可以包括行驶模式类型(复杂/高速等)信息、磨损量测量定时(初始/中间/结束等)信息以及行驶结束日期(日期/季节等)信息中的至少一个。
轮胎信息可以包括制造商信息、轮胎内径(英寸)信息、轮胎花纹信息和胎面物理性质(Tg(℃))信息、前轮轮胎信息以及后轮轮胎信息中的至少一个。
这里,每一个前轮轮胎信息和后轮轮胎信息可以包括胎面宽度(mm)信息、扁平比(%)信息、胎面宽度/扁平比信息、S.W高度以及初始沟槽深度(中心/外侧/胎肩)(mm)信息中的至少一个。
车轮定位信息主要可以包括车轮定位规格信息和车轮定位测量负载重量信息。
每个轮胎沟槽的磨损寿命信息可以包括前/后的左轮胎和右轮胎的磨损寿命信息。
轮胎磨损预测装置可以通过对基本数据进行预处理,利用对数据进行归一化来产生数据集。轮胎磨损数据库可以包括基本数据和基于基本数据产生的数据集。
图3是用于描述根据本发明的各种示例性实施方案的学习建模过程的示意图。
如图3中的附图标记310所示,可以将相应车辆的前/后和左/右轮四个轮胎上形成的24个沟槽的磨损寿命中的最小值确定为相应车辆的轮胎磨损寿命。
每个轮胎可以包括两个中心沟槽、胎肩沟槽以及胎肩花纹块沟槽。
在这种情况下,在行驶距离“K”处,每个轮胎沟槽的预期磨损寿命“A”可以由以下等式确定。
A=K×(初始沟槽深度-1.6)/(初始沟槽深度-结束沟槽深度)
初始沟槽深度是行驶距离为零时的沟槽深度,结束沟槽深度是行驶距离为K时的沟槽深度。在这种情况下,车辆的轮胎的预期磨损寿命可以确定为轮胎的所有沟槽的预期磨损寿命的最小值。
如图3中的附图标记320所示,在学习建模过程中,用于预测轮胎磨损寿命的可变因素可以包括车辆信息、行驶状况信息、轮胎信息以及车轮定位信息。在这种情况下,可以将可变因素输入到应用了车辆行驶、轮胎胎面、轮胎磨损机制等的预定建模函数f(x),使得可以确定每个轮胎沟槽的预期磨损寿命。
图4是用于描述根据本发明的各种示例性实施方案的学习算法的示意图。
由于驱动轴(驱动力传递)轮胎的磨损寿命通常低,所以相应车辆的轮胎的磨损寿命可以由驱动轴轮胎的磨损寿命来确定。
因此,在构建AI预测模型时,可能更有效的是将前轮驱动车辆和后轮驱动车辆数据集进行分类用于预测,而不是利用全部的实际测试数据集。
例如,如附图标记410所示,可以实施根据本发明的各种示例性实施方案的学习算法来预测当驱动方式是前轮驱动类型时前轮轮胎或所有轮胎的磨损寿命。另一方面,当驱动方式是后轮驱动类型时,如附图标记420所示,可以实施学习算法来预测后轮轮胎或所有轮胎的磨损寿命。
可以配置用于驱动方式(前轮驱动/后轮驱动)以及要预测的轮胎的安装位置(驱动轴/所有轮胎)的2×2组合的预测模型。
此外,基于基本数据构建的轮胎磨损数据库根据驱动方式可以划分为图4所示,并且可以产生单独的预测模型。
图5是用于描述根据本发明的各种示例性实施方案的用于AI学习/预测的数据清洗过程的示意图。
轮胎磨损预测装置可以将所有离散的(分类的)变量/定性变量(例如,动力源类型、轮胎制造商和行驶模式)转换为定量变量(S510)。图6中的附图标记610示出了用于作为特征变量的动力源的定量变量的转换的示例。
轮胎磨损预测装置可以对定量变量进行归一化(S520)。例如,具有小的绝对数值的车轮定位值可以通过用0到100之间的值替换车轮定位值来进行归一化。图6中的附图标记620示出了用于特征变量外倾角的归一化示例。
轮胎磨损预测装置可以对预测变量进行补充(S530)。作为示例,可以消除预测变量的值中的极值(异常值)。作为示例,目标数据的异常值可以基于3个标准差(3sigma)来消除。这里,3sigma可以指的是从相应预测值的平均值到两侧的3个标准差范围内的值。图6中的附图标记630示出了消除作为预测变量的轮胎沟槽磨损寿命的异常值的示例。
轮胎磨损预测装置可以对解释变量进行补充(S540)。作为示例,当在解释变量的先前数据集的值中存在缺失值时,可以通过用平均值替换对应的缺失值来补充对应的解释变量。作为示例,对于轮胎胎面物理性质(Tg)值,在划分为所有季节和夏季模式后,可以用相应分类内的平均值来替换缺失值。图6中的附图标记640示出了对作为解释变量的前轮轮胎的初始沟槽深度和轮胎胎面物理性质的缺失值进行补充的示例。
可以通过上述S510到S540对数据进行细化以构建最终的训练数据集(S550)。图6中的附图标记650示出了通过S510至S540经历数据清洗处理的输入变量(解释变量)/输出变量(预测变量)的示例。
图7是用于描述根据本发明的各种示例性实施方案的轮胎磨损预测装置的操作机制的流程图。
参照图7,轮胎磨损预测装置可以从内部存储器(或外部装置/服务器)导入基于基本数据产生的轮胎磨损数据库,然后对存储在轮胎磨损数据库中的数据进行预处理以生成数据集(S710至S720)。这里,预处理可以包括从离散/定性变量到定量变量的转换、定量变量的归一化、预测变量中的极值的去除、具有缺失值的解释变量的补充等。
轮胎磨损预测装置可以针对每种车辆驱动方式对数据集进行分类(S730)。这里,车辆驱动方式可以包括前轮驱动方式、后轮驱动方式以及四轮驱动(4WD)方式。
轮胎磨损预测装置可以优化将应用于学习算法的超参数(S740)。
轮胎磨损预测装置可以基于优化的超参数执行机器学习以预测轮胎磨损性能(S750)。在这种情况下,轮胎磨损性能的预测结果可以发送到车载显示装置、车辆控制器、驾驶员终端或车辆制造商服务器、移动运营商服务器等,以用于各种目的。
例如,可以处理轮胎磨损预测结果以生成与预期可行驶里程以及与预期里程变化进度相关的信息,然后通过车载显示装置(例如,组合仪表板、HUD(平视显示器)以及驾驶员的智能装置)将这些信息提供给驾驶员。
作为本发明的各种示例性实施方案,轮胎磨损预测结果可以用于基于轮胎磨损状态的车辆主动控制。例如,轮胎磨损预测结果可以用于实时优化与车辆行驶相关的参数,例如制动/转弯/悬架/转向/驾驶。
作为又一示例,轮胎磨损预测结果可以提供给移动车辆驾驶操作者,并且用于轮胎维护的抢先策略。例如,可以处理轮胎磨损预测结果以生成车辆管理相关信息,诸如关于轮胎位置变化和更换时间的信息,以及用于进一步使用的驾驶使用状况分析。
根据本发明的各种示例性实施方案的轮胎磨损预测装置可以从设置在车辆中的各种传感器获得信息,并且执行用于轮胎磨损预测的机器学习。
例如,轮胎磨损预测装置可以从内置在安全气囊控制单元中的加速度传感器获得用于行驶模式分析所需的信息,例如快速加速、突然制动和转向。
此外,轮胎磨损预测装置可以获得由电子悬架装置检测到的车辆车轮定位信息,获得由自动调平装置检测到的车辆重量变化信息和车辆姿态变化信息,以及从轮胎压力监测系统(Tire Pressure Monitoring System,TPMS)获得轮胎压力变化信息。
此外,轮胎磨损预测装置可以从内置在空调装置中的车外温度传感器获得与行驶气候环境有关的信息。
在利用人工智能算法进行学习的情况下,控制器(CPU/处理器)的资源使用量(即处理负载)高,但在已经训练过的人工智能算法的情况下,在处理/分析/判断传感器信息时,控制器的资源使用量可以显著减少。
相应地,根据示例性实施方案的轮胎磨损预测装置(或轮胎磨损预测处理器)可以安装在至少一个控制器上并被驱动,所述至少一个控制器安装在车辆上。作为示例,轮胎磨损预测装置可以安装在具体的车辆ECU或ACU上并被驱动。
图8是示出根据本发明的各种示例性实施方案的基于实际车辆行驶评估的轮胎磨损寿命和利用轮胎磨损学习算法的轮胎磨损寿命的预测结果的曲线图。
参照图8,基于最小的轮胎磨损寿命的根据实际车辆行驶评估的轮胎磨损寿命和通过AI学习的轮胎磨损寿命预测结果显示,错误率约为5.9%。
图9示出了根据后轮外倾角变化的用于后轮磨损寿命比率的AI学习预测结果。
参照图9,当应用了根据本发明的各种示例性实施方案的AI学习方法时,示出根据后轮外倾角变化的轮胎磨损趋势是一致的。
因此,结合本文公开的示例性实施方案所描述的方法或算法的操作,可以直接体现为硬件模块、或由处理器执行的软件模块、或两者的组合中。软件模块可以存在于存储介质(即存储器和/或存储装置)上,例如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、可移动磁盘以及CD-ROM。
示例性存储介质可以联接到处理器,处理器可以从存储介质中读出信息并且可以在存储介质中写入信息。或者,存储介质可以与处理器集成。处理器和存储介质可以存在于专用集成电路(Application Specific Integrated Circuit,ASIC)中。ASIC可以存在于用户终端中。在另一种情况下,处理器和存储介质可以作为用户终端的独立组件存在。
以上描述仅是对本发明的技术思想的说明,在不脱离本发明的本质特征的情况下,本发明的各种示例性实施方案所属领域的技术人员可以做出各种修改和变化。相应地,包括在本发明的示例性实施方案中的示例性实施方案并非旨在限制本发明的技术思想,而是用于描述本发明,并且本发明的技术思想的范围不受实施方案的限制。本发明的保护范围可以由所附权利要求来解释,并且在与其等同的范围内的所有技术思想都可以解释为包括在本发明的范围内。
本发明具有的优点在于提供一种利用人工智能机器学习的轮胎磨损预测方法及其装置。
此外,本发明具有的优点在于,提供了这样一种利用AI机器学习的轮胎磨损预测方法及其装置,该方法配置为在实际行驶前评估轮胎磨损时,通过对轮胎磨损性能的早期预测和分析来促进虚拟车辆的开发,从而对未来问题抢先采取措施。
此外,本发明具有的优点在于,提供了这样一种利用机器学习技术的多输出回归预测模型,其配置为用于基于为开发机器学习算法而构建的学习/预测数据库框架来定量地执行基于数据的轮胎磨损预测。
此外,本发明具有的优点在于,提供了这样一种利用AI机器学习的轮胎磨损预测方法及其装置,该方法配置为通过利用人工智能机器学习技术将多个输出回归预测模型链接到车辆控制器、信息娱乐系统和移动运营商,从而促进自动驾驶车辆/移动车辆的实时主动控制和操作管理。
此外,本发明具有的优点在于,提供了这样一种利用AI机器学习的轮胎磨损预测方法及其装置,该方法配置为对每个轮胎磨损影响因素的磨损特征进行相对比较和贡献分析。
此外,本发明具有的优点在于,通过基于人工智能机器学习的磨损预测替换实际车辆轮胎磨损评估来降低成本。
此外,可以提供通过本发明直接或间接理解的各种效果。
为了方便解释并精确定义所附权利要求,术语“上面”、“下面”、“内部”、“外部”、“上”、“下”、“向上”、“向下”、“前”、“后”、“背面”、“内侧”、“外侧”、“向内地”、“向外地”、“里面”、“外面”、“内部的”、“外部的”、“前方”和“后方”用于参照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。将进一步理解的是,术语“连接”或其派生词既指直接连接又指间接连接。
前面对本发明的具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并非旨在穷举,或者将本发明限制为公开的精确形式,且显然的是,根据以上教导若干修改和变化都是可能的。选择示例性实施方案并进行描述以解释本发明的特定原理及其实际应用,由此使得本领域的其它技术人员能够利用并实现本发明的各种示例性实施方案及其各种替选方式和修改方式。本发明的范围旨在通过所附权利要求及其等同形式来限定。
Claims (20)
1.一种用于在安装于车辆的装置中预测轮胎磨损的方法,所述方法包括:
由处理器导入基于基本数据生成的轮胎磨损数据库;
由处理器通过对基本数据进行预处理来创建数据集;
由处理器针对每种车辆驱动方式对数据集进行分类;
由处理器基于分类的数据集对用于机器学习的超参数进行优化;
由处理器通过对优化的超参数执行机器学习来预测车辆的轮胎磨损寿命。
2.根据权利要求1所述的用于在安装于车辆的装置中预测轮胎磨损的方法,其中,
所述基本数据包括通过实际车辆的轮胎磨损测试获得的解释变量和预测变量,
所述解释变量包括车辆信息、车辆行驶信息、轮胎信息和车轮定位信息中的至少一个,并且所述预测变量包括每个轮胎沟槽的磨损寿命。
3.根据权利要求2所述的用于在安装于车辆的装置中预测轮胎磨损的方法,其中,对基本数据进行预处理包括以下中的至少一个:
将离散变量和定性变量转换为定量变量;
将定量变量归一化;
从预测变量中消除极值;
补偿解释变量的缺失值。
4.根据权利要求1所述的用于在安装于车辆的装置中预测轮胎磨损的方法,其中,基于最小绝对值收缩和选择算子模型,经由对每个轮胎磨损因素进行重要性分析,通过从分类的数据集中消除重要性低于预定值的因素来优化超参数。
5.根据权利要求1所述的用于在安装于车辆的装置中预测轮胎磨损的方法,其中,轮胎磨损寿命基于多输出回归分析技术来预测,并且通过多输出回归分析技术来预测。
6.根据权利要求5所述的用于在安装于车辆的装置中预测轮胎磨损的方法,其中,
多输出回归分析技术包括随机森林技术和随机梯度提升技术,
基于分类的数据集的数量来选择性地利用随机森林技术和随机梯度提升技术的一个。
7.根据权利要求1所述的用于在安装于车辆的装置中预测轮胎磨损的方法,进一步包括:
由处理器通过设置在车辆中的输出装置来输出预测的轮胎寿命信息;
由处理器将预测的轮胎寿命信息发送到其它装置。
8.根据权利要求7所述的用于在安装于车辆的装置中预测轮胎磨损的方法,其中,所述其它装置包括车辆控制器、车辆开发商服务器、驾驶员终端以及移动运营商服务器中的至少一个。
9.根据权利要求8所述的用于在安装于车辆的装置中预测轮胎磨损的方法,进一步包括:
由处理器通过基于预测的轮胎寿命信息执行车辆主动控制来优化车辆行驶相关的参数,
其中,所述车辆主动控制包括制动控制、悬架控制、方向盘控制和转向控制中的至少一个。
10.根据权利要求1所述的用于在安装于车辆的装置中预测轮胎磨损的方法,其中,所述基本数据从设置在车辆中的传感器收集,并且所述基本数据包括以下中的至少一个:由内置在安全气囊控制单元中的加速度传感器检测到的行驶模式分析信息、由电子悬架装置检测到的车轮定位变化信息、由自动调平装置检测到的车辆重量变化信息、由轮胎压力监测系统检测到的轮胎压力变化信息以及由空调装置中的车外空气温度传感器检测到的行驶气候环境信息。
11.一种预测轮胎磨损的装置,所述装置包括:
存储器;和
处理器,其与存储器电连接,
其中,所述处理器配置为:从存储器或外部装置导入基于基本数据生成的轮胎磨损数据库,通过对基本数据进行预处理来生成数据集,针对每种车辆驱动方式对数据集进行分类,基于分类的数据集对用于机器学习的超参数进行优化,通过对优化的超参数执行机器学习来预测车辆的轮胎磨损寿命。
12.根据权利要求11所述的预测轮胎磨损的装置,其中,
所述基本数据包括通过实际车辆的轮胎磨损测试获得的解释变量和预测变量,
所述解释变量包括车辆信息、车辆行驶信息、轮胎信息和车轮定位信息中的至少一个,并且所述预测变量包括每个轮胎沟槽的磨损寿命。
13.根据权利要求12所述的预测轮胎磨损的装置,其中,所述处理器配置为处理以下中的至少一个:
将离散变量和定性变量转换为定量变量;
将定量变量归一化;
消除预测变量的极值;
补偿解释变量的缺失值。
14.根据权利要求11所述的预测轮胎磨损的装置,其中,基于最小绝对值收缩和选择算子模型,经由对每个轮胎磨损因素进行重要性分析,通过从分类的数据集中消除重要性低于预定值的因素来优化超参数。
15.根据权利要求11所述的预测轮胎磨损的装置,其中,轮胎磨损寿命基于多输出回归分析技术来预测,并且通过多输出回归分析技术来预测。
16.根据权利要求15所述的预测轮胎磨损的装置,其中,
多输出回归分析技术包括随机森林技术和随机梯度提升技术,
所述处理器配置为:基于分类的数据集的数量来选择性地选择随机森林技术和随机梯度提升技术的一个。
17.根据权利要求11所述的预测轮胎磨损的装置,其中,所述处理器配置为处理以下的至少一个:通过设置在车辆中的输出装置来控制预测的轮胎寿命信息或基于预测的轮胎寿命信息处理的信息的输出;控制将预测的轮胎寿命信息发送到其它装置。
18.根据权利要求17所述的预测轮胎磨损的装置,其中,所述其它装置包括车辆控制器、车辆开发商服务器、驾驶员终端以及移动运营商服务器中的至少一个。
19.根据权利要求18所述的预测轮胎磨损的装置,其中,
所述处理器配置为:通过基于预测的轮胎寿命信息执行车辆主动控制来优化车辆行驶相关的参数,
所述车辆主动控制包括制动控制、悬架控制、方向盘控制和转向控制中的至少一个。
20.根据权利要求11所述的预测轮胎磨损的装置,其中,
所述基本数据从设置在车辆中的传感器收集,
所述基本数据包括以下中的至少一个:由内置在安全气囊控制单元中的加速度传感器检测到的行驶模式分析信息、由电子悬架装置检测到的车轮定位变化信息、由自动调平装置检测到的车辆重量变化信息、由轮胎压力监测系统检测到的轮胎压力变化信息以及由空调装置中的车外空气温度传感器检测到的行驶气候环境信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200176787A KR20220086386A (ko) | 2020-12-16 | 2020-12-16 | 머신 러닝을 이용한 타이어 마모 예측 방법 및 장치 |
KR10-2020-0176787 | 2020-12-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114636570A true CN114636570A (zh) | 2022-06-17 |
Family
ID=81846960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111179624.0A Pending CN114636570A (zh) | 2020-12-16 | 2021-10-09 | 利用机器学习预测轮胎磨损的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220185032A1 (zh) |
KR (1) | KR20220086386A (zh) |
CN (1) | CN114636570A (zh) |
DE (1) | DE102021126014A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875138A (zh) * | 2024-03-12 | 2024-04-12 | 大连理工大学 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11906959B2 (en) * | 2021-04-07 | 2024-02-20 | Bridgestone Americas Tire Operations, Llc | Off the road tire maintenance using machine learning |
WO2024059027A1 (en) * | 2022-09-12 | 2024-03-21 | Bridgestone Americas Tire Operations, Llc | Tire analytics system using tread wear rate |
KR102597530B1 (ko) * | 2022-10-04 | 2023-11-03 | 주식회사 온유산업 | 타이어 점검 시스템을 포함하는 세차장 관리 시스템 및 세차장 운용 방법 |
CN115553745B (zh) * | 2022-11-02 | 2024-07-09 | 济南大学 | 基于机器学习的血液容积脉搏波信号增强方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220284470A1 (en) * | 2015-05-20 | 2022-09-08 | Continental Automotive Systems, Inc. | System and method for enhancing vehicle performance using machine learning |
US20180272813A1 (en) * | 2017-03-23 | 2018-09-27 | The Goodyear Tire & Rubber Company | Model based tire wear estimation system and method |
IT201800006322A1 (it) * | 2018-06-14 | 2019-12-14 | Sistema e metodo per monitorare il consumo di battistrada | |
IT201800007884A1 (it) * | 2018-08-06 | 2020-02-06 | Bridgestone Europe Nv Sa | Sistema e metodo per monitorare il consumo di battistrada |
JP6772351B1 (ja) * | 2019-09-18 | 2020-10-21 | Toyo Tire株式会社 | タイヤ物理情報推定システム |
US11458784B2 (en) * | 2020-03-25 | 2022-10-04 | Ford Global Technologies, Llc | Methods and apparatus to determine tire tread depth |
US20230356556A1 (en) * | 2020-11-23 | 2023-11-09 | Volvo Truck Corporation | System and method for tire contact patch optimization |
US20230173852A1 (en) * | 2021-12-06 | 2023-06-08 | The Goodyear Tire & Rubber Company | Tire irregular wear detection system and method |
-
2020
- 2020-12-16 KR KR1020200176787A patent/KR20220086386A/ko active Search and Examination
-
2021
- 2021-09-09 US US17/470,806 patent/US20220185032A1/en active Pending
- 2021-10-07 DE DE102021126014.0A patent/DE102021126014A1/de active Pending
- 2021-10-09 CN CN202111179624.0A patent/CN114636570A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875138A (zh) * | 2024-03-12 | 2024-04-12 | 大连理工大学 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220185032A1 (en) | 2022-06-16 |
DE102021126014A1 (de) | 2022-06-23 |
KR20220086386A (ko) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114636570A (zh) | 利用机器学习预测轮胎磨损的方法和装置 | |
CN112977300B (zh) | 汽车变速器的预测性维护 | |
US20230012186A1 (en) | System and method for vibroacoustic diagnostic and condition monitoring a system using neural networks | |
CN111353599B (zh) | 深度神经网络的正确性保持优化 | |
US20210284179A1 (en) | Vehicle health calibration | |
US11458784B2 (en) | Methods and apparatus to determine tire tread depth | |
US20230080002A1 (en) | Acoustic health usage and monitoring system of mechanical automotive subsystems | |
US11620519B2 (en) | Big data-based driving information provision system and method thereof | |
CN110633729A (zh) | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 | |
CN107226048B (zh) | 车辆损坏检测器 | |
CN112976956A (zh) | 评估轮胎状况的方法 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
Van Nguyen et al. | Modeling and prediction of remaining useful lifetime for maintenance scheduling optimization of a car fleet | |
CN117841952A (zh) | 一种能源需求控制方法、系统、可读存储介质及车辆 | |
CN115828438B (zh) | 汽车极限性能预测方法、介质、设备 | |
Derse et al. | An anomaly detection study on automotive sensor data time series for vehicle applications | |
Gonera et al. | Modelling of floorpan wear in passenger vehicles using artificial neural networks | |
WO2023094125A1 (en) | A device and method for handling data associated with energy consumption of a vehicle | |
Jatakar et al. | Two-wheeler tyre pressure monitoring through K-nearest neighbours algorithm trained using wheel hub vibrations acquired using ADXL335 accelerometer | |
Schmidt | Tire Pressure Monitoring using Weighted Horizontal Visibility Graphs | |
CN115146876B (zh) | 基于能量模型的电动载具功率最优控制方法 | |
US12073668B1 (en) | Machine-learned models for electric vehicle component health monitoring | |
JP7357537B2 (ja) | 制御装置、制御装置の制御方法、プログラム、情報処理サーバ、情報処理方法、並びに制御システム | |
US20230333063A1 (en) | Durability evaluation system and durability evaluation method | |
CN118386939B (zh) | 储能系统运行状态的确定方法及系统 |
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 |