CN114912073B - 一种车辆单胎载重、整车载重及重心位置的测算方法 - Google Patents
一种车辆单胎载重、整车载重及重心位置的测算方法 Download PDFInfo
- Publication number
- CN114912073B CN114912073B CN202110167587.5A CN202110167587A CN114912073B CN 114912073 B CN114912073 B CN 114912073B CN 202110167587 A CN202110167587 A CN 202110167587A CN 114912073 B CN114912073 B CN 114912073B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- tire
- algorithm unit
- vehicle
- 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 42
- 230000005484 gravity Effects 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G01G19/025—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles wheel-load scales
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/12—Static balancing; Determining position of centre of gravity
- G01M1/122—Determining position of centre of gravity
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Tires In General (AREA)
- Testing Of Balance (AREA)
Abstract
本发明公开了一种车辆单胎载重、整车载重及重心位置的测算方法,流程包括:数据采集,数据预处理,第一算法单元通过第一可用数据测算单胎载重M1,第二算法单元通过第二可用数据测算单胎载重M2,结合整车6个基准轮位的单胎载重测算值M1和M2以及车轮位置信息,通过整车载重及重心的测算方法,测算出整车载重值和重心位置。本发明通过传感器采集的数据和多种神经网络算法的组合,能够实现对单胎载重、整车载重以及车辆重心进行实时、准确地测算。
Description
技术领域
本发明涉及物流运输与车联网技术领域,具体涉及车辆单胎载重测算、整车载重及重心位置的测算方法。
背景技术
在物流运输行业中,车辆作为运输车队最重要的资产,需要完善的监管系统对车辆情况做出及时准确的评估判断。在车辆运输执行货物运输任务的过程中,车辆的载重状态以及重心位置是两个极为重要的指标。
目前的车辆载重判断方法主要有直接测量法和经验公式法。直接测量一般是当车辆经过固定位置时,通过预设的装置直接测量车辆载重;经验公式法则是通过采集车辆本身的各种信息,经过处理和推导的经验公式计算出车辆载重状态。前者无法实时监测车辆载重状态,后者存在准确度不高的弱点,并且二者均无法测算车辆的重心位置。
发明内容
为了解决现有技术的不足,实现实时高准确率地测算车辆载重和重心位置,同时降低人为作弊的可能性和可行性,本发明提供一种车辆单胎载重、整车载重及重心位置的测算方法,通过传感器采集的数据和多种神经网络算法的组合,能够实现对单胎载重、整车载重以及车辆重心进行实时、准确地测算。
本发明的第一个方面包括:
一种车辆轮胎单胎载重测算方法,包括原始数据采集单元、数据预处理单元、第一算法单元和第二算法单元。
其中所述原始数据采集单元,通过安装于轮胎上的胎压传感装置,获取行驶中轮胎的多种原始数据;
所述数据预处理单元对所述原始数据进行一系列预处理操作,生成可用数据;
所述第一算法单元使用所述可用数据进行特定计算从而获得单胎载重测算值为M1;
所述第二算法单元使用所述可用数据进行特定计算从而获得单胎载重测算值为M2;
所述原始数据采集单元所采集的原始数据包括:
车辆行驶过程中胎压的实时数据t,胎内温度的实时数据T,轮胎面径向加速度数据az,轮胎面法向加速度数据ax;
所述数据预处理单元的操作步骤包括:
S1:采用长度为P秒的时间窗口截取各类所需原始数据并以W秒为步长逐次递进时间窗口,所取得的同类数据依次排列构成序列,分别得到胎压数据(tn),胎内温度数据(Tn),径向加速度数据(azn),法向加速度数据(axn);
S2:计算(axn)中各项的算术平均值和标准差得到Eaxn和Uaxn,计算震荡区间[emin,emax],其中emin=Eaxn-Uaxn,emax=Eaxn+Uaxn;
S3:记录(axn)峰值超过[emin, emax]的数据时刻ci,从(axn)中删除ci时刻的数据得到(Faxn),从(azn)中删除ci时刻的数据得到(Fazn);从(tn)中删除ci时刻的数据再对(tn)重采样得到N个数据并依次排列构成序列(Ftn);
S4:计算(Fazn)中各项的算术平均值Eazn;计算(Tn)中各项的算术平均值ETn;根据 计算得到车速V,其中R为车轮半径;将(Ftn)、ETn、V依次排列构成一组长度
为N+2的序列,为第一可用数据;
S5:对(Faxn)、(Fazn)重采样分别得到Q个数据并依次排列构成两组长度为Q的序列,对重采样后的两组序列分别进行频谱转换生成两张频谱图并缩放到相同尺寸,为第二可用数据;
所述第一算法单元是针对时序数据的LSTM神经网络,并使用所述第一可用数据以计算轮胎的单胎载重测算值,所述LSTM神经网络包括:
三层由LSTM单元组成的隐藏层,每层包含N+2个LSTM单元,输入长度为N+2的所述第一可用数据,输出长度为N+2的序列;
两层全连接层和softmax函数,输入为LSTM隐藏层的最终输出数据,输出100个分类数据,对应100个不同载重区间的划分;
所述第二算法单元是针对图像数据的卷积神经网络,并使用所述第二可用数据以计算轮胎的单胎载重测算值,所述卷积神经网络包括:
特征提取模块,采用resnet18作为主体特征提取器,输入所述第二可用数据的两张频谱图;
分类器包括两层全连接层和softmax函数,输入数据为特征提取器输出的512维数据,输出数据为100个分类数据,对应100个不同载重区间的划分。
本发明的第二方面包括:
一种针对车辆整车载重及重心的测算方法,包括数据采集操作、数据预处理操作以及神经网络运算操作。
单一整车含有S(S≥2且为偶数)个实际轮位,单一实际轮位上安装有s个轮胎且为独立安装(当s=1)或并排紧贴安装(s>1);
单一实际轮位的载重信息,为针对位于同一实际轮位的所有s个轮胎采用X种(X为正整数)方法(如权利要求1所述但不限于该所述)生成一组单胎载重测算值并依照针对所述方法的约定顺序排列构成一个项数为X的数列,该数列中各数值为采用同一方法针对所述s个轮胎的算术平均值;
单一整车设定含有6个基准轮位,分别为左前、左中、左后、右前、右中、右后,其中左前、左后、右前、右后基准轮位的载重信息分别为各自对应的实际单一轮位的载重信息,左中、右中基准轮位的载重信息当且仅当S=6时分别为各自对应的实际单一轮位的载重信息,当S=4或S≥8时左中、右中基准轮位的载重信息分别为针对单一整车中左侧或右侧所有或部分实际轮位的轮胎采用所述X种方法(如权利要求1所述但不限于该所述)生成一组单胎载重测算值并依照针对所述方法的约定顺序排列构成一个项数为X的数列,当S=4时该数列中各数值分别为采用同一方法针对单一整车中左侧或右侧所有实际轮位的所有轮胎的算术平均值,当S≥8时该数列中各数值分别为采用同一方法针对单一整车中除左前、左后、右前、右后实际轮位外的余下左侧或右侧实际轮位的所有轮胎的算术平均值;
按照约定的6个基准轮位间顺序,作为所述6个基准轮位的载重信息的6个序列,依次排列组成1×6X阶的一维向量,持续采集Y组,构成Y×6X阶的矩阵,即针对车辆整车载重的有效信息矩阵;
所述神经网络运算以所述有效信息矩阵作为输入,经过运算输出测算的车辆整车载重以及关于重心位置的概率信息。
所述神经网络包括:
特征提取器,由卷积层、批归一化处理和激活层组成的基础层处理单元组成,包括5个基础层处理单元,其中卷积核尺寸为3,奇数层卷积步长为1,偶数层卷积步长为2,输入数据为所述Y×6X阶的有效信息矩阵;
重心位置测算器,由两层全连接层和softmax函数组成,输入所述特征提取器处理后的数据,输出数据长度为9的重心位置概率测算值,表示重心处于前、后、左、右、左前、左后、右前、右后、中间9个位置的概率;
载重测算器,由两层全连接层组成,输入所述特征提取器处理后的数据,输出数据长度为1,表示整车载重测算值。
与现有技术相比,本发明的技术效果和应用效益是:
本发明提供了一种车辆单胎载重、整车载重及重心位置的测算方法,通过传感器采集的数据和多种神经网络算法的组合,能够实现对单胎载重、整车载重以及车辆重心进行实时、准确地测算。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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是根据本发明的整体算法流程图。
图2是根据本发明的数据采集设备安装位置示意图。
图3是根据本发明的第一算法神经网络结构示意图。
图4是根据本发明的第二算法神经网络结构示意图。
图5是根据本发明的整车载重及重心测算算法结构示意图。
具体实施方式
以下参考附图用于对本发明的具体实施方式进行说明。下面的说明中提供了许多具体细节,以使得本领域技术人员能够更好地理解本发明。然而应当了解,该具体细节是用于说明而非限制本发明,并且本发明可以在没有该具体细节中的一些或全部的情况下被实施。另外,本领域中公知的结构或技术并未详细说明,以避免不必要地模糊本发明。
如图1所示,为本发明实施例提出的车辆单胎载重、整车载重及重心位置测算整体算法流程图。包括:
S001数据采集。
在本实施例中,使用汽车胎压传感设备作为原始数据采集设备,所用设备集成了气压传感器、温度传感器、不少于两轴的加速度传感器以及通信装置。如图2所示,在本实施例中该原始数据采集设备安装于轮胎内部,固定于胎面上,可采集轮胎行驶时的胎压数据t、胎内温度数据T、轮胎胎面径向加速度数据az以及轮胎胎面法向加速度数据ax。在车辆行驶过程中,该设备不断采集上述数据。
S002数据预处理,具体包括:
1)以时长5秒的时间窗口和时长2秒的步长,分别获取各类原始数据并依次排列构成序列,得到胎压数据(tn),胎内温度数据(Tn),径向加速度数据(azn),法向加速度数据(axn);
2)计算(axn)中各项的算术平均值和标准差得到Eaxn和Uaxn,计算震荡区间[emin,emax],其中emin=Eaxn-Uaxn,emax=Eaxn+Uaxn;
3)记录(axn)峰值超过[emin, emax]的数据时刻ci,从(axn)中删除ci时刻的数据得到(Faxn),从(azn)中删除ci时刻的数据得到(Fazn);从(tn)中删除ci时刻的数据再对(tn)重采样得到100个数据并依次排列构成序列(Ftn);
4)计算(Fazn)中各项的算术平均值Eazn;计算(Tn)中各项的算术平均值ETn;根据 计算得到车速V,其中R为车轮半径;将(Ftn)、ETn、V依次排列构成一组长度
为102的序列,为第一可用数据;
5)对(Faxn)、(Fazn)重采样分别得到1000个数据并依次排列构成两组长度为500的序列,对重采样后的两组序列分别进行频谱转换生成两张频谱图并缩放到224×448的宽高尺寸,为第二可用数据。
S101将第一可用数据送入LSTM神经网络进行处理。
如图3所示,是本实施例第一算法单元所使用的一种LSTM神经网络的结构图,LSTM是长短期记忆单元,由该单元构成的网络能够更好的提取序列数据的时序特性。图3的神经网络由三层LSTM隐藏层、两层全连接层和最后的softmax层组成;其中LSTM隐藏层的数据宽度为102,输入所述第一可用数据;两层全连接层和softmax层组成的网络输入为LSTM隐藏层的最终输出数据,输出100个[0,1]区间的分类数据,代表100个不同载重区间的划分的概率,这100个载重区间分布在车辆空载到超载50%之间,均匀划分,取概率值最大的数据对应的载重区间作为算法的测算分类结果M1。
S102将第二可用数据送入卷积神经网络进行处理。
如图4所示,是本实施例第二算法单元所使用的卷积神经网络结构图,在该算法单元中,通过将加速度时序数据转换成频谱图,采用计算机视觉的方法进行分类测算得到载重测算值。图4的卷积神经网络由特征提取器和分类器两部分组成。其中特征提取器使用了resnet18作为主干网络,输入所述两张224×448大小的频谱图,输出512维数据;分类器为两层全连接层和softmax层,输入特征提取器的输出数据,输出100个[0,1]区间的分类数据,代表100个不同载重区间的划分的概率,这100个载重区间分布在车辆空载到超载50%之间,均匀划分,取概率值最大的数据对应的载重区间作为算法的测算分类结果M2。
S201采集车辆各个轮胎载重测算值。
在本实施例中,被测车辆有4个实际轮位可安装轮胎,且每个轮位仅安装一个轮胎;分别采集被测车辆左前,左后,右前,右后4个实际轮位上每个轮胎的载重测算值M1和M2,分别对应4个基准轮位;依据上述4个基准轮位(实际轮位)采集的数据载重测算值数据,计算出左中和右中两处基准轮位的载重测算值,左中基准轮位的载重测算值M1和M2分别为左前和左后基准轮位对应数值的平均值,右中基准轮位的载重测算值M1和M2分别为右前和右后基准轮位对应数值的平均值。
将每个基准位置上的两个数据按照M1,M2顺序排列,再按照基准轮位左前、左中、左后、右前、右中、右后顺序依次排列成1×12阶的一维向量。连续采集12组数据,组成12×12阶的有效信息矩阵。
S202将12×12阶的有效信息矩阵输入整车载重及重心测算的神经网络。如图5所示,该神经网络包含特征提取器、重心位置测算器、载重测算器三部分。
其中特征提取器由卷积层、批归一化处理和激活层组成的基础层处理单元组成,包括5个基础层处理单元,其中卷积核尺寸为3×3,奇数层卷积步长为1,偶数层卷积步长为2,输入数据为所述12×12阶的有效信息矩阵;
重心位置测算器由两层全连接层和softmax函数组成,输入所述特征提取器处理后的数据,输出数据长度为9的重心位置概率测算值,表示重心处于前、后、左、右、左前、左后、右前、右后、中间9个位置的概率;
载重测算器由两层全连接层组成,输入所述特征提取器处理后的数据,输出数据长度为1,表述测算的整车载重值。
以上参考附图对本发明的具体实施例进行了说明。然而,本发明不限于上面给出的具体实施例。本领域技术人员在阅读本申请之后可以对本发明做出各种变体和修改,而不脱离本发明的精神和范围。
Claims (2)
1.一种车辆轮胎单胎载重测算方法,包括原始数据采集单元、数据预处理单元、第一算法单元和第二算法单元,其中
所述原始数据采集单元,通过安装于轮胎上的胎压传感装置,获取行驶中轮胎的多种原始数据,包括车辆行驶过程中胎压的实时数据t,胎内温度的实时数据T,轮胎面径向加速度数据az,轮胎面法向加速度数据ax;
所述数据预处理单元对所述原始数据进行如下步骤的预处理操作以生成可用数据:S1:采用长度为P秒的时间窗口截取各类所需原始数据并以W秒为步长逐次递进时间窗口,所取得的同类数据依次排列构成序列,分别得到胎压数据(tn),胎内温度数据(Tn),径向加速度数据(azn),法向加速度数据(axn);S2:计算(axn)中各项的算术平均值和标准差得到Eaxn和Uaxn,计算震荡区间[emin,emax],其中emin=Eaxn-Uaxn,emax=Eaxn+Uaxn;S3:记录(axn)峰值超过[emin,emax]的数据时刻ci,从(axn)中删除ci时刻的数据得到(Faxn),从(azn)中删除ci时刻的数据得到(Fazn);从(tn)中删除ci时刻的数据再对(tn)重采样得到N个数据并依次排列构成序列(Ftn);S4:计算(Fazn)中各项的算术平均值Eazn;计算(Tn)中各项的算术平均值ETn;根据计算得到车速V,其中R为车轮半径;将(Ftn)、ETn、V依次排列构成一组长度为N+2的序列,为第一可用数据;S5:对(Faxn)、(Fazn)重采样分别得到Q个数据并依次排列构成两组长度为Q的序列,对重采样后的两组序列分别进行频谱转换生成两张频谱图并缩放到相同尺寸,为第二可用数据;
所述第一算法单元使用所述第一可用数据进行特定计算从而获得单胎载重测算值为M1,采用针对时序数据的长短期记忆神经网络LSTM,并使用所述第一可用数据以计算轮胎的单胎载重测算值,所述LSTM神经网络包括:三层由LSTM单元组成的隐藏层,每层包含N+2个LSTM单元,输入长度为N+2的所述第一可用数据,输出长度为N+2的序列;两层全连接层和softmax函数,输入为LSTM隐藏层的最终输出数据,输出100个分类数据,对应100个不同载重区间的划分;
所述第二算法单元使用所述第二可用数据进行特定计算从而获得单胎载重测算值为M2,采用针对图像数据的卷积神经网络CNN,并使用所述第二可用数据以计算轮胎的单胎载重测算值,所述卷积神经网络包括:特征提取模块,采用resnet18作为主体特征提取器,输入所述第二可用数据的两张频谱图;分类器包括两层全连接层和softmax函数,输入数据为特征提取器输出的512维数据,输出数据为100个分类数据,对应100个不同载重区间的划分。
2.一种针对车辆整车载重及重心的测算方法,包括数据采集操作、数据预处理操作以及卷积神经网络运算操作,其中
单一整车含有大于2且为偶数的S个实际轮位;
单一实际轮位上安装有s个轮胎,当s=1时轮胎为独立安装,当s>1时轮胎为并排紧贴安装;
单一实际轮位的载重信息,为针对位于同一实际轮位的所有s个轮胎采用如权利要求1所述的方法生成一对单胎载重测算值并依照通过所述第一算法单元获得的在先和通过所述第二算法单元获得的在后之顺序排列构成一个项数为2的数列,该数列中各数值为采用同一方法针对所述s个轮胎的算术平均值;
单一整车设定含有6个基准轮位,分别为左前、左中、左后、右前、右中、右后,其中左前、左后、右前、右后基准轮位的载重信息分别为各自对应的实际单一轮位的载重信息,左中、右中基准轮位的载重信息当且仅当S=6时分别为各自对应的实际单一轮位的载重信息,当S=4或S≥8时左中、右中基准轮位的载重信息分别为针对单一整车中左侧或右侧所有或部分实际轮位的轮胎采用如权利要求1所述的方法生成一对单胎载重测算值并依照通过所述第一算法单元获得的在先和通过所述第二算法单元获得的在后之顺序排列构成一个项数为2的数列,当S=4时该数列中各数值分别为采用同一方法针对单一整车中左侧或右侧所有实际轮位的所有轮胎的算术平均值,当S≥8时该数列中各数值分别为采用同一方法针对单一整车中除左前、左后、右前、右后实际轮位外的余下左侧或右侧实际轮位的所有轮胎的算术平均值;
按照约定的6个基准轮位间顺序,作为所述6个基准轮位的载重信息的6个序列,依次排列组成1×12阶的一维向量,持续采集Y组,构成Y×12阶的矩阵,该矩阵为针对车辆整车载重的有效信息矩阵;
所述卷积神经网络运算以所述有效信息矩阵作为输入,经过运算输出测算的车辆整车载重以及关于重心位置的概率信息;
所述卷积神经网络包括:
特征提取器,由卷积层、批归一化处理和激活层组成的基础层处理单元组成,包括5个基础层处理单元,其中卷积核尺寸为3,奇数层卷积步长为1,偶数层卷积步长为2,输入数据为所述Y×12阶的有效信息矩阵;
重心位置测算器,由两层全连接层和softmax函数组成,输入所述特征提取器处理后的数据,输出数据长度为9的重心位置概率测算值,表示重心处于前、后、左、右、左前、左后、右前、右后、中间9个位置的概率;
载重测算器,由两层全连接层组成,输入所述特征提取器处理后的数据,输出数据长度为1,表示整车载重测算值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167587.5A CN114912073B (zh) | 2021-02-07 | 2021-02-07 | 一种车辆单胎载重、整车载重及重心位置的测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167587.5A CN114912073B (zh) | 2021-02-07 | 2021-02-07 | 一种车辆单胎载重、整车载重及重心位置的测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912073A CN114912073A (zh) | 2022-08-16 |
CN114912073B true CN114912073B (zh) | 2023-11-21 |
Family
ID=82761280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110167587.5A Active CN114912073B (zh) | 2021-02-07 | 2021-02-07 | 一种车辆单胎载重、整车载重及重心位置的测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912073B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6421326A (en) * | 1987-07-17 | 1989-01-24 | Kyowa Electronic Instruments | Apparatus for measuring weight of wheel of running vehicle |
CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
CN111708977A (zh) * | 2020-06-28 | 2020-09-25 | 南京航空航天大学 | 一种基于神经网络的轮胎力在线估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2533658A (en) * | 2014-12-22 | 2016-06-29 | Continental Automotive Gmbh | Method and system for determining a wheel load acting on a tire of a vehicle |
-
2021
- 2021-02-07 CN CN202110167587.5A patent/CN114912073B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6421326A (en) * | 1987-07-17 | 1989-01-24 | Kyowa Electronic Instruments | Apparatus for measuring weight of wheel of running vehicle |
CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
CN111708977A (zh) * | 2020-06-28 | 2020-09-25 | 南京航空航天大学 | 一种基于神经网络的轮胎力在线估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114912073A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3237239B1 (en) | Method and system for determining a wheel load acting on a tire of a vehicle | |
EP3833553B1 (en) | Tread wear monitoring system and method | |
US20220274452A1 (en) | Tire physical information estimation system | |
CN110414421B (zh) | 一种基于连续帧图像的行为识别方法 | |
CN109918972A (zh) | 一种行车重量智能监控方法及系统 | |
US11059349B2 (en) | Enhanced climate control | |
CN113239599A (zh) | 基于bp神经网络的智能轮胎磨损寿命预估方法及装置 | |
CN114912073B (zh) | 一种车辆单胎载重、整车载重及重心位置的测算方法 | |
CN114418200B (zh) | 车型特异性乘员损伤预测模型训练方法及装置 | |
CN113962600A (zh) | 一种交通安全风险诊断方法及装置 | |
CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
CN114897028A (zh) | 数控加工表面粗糙度预测方法及装置 | |
CN117438094B (zh) | 一种行人头部损伤预测方法及其预测系统 | |
CN112881054B (zh) | 起重机械故障诊断方法和系统 | |
CN109916483B (zh) | 称重设备联合监控方法及装置 | |
CN109916484B (zh) | 称重设备联合称重方法及装置 | |
CN116358760A (zh) | 测量车辆轮胎载荷分布的方法、装置、设备及存储介质 | |
US7305318B2 (en) | Process and system for detecting decrease in tire air-pressure and tire deflation judging program | |
CN113486748B (zh) | 一种自动驾驶路面摩擦系数预测方法、电子设备及介质 | |
CN115618294A (zh) | 一种车联网行驶大数据异常标记方法及电子设备 | |
CN208101702U (zh) | 一种基于图像识别的汽车非安全驾驶检测装置 | |
CN113722308A (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
JP2006224757A (ja) | 車輪異常検知装置 | |
JPH08201235A (ja) | 路面摩擦係数の推定方法及び推定装置 | |
CN114841292B (zh) | 一种汽车转向系统台架耐久试验载荷的获取方法及装置 |
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 |