CN115266152B - 基于深度学习的汽车轮胎侧向力检测方法和系统 - Google Patents

基于深度学习的汽车轮胎侧向力检测方法和系统 Download PDF

Info

Publication number
CN115266152B
CN115266152B CN202210744819.3A CN202210744819A CN115266152B CN 115266152 B CN115266152 B CN 115266152B CN 202210744819 A CN202210744819 A CN 202210744819A CN 115266152 B CN115266152 B CN 115266152B
Authority
CN
China
Prior art keywords
tire
production process
lateral force
encoder
denoising self
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
Application number
CN202210744819.3A
Other languages
English (en)
Other versions
CN115266152A (zh
Inventor
高仁至
胡小建
王跃
高雅萱
高纪铭
习步青
栗洋
卢致澄
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210744819.3A priority Critical patent/CN115266152B/zh
Publication of CN115266152A publication Critical patent/CN115266152A/zh
Application granted granted Critical
Publication of CN115266152B publication Critical patent/CN115266152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tires In General (AREA)

Abstract

本发明提供了一种基于深度学习的汽车轮胎侧向力检测方法和系统，涉及汽车轮胎侧向力检测技术领域。本发明先获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；再基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；最后将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果，令深度学习应用于轮胎均匀性(侧向力)检测；解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。

Description

基于深度学习的汽车轮胎侧向力检测方法和系统
技术领域
本发明涉及汽车轮胎侧向力检测技术领域，具体涉及一种基于深度学习的汽车轮胎侧向力检测方法和系统。
背景技术
对于汽车轮胎制造企业，轮胎产品的均匀性质量控制非常关键。侧向力(LFV)是反映轮胎均匀性的一个重要指标，均匀性差的汽车轮胎，会导致汽车行驶过程中轮胎产生噪音和左右震动，不仅影响汽车乘坐舒适性和耗油量，还影响轮胎的耐磨性，影响驾驶安全。由于轮胎生产工艺过程复杂，生产过程中易受到各种生产因素的影响，导致轮胎产品的侧向力产生波动，进而影响轮胎产品的质量。因此，轮胎生产过程中需要对轮胎侧向力进行检测来反映轮胎均匀性质量，不仅能够及时识别出不合格的汽车轮胎产品，还能辅助企业改善工艺流程参数，从而实现轮胎产品的质量控制与改善。
目前检测轮胎侧向力的常用方法以装置检测方法为主，例如通过轮胎均匀性试验机来测量。
但上述的现有方法往往依赖于高检测精度的设备，检测速度慢、效率低，同时检测装置需要人工进行维护，检测成本较高。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习的汽车轮胎侧向力检测方法和系统，解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，提供了一种基于深度学习的汽车轮胎侧向力检测方法，该方法包括：
获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。
进一步的，所述带有注意力的堆叠去噪自编码器模型包括：分层特征提取网络和特征融合网络；
所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，用于获取各个去噪自编码器中的隐藏特征；
所述特征融合网络用于通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果。
进一步的，所述分层特征提取网络的训练方法，包括：
S2.1、获取轮胎的生产过程的数据集；所述轮胎的生产过程的数据集包括：多个样本以及对应的真实侧向力数据；
S2.2、对各个样本的生产工艺参数进行归一化；
S2.3、将归一化后的生产工艺参数加上噪声；
S2.4、将加入噪声后的生产工艺参数输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征；
S2.5、第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；
S2.6、基于第一损失函数训练第一个去噪自编码器，得到第一个去噪自编码器的参数；
S2.7、在去噪自编码器训练完成后，将该去噪自编码器得到的隐藏特征作为下一个去噪自编码器的输入，重复S2.3-S2.6，得到若干个堆叠的去噪自编码器的参数。
进一步的，所述特征融合网络的训练方法包括：
S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到注意力机制的键值；
S2.9、将生产工艺参数作为所述注意力机制的查询值，得到注意力权重；
S2.10、将所述注意力权重分配到相应的不同层的隐藏特征，计算得到多层隐藏特征；
S2.11、将所得的多层特征经过一层全连接层进行回归预测，得到第s个样本的轮胎侧向力预测结果；
且基于第二损失函数训练特征融合网络。
进一步的，所述生产工艺参数包括轮胎硫化和成型工序中的参数。
第二发明，提供了一种基于深度学习的汽车轮胎侧向力检测系统，该系统包括：
数据集获取模块，用于获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
模型训练模块，用于基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
检测模块，用于将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。
进一步的，所述带有注意力的堆叠去噪自编码器模型包括：分层特征提取网络和特征融合网络；
所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，用于获取各个去噪自编码器中的隐藏特征；
所述特征融合网络用于通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果。
进一步的，所述分层特征提取网络的训练方法，包括：
S2.1、获取轮胎的生产过程的数据集；所述轮胎的生产过程的数据集包括：多个样本以及对应的真实侧向力数据；
S2.2、对各个样本的生产工艺参数进行归一化；
S2.3、将归一化后的生产工艺参数加上噪声；
S2.4、将加入噪声后的生产工艺参数输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征；
S2.5、第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；
S2.6、基于第一损失函数训练第一个去噪自编码器，得到第一个去噪自编码器的参数；
S2.7、在去噪自编码器训练完成后，将该去噪自编码器得到的隐藏特征作为下一个去噪自编码器的输入，重复S2.3-S2.6，得到若干个堆叠的去噪自编码器的参数。
进一步的，所述特征融合网络的训练方法包括：
S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到注意力机制的键值；
S2.9、将生产工艺参数作为所述注意力机制的查询值，得到注意力权重；
S2.10、将所述注意力权重分配到相应的不同层的隐藏特征，计算得到多层隐藏特征；
S2.11、将所得的多层特征经过一层全连接层进行回归预测，得到第s个样本的轮胎侧向力预测结果；
且基于第二损失函数训练特征融合网络。
进一步的，所述生产工艺参数包括轮胎硫化和成型工序中的参数。
(三)有益效果
本发明提供了一种基于深度学习的汽车轮胎侧向力检测方法和系统。与现有技术相比，具备以下有益效果：
本发明先获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；再基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；最后将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果，令深度学习应用于轮胎均匀性(侧向力)检测；解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。
本发明的轮胎侧向力检测模型中所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，可获取各个去噪自编码器中的隐藏特征；同时所述特征融合网络可通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果，使得在侧向力检测时利用了所有隐藏层的特征，并且能够自适应地融合不同层的特征。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例1的流程图；
图2为本发明实施例2的系统框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本申请实施例通过提供一种基于深度学习的汽车轮胎侧向力检测方法和系统，解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
在轮胎制造过程中，企业积累了大量轮胎生产数据与轮胎质量检测数据，为基于数据驱动的轮胎均匀性质量检测方法提供大数据支撑。然而，目前市场上缺乏基于数据驱动的轮胎侧向力检测方法。这种方法具有较好的实时性，且检测成本较低。
且一般的深度学习模型只利用模型的最后一层隐藏层的特征进行最终的预测，这种方式忽略了前面其他层提取的特征。即使越深的网络层能够提取越抽象的特征，但是浅层的特征是数据在不同级别的抽象表示，仍然有其建模价值。即模型中不同层的特征均对最终的质量预测有一定的贡献，它们都应该被利用，用于最终的质量预测。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1：
如图1所示，本发明提供了一种基于深度学习的汽车轮胎侧向力检测方法，该方法包括：
获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。
本实施例的有益效果为：
本发明实施例先获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；再基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；最后将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果，令深度学习应用于轮胎均匀性(侧向力)检测；解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。
下面对本发明实施例的实现过程进行详细说明：
S1、获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集。
具体实施时，轮胎生产过程可包括硫化和成型，因此，轮胎生产过程的生产工艺参数，可包括轮胎成型的温度与压力，硫化的温度、压力以及入灶角等，并通过传感器采集轮胎硫化与成型过程的生产工艺参数值；
例如，一个样本的生产工艺参数可记为：X＝[x1,x2,x3,…,xN]；
其中，xn表示第n∈N个生产工艺参数；
N为生产工艺参数的总数量。
进而可得到包含大量样本以及对应的真实侧向力数据的轮胎的生产过程的数据集。
S2、基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型。
堆叠去噪自编码器(SDAE，stacked denoised autoencoder)，是指模型包含多个去噪自编码器(DAE)，其中将第一个DAE的隐藏层特征作为第二个DAE的输入，第二个DAE的隐藏层特征作为第三个DAE的输入，如此类推。
具体实施时，带有注意力的堆叠去噪自编码器模型包括分层特征提取网络和特征融合网络；
其中，所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成；这些去噪自编码器采用无监督的训练方式。
具体的，在原始输入数据中加入一定噪声数据，再将加了噪声的数据经过一个全连接层得到隐藏特征，再经过一个全连接层得到重构数据，计算重构数据与原始输入数据的损失值进行训练。且其中每个去噪自编码器的隐藏向量作为下一个去噪自编码器的原始输入，进而得到多个去噪自编码器的隐藏特征和重构输入。
在特征融合网络中，通过注意力机制将不同去噪自编码器中的隐藏特征按照其对预测质量的重要性进行融合，从而利用多层的特征进行轮胎质量指标的预测。
具体训练步骤如下：
S2.1、采集轮胎的生产过程的数据集其中：/>是第s个样本的生产工艺参数；
Ys是第s个样本的侧向力的真实值。
S2.2、对生产工艺参数进行归一化操作，且公式如下：
其中，和/>分别是第n个生产工艺参数的最小值与最大值。
S2.3、将各个样本的生产工艺参数加上高斯噪声，且公式如下：
其中，a为随机数，满足正态分布(μ1,σ1)，μ1,σ1分别为分布的均值与方差。
S2.4、将S2.3得到的输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征，且公式如下：
其中，
表示第s个样本的生产工艺参数在第一层的隐藏特征；
表示样本加入噪声后的生产工艺参数；
分别是第一个去噪自编码器编码阶段的权重矩阵与偏置；
Sigmoid函数作为激活函数。
这样可将生产工艺参数进行非线性映射，得到数据的隐藏特征。
S2.5、将S2.4得到的第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；且公式为：
其中，
表示第一个去噪自编码器的重构原始输入；
分别是第一个去噪自编码器解码阶段的权重矩阵与偏置。
S2.6、为了训练第一个去噪自编码器的参数，并得到模型在第一层的隐藏特征，通过以下第一损失函数对数据进行训练：
其中，J表示损失函数；
S表示数据集的样本总数；
表示第s个样本的生产工艺参数；
表示去噪自编码器的重构原始输入；
且训练过程中采用基于Adam优化器的后向传播算法对模型进行训练。
S2.7、在S2.6中的第一个去噪自编码器训练完成后，将得到的第一层隐藏特征作为第二个去噪自编码器的输入，重复S2.3-S2.6的过程(即先加入高斯噪声生成有噪声的数据，再对其进行编码生成第二层隐藏向量，而后解码得到第二层重构输入，最后通过上述损失函数进行训练，得到第二个去噪自编码器的参数与隐藏特征)。
依次类推，以这种连续的方式进行计算与训练，分层学习隐藏特征，最终得到L个堆叠的去噪自编码器的参数与L层的隐藏特征不同层的特征代表着对输入的生产工艺参数在不同层次的抽象特征。同时，也得到了L个堆叠的去噪自编码器对原始输入数据Xs在不同层的重构/>
S2.3～S2.7进行的即是分层特征提取网络(堆叠自编码器)分层的无监督训练过程。
S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到所述注意力机制的键值/>且第l个堆叠自编码器的注意力机制的键值为：
其中，
l＝1,2,...,L；
分别是权重参数与偏置；
tanh是tanh激活函数；
S2.9、将原始输入的生产工艺参数Xs作为所述注意力机制的查询值，得到注意力权重；计算公式为：
得到的注意力权重可表示为代表堆叠自编码器中的每层特征的重要性。
S2.10、将所得的注意力权重分配到相应的上述得到的不同层的隐藏特征/>计算得到多层隐藏特征，公式如下：
As即为最终提取到的多层隐藏特征，该特征自适应地融合了浅层与深层的特征。
S211、将所得的多层特征As经过一层全连接层进行最后的回归预测，即
Wy,by分别是全连接层的权重参数与偏置；
是第s个样本的轮胎侧向力预测结果。
然后使用以下第二损失函数对注意力机制网络进行训练：
其中，
Ys是第s个样本的侧向力的真实值；
θ是注意力网络的参数集；
λ是惩罚系数，避免模型过拟合。
训练过程中采用基于Adam优化器的后向传播算法对模型进行训练。
S2.8～S2.11即为模型中的注意力机制部分，其训练过程是有监督训练的过程。
训练好的带有注意力的堆叠去噪自编码器模型即可作为轮胎侧向力检测模型。
S3、将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。
实施例2
本发明还提供了一种基于深度学习的汽车轮胎侧向力检测系统，该系统包括：
数据集获取模块，用于获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
模型训练模块，用于基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
检测模块，用于将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。
可理解的是，本发明实施例提供的基于深度学习的汽车轮胎侧向力检测系统与上述基于深度学习的汽车轮胎侧向力检测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于深度学习的汽车轮胎侧向力检测方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，本发明具备以下有益效果：
本发明先获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；再基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；最后将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果，令深度学习应用于轮胎均匀性(侧向力)检测；解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。
本发明的轮胎侧向力检测模型中所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，可获取各个去噪自编码器中的隐藏特征；同时所述特征融合网络可通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果，使得在侧向力检测时利用了所有隐藏层的特征，并且能够自适应地融合不同层的特征。
需要说明的是，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。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。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，该方法包括：
获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果；
所述带有注意力的堆叠去噪自编码器模型包括：分层特征提取网络和特征融合网络；
所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，用于获取各个去噪自编码器中的隐藏特征；
所述特征融合网络用于通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果；
所述特征融合网络的训练方法包括：
S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到注意力机制的键值；
S2.9、将生产工艺参数作为所述注意力机制的查询值，得到注意力权重；
S2.10、将所述注意力权重分配到相应的不同层的隐藏特征，计算得到多层隐藏特征；
S2.11、将所得的多层特征经过一层全连接层进行回归预测，得到第s个样本的轮胎侧向力预测结果；
且基于第二损失函数训练特征融合网络。
2.如权利要求1所述的一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，所述分层特征提取网络的训练方法，包括：
S2.1、获取轮胎的生产过程的数据集；所述轮胎的生产过程的数据集包括：多个样本以及对应的真实侧向力数据；
S2.2、对各个样本的生产工艺参数进行归一化；
S2.3、将归一化后的生产工艺参数加上噪声；
S2.4、将加入噪声后的生产工艺参数输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征；
S2.5、第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；
S2.6、基于第一损失函数训练第一个去噪自编码器，得到第一个去噪自编码器的参数；
S2.7、在去噪自编码器训练完成后，将该去噪自编码器得到的隐藏特征作为下一个去噪自编码器的输入，重复S2.3-S2.6，得到若干个堆叠的去噪自编码器的参数。
3.如权利要求1所述的一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，所述生产工艺参数包括轮胎硫化和成型工序中的参数。
4.一种基于深度学习的汽车轮胎侧向力检测系统，其特征在于，该系统包括：
数据集获取模块，用于获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
模型训练模块，用于基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
检测模块，用于将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果；
所述带有注意力的堆叠去噪自编码器模型包括：分层特征提取网络和特征融合网络；
所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，用于获取各个去噪自编码器中的隐藏特征；
所述特征融合网络用于通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果；
所述特征融合网络的训练方法包括：
S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到注意力机制的键值；
S2.9、将生产工艺参数作为所述注意力机制的查询值，得到注意力权重；
S2.10、将所述注意力权重分配到相应的不同层的隐藏特征，计算得到多层隐藏特征；
S2.11、将所得的多层特征经过一层全连接层进行回归预测，得到第s个样本的轮胎侧向力预测结果；
且基于第二损失函数训练特征融合网络。
5.如权利要求4所述的一种基于深度学习的汽车轮胎侧向力检测系统，其特征在于，所述分层特征提取网络的训练方法，包括：
S2.1、获取轮胎的生产过程的数据集；所述轮胎的生产过程的数据集包括：多个样本以及对应的真实侧向力数据；
S2.2、对各个样本的生产工艺参数进行归一化；
S2.3、将归一化后的生产工艺参数加上噪声；
S2.4、将加入噪声后的生产工艺参数输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征；
S2.5、第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；
S2.6、基于第一损失函数训练第一个去噪自编码器，得到第一个去噪自编码器的参数；
S2.7、在去噪自编码器训练完成后，将该去噪自编码器得到的隐藏特征作为下一个去噪自编码器的输入，重复S2.3-S2.6，得到若干个堆叠的去噪自编码器的参数。
6.如权利要求4所述的一种基于深度学习的汽车轮胎侧向力检测系统，其特征在于，所述生产工艺参数包括轮胎硫化和成型工序中的参数。
CN202210744819.3A 2022-06-28 2022-06-28 基于深度学习的汽车轮胎侧向力检测方法和系统 Active CN115266152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744819.3A CN115266152B (zh) 2022-06-28 2022-06-28 基于深度学习的汽车轮胎侧向力检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744819.3A CN115266152B (zh) 2022-06-28 2022-06-28 基于深度学习的汽车轮胎侧向力检测方法和系统

Publications (2)

Publication Number Publication Date
CN115266152A CN115266152A (zh) 2022-11-01
CN115266152B true CN115266152B (zh) 2023-11-24

Family

ID=83764356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744819.3A Active CN115266152B (zh) 2022-06-28 2022-06-28 基于深度学习的汽车轮胎侧向力检测方法和系统

Country Status (1)

Country Link
CN (1) CN115266152B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110220725A (zh) * 2019-05-30 2019-09-10 河海大学 一种基于深度学习与bp集成的地铁车轮健康状态预测方法
CN112182477A (zh) * 2020-08-27 2021-01-05 清华大学 轮胎侧向力辨识方法及装置
CN113650619A (zh) * 2021-08-30 2021-11-16 东南大学 一种四轮驱动电动汽车轮胎力软测量方法
CN113761787A (zh) * 2021-07-19 2021-12-07 中南大学 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统
CN114379482A (zh) * 2022-01-21 2022-04-22 浙江吉利控股集团有限公司 轮胎保养预测方法及设备、计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110220725A (zh) * 2019-05-30 2019-09-10 河海大学 一种基于深度学习与bp集成的地铁车轮健康状态预测方法
CN112182477A (zh) * 2020-08-27 2021-01-05 清华大学 轮胎侧向力辨识方法及装置
CN113761787A (zh) * 2021-07-19 2021-12-07 中南大学 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统
CN113650619A (zh) * 2021-08-30 2021-11-16 东南大学 一种四轮驱动电动汽车轮胎力软测量方法
CN114379482A (zh) * 2022-01-21 2022-04-22 浙江吉利控股集团有限公司 轮胎保养预测方法及设备、计算机可读存储介质

Also Published As

Publication number Publication date
CN115266152A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Gegic et al. Car price prediction using machine learning techniques
CN109117987B (zh) 一种基于深度学习的个性化交通事故风险预测推荐方法
CN108334948B (zh) 一种基于宽残差网络学习模型的机械轴承故障诊断技术
CN107622182B (zh) 蛋白质局部结构特征的预测方法及系统
CN110044554A (zh) 一种基于声发射信号的金属压力容器泄漏的在线检测方法
CN113869208B (zh) 基于sa-acwgan-gp的滚动轴承故障诊断方法
CN110362738B (zh) 一种基于深度学习的结合信任和影响力的个性化推荐方法
CN105034986B (zh) 一种驾驶员转向特性在线辨识方法及装置
CN113822139A (zh) 一种基于改进1DCNN-BiLSTM的设备故障诊断方法
CN113188807A (zh) 一种abs结果自动判定算法
CN113052271B (zh) 基于深度神经网络的生物发酵数据预测方法
CN112985830A (zh) 一种abs结果自动判定算法
CN117075582A (zh) 一种基于dsecmr-vae的工业过程广义零样本故障诊断方法
CN112101659A (zh) 一种基于堆叠去噪自编码器的复杂装备寿命预测方法
CN116469561A (zh) 一种基于深度学习的乳腺癌生存预测方法
CN114386452B (zh) 核电循环水泵太阳轮故障检测方法
CN115266152B (zh) 基于深度学习的汽车轮胎侧向力检测方法和系统
CN114971675A (zh) 一种基于DeepFM模型的二手车价格评估方法
CN116738297B (zh) 一种基于深度自编码的糖尿病分型方法和系统
CN112270402A (zh) 一种轮胎磨损辨识模型的训练方法及系统
CN115187266B (zh) 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统
CN115578205A (zh) 一种基于glm及机器学习算法的车险纯风险保费预测方法及装置
CN113139464B (zh) 一种电网故障检测方法
CN114252266A (zh) 一种基于dbn-svdd模型的滚动轴承性能退化评估方法
CN112765148A (zh) 一种基于改进svm多分类的网络入侵检测方法

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