CN115871684A - 基于网联运行数据和机器学习的重型车辆质量估算方法 - Google Patents

基于网联运行数据和机器学习的重型车辆质量估算方法 Download PDF

Info

Publication number
CN115871684A
CN115871684A CN202310009644.6A CN202310009644A CN115871684A CN 115871684 A CN115871684 A CN 115871684A CN 202310009644 A CN202310009644 A CN 202310009644A CN 115871684 A CN115871684 A CN 115871684A
Authority
CN
China
Prior art keywords
vehicle
under
working condition
vehicle speed
driving working
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
Application number
CN202310009644.6A
Other languages
English (en)
Other versions
CN115871684B (zh
Inventor
白晓鑫
吴春玲
景晓军
杨永真
李长豫
李旭
刘卫林
景子铭
樊惊辉
李娜
王晶
周文瑾
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.)
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
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 China Automotive Technology and Research Center Co Ltd, CATARC Automotive Test Center Tianjin Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202310009644.6A priority Critical patent/CN115871684B/zh
Publication of CN115871684A publication Critical patent/CN115871684A/zh
Application granted granted Critical
Publication of CN115871684B publication Critical patent/CN115871684B/zh
Priority to US18/475,248 priority patent/US12066315B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/08—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles
    • G01G19/086—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles wherein the vehicle mass is dynamically estimated
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/076—Slope angle of the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/107—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明提供一种基于网联运行数据和机器学习的重型车辆质量估算方法，方法包括：采集运行数据，筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位；根据驱动工况下的档位确定重型车辆的变速器传动比；利用三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，利用滤波处理后的车速和一个滤波参数确定驱动工况下滤波后的车辆纵向行驶加速度，利用滤波处理后的车速、卫星高程和一个滤波参数确定驱动工况下滤波后的道路坡度正弦值；将车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值和变速器传动比输入至车辆质量估算模型中，得到估算质量。本发明可以实现对重型车辆质量的实时估算。

Description

基于网联运行数据和机器学习的重型车辆质量估算方法
技术领域
本发明涉及重型车超载管理技术领域，尤其涉及一种基于网联运行数据和机器学习的重型车辆质量估算方法。
背景技术
重型货车超限超载是造成公路桥梁设施损坏、交通事故频发和运输市场秩序混乱的重要原因。据调查数据显示，全国约50％的群死群伤性重特大道路交通事故与超限超载有关。车辆若超载50％，公路正常使用寿命将缩短80%，可见重型车超载给我国道路运输业和人民生命财产带来了巨大的威胁。精准识别重型车超载，加强源头监管成为重型车超载治理的关键手段。近年来，随着高速公路入口“地磅”等静态称重系统的应用，重型车超载现象得到了一定程度的治理。与此同时，以过磅检查为主的重型车静态称重技术具有设备安装及后期维护成本高、部署工程量大、测试效率低、路网覆盖率低等弊端，无法对在用车辆载重进行实时测量，难以满足大规模在用车的超载管制。
因此，基于车辆运行数据的重型车质量实时评估技术应运而生。现有重型车质量估算技术多以整车纵向动力学为基础，依赖于额外加装加速度传感器来准确获取车辆三轴加速度状态参数，其估算效果往往受限于传感器的类型和精度，同时也会大大增加车辆成本，难以实现大规模推广使用。在现有重型车辆配置的基础上，如何准确获取车辆实时质量，对于大规模在用重型车超载管理尤为重要。
发明内容
为了解决上述至少一个技术问题，本发明提供了一种基于网联运行数据和机器学习的重型车辆质量估算方法。
根据第一方面，本发明实施例提供了一种基于网联运行数据和机器学习的重型车辆质量估算方法，包括：
通过车载数据终端采集重型车辆在预设时间段内的运行数据；其中，所述运行数据包括所述重型车辆的车速、发动机输出扭矩、卫星高程、档位、刹车信号和离合器信号；
根据所述刹车信号和所述离合器信号，从所述运行数据中筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位；
根据所述驱动工况下的档位确定所述重型车辆的变速器传动比；
获取预先通过执行机器学习参数调优算法而得到的多个滤波参数，利用所述多个滤波参数中的三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的车辆纵向行驶加速度，利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的道路坡度正弦值；
将滤波处理后的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值和变速器传动比输入至车辆质量估算模型中，得到所述重型车辆的估算质量。
本发明实施例具有以下技术效果：首先通过车载数据终端采集重型车辆的运行数据，然后从所述运行数据中筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位，根据所述驱动工况下的档位确定所述重型车辆的变速器传动比。接着获取预先通过执行机器学习参数调优算法而得到的多个滤波参数，利用所述多个滤波参数中的三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的车辆纵向行驶加速度，利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的道路坡度正弦值，至此得到驱动工况下滤波后的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值，最后将滤波处理后的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值和变速器传动比输入至车辆质量估算模型中，得到所述重型车辆的估算质量。在现有重型车辆配置条件下，能够准确获取车辆实时质量，解决重型车辆质量估算成本较高、精度较低的情况。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本发明一个实施例中基于网联运行数据和机器学习的重型车辆质量估算方法的流程示意图；
图2是本发明一个实施例中车辆质量估算模型在全新数据集上的预测结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
第一方面，本发明实施例提供一种基于网联运行数据和机器学习的重型车辆质量估算方法，参见图1，该方法包括如下步骤S110~S150：
S110、通过车载数据终端采集重型车辆在预设时间段内的运行数据；其中，所述运行数据包括所述重型车辆的车速、发动机输出扭矩、卫星高程、档位、刹车信号和离合器信号；
可理解的是，由于采集的是一个时间段内的运行数据，因此每一种运行数据都是一个按时间顺序排列而得到的序列，例如，车速序列、发动机输出扭矩序列、卫星高程序列、档位序列、刹车信号序列和离合器信号序列。具体的采集频率可以为1HZ。
S120、根据所述刹车信号和所述离合器信号，从所述运行数据中筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位；
其中，刹车信号和离合器信号均为“1”时代表刹车踏板、离合器踏板踩下，此时车辆处于非驱动工况。刹车信号和离合器信号均为“0”时代表刹车踏板、离合器踏板未踩下，此时车辆处于驱动工况。
为此，在一个实施例中，S120中具体可以从所述运行数据中筛选出所述刹车信号和所述离合器信号均为0时对应的车速、发动机输出扭矩、卫星高程和档位，可见将所述刹车信号和所述离合器信号均为0时对应的车速、发动机输出扭矩、卫星高程和档位作为驱动工况下的车速、发动机输出扭矩、卫星高程和档位。
S130、根据所述驱动工况下的档位确定所述重型车辆的变速器传动比；
可理解的是，变速器传动比小的档位称为高速档，传动比大的档位称为低速档。传动比小于1的称为超速档，传动比等于1的称为直接档，传动比大于1称为减速档。好路面常用高速档，坏路或爬坡时常用低速档。超速档行驶经济省油。选择不同的档位，改变各轴不同齿轮的相互啮合，可以改变输出轴的转速和转矩。档位越低，减速增矩的作用越强。
S140、获取预先通过执行机器学习参数调优算法而得到的多个滤波参数，利用所述多个滤波参数中的三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的车辆纵向行驶加速度，利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的道路坡度正弦值；
也就是说，通过预先执行机器学习参数调优算法而得到多个滤波参数，在S140中获取到这些滤波参数，利用其中三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程分别进行滤波处理，得到驱动工况下滤波后的车速、发动机输出扭矩和卫星高程。然后根据滤波处理后的车速和一个了滤波参数确定驱动工况下滤波后的车辆纵向行驶加速度，最后利用了滤波后的车速、卫星高程以及一个滤波参数确定驱动工况下滤波后的道路坡度正弦值。
在一个实施例中，所述利用所述多个滤波参数中的三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，可以包括S141~ S144：
S141、利用巴特沃斯低通滤波器对驱动工况下的车速进行滤波处理，所述巴特沃斯低通滤波器的截止频率的归一化参数为w1，多项式的阶数为2；
S142、利用巴特沃斯低通滤波器对驱动工况下的发动机输出扭矩进行滤波处理，所述巴特沃斯低通滤波器的截止频率的归一化参数为w2，多项式的阶数为2；
S143、从所述驱动工况下的卫星高程对应的第一数据序列中筛选出75%分位值Q3和25%分位值Q1，根据所述75%分位值Q3和所述25%分位值Q1确定第一筛选范围为[Q1 − 1.5(Q3 − Q1)，Q3 + 1.5(Q3 − Q1)]，并剔除所述第一数据序列中位于所述第一筛选范围之外的卫星高程；
S144、利用S-G滤波器对所述驱动工况下所述第一筛选范围之内的卫星高程进行滤波处理，所述S-G滤波器的窗口长度为w3，多项式的阶数为3；
其中，归一化参数w1、归一化参数w2和窗口长度w3为所述多个滤波参数中的三个滤波参数。
其中，S143实际上是箱线图法，该方法以四分位数和四分位距作为判断标准，四分位数具有一定的耐抗性，多达25%的数据可以变得任意远而不会很大地扰动四分位数，使得异常值无法对数据形状造成巨大影响，因此箱形图识别异常值的结果比较客观。
其中，S-G滤波器即Savitzky–Golay滤波器，即基于最小二乘的卷积拟合算法。通过巴特沃斯低通滤波器对车速、发动机输出扭矩进行滤波可以滤除高频噪声信号。
可见，通过以上S141~S144可以得到滤波后的车速、发动机输出扭矩和卫星高程。
在一个实施例中，S140中所述利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的车辆纵向行驶加速度，可以具体包括：
S145、根据滤波处理后的车速计算所述驱动工况下的车辆纵向行驶加速度；
具体的，S145可以包括：
通过公式
Figure DEST_PATH_IMAGE001
计算所述驱动工况下的车辆纵向行驶加速度；其中，
Figure 672430DEST_PATH_IMAGE002
为 相邻采样点的车速差值，
Figure DEST_PATH_IMAGE003
为相邻采样点的时间差值，
Figure 894464DEST_PATH_IMAGE004
为车辆纵向行驶加速度。
S146、从所述驱动工况下的车辆纵向行驶加速度对应的第二数据序列中筛选出75%分位值Q3和25%分位值Q1，根据所述75%分位值Q3和所述25%分位值Q1确定第二筛选范围为[Q1 − 1.5(Q3 − Q1)，Q3 + 1.5(Q3 − Q1)]，并剔除所述第二数据序列中位于所述第二筛选范围之外的车辆纵向行驶加速度；
S147、利用巴特沃斯低通滤波器对驱动工况下所述第二筛选范围之内的车辆纵向行驶加速度进行滤波处理，得到所述驱动工况下滤波后的车辆纵向行驶加速度；其中，所述巴特沃斯低通滤波器的截止频率的归一化参数为w4，多项式的阶数为2，归一化参数w4为所述多个滤波参数中的一个滤波参数。
可见，通过S145~S147可以得到滤波后的车辆纵向行驶加速度。
在一个实施例中，S140中所述利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的道路坡度正弦值，可以具体包括：
a1、根据滤波后的卫星高程和车速计算所述驱动工况下的道路坡度正弦值；
具体的，a1可以包括：
通过公式
Figure DEST_PATH_IMAGE005
计算所述驱动工况下的道路坡度正弦值； 其中，
Figure 251800DEST_PATH_IMAGE006
为道路坡度正弦值，
Figure DEST_PATH_IMAGE007
为相邻采样点的卫星高程差值，
Figure 217482DEST_PATH_IMAGE008
为相邻采样 点的车速差值，
Figure DEST_PATH_IMAGE009
为相邻采样点的时间差值。
a2、从所述驱动工况下的道路坡度正弦值对应的第三数据序列中筛选出75%分位值Q3和25%分位值Q1，根据所述75%分位值Q3和所述25%分位值Q1确定第三筛选范围为[Q1 −1.5(Q3 − Q1)，Q3 + 1.5(Q3 − Q1)]，并剔除所述第三数据序列中位于所述第三筛选范围之外的道路坡度正弦值；
a3、利用巴特沃斯低通滤波器对驱动工况下所述第三筛选范围之内的道路坡度正弦值进行滤波处理，得到所述驱动工况下滤波后的道路坡度正弦值；其中，所述巴特沃斯低通滤波器的截止频率的归一化参数为w5，多项式的阶数为2，归一化参数w5为所述多个滤波参数中的一个滤波参数；
a4、剔除大于0.08或小于-0.08的道路坡度正弦值。
其中，a4中为根据道路设计规范，剔除大于0.08或小于-0.08的道路坡度正弦值，以保证剩余的道路坡度正弦值符合道路设计规范。
可见，通过a1~a4可以得到滤波后的道路坡度正弦值。
至此，得到了驱动工况下滤波后的车速、发动机输出扭矩、车辆纵向行驶加速度和道路坡度正弦值。
S150、将滤波处理后的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值和变速器传动比输入至车辆质量估算模型中，得到所述重型车辆的估算质量。
即，将驱动工况下滤波后的车速、发动机输出扭矩、车辆纵向行驶加速度和道路坡度正弦值以及变速器传动比输入到车辆质量估算模型中，通过对车辆质量估算模型中进行求解计算，便可以得到重型车辆的估算质量。
可理解的是，输入到车辆质量估算模型中的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值以及变速器传动比均为序列，例如车速序列、发动机输出扭矩序列、车辆纵向行驶加速度序列、道路坡度正弦值序列以及变速器传动比序列。车速序列中的一个采样点对应的车速、发动机输出扭矩中对应采样点的发动机输出扭矩、道路坡度正弦值序列中对应采样点的道路坡度正弦值、车辆纵向行驶加速度序列中对应采样点的车辆纵向行驶加速度、变速器传动比序列中对应采样点的变速器传动比输入到车辆质量估算模型中，得到一个待求解方程。在将另一个采样点对应的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值以及变速器传动比输入到车辆质量估算模型中，得到一个待求解方程。通过多个待求解方程可以得到最终的一个估算质量。
在一个实施例中，所述车辆质量估算模型可以通过如下计算式计算所述重型车辆的估算质量：
Figure 851594DEST_PATH_IMAGE010
其中：
Figure DEST_PATH_IMAGE011
，
Figure 978950DEST_PATH_IMAGE012
，m为车辆质量， g为重力加速度，v为车速，
Figure DEST_PATH_IMAGE013
为道路坡度正弦值，
Figure 65724DEST_PATH_IMAGE014
为车辆纵向行驶加速度，k为 空气阻力可变系数，
Figure 366255DEST_PATH_IMAGE015
为发动机输出扭矩，
Figure DEST_PATH_IMAGE016
为变速器传动比，
Figure 340028DEST_PATH_IMAGE017
为主减速器传动 比，
Figure DEST_PATH_IMAGE018
为整车传动效率，r为轮胎滚动半径，
Figure 887552DEST_PATH_IMAGE019
为车轮滚动惯量，
Figure DEST_PATH_IMAGE020
为飞轮滚动惯量。
其中，
Figure 477934DEST_PATH_IMAGE019
、r、
Figure 565844DEST_PATH_IMAGE020
、
Figure 925281DEST_PATH_IMAGE016
、
Figure 191178DEST_PATH_IMAGE017
、
Figure 268855DEST_PATH_IMAGE018
等均为整车设计参数，可由车辆制造商提供。
其中，
Figure 160457DEST_PATH_IMAGE021
为道路坡度加速度，
Figure DEST_PATH_IMAGE022
为车辆纵向行驶加速度，
Figure 108821DEST_PATH_IMAGE023
为车辆的滚动加速度，可见
Figure 545619DEST_PATH_IMAGE024
体现了综合的 阻力加速度。
具体的，可以采用递归最小二乘法计算估算质量。车辆质量实时估算模型以车辆纵向动力学方程为基础，将车辆滚动加速度、纵向行驶加速度和道路坡道加速度之和作为实时计算输入参数，车速平方作为另外一个实时计算输入参数，车辆质量和车辆空气阻力综合系数分为作为可变参数，利用递推最小二乘法实时估算车辆质量。
在一个实施例中，执行机器学习参数调优算法以得到多个滤波参数的过程可以包括S1~S7：
S1、设置所述多个滤波参数各自的初始值；
S2、获取所述重型车辆在不同载重下的运行数据，所述运行数据包括所述重型车辆的车速、发动机输出扭矩、卫星高程、档位、刹车信号和离合器信号；
S3、根据所述刹车信号和所述离合器信号，从所述运行数据中筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位；
S4、根据所述驱动工况下的档位确定所述重型车辆的变速器传动比；
S5、利用所述多个滤波参数中三个滤波参数的当前值对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，并利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下的车辆纵向行驶加速度，利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下的道路坡度正弦值，将滤波处理后的车速、发动机输出扭矩、车辆纵向行驶加速度和道路坡度正弦值以及变速器传动比作为训练数据，并利用载重对所述训练数据标注对应的车辆质量；
S6、将所述训练数据中的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值和变速器传动比输入到车辆质量估算模型中，得到所述重型车辆的估算质量；
S7、根据所述估算质量和标注的车辆质量，判断是否符合机器学习参数调优算法的优化目标；
若是，则输出所述多个滤波参数的当前值，并结束迭代；
否则，对各个滤波参数进行调整，并在调整后返回到S5中。
可见，执行机器学习参数调优算法以得到多个滤波参数的过程与汽车质量估算方法的过程类似，执行机器学习参数调优算法的过程实际上是训练过程，通过训练过程得到多个滤波参数，而汽车质量估算方法是应用过程，即利用训练得到的多个滤波参数进行滤波处理。
其中，机器学习参数优化算法包括但不限于贝叶斯优化算法、遗传算法、网络搜索等。例如，通过贝叶斯优化算法进行滤波参数的寻优配置。其中，贝叶斯优化算法搜索时各滤波参数的范围参见下表1：
表1
Figure 359860DEST_PATH_IMAGE025
在一个实施例中，所述机器学习参数调优算法的目标函数为：
Figure 274726DEST_PATH_IMAGE026
其中，
Figure 343176DEST_PATH_IMAGE027
为一次迭代过程中第i个训练数据中标记的车辆质量，
Figure 200143DEST_PATH_IMAGE028
为一次 迭代过程中所述车辆质量估算模型针对第i个训练数据输出的估算质量，n为一次迭代过程 中训练数据的数量，x为所述多个滤波参数的当前值，f（）为所述目标函数，所述目标函数的 优化目标为所述目标函数的函数值最大化。
例如，通过贝叶斯优化迭代，选择目标函数最大值对应的滤波参数组合作为最优解。
可见，本发明实施例提供的方法基于车辆纵向动力学、递归最小二乘法和数字滤波算法实现对重型车辆的质量估算。在现有重型车辆配置条件下，能够准确获取车辆实时质量，解决重型车辆质量估算成本较高、精度较低的情况。
参见图2，车辆质量估算模型在全新数据集上的预测结果示意图。在图2中，横轴表示训练数据量，纵轴表示车辆质量，图2中的横实线表示车辆质量的真实值，虚曲线表示车辆质量估算模型输出的估算值，可见随着车辆质量估算模型的不断训练，其预测能力不断提高，使得预测值和真实值越来越接近。采取本发明实施例中的所述车辆质量估算模型，可以在不额外增加加速度传感器或其他设备的基础上，实现车辆质量实时估算，估算误差不高于6%，且随着训练数据量的增大，估算误差可得到进一步降低，具有一定的创新性和应用前景。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。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、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。

Claims (10)

1.一种基于网联运行数据和机器学习的重型车辆质量估算方法，其特征在于，包括：
通过车载数据终端采集重型车辆在预设时间段内的运行数据；其中，所述运行数据包括所述重型车辆的车速、发动机输出扭矩、卫星高程、档位、刹车信号和离合器信号；
根据所述刹车信号和所述离合器信号，从所述运行数据中筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位；
根据所述驱动工况下的档位确定所述重型车辆的变速器传动比；
获取预先通过执行机器学习参数调优算法而得到的多个滤波参数，利用所述多个滤波参数中的三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的车辆纵向行驶加速度，利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的道路坡度正弦值；
将滤波处理后的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值和变速器传动比输入至车辆质量估算模型中，得到所述重型车辆的估算质量。
2.根据权利要求1所述的方法，其特征在于，所述车辆质量估算模型通过如下计算式计算所述重型车辆的估算质量：
Figure 662233DEST_PATH_IMAGE001
其中，
Figure 380790DEST_PATH_IMAGE002
，
Figure 834905DEST_PATH_IMAGE003
，m为车辆 质量，g为重力加速度，v为车速，
Figure 613505DEST_PATH_IMAGE004
为道路坡度正弦值，
Figure 402339DEST_PATH_IMAGE005
为车辆纵向行驶加速 度，k为空气阻力可变系数，
Figure 924587DEST_PATH_IMAGE006
为发动机输出扭矩，
Figure 967629DEST_PATH_IMAGE007
为变速器传动比，
Figure 900819DEST_PATH_IMAGE008
为主减速器 传动比，
Figure 662102DEST_PATH_IMAGE009
为整车传动效率，r为轮胎滚动半径，
Figure 722462DEST_PATH_IMAGE010
为车轮滚动惯量，
Figure 892716DEST_PATH_IMAGE011
为飞轮滚动惯量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述刹车信号和所述离合器信号，从所述运行数据中筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位，包括：
从所述运行数据中筛选出所述刹车信号和所述离合器信号均为0时对应的车速、发动机输出扭矩、卫星高程和档位。
4.根据权利要求1所述的方法，其特征在于，所述利用所述多个滤波参数中的三个滤波参数对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，包括：
利用巴特沃斯低通滤波器对驱动工况下的车速进行滤波处理，所述巴特沃斯低通滤波器的截止频率的归一化参数为w1，多项式的阶数为2；
利用巴特沃斯低通滤波器对驱动工况下的发动机输出扭矩进行滤波处理，所述巴特沃斯低通滤波器的截止频率的归一化参数为w2，多项式的阶数为2；
从所述驱动工况下的卫星高程对应的第一数据序列中筛选出75%分位值Q3和25%分位值Q1，根据所述75%分位值Q3和所述25%分位值Q1确定第一筛选范围为[Q1 − 1.5(Q3 −Q1)，Q3 + 1.5(Q3 − Q1)]，并剔除所述第一数据序列中位于所述第一筛选范围之外的卫星高程；
利用S-G滤波器对所述驱动工况下所述第一筛选范围之内的卫星高程进行滤波处理，所述S-G滤波器的窗口长度为w3，多项式的阶数为3；
其中，归一化参数w1、归一化参数w2和窗口长度w3为所述多个滤波参数中的三个滤波参数。
5.根据权利要求1所述的方法，其特征在于，所述利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的车辆纵向行驶加速度，包括：
根据滤波处理后的车速计算所述驱动工况下的车辆纵向行驶加速度；
从所述驱动工况下的车辆纵向行驶加速度对应的第二数据序列中筛选出75%分位值Q3和25%分位值Q1，根据所述75%分位值Q3和所述25%分位值Q1确定第二筛选范围为[Q1 − 1.5(Q3 − Q1)，Q3 + 1.5(Q3 − Q1)]，并剔除所述第二数据序列中位于所述第二筛选范围之外的车辆纵向行驶加速度；
利用巴特沃斯低通滤波器对驱动工况下所述第二筛选范围之内的车辆纵向行驶加速度进行滤波处理，得到所述驱动工况下滤波后的车辆纵向行驶加速度；其中，所述巴特沃斯低通滤波器的截止频率的归一化参数为w4，多项式的阶数为2，归一化参数w4为所述多个滤波参数中的一个滤波参数。
6.根据权利要求5所述的方法，其特征在于，所述根据滤波处理后的车速计算所述驱动工况下的车辆纵向行驶加速度，包括：
通过公式
Figure 13118DEST_PATH_IMAGE012
计算所述驱动工况下的车辆纵向行驶加速度；其中，
Figure 527276DEST_PATH_IMAGE013
为相邻 采样点的车速差值，
Figure 125748DEST_PATH_IMAGE014
为相邻采样点的时间差值，
Figure 392650DEST_PATH_IMAGE015
为车辆纵向行驶加速度。
7.根据权利要求1所述的方法，其特征在于，所述利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下滤波后的道路坡度正弦值，包括：
根据滤波后的卫星高程和车速计算所述驱动工况下的道路坡度正弦值；
从所述驱动工况下的道路坡度正弦值对应的第三数据序列中筛选出75%分位值Q3和25%分位值Q1，根据所述75%分位值Q3和所述25%分位值Q1确定第三筛选范围为[Q1 − 1.5(Q3 − Q1)，Q3 + 1.5(Q3 − Q1)]，并剔除所述第三数据序列中位于所述第三筛选范围之外的道路坡度正弦值；
利用巴特沃斯低通滤波器对驱动工况下所述第三筛选范围之内的道路坡度正弦值进行滤波处理，得到所述驱动工况下滤波后的道路坡度正弦值；其中，所述巴特沃斯低通滤波器的截止频率的归一化参数为w5，多项式的阶数为2，归一化参数w5为所述多个滤波参数中的一个滤波参数；
剔除大于0.08或小于-0.08的道路坡度正弦值。
8.根据权利要求7所述的方法，其特征在于，所述根据滤波后的卫星高程和车速计算所述驱动工况下的道路坡度正弦值，包括：
通过公式
Figure 949533DEST_PATH_IMAGE016
计算所述驱动工况下的道路坡度正弦值；其中，
Figure 685408DEST_PATH_IMAGE017
为道路坡度正弦值，
Figure 353150DEST_PATH_IMAGE018
为相邻采样点的卫星高程差值，
Figure 474559DEST_PATH_IMAGE019
为相邻采样点的车 速差值，
Figure 202343DEST_PATH_IMAGE020
为相邻采样点的时间差值。
9.根据权利要求1所述的方法，其特征在于，执行机器学习参数调优算法以得到多个滤波参数的过程包括：
S1、设置所述多个滤波参数各自的初始值；
S2、获取所述重型车辆在不同载重下的运行数据，所述运行数据包括所述重型车辆的车速、发动机输出扭矩、卫星高程、档位、刹车信号和离合器信号；
S3、根据所述刹车信号和所述离合器信号，从所述运行数据中筛选出驱动工况下的车速、发动机输出扭矩、卫星高程和档位；
S4、根据所述驱动工况下的档位确定所述重型车辆的变速器传动比；
S5、利用所述多个滤波参数中三个滤波参数的当前值对驱动工况下的车速、发动机输出扭矩和卫星高程进行滤波处理，并利用滤波处理后的车速和所述多个滤波参数中的一个滤波参数确定所述驱动工况下的车辆纵向行驶加速度，利用滤波处理后的车速、卫星高程和所述多个滤波参数中的一个滤波参数确定所述驱动工况下的道路坡度正弦值，将滤波处理后的车速、发动机输出扭矩、车辆纵向行驶加速度和道路坡度正弦值以及变速器传动比作为训练数据，并利用载重对所述训练数据标注对应的车辆质量；
S6、将所述训练数据中的车速、发动机输出扭矩、车辆纵向行驶加速度、道路坡度正弦值和变速器传动比输入到车辆质量估算模型中，得到所述重型车辆的估算质量；
S7、根据所述估算质量和标注的车辆质量，判断是否符合机器学习参数调优算法的优化目标；
若是，则输出所述多个滤波参数的当前值，并结束迭代；
否则，对各个滤波参数进行调整，并在调整后返回到S5中。
10.根据权利要求9所述的方法，其特征在于，所述机器学习参数调优算法的目标函数 为：
Figure 691093DEST_PATH_IMAGE021
其中，
Figure 631367DEST_PATH_IMAGE022
为一次迭代过程中第i个训练数据中标记的车辆质量，
Figure 138441DEST_PATH_IMAGE023
为一次迭代 过程中所述车辆质量估算模型针对第i个训练数据输出的估算质量，n为一次迭代过程中训 练数据的数量，x为所述多个滤波参数的当前值，f（）为所述目标函数，所述目标函数的优化 目标为所述目标函数的函数值最大化。
CN202310009644.6A 2023-01-05 2023-01-05 基于网联运行数据和机器学习的重型车辆质量估算方法 Active CN115871684B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310009644.6A CN115871684B (zh) 2023-01-05 2023-01-05 基于网联运行数据和机器学习的重型车辆质量估算方法
US18/475,248 US12066315B2 (en) 2023-01-05 2023-09-27 Method for predicting the mass of heavy vehicles based on networked operating data and machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310009644.6A CN115871684B (zh) 2023-01-05 2023-01-05 基于网联运行数据和机器学习的重型车辆质量估算方法

Publications (2)

Publication Number Publication Date
CN115871684A true CN115871684A (zh) 2023-03-31
CN115871684B CN115871684B (zh) 2023-06-06

Family

ID=85758080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310009644.6A Active CN115871684B (zh) 2023-01-05 2023-01-05 基于网联运行数据和机器学习的重型车辆质量估算方法

Country Status (2)

Country Link
US (1) US12066315B2 (zh)
CN (1) CN115871684B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821775A (zh) * 2023-08-29 2023-09-29 陕西重型汽车有限公司 一种基于机器学习的载重估计方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06201523A (ja) * 1993-01-08 1994-07-19 Hitachi Ltd 自動車の出力軸トルク推定装置及び車重算出装置
CN111507019A (zh) * 2020-05-06 2020-08-07 北京理工大学 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法
CN111831960A (zh) * 2020-07-10 2020-10-27 北京交通大学 基于坡度扰动识别与排除的网联货车载重动态测算方法
CN112046493A (zh) * 2019-06-05 2020-12-08 陕西汽车集团有限责任公司 一种电动汽车的载重识别方法
CN112356837A (zh) * 2020-11-18 2021-02-12 潍柴动力股份有限公司 车辆载重监测方法、服务器及控制系统
US20210300383A1 (en) * 2020-03-25 2021-09-30 Cevat Gokcek Kalman filter based road grade estimation method using accelerometer, gyroscope, and vehicle velocity
CN114932913A (zh) * 2022-05-23 2022-08-23 天津大学 基于数据误差提取和特征概率分析的车重估计方法
CN115265738A (zh) * 2022-05-11 2022-11-01 所托(杭州)汽车智能设备有限公司 车辆载重判别方法、控制装置及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7451033B2 (en) * 2005-06-10 2008-11-11 Ford Global Technologies, Llc Lateral and longitudinal velocity determination for an automotive vehicle
JP5133917B2 (ja) * 2009-02-16 2013-01-30 本田技研工業株式会社 路面摩擦係数推定装置
JP2011068256A (ja) * 2009-09-25 2011-04-07 Advics Co Ltd 推定加速度演算装置
US9349150B2 (en) * 2013-12-26 2016-05-24 Xerox Corporation System and method for multi-task learning for prediction of demand on a system
US11125175B2 (en) 2017-11-14 2021-09-21 Tula Technology, Inc. Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle
KR102633943B1 (ko) * 2018-09-14 2024-02-05 현대자동차주식회사 차량의 휠 속도 추정 장치 및 방법
US10814881B2 (en) * 2018-10-16 2020-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on V2X data augmentation to enable predictive optimal control of connected and automated vehicles
US11635764B2 (en) 2019-02-22 2023-04-25 Uatc, Llc. Motion prediction for autonomous devices
KR20220008436A (ko) * 2020-07-13 2022-01-21 현대자동차주식회사 마일드 하이브리드 차량 및 마일드 하이브리드 차량의 제어 방법
CN115204417B (zh) * 2022-09-13 2022-12-27 鱼快创领智能科技(南京)有限公司 基于集成学习的车辆重量预测方法、系统及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06201523A (ja) * 1993-01-08 1994-07-19 Hitachi Ltd 自動車の出力軸トルク推定装置及び車重算出装置
CN112046493A (zh) * 2019-06-05 2020-12-08 陕西汽车集团有限责任公司 一种电动汽车的载重识别方法
US20210300383A1 (en) * 2020-03-25 2021-09-30 Cevat Gokcek Kalman filter based road grade estimation method using accelerometer, gyroscope, and vehicle velocity
CN111507019A (zh) * 2020-05-06 2020-08-07 北京理工大学 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法
CN111831960A (zh) * 2020-07-10 2020-10-27 北京交通大学 基于坡度扰动识别与排除的网联货车载重动态测算方法
CN112356837A (zh) * 2020-11-18 2021-02-12 潍柴动力股份有限公司 车辆载重监测方法、服务器及控制系统
CN115265738A (zh) * 2022-05-11 2022-11-01 所托(杭州)汽车智能设备有限公司 车辆载重判别方法、控制装置及存储介质
CN114932913A (zh) * 2022-05-23 2022-08-23 天津大学 基于数据误差提取和特征概率分析的车重估计方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821775A (zh) * 2023-08-29 2023-09-29 陕西重型汽车有限公司 一种基于机器学习的载重估计方法

Also Published As

Publication number Publication date
CN115871684B (zh) 2023-06-06
US12066315B2 (en) 2024-08-20
US20240230397A1 (en) 2024-07-11

Similar Documents

Publication Publication Date Title
CN112201038B (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
CA3006072C (en) Systems and methods of determining road quality
CN106441530B (zh) 一种基于长标距光纤光栅传感技术的桥梁动态称重方法及动态称重系统
CN115871684A (zh) 基于网联运行数据和机器学习的重型车辆质量估算方法
CN111833604B (zh) 基于驾驶行为特征提取的车辆载重状态识别方法及装置
CN111579037B (zh) 一种检测车辆超载的方法和系统
CN105651254B (zh) 基于道路线形和频谱特征的道路坡度计算方法
DE102020113936A1 (de) System zur Prädiktion eines Straßenoberflächenreibungskoeffizienten
CN111198032A (zh) 汽车质量实时估算方法
CN105258770A (zh) 公路车辆动态称重方法和设备
CN116973136A (zh) 一种轮胎状态预测方法和装置
CN114674403B (zh) 目标车辆的检测方法和装置、存储介质及电子设备
JP6479820B2 (ja) 車両の走行中に車両の車輪のアンバランスを検出する方法
KR102046623B1 (ko) 상용차 총중량 측정장치 및 측정 방법
CN116358760B (zh) 测量车辆轮胎载荷分布的方法、装置、设备及存储介质
CN116821775A (zh) 一种基于机器学习的载重估计方法
CN117151513A (zh) 评价交通安全的方法、装置、设备及存储介质
CN114414016A (zh) 目标车辆的检测方法和装置、存储介质及电子设备
EP1639279A1 (en) Method of estimating vehicle deceleration during a transmission gear shift
CN116092296A (zh) 交通状态评估方法、装置、电子设备及存储介质
CN115497306A (zh) 一种基于gis数据的速度区间权重计算方法
CN110689131A (zh) 一种基于朴素贝叶斯模型的车辆能耗影响分析方法
CN103065460B (zh) 一种基于浮动车数据的多车车速融合方法和装置
CN117890128B (zh) 一种重型车任意负载下行驶阻力的测试方法
CN112577461B (zh) 一种基于挠度分离的大跨径梁桥状态的预测方法及系统

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
GR01 Patent grant
GR01 Patent grant