CN116061612B - 一种汽车轮胎慢漏气的预警方法及系统 - Google Patents
一种汽车轮胎慢漏气的预警方法及系统 Download PDFInfo
- Publication number
- CN116061612B CN116061612B CN202310051462.5A CN202310051462A CN116061612B CN 116061612 B CN116061612 B CN 116061612B CN 202310051462 A CN202310051462 A CN 202310051462A CN 116061612 B CN116061612 B CN 116061612B
- Authority
- CN
- China
- Prior art keywords
- tire pressure
- tire
- segment
- minimum
- air leakage
- 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 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000007477 logistic regression Methods 0.000 claims description 15
- 238000012353 t test Methods 0.000 claims description 13
- 238000000692 Student's t-test Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims 3
- 230000009466 transformation Effects 0.000 claims 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- B60C23/02—Signalling devices actuated by tyre pressure
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明提供一种汽车轮胎慢漏气的预警方法及系统,其中方法包括采集胎压数据并进行预处理;生成胎压衍生变量;建立轮胎慢漏气预警模型;对待检车辆进行检测。本发明针对汽车轮胎慢漏气的特点,克服了传统预警中存在的误识率较高和漏检率较高的问题,从而有效增加了预警的准确度和及时性。
Description
技术领域
本发明属于汽车技术领域,尤其涉及一种汽车轮胎慢漏气的预警方法及系统。
背景技术
如今,汽车已经是生活生产中不可或缺的工具。随着汽车的不断普及及技术的进步,人们对汽车的使用体验也在逐步提出新的要求。汽车可能产生的各种安全隐患也越来越受到人们的关注。其中,汽车轮胎慢漏气就是车辆的典型安全隐患之一,发生频率高且不易察觉。对于存在慢漏气故障的轮胎,从轮胎漏气到轮胎压力下降至报警胎压,通常会持续较长的时间,且不易察觉。若能提前发现轮胎漏气故障,售后人员及时提醒用户检查轮胎,或者主动联系用户处理故障,则能显著提高服务质量,确保用户的行车安全。
目前,对胎压的监测主要靠TIRE PRESSURE MONITOR SYSTEM(简称TPMS,轮胎压力检测系统),通过轮胎压力检测系统(TPMS)对轮胎的压力进行全天候的监测,并对轮胎的漏气和低压进行报警。现有的常用的预警方法是通过轮胎压力检测系统(TPMS)采集并计算出整车实时状态下的最低胎压,统计所有发生漏气故障报警时刻的最低胎压值,取最小值作为阈值,只要小于此阈值,则理论上便能识别并预测到即将发生的报警。但此方法存在如下缺点:一是误识率较高,通过研究实际车辆数据,会发现在不少的报警时刻,实际上并没有发生慢漏气。二是漏检率较高,很多发生了慢漏气的车辆,由于胎压并没有达到阈值而未报警,但实际上车辆已经出现了慢漏气情况。
因此,对车企售后来说亟需一种全新的轮胎慢漏气的预警方法,来解决上面的问题。
发明内容
有鉴于此,本发明提出一种新型的汽车轮胎慢漏气的预警方法及系统,针对轮胎慢漏气的特点,通过对数据平台实时的大量胎压数据进行深入的分析和挖掘,创造了有效识别轮胎慢漏气的特征变量,结合模型的方法,克服了之前预警中存在的误识率较高和漏检率较高的问题。
根据本发明的第一方面,提供一种汽车轮胎慢漏气的预警方法,包括:步骤101,采集胎压数据,并进行预处理;步骤102,生成胎压衍生变量;步骤103,建立轮胎慢漏气预警模型;步骤104,对待检车辆进行检测。
进一步地,所述步骤101还包括:对所述采集的胎压数据进行过滤,并按照时间顺序可视化;将所述可视化的胎压数据划分成片段,将漏气片段作为正样本,非漏气片段作为负样本。
进一步地,所述步骤102还包括:针对每一个已划分片段,利用已有的胎压数据,生成胎压衍生变量。
进一步地,所述步骤103还包括:对所述胎压衍生变量进行逻辑回归建模,并对回归系数进行参数估计;其中逻辑回归模型为其中,P为轮胎慢漏气的概率X1、X2......Xn为自变量,β0、β1……βn为截距项及各自变量对应的回归系数。
进一步地,所述步骤104还包括:用所述胎压慢漏气预警模型预测待检测车辆是否漏气。
根据本发明的另一方面,提供一种汽车轮胎慢漏气的预警系统,包括:采集模块,采集胎压数据,并进行预处理;生成模块,生成胎压衍生变量;预警模块,建立轮胎慢漏气预警模型;检测模块,对待检车辆进行检测。
进一步地,所述采集模块还包括:对所述采集的胎压数据进行过滤,并按照时间顺序可视化;将所述可视化的胎压数据划分成片段,将漏气片段作为正样本,非漏气片段作为负样本。
进一步地,所述生成模块还包括:针对每一个已划分片段,利用已有的胎压数据,生成胎压衍生变量。
进一步地,所述预警模块还包括:对所述胎压衍生变量进行逻辑回归建模,并对回归系数进行参数估计;其中逻辑回归模型为其中,P为轮胎慢漏气的概率X1、X2......Xn为自变量,β0、β1……βn为截距项及各自变量对应的回归系数。
进一步地,所述检测模块还包括:用所述胎压慢漏气预警模型预测待检测车辆是否漏气。
根据本发明的上述方案,通过对数据平台实时的大量胎压数据进行深入的分析和挖掘,创造了有效识别轮胎慢漏气的特征,通过模型的方法,克服了传统预警中存在的误识率较高和漏检率较高的问题,从而有效增加了预警的准确度和及时性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明的方法流程示意图;
图2示出了本发明的另一方法流程示意图;
图3示出了本发明的系统图;
图4示出了划分片段示意图。
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,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。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。
首先结合图1说明本发明的流程。如图1所示,提供一种汽车轮胎慢漏气的预警方法,其特征在于,包括:步骤101,采集胎压数据,并进行预处理;步骤102,生成胎压衍生变量;步骤103,建立轮胎慢漏气预警模型;步骤104,对待检车辆进行检测。
与之相对应的系统如图4所示,提供一种汽车轮胎慢漏气的预警系统,包括:采集模块,采集胎压数据,并进行预处理;生成模块,生成胎压衍生变量;预警模块,建立轮胎慢漏气预警模型;检测模块,对待检车辆进行检测。
接下来结合图2说明本发明的另一个流程,并描述如下:
步骤1、收集胎压数据并可视化,划分片段,人工筛选正负样本。
1)选取所有车辆一段时间内(至少一个月)的四个胎压数据(左前轮,左后轮,右前轮,右后轮),对每辆车的四个胎压数据进行过滤处理,过滤方法为连续相同的胎压只保留一个值,然后将处理后的胎压数据按时间顺序进行可视化。
2)划分片段,划分规则为最小的胎压突然升高时为片段结束,一辆车在1个月内的数据可以划分成若干片段,划分后的片段如图4所示。
3)从所有划分好的片段中,人工识别出漏气片段作为正样本,其他非漏气片段作为负样本。
步骤2、对胎压生成胎压衍生变量
对每一个片段,利用已有的胎压数据,生成胎压衍生变量,具体胎压衍生变量如下:
1)duration_days:每个片段最后一条记录的时间减去第一条记录的时间;
2)range_diff_all:每个片段最后一条记录的极差(胎压最大值减去胎压最小值)减去第一条记录的极差;
3)pressure_diff_1_2:每个片段第一条记录的最小胎压减去第二条记录的最小胎压;
4)pressure_diff_2_3:每个片段第二条记录的最小胎压减去第三条记录的最小胎压;
5)pressure_diff_1_2_rate:每个片段第一条记录的最小胎压减去第二条记录的最小胎压,这个差再除以每个片段第一条记录的最小胎压;
6)pressure_diff_2_3_rate:每个片段第二条记录的最小胎压减去第三条记录的最小胎压,这个差再除以每个片段第二条记录的最小胎压;
7)top3_last3_pressure:每个片段前三条记录胎压最小值均值减去后三条记录胎压最小值均值;
8)top3_last3_pressure_rate:每个片段前三条记录胎压最小值均值减去后三条记录胎压最小值均值,这个差再除以每个片段前三条记录胎压最小值均值;
9)top3_last3_range:每个片段前三条记录胎压极差(极差即胎压最大值减去胎压最小值)均值减去后三条记录胎压极差均值;
10)top3_last3_range_rate:每个片段前三条记录胎压极差均值减去后三条记录胎压极差均值,这个差再除以每个片段前三条记录胎压极差均值;
步骤3、自变量筛选和逻辑回归建模,得到轮胎慢漏气预警模型。
对全部变量进行逻辑回归建模,并对回归系数进行参数估计,通过t检验对变量进行筛选。
逻辑回归模型如下:
其中,P为轮胎慢漏气的概率(即Y=1的概率),将P变换为称为logit变换,记作logit(P),logit变换使得在[0,1]范围内的P变换到(-∞,+∞),X1、X2......Xn为自变量,β0、β1……βn为截距项及各自变量对应的回归系数,β0、β1……βn这些参数可通过最大似然估计进行求解。
最大似然法的基本思想是先建立似然函数和对数似然函数,再求导,令导数为0,再采用Newton-Raphson迭代便可得参数βi的估计值。
仅仅得到这些自变量的参数估计是不够的,还需要对模型的各个自变量的显著性进行检验,也就是通过t检验,来筛选出对模型有用的变量。对于一个给定的显著性水平ɑ,通常定为0.05,如果某自变量的t检验的p值小于该ɑ,则说明此自变量同因变量有着显著的关系。在此,我们计算每个自变量的t检验的p值,只保留p值小于0.05的自变量。
用筛选后的自变量再次建立逻辑回归模型。通过最大似然法对筛选后的自变量的参数进行估计,并进行t检验,方法同上,得到轮胎慢漏气预警模型。
步骤4、用训练好的模型去预测待检车辆是否漏气。
待预测的汽车的轮胎数据,对其进行衍生变量的计算,代入模型,判断β0+β1X1+β2X2+......+βnXn的值是否大于0,若大于0,则说明轮胎慢漏气的概率P大于0.5,若小于0,则说明轮胎慢漏气的概率P小于0.5,对慢漏气概率大于0.5的车辆,即为模型预测出来的慢漏气的车辆。
接下来说明本发明的另一个流程,并描述如下:
步骤1、收集胎压数据并可视化,划分片段,人工筛选正负样本。
1)选取所有车辆一个月内的四个胎压数据(左前轮,左后轮,右前轮,右后轮),对每辆车的四个胎压数据进行过滤处理,过滤方法为连续相同的胎压只保留一个值,然后将处理后的胎压数据按时间顺序进行可视化。
2)划分片段,划分规则为最小的胎压突然升高时为片段结束,一辆车在1个月内的数据可以划分成若干片段,划分后的片段如图4所示。
3)从所有划分好的片段中,人工识别出漏气片段作为正样本,其他非漏气片段作为负样本。
步骤2、对胎压生成衍生变量
对每一个片段,利用已有的胎压数据,生成胎压衍生变量,具体胎压衍生变量如下:
1)duration_days:每个片段最后一条记录的时间减去第一条记录的时间;
2)range_diff_all:每个片段最后一条记录的极差(胎压最大值减去胎压最小值)减去第一条记录的极差;
3)pressure_diff_1_2:每个片段第一条记录的最小胎压减去第二条记录的最小胎压;
4)pressure_diff_2_3:每个片段第二条记录的最小胎压减去第三条记录的最小胎压;
5)pressure_diff_1_2_rate:每个片段第一条记录的最小胎压减去第二条记录的最小胎压,这个差再除以每个片段第一条记录的最小胎压;
6)pressure_diff_2_3_rate:每个片段第二条记录的最小胎压减去第三条记录的最小胎压,这个差再除以每个片段第二条记录的最小胎压;
7)top3_last3_pressure:每个片段前三条记录胎压最小值均值减去后三条记录胎压最小值均值;
8)top3_last3_pressure_rate:每个片段前三条记录胎压最小值均值减去后三条记录胎压最小值均值,这个差再除以每个片段前三条记录胎压最小值均值;
9)top3_last3_range:每个片段前三条记录胎压极差(极差即胎压最大值减去胎压最小值)均值减去后三条记录胎压极差均值;
10)top3_last3_range_rate:每个片段前三条记录胎压极差均值减去后三条记录胎压极差均值,这个差再除以每个片段前三条记录胎压极差均值;
步骤3、自变量筛选和逻辑回归建模,得到轮胎慢漏气预警模型。
对全部变量进行逻辑回归建模,并对回归系数进行参数估计。
逻辑回归模型如下:
本例中,将各自变量Xi代入得:
其中,P为轮胎慢漏气的概率(即Y=1的概率),将P变换为称为logit变换,记作logit(P),logit变换使得在[0,1]范围内的P变换到(-∞,+∞),X1、X2......Xn为自变量,β0、β1……βn为截距项及各自变量对应的回归系数,β0、β1、……βn这些参数可通过最大似然估计进行求解。
最大似然法的基本思想是先建立似然函数,如下:
对似然函数取对数:
再求导,令导数为0,
再采用Newton-Raphson迭代便可得参数βi的估计值。
仅仅得到这些自变量的参数估计是不够的,还需要对模型的各个自变量的显著性进行检验,也就是通过t检验,来筛选出对模型重要的变量。对一个给定的自变量Xij,它的原假设以及对立假设给定如下:
H0:βj=0 vs H1:βj≠0
检验统计量t为:
其中,为估计的标准差,/>为估计的回归系数,vj(X)是(X’X)-1|的第j个对角元素。如果原假设正确,t服从自由度为(n-p-1)的t分布,因此,对于一个给定的显著性水平ɑ,通常定为0.05,如果某自变量的t检验的p值小于该ɑ,则说明此自变量X同因变量Y有着显著的关系。在此,我们计算每个自变量的t检验的p值,只保留p值小于0.05的自变量。
此例子全部自变量的参数估计值和t检验的p值如表1所示:
表1参数估计值和t检验的p值
参数估计值 | t检验p值 | |
截距项 | -6.228333 | 1.13×10-14 |
duration_days | 0.388476 | 5.13×10-7 |
range_diff_all | -0.041976 | 0.03324 |
pressure_diff_1_2 | -0.007898 | 0.90324 |
pressure_diff_2_3 | 0.005813 | 0.94984 |
pressure_diff_1_2_rate | 0.199906 | 0.98997 |
pressure_diff_2_3_rate | 5.952038 | 0.04933 |
top3_last3_pressure | 0.046851 | 0.27220 |
top3_last3_pressure_rate | -8.718605 | 0.36159 |
top3_last3_range | -0.098313 | 0.00179 |
top3_last3_range_rate | -0.071351 | 0.26913 |
只保留t检验p值小于0.05的自变量,用筛选后的自变量建立逻辑回归模型:
逻辑回归模型如下:
本例中,将筛选后的自变量X代入得:
通过最大似然法对自变量的参数进行估计,并进行t检验,结果如表2所示:
表2最大似然算法计算结果
参数估计值 | t检验p值 | |
截距项 | -6.36128 | 3.00×10-16 |
duration_days | 0.37478 | 7.16×10-17 |
range_diff_all | -0.05073 | 0.00156 |
pressure_diff_2_3_rate | 7.79933 | 0.03480 |
top3_last3_range | -0.12334 | 7.46×10-10 |
故此轮胎慢漏气预警的模型为:
步骤4、依据模型对需要预测的客户进行数据分析,判断其是否会流失。
若则/>则p>0.5。因此将待预测的客户的数据代入模型,判断
(-6.36128+0.37478×duration_days-0.05073×range_diff_all+7.79933×pressure_diff_2_3_rate-0.12334×top3_last3_range)的值是否大于0,若大于0,则说明轮胎慢漏气的概率P大于0.5,若小于0,则说明轮胎慢漏气的概率P小于0.5,对慢漏气概率大于0.5的客户,即为模型预测出来的慢漏气车辆。
本发明针对汽车轮胎漏气的特点,重新考虑了检测轮胎慢漏气的技术要点,通过对数据平台实时的大量胎压数据进行深入的分析和挖掘,创造了有效识别轮胎慢漏气的特征,通过模型的方法,克服了传统预警中存在的误识率较高和漏检率较高的问题,从而有效增加了预警的准确度和及时性。
本发明提出一套新型的基于大数据的汽车轮胎慢漏气预警的方法和系统,提炼轮胎慢漏气的特点,有效识别轮胎慢漏气的特征,搭建了更合理的模型,并采用大数据技术监测。通过核心算法提高了检测的准确性,同时可考虑监测数据的时序特性,可以给出故障发生的具体原因。本发明解决了轮胎慢漏气误判率高和漏检率高的问题。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (2)
1.一种汽车轮胎慢漏气的预警方法,其特征在于,包括:
步骤101,采集胎压数据,并进行预处理;
步骤102,生成胎压衍生变量;
步骤103,建立轮胎慢漏气预警模型;
步骤104,对待检车辆进行检测;
所述步骤101,具体包括:
1)选取所有车辆一段时间内的四个胎压数据,对每辆车的四个胎压数据进行过滤处理,过滤方法为连续相同的胎压只保留一个值,然后将处理后的胎压数据按时间顺序进行可视化;
2)划分片段,划分规则为最小的胎压突然升高时为片段结束;
3)从所有划分好的片段中,人工识别出漏气片段作为正样本,其他非漏气片段作为负样本;
所述步骤102,具体包括:
对每一个片段,利用已有的胎压数据,生成胎压衍生变量,所述胎压衍生变量包括以下变量:
1)duration_days:每个片段最后一条记录的时间减去第一条记录的时间;
2)range_diff_all:每个片段最后一条记录的极差减去第一条记录的极差;所述极差为胎压最大值减去胎压最小值;
3)pressure_diff_1_2:每个片段第一条记录的最小胎压减去第二条记录的最小胎压;
4)pressure_diff_2_3:每个片段第二条记录的最小胎压减去第三条记录的最小胎压;
5)pressure_diff_1_2_rate:每个片段第一条记录的最小胎压减去第二条记录的最小胎压,这个差再除以每个片段第一条记录的最小胎压;
6)pressure_diff_2_3_rate:每个片段第二条记录的最小胎压减去第三条记录的最小胎压,这个差再除以每个片段第二条记录的最小胎压;
7)top3_last3_pressure:每个片段前三条记录胎压最小值均值减去后三条记录胎压最小值均值;
8)top3_last3_pressure_rate:每个片段前三条记录胎压最小值均值减去后三条记录胎压最小值均值,这个差再除以每个片段前三条记录胎压最小值均值;
9)top3_last3_range:每个片段前三条记录胎压极差均值减去后三条记录胎压极差均值;
10)top3_last3_range_rate:每个片段前三条记录胎压极差均值减去后三条记录胎压极差均值,这个差再除以每个片段前三条记录胎压极差均值;
所述步骤103,具体包括:
对全部胎压衍生变量进行逻辑回归建模,并对回归系数进行参数估计,通过t检验对胎压衍生变量进行筛选;
逻辑回归模型如下:
其中,P为轮胎慢漏气的概率,将P变换为称为logit变换,记作logit(P),logit变换使得在[0,1]范围内的P变换到(-∞,+∞),X1、X2......Xn为胎压衍生变量,β0、β1……βn为截距项及各自变量对应的回归系数,对β0、β1……βn这些参数通过最大似然估计进行求解,建立似然函数和对数似然函数再求导,令导数为0,再采用Newton-Raphson迭代便得到参数βi的估计值;
所述步骤104,具体包括:
待预测的汽车的轮胎数据,对其进行衍生变量的计算,代入模型,判断β0+β1X1+β2X2+......+βnXn的值是否大于0,若大于0,则说明轮胎慢漏气的概率P大于0.5,若小于0,则说明轮胎慢漏气的概率P小于0.5,对慢漏气概率大于0.5的车辆,即为模型预测出来的慢漏气的车辆。
2.一种汽车轮胎慢漏气的预警系统,其特征在于,用于实施权利要求1所述的预警方法,包括:
采集模块,采集胎压数据,并进行预处理;
生成模块,生成胎压衍生变量;
预警模块,建立轮胎慢漏气预警模型;
检测模块,对待检车辆进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051462.5A CN116061612B (zh) | 2023-02-02 | 2023-02-02 | 一种汽车轮胎慢漏气的预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051462.5A CN116061612B (zh) | 2023-02-02 | 2023-02-02 | 一种汽车轮胎慢漏气的预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116061612A CN116061612A (zh) | 2023-05-05 |
CN116061612B true CN116061612B (zh) | 2024-05-14 |
Family
ID=86176394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310051462.5A Active CN116061612B (zh) | 2023-02-02 | 2023-02-02 | 一种汽车轮胎慢漏气的预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116061612B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4413987B1 (ja) * | 2009-06-01 | 2010-02-10 | 康博 岡田 | タイヤの空気圧調整方法 |
CN104742670A (zh) * | 2015-04-15 | 2015-07-01 | 温州大学 | 汽车胎压胎温自动检测充气放气系统 |
CN105539028A (zh) * | 2015-12-02 | 2016-05-04 | 广东好帮手电子科技股份有限公司 | 一种检测汽车轮胎漏气的方法及系统 |
CN112116023A (zh) * | 2020-09-28 | 2020-12-22 | 重庆长安汽车股份有限公司 | 基于机器学习的轮胎漏气的实时检测方法及存储介质 |
CN113085450A (zh) * | 2021-04-16 | 2021-07-09 | 上海仙塔智能科技有限公司 | 一种轮胎慢漏气检测方法、装置、车辆及计算机存储介质 |
CN113232462A (zh) * | 2021-05-20 | 2021-08-10 | 上海仙塔智能科技有限公司 | 胎压管理方法、装置及计算机存储介质 |
CN114604044A (zh) * | 2020-12-08 | 2022-06-10 | 福特全球技术公司 | 用于确定轮胎充气压力损失的系统和方法 |
CN115519946A (zh) * | 2022-10-25 | 2022-12-27 | 深圳曦华科技有限公司 | 胎压信号处理方法、车身域控制器及相关装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6868358B2 (en) * | 2002-07-24 | 2005-03-15 | The Goodyear Tire & Rubber Company | Method for processing information in a tire pressure monitoring system |
DE102008038579A1 (de) * | 2007-09-03 | 2009-03-05 | Continental Teves Ag & Co. Ohg | Verfahren zur indirekten Reifendrucküberwachung und Reifendrucküberwachungssystem |
JP5204861B2 (ja) * | 2011-02-02 | 2013-06-05 | 住友ゴム工業株式会社 | タイヤ空気圧低下検出方法、装置及びプログラム |
US10442257B2 (en) * | 2017-07-21 | 2019-10-15 | GM Global Technology Operations LLC | Determining tire leak rate |
-
2023
- 2023-02-02 CN CN202310051462.5A patent/CN116061612B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4413987B1 (ja) * | 2009-06-01 | 2010-02-10 | 康博 岡田 | タイヤの空気圧調整方法 |
CN104742670A (zh) * | 2015-04-15 | 2015-07-01 | 温州大学 | 汽车胎压胎温自动检测充气放气系统 |
CN105539028A (zh) * | 2015-12-02 | 2016-05-04 | 广东好帮手电子科技股份有限公司 | 一种检测汽车轮胎漏气的方法及系统 |
CN112116023A (zh) * | 2020-09-28 | 2020-12-22 | 重庆长安汽车股份有限公司 | 基于机器学习的轮胎漏气的实时检测方法及存储介质 |
CN114604044A (zh) * | 2020-12-08 | 2022-06-10 | 福特全球技术公司 | 用于确定轮胎充气压力损失的系统和方法 |
CN113085450A (zh) * | 2021-04-16 | 2021-07-09 | 上海仙塔智能科技有限公司 | 一种轮胎慢漏气检测方法、装置、车辆及计算机存储介质 |
CN113232462A (zh) * | 2021-05-20 | 2021-08-10 | 上海仙塔智能科技有限公司 | 胎压管理方法、装置及计算机存储介质 |
CN115519946A (zh) * | 2022-10-25 | 2022-12-27 | 深圳曦华科技有限公司 | 胎压信号处理方法、车身域控制器及相关装置 |
Non-Patent Citations (2)
Title |
---|
基于机器学习的间接式胎压监测算法研究;于璐;中国硕士学位论文全文数据库;20220601;第12-44页 * |
汽车轮胎压力检测系统工作原理及应用;周泽明;;农业装备与车辆工程;20090210(第02期);第55-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116061612A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111751117A (zh) | 一种特种车辆健康状态评估方法及装置 | |
EP3017972A1 (en) | Wheel diagnostic monitoring | |
KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
CN111506048B (zh) | 车辆故障预警方法及相关设备 | |
CN113806969B (zh) | 一种基于时域数据关联建模的压缩机组健康预测方法 | |
CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
CN110990788A (zh) | 一种基于三元维纳过程的轴承剩余寿命预测方法 | |
CN113761649A (zh) | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 | |
CN105302123A (zh) | 在线测量数据的监控方法 | |
CN115452255A (zh) | 一种车辆冷却液泄露预测方法及装置 | |
CN116061612B (zh) | 一种汽车轮胎慢漏气的预警方法及系统 | |
CN116664015A (zh) | 一种智能充电桩管理系统及其方法 | |
CN112558592B (zh) | 车辆故障预测方法、预测系统及车辆 | |
CN110633314A (zh) | 车联网数据处理方法及装置 | |
CN115079663A (zh) | 一种基于数字孪生技术的车辆动力系统的监控方法及装置 | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN116142029A (zh) | 一种动力电池安全预警方法、装置及汽车 | |
CN113253113B (zh) | 一种动力电池一致性故障的预测方法 | |
CN109029697A (zh) | 基于频谱特征单边检测法的环冷机漏风故障在线诊断方法 | |
CN108627242B (zh) | 基于盲源分离单边检测法的环冷机漏风率检测方法 | |
CN114118463A (zh) | 汽车售后市场服务管理系统 | |
CN115855658B (zh) | 应用于液压制动软管产品性能评估系统 | |
CN113888775A (zh) | 车辆预警方法、服务器、存储介质、车辆预警系统和车辆 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 |
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 |