CN116348752B - 用于轮胎磨损预测的分级数据结构和方法 - Google Patents
用于轮胎磨损预测的分级数据结构和方法 Download PDFInfo
- Publication number
- CN116348752B CN116348752B CN202180063669.3A CN202180063669A CN116348752B CN 116348752 B CN116348752 B CN 116348752B CN 202180063669 A CN202180063669 A CN 202180063669A CN 116348752 B CN116348752 B CN 116348752B
- Authority
- CN
- China
- Prior art keywords
- tire
- tread
- values
- information
- 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 45
- 238000009826 distribution Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 2
- 238000005259 measurement Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013499 data model Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G01M17/027—Tyres using light, e.g. infrared, ultraviolet or holographic techniques
-
- 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
-
- 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
- B60C11/243—Tread wear sensors, e.g. electronic sensors
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Tires In General (AREA)
Abstract
一种计算机实现的方法,该计算机实现的方法使得能够基于最小输入数据点进行车辆轮胎磨损预测。在分级数据结构中聚合关于多个轮胎的历史胎面值以及针对从最高级别到最低级别分级定义的多个参数中的每个参数与该历史胎面值相关联的相应值的信息。提供来自与第一轮胎相关联的传感器的当前轮胎胎面值,并且提供针对多个分级定义的参数中的每个参数与该当前轮胎胎面值相关联的相应值。将当前轮胎胎面值与来自分级数据结构的信息进行匹配,该信息与分级定义的参数中具有至少预定阈值数量的可用胎面值的一个或多个参数的匹配值相对应,并且至少部分地基于来自分级数据结构的匹配信息预测第一轮胎的轮胎磨损率。
Description
技术领域
本公开整体涉及用于轮式车辆的轮胎磨损预测和监测系统。
更具体地,如本文所公开的系统、方法和相关算法可使用分级数据结构和推理统计方法来例如进行车队管理、成本预测和轮式车辆轮胎磨损的改进预测,轮式车辆包括但不限于摩托车、消费车辆(例如,乘用车和轻型卡车)、商业和越野(OTR)车辆。
背景技术
轮胎磨损的预测对于拥有或操作车辆的任何人都是重要工具,特别是在车队管理的背景下。随着对轮胎的使用,通常胎面逐渐地变得更薄,并且整体轮胎性能发生变化。在某一时刻,了解轮胎状况变得至关重要,因为轮胎胎面不充足可能产生不安全的驾驶状况。例如,当道路状况不佳时,轮胎可能无法抓地,并且驾驶员可能失去对他或她的车辆的控制。一般而言,当在雨天、雪天等驾驶时,轮胎胎面越薄,驾驶员越容易失去牵引力。
另外,不规则胎面磨损可能出于多种原因而发生,这些原因可能引起用户比原本所需的更早地更换轮胎。车辆、驾驶员和各个轮胎全都彼此不同,并且可能导致轮胎以非常不同的速率磨损。例如,用于跑车的高性能轮胎比用于家用轿车的轮胎磨损得更快。然而,各种各样的因素可能导致轮胎比预期的磨损得更早,和/或导致轮胎不规则地磨损并且产生噪声或振动。过早和/或不规则轮胎磨损的两个常见原因是不适当的充气压力和超规格的对准条件。
轮胎随时间磨损的估计和/或预测通常可能需要知道对于给定车辆哪些轮胎安装在哪个车轮位置。然而,大多数车队管理系统不能充分地跟踪或以其他方式记录这样的信息。这给许多重要的车队管理任务造成困难,诸如例如维护警报的产生、剩余磨损寿命的量的预测、哪些(以及何时)轮胎将需要更换的预测、成本预测等。
另一个问题是针对给定轮胎获得有意义的磨损信息通常所需的时长。作为一个示例,在对废旧车辆进行轮胎观察的背景下,使用在轮胎级别创建的经典线性回归模型,确定为了可靠预测轮胎何时会被磨损,将需要每周对胎面深度进行测量达六周至八周。该时间量取决于轮胎胎面的磨损速度,并且因此在其他业务部门监测轮胎的预期时间窗口可能更长,这是因为用于其他商业轮胎的轮胎可能通常以更慢的速率磨损。用于监测胎面深度变化的常规方法的这些时间限制对于磨损预测模型而言不是理想的。
发明内容
如本文所公开的分级建模方法可用较少数据点准确地且可靠地实现轮胎磨损预测。示例性的此类方法可依赖于从通过定期磨损检查所收集的元数据填充分布,诸如例如关于车辆类型、车辆类型的车轴、特定车辆和特定车辆的车轴的磨损信息,所有这些信息都更好地告知关于特定轮胎的磨损率的预测。车队级别信息和车辆级别信息可被理解为比轮胎级别填充得更快。此外,在轮胎级别进行的每次测量会影响使用这些不同磨损分布做出的推断。
一般而言,如本文所公开的磨损模型可使得能够使用经预测磨损率来跟踪车辆、特定轮胎、路线、驾驶员等的性能。使用磨损率,车队管理者可知道哪些卡车/驾驶员/路线/轮胎模型烧损胎面最快或相反地节省胎面。此外,准确的磨损建模有助于车队计划轮胎采购。磨损预测可例如被聚合到针对给定时间段(例如,年、月、周)的预计“轮胎采购估计”中。
如本文所公开的用于车辆轮胎磨损预测的计算机实现的方法的示例性实施方案可包括在分级数据结构中聚合关于多个轮胎的历史胎面值以及针对从最高级别到最低级别分级定义的多个参数中的每个参数与历史胎面值相关联的相应值的信息。可提供来自与第一轮胎相关联的传感器的当前轮胎胎面值,并且可例如经由本地计算设备和/或相关联的用户界面进一步提供针对多个分级定义的参数中的每个参数与当前轮胎胎面值相关联的相应值。当前轮胎胎面值可与来自分级数据结构的信息进行匹配,该信息与多个分级定义的参数中具有至少预定阈值数量的可用胎面值的一个或多个参数的匹配值相对应,其中至少部分地基于来自分级数据结构的匹配信息预测第一轮胎的轮胎磨损率。
在前述实施方案的示例性方面中,可至少部分地基于与具有至少预定阈值数量的可用胎面值的最高分级定义参数相对应的匹配信息来预测第一轮胎的轮胎磨损率。
在前述实施方案的另一个示例性方面中,来自最高分级定义参数的匹配信息可包括跨多个区域的可用胎面值的分布,并且可通过将当前轮胎胎面值与胎面值分布的子集进行匹配并且基于与匹配子集相关联的进一步历史信息估计未来轮胎磨损来预测第一轮胎的轮胎磨损率。
在前述实施方案的另一个示例性方面中,针对多个分级定义的参数中的一个或多个参数与匹配值相对应的胎面值可被滤除,条件是所述经滤除的胎面值超过预定边界,其中将未经滤除的胎面值的数量与可用胎面值的预定阈值数量进行比较。
在前述实施方案的另一个示例性方面中,可基于与轮胎磨损状态预测的相关性来选择多个参数。
在前述实施方案的另一个示例性方面中,可分别基于对应信息的最快填充率到对应信息的最慢填充率,从最高级别到最低级别分级地定义多个参数。
例如,分级定义的参数的最高级别可以是车辆车队位置,其中分级定义的参数的最低级别可以是特定车辆的特定车轮位置,并且分级定义的参数的最高级别和最低级别之间的中间级别可包括车辆类型、车轴类型和特定车辆中的一者或多者。
在前述实施方案的另一个示例性方面中,可基于相较与第一轮胎相关联的一个或多个轮胎磨损阈值而言的所预测的轮胎磨损状态来预测第一轮胎的更换时间。
在前述实施方案的另一个示例性方面中,一个或多个轮胎磨损阈值可包括与同第一轮胎相关联的给定车轮位置相对应的轮胎胎面阈值。
在前述实施方案的另一个示例性方面中,可生成包括第一轮胎的所预测的更换时间和标识符的车辆维护警报,并且向车队管理设备传输包括该车辆维护警报的消息。
用于车辆轮胎磨损预测的系统的实施方案可包括数据存储网络,该数据存储网络上存储有分级数据结构,所述分级数据结构聚合关于多个轮胎的历史胎面值以及针对从最高级别到最低级别分级定义的多个参数中的每个参数与历史胎面值相关联的相应值的信息。传感器可被配置为提供至少第一轮胎的当前轮胎胎面值,并且至少一个计算设备被链接到该传感器并且被配置为进一步提供针对多个分级定义的参数中的每个参数与当前轮胎胎面值相关联的相应值。基于服务器的计算网络被配置为将当前轮胎胎面值与来自分级数据结构的信息进行匹配,该信息与多个分级定义的参数中具有至少预定阈值数量的可用胎面值的一个或多个参数的匹配值相对应,并且至少部分地基于来自分级数据结构的匹配信息预测第一轮胎的轮胎磨损率。
基于服务器的计算网络同样可被配置为执行或以其他方式指导以上关于前述方法讨论的示例性方面中的各种方面的执行。
附图说明
在下文中,参考附图更详细地示出了本发明的实施方案。
图1是表示如本文所公开的用于轮胎磨损估计的系统的实施方案的框图。
图2是表示从高方差分布移动到低方差分布的轮胎磨损分布的示例性层级的图形树形图。
图3是表示图2的树形图中的示例性节点的图形图,包括轮胎胎面磨损测量与通过数据存储持久保存的伴随概要统计的聚合。
图4是表示如本文所公开的方法的示例性实施方案的流程图。
图5A和图5B是表示如本文所公开的方法的实施方案的集合流程图的部分。
具体实施方式
总体参考图1至图5B,现在可详细地描述本发明的各种示例性实施方案。在各种附图可描述与其他实施方案共享各种共同元件和特征的实施方案的情况下,类似的元件和特征被赋予相同的附图标号,并且下文可省略其冗余描述。
如本文所公开的系统的各种实施方案可包括与多个分布式数据收集器进行功能通信的集中式计算节点(例如,云服务器)以及用于有效地实现如本文所公开的磨损模型的计算节点(例如,与各个用户和/或车辆相关联)。
首先参考图1,系统100的示例性实施方案包括轮胎胎面深度传感器120,该轮胎胎面深度传感器被配置为测量作为如本文所公开的磨损模型的目标的轮胎110的胎面深度。在各种实施方案中,轮胎胎面深度传感器120在性质上可以是模拟的,或者可以是数字胎面深度计,或者可被配置为使用激光、光学、成像或本领域技术人员已知的其他等效感测技术来扫描轮胎110并且计算胎面深度。轮胎胎面深度传感器120可手动实现,或者其可为轮胎安装的(例如,直接安装在轮胎胎面中)或以其他方式固定且在轮胎外部。作为一个示例,轮胎胎面深度传感器120可包括行车光学传感器,该行车光学传感器包括:激光发射器,该激光发射器被配置为通过将激光投射到经过传感器120的轮胎110的表面上或在其上进行投射来捕获轮胎胎面信息;以及一个或多个激光接收元件,该一个或多个激光接收元件被配置为捕获反射能量并由此获得轮胎的轮廓,从该轮廓可确定轮胎胎面。
用户可从轮胎胎面深度传感器120获得胎面深度并且经由本地计算设备上的用户界面130手动地输入信息,该本地计算设备可以例如是移动的或者以其他方式安装在车辆上,并且被配置为至少获得数据并且经由通信网络将所述数据传输到远程服务器140和/或执行如本文所公开的相关计算。胎面深度传感器120可被配置为自动地将给定轮胎110的胎面深度信息传输到用户界面130,其中用户例如可利用与轮胎110相关联的其他信息来补充胎面深度信息,或者可确认由系统100填充在用户界面130中并且与接收到的胎面深度信息并排的数据。
在实施方案中,服务器140可被称为托管服务器网络,例如私有云服务器网络以及相关联的计算、存储和界面工具,如本领域的技术人员将理解的。如本文所公开的基于服务器的功能可相应地经由联网布置中的一个或多个物理和/或虚拟服务器来实现。然而,在某些实施方案中,本文关于服务器描述的功能可分布在托管网络中的一个或多个物理和/或虚拟服务器之间,并且例如进一步分布在从本地计算设备130执行的驻留程序应用之间。服务器140与数据存储网络进行功能通信,使得可选择性地传输、存储和检索信息,以实现如本文所公开的方法。例如,如本文所公开的分级数据模型142可被存储在数据存储网络中的数据库或等同物中。车队数据144也可被存储在数据存储网络中的数据库或等同物中,此类数据包括例如与车队中的相关车辆或轮胎相关联的任何信息,这些信息处于存储在分级数据模型142中的元信息的范围之外,但是对于车队管理系统的用户来说可能是令人期望的或者以其他方式由系统100实现,以用于例如建立或确认分级数据模型中的节点之间的关系。
如本文所用,“数据存储网络”一般可指被配置为存储数据并且使得能够从其选择性地检索数据的个别、集中式或分布式逻辑和/或物理实体,并且可包括(例如但不限于)存储器、查找表、文件、寄存器、数据库等。
模型可至少部分地经由执行处理器来实现,从而使得能够选择性地检索例如车辆数据和/或轮胎数据,并且还使得能够进行电子通信,以输入来自与服务器关联地存储的数据库、查找表等的任何附加数据或算法。
该系统可包括附加分布式程序逻辑(诸如例如驻留在车队管理服务器或其他用户计算设备150上),或驻留于车辆的或与其驾驶员(未示出)相关联的用于进行实时通知(例如,经由视觉和/或音频指示器)的设备的用户界面,其中车队管理设备在一些实施方案中经由通信网络功能性地链接到车载设备。系统编程信息可例如由驾驶员在车辆上提供或从车队管理器提供。在某些实施方案中,车队管理服务器或其他用户计算设备150可与本地计算设备130相同。
接下来参考图4,现在可描述基于分级分布模型(如图2和图3中进一步示出的)的轮胎磨损估计的示例性方法400。除非另外说明,否则可实现如图1所示的系统,或可针对本公开的范围内的这些或等效方法实现系统的替代实施方案。根据实施方案,本文所述的任何算法的某些动作、事件或功能可以以不同的顺序执行,可被添加、合并或完全排除(例如,并非所有描述的动作或事件都是实践算法所必需的)。
在实施方案中,方法400包括在分级数据结构中聚合关于多个轮胎的历史胎面值以及针对从最高级别到最低级别分级定义的多个参数中的每个参数与历史胎面值相关联的相应值的信息(步骤410)。可提供来自与第一轮胎110相关联的传感器120的当前轮胎胎面值(步骤420),并且可例如经由本地计算设备和/或相关联的用户界面130进一步提供针对多个分级定义的参数中的每个参数与当前轮胎胎面值相关联的相应值(步骤430)。当前轮胎胎面值可与来自分级数据结构的信息进行匹配,该信息与多个分级定义的参数中具有至少预定阈值数量的可用胎面值的一个或多个参数的匹配值相对应(步骤440),其中至少部分地基于来自分级数据结构的匹配信息预测第一轮胎的轮胎磨损率(步骤450)。
例如可至少部分地基于与具有至少预定阈值数量的可用胎面值的最高分级定义参数相对应的匹配信息来预测第一轮胎的轮胎磨损率。
来自最高分级定义参数的匹配信息可包括跨多个区域的可用胎面值的分布,并且可通过将当前轮胎胎面值与胎面值分布的子集进行匹配并且基于与匹配子集相关联的进一步历史信息估计未来轮胎磨损来预测第一轮胎的轮胎磨损率。
针对多个分级定义的参数中的一个或多个参数与匹配值相对应的胎面值可被滤除,条件是经滤除的胎面值超过预定边界,其中将未经滤除的胎面值的数量与可用胎面值的预定阈值数量进行比较。
可基于与轮胎磨损状态预测的相关性来选择多个参数。可分别基于对应信息的最快填充率到对应信息的最慢填充率,从最高级别到最低级别分级地定义多个参数。例如,分级定义的参数的最高级别可以是车辆车队位置,其中分级定义的参数的最低级别可以是特定车辆的特定车轮位置,并且分级定义的参数的最高级别和最低级别之间的中间级别可包括车辆类型、车轴类型和特定车辆中的一者或多者。
现在参考图5A和图5B,如所示出的方法500可提供关于与图4相关联的方法400的各种实施方案的进一步细节。方法500开始于(在步骤510中)用户收集轮胎的胎面深度测量以及关于该轮胎的对应元信息(例如,车队位置、车辆上的车轮安装位置、车辆类型、车辆编号、车辆车轴等)。除非另外说明,否则如本文所用的术语“用户”可指驾驶员、乘客、机修工、技术人员、车队管理人员或可能例如与具有用于提供如本文所公开的特征和步骤的用户界面的设备相关联的任何其他人或实体。在实施方案中,用户可经由用户界面中的相应数据输入字段、下拉菜单等提供元信息,但本领域的技术人员将理解,在本公开的范围内可实现各种替代方案。胎面深度测量可例如以电子方式进行捕获和提交,其中服务器或托管应用以包括经扫描的胎面深度测量的用户界面进行响应并且提示输入元信息和/或用于确认先前与轮胎相关联的元信息的预填充字段(如果有的话)。
可在被确定为与轮胎磨损率估计相关的多个元数据信息级别中的一些或全部级别处填充磨损率分布。例如可实现主成分分析(PCA)来确定哪些元数据级别与磨损率最相关,但是本领域的技术人员可设想替代机制,这些替代机制用于考虑针对特定轮胎使用范例与磨损率的相关性来确定此类级别。
这些元数据分布可优选地从最高分类级别到最低分类级别进行排序,其中这些级别是基于例如哪些磨损率分布在进行检查之后填充得最快来确定。
如图2所示,多个填充级别胎面磨损分布形成从高方差单元移动到较低方差单元的胎面磨损分布的示例性层级200。层级200中的级别可包括例如车队位置210、车辆类型220、车辆类型车轴230、车辆240、车辆车轴250,并且在一些实施方案中可包括单独的轮胎/车轮位置260。除非另外特别说明,否则这些级别及其在层级200中的对应位置不限制如本文所公开的系统的范围,并且应当理解,对级别及其在给定分级数据模型中的对应位置的选择,可基于它们相对于正在实施的轮胎磨损估计算法所确定的相关性、特定系统或方法中的对应数据输入的方差等。
当车队位置开始测量胎面深度时,分级模型200中的分布可通常开始在最高级别(例如,高方差类别,诸如车队位置210和车辆类型220)进行填充,并且更缓慢地开始在越来越低的级别(例如,车辆240和车辆车轴250)填充分布。相应地,这可创建每个车队位置的大规模分布树形图,其中树中的每个节点可以是具有通过数据库142持久保存的伴随概要统计的胎面磨损的聚合。在图3中示出了具有伴随概要统计的示例性节点聚合300,其中给定分布可包括四个四分位数(Q1,Q2,Q3,Q4)和中值,其以下面进一步讨论的方式实现。
返回到图5,方法500还包括在将给定轮胎的当前胎面深度测量读取到数据库中时,计算/检索与给定轮胎的相关类别(例如,车辆、车轴、车轮位置)相关联的持久历史胎面磨损率(步骤520)。可计算给定轮胎的当前磨损率,其中每个分布潜在地被过滤以去除“不切实际的”磨损率,诸如例如任何正磨损变化或超过磨损率的最低百分位的任何磨损率。对于层级200中的每个对应级别,可聚合胎面深度观察的数量,并且针对给定轮胎计算四分位数(步骤530)。
在实施方案中,每个分布可被分配最小样本大小,该最小样本大小必须在使用对应统计信息来通知给定轮胎的磨损率(包括轮胎级别)之前达到。如本文所公开的分布的层级通常可允许在轮胎寿命中的任何点计算合理的胎面磨损推断,甚至例如在单次测量之后。然而,单个轮胎胎面磨损测量通常包含太多方差,使得计算不可靠,直到在足够的时间窗口内进行例如五次或更多次合适的测量。因此,每当对于轮胎的胎面磨损测量没有满足一系列逻辑条件时(例如,对于给定层级级别没有观察到预定磨损率样本大小、里程丢失、胎面增长等),系统可“攀爬层级”以找到给定轮胎的合适磨损率(步骤550)。树形图的每个级别(参见例如图2)可包括附加逻辑,即在影响给定轮胎的经计算的当前胎面磨损之前必须满足分布。这些分布可不仅仅确定胎面磨损,而是可被实现为以变化的权重程度影响胎面磨损计算。系统可例如连续地分析这些分布以确定或改进其自身计算的合理性,使得轮胎、车辆车轴或车辆可优选地从不表现出相对于给定车队位置或车辆类型的磨损率而言客观上不合理的胎面磨损率。
参考图2中的示例性层级200,系统“攀爬”或继续分析高于当前级别的下一最详细信息级别。例如,系统可首先查看(步骤551)特定车辆车轴的磨损分布250。如果该级别处的分布已经在先前被接收并且聚合了足够的胎面深度测量以例如超过预定样本大小标准,则该方法继续进行以将轮胎的当前胎面磨损率与同相关节点相关联的四分位数进行比较,并且进一步将经预测的轮胎磨损率设定为距离该分布最近的四分位数。
如果特定车辆车轴250的分布没有在先前被接收和聚合足够的观察以产生可靠的分布,则该系统和方法可继续进行更高一级并且分析与在该当前时刻安装有给定轮胎的车辆相关联的分布240(步骤552)。与前述步骤一样,如果该级别处的分布已经在先前被接收并且聚合了足够的胎面深度测量以例如超过预定样本大小标准,则该方法继续进行以将轮胎的当前胎面磨损率与同相关节点相关联的四分位数进行比较,并且进一步将经预测的轮胎磨损率设定为距离该分布最近的四分位数。
在反复失败以识别足够数量的观察(或其他标准)的情况下,系统继续连续地攀爬层级并且考虑用于该类型的车辆的车轴230、该车辆类型220的分布,并且接着最后考虑车队级别分布210(步骤553、554和555)。
随着系统沿着层级200向上继续进行,在该轮胎级别检查处的磨损率可被保存并且用作在满足样本大小标准的第一适当层级级别处的预测指标(摆动)。该“摆动”是通过将给定轮胎的当前磨损率与关于最接近适当级别处的分布计算出的最近四分位数进行匹配来创建的。考虑到相关联的逻辑和“合理性”边界,在最接近轮胎的可能分布下,该四分位数匹配的磨损率然后被用作轮胎的经预测磨损率。
如本文所公开的方法的一个示例性优点,例如通过参考图4和图5,在于一旦以一致的间隔观察车队几个月,几乎所有的分布级别均已被充分填充。此后的每个连续实例,当在车队中的任何给定车轮位置放置新轮胎时,可通过仅进行例如一次或两次胎面测量来预测关于该轮胎的准确磨损信息。该改进大大加快了为车队检查提供经预测磨损率所花费的时间。
在各种实施方案中,例如通过继续参考图4,方法400可进一步涉及预测在一个或多个未来时间点的磨损值,其中此类经预测值可与相应阈值465进行比较。例如,与经预测的轮胎磨损率(例如,在给定距离、时间等下的经预测胎面深度)相对应的反馈信号可经由界面被提供给与车辆本身相关联的车载设备,或者被提供给与用户相关联的移动设备,该移动设备诸如例如与被配置为提供应当或者不久将需要更换轮胎的警报或者通知/推荐的用户界面集成在一起(步骤460)。在本公开的范围内并且基于经预测的轮胎磨损(包括例如轮胎旋转、对准、充气等),可预测和实施其他轮胎相关阈值事件以用于警报和/或干预。系统可基于关于预定参数的各个阈值、阈值组和/或非阈值算法比较来生成此类警报和/或干预建议(步骤470)。
作为另一示例,如本文所公开的分级磨损模型可使得车队管理系统能够不仅跟踪特定车辆和轮胎的性能,而且跟踪相关联的路线、驾驶员等的性能。使用经由本文的方法获得的经预测磨损率,车队管理者可例如确定哪些卡车、驾驶员、路线和/或轮胎模型烧损胎面最快或相反地节省胎面。此外,准确的磨损建模可优选地提供关于车队轮胎采购的决策支持。例如,磨损预测可被聚合到给定年、月、周等的预计轮胎采购估计模型中。
作为另一示例,自主车辆车队可包括具有不同最小胎面状态值的许多车辆,其中车队管理系统可被配置为主动禁用降至低于最小阈值的车辆的部署。车队管理系统还可以实现对应于车轮位置的不同最小胎面状态值。该系统可相应地被配置为根据与车辆相关联的多个轮胎中的每个轮胎的最小轮胎胎面值起作用,或者在实施方案中,可计算多个轮胎的聚合的胎面状态以用于与最小阈值进行比较。
在实施方案中,可将一个或多个未来时间、距离等的经预测轮胎磨损作为输出从该模型提供给一个或多个下游模型或应用(步骤480)。例如,经预测轮胎磨损状态(例如,给定里程时的胎面深度)可作为反馈信号或前馈信号生成到车辆控制系统、牵引模型(在相同系统中或作为在功能上与其链接的另一系统的一部分)和/或与燃料效率、耐久性等相关联的另一预测模型。经预测轮胎磨损(例如,胎面深度)可例如与某些车辆数据一起作为输入被提供到牵引模型,该牵引模型可被配置为提供相应轮胎的经估计牵引状态或一个或多个牵引特性。示例性牵引模型可包括物理部分、过程或系统的“数字孪生”虚拟表示,其中数字数据和物理数据配对并与学习系统诸如例如人工神经网络组合。可在相应资产的整个生命周期中提供来自特定轮胎、车辆或轮胎-车辆系统的真实车辆数据和/或轮胎数据,来生成车辆轮胎的虚拟表示以用于估计轮胎牵引力,其中所估计的轮胎牵引力与对应的经测量的或经确定的实际轮胎牵引力的后续比较可优选地被实现为例如在云服务器级执行的机器学习算法的反馈。
在一个实施方案中,来自该牵引模型的输出可被并入主动安全系统、自主车队管理系统等中(步骤490)。如前所述,可从车辆上的传感器收集数据以馈送到将预测胎面深度的轮胎磨损模型中,并且该数据可进一步被馈送到牵引模型中。如本文所用的术语“主动安全系统”可优选地涵盖本领域技术人员通常已知的此类系统,包括但不限于以下示例,诸如防撞系统、高级驾驶员辅助系统(ADAS)、防抱死制动系统(ABS)等,此类系统可被配置为利用牵引模型输出信息来实现最佳性能。例如,防撞系统通常被配置为采取退避行动,诸如自动地接合主车辆的制动器以避免或缓解与目标车辆的潜在碰撞,并且非常期望关于轮胎的牵引能力以及因此轮胎-车辆系统的制动能力的增强信息。
在整个说明书和权利要求书中,除非上下文另有规定,否则以下术语至少具有本文明确相关联的含义。下面标识的含义不一定限制术语,而是仅为术语提供例示性示例。“一个”、“一种”和“所述”的含义可包括复数指代,并且“在...中”的含义可包括“在...中”和“在...上”。如本文所用,短语“在一个实施方案中”不一定是指相同的实施方案,尽管它可以是相同的实施方案。
结合本文所公开的实施方案描述的各种例示性逻辑块、模块和算法步骤可被实现为电子硬件、计算机软件或两者的组合。为了清楚地示出硬件和软件的这种可互换性,上文已在其功能方面总体描述了各种例示性部件、块、模块和步骤。此类功能是被实现为硬件还是软件取决于特定应用和施加在整个系统上的设计约束。所描述的功能可针对每个特定应用以不同方式实现,但是此类实现决策不应被解释为导致脱离本公开的范围。
结合本文所公开的实施方案描述的各种例示性逻辑块和模块可由机器实现或执行,该机器诸如通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、离散栅极或晶体管逻辑、离散硬件部件或它们的被设计成执行本文所述的功能的任何组合。通用处理器可以是微处理器,但在另选方案中,处理器可以是控制器、微控制器或状态机、它们的组合等。处理器也可被实现为计算设备的组合,例如DSP和微处理器的组合、多个微处理器的组合、与DSP核结合的一个或多个微处理器的组合或任何其他此类配置的组合。
结合本文所公开的实施方案描述的方法、过程或算法的步骤可直接体现在硬件中、由处理器执行的软件模块中或两者的组合中。软件模块可驻留在RAM存储器、闪存存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移除磁盘、CD-ROM或本领域已知的任何其他形式的计算机可读介质中。示例性计算机可读介质可耦接到处理器,使得处理器可从存储器/存储介质读取信息并将信息写入到存储器/存储介质。在另选方案中,介质可集成到处理器。处理器和介质可驻留在ASIC中。ASIC可驻留在用户终端中。在另选方案中,处理器和介质可作为分立部件驻留在用户终端中。
除非另外特别说明或在所使用的上下文内以其他方式理解,否则本文所用的条件语言(诸如“可以”、“可能”、“可”、“例如”等)通常旨在传达某些实施方案包括某些特征、元件和/或状态,而其他实施方案不包括某些特征、元件和/或状态。因此,此类条件语言通常不旨在暗示特征、元素和/或状态对于一个或多个实施方案以任何方式是必需的,或者一个或多个实施方案有必要包括用于在有或没有作者输入或提示的情况下决定这些特征、元件和/或状态是否包括在任何特定实施方案中或者是否将在任何特定实施方案中执行的逻辑。
虽然本文通常可针对车队管理系统并更具体地是自主车辆车队或商业卡车应用的轮胎磨损估计来描述本发明的某些优选实施方案,但是本发明明确地绝不受限于此,并且除非另外说明,否则如本文所用的术语“车辆”可指汽车、卡车或它们的可包括一个或多个轮胎并因此要求轮胎磨损的准确的估计或预测以及以例如直接车辆控制调整的形式进行的潜在的禁用、更换或干预的任何等同物(无论是自推进的还是其他形式的)。
出于说明和描述的目的已提供了先前的详细描述。因此,尽管已描述了新的和有用的发明的具体实施方案,但并不旨在将这些参考理解为是对本发明范围的限制,除非如以下权利要求所述。
Claims (20)
1.一种用于车辆轮胎磨损预测的方法,所述方法包括:
在分级数据结构中聚合关于多个轮胎的历史胎面值以及针对从最高级别到最低级别分级定义的多个参数中的每个参数与所述历史胎面值相关联的相应值的信息(440);
提供来自与第一轮胎相关联的传感器的当前轮胎胎面值,以及针对所述分级定义的多个参数中的每个参数与所述当前轮胎胎面值相关联的相应值(410);
将所述当前轮胎胎面值与来自所述分级数据结构的信息进行匹配,所述信息与所述分级定义的多个参数中具有至少预定阈值数量的可用胎面值的一个或多个参数的匹配值相对应;以及
至少部分地基于来自所述分级数据结构的所匹配的信息预测所述第一轮胎的轮胎磨损率。
2.根据权利要求1所述的方法,其特征还在于,至少部分地基于与具有至少所述预定阈值数量的可用胎面值的最高分级定义参数相对应的所匹配的信息来预测所述第一轮胎的所述轮胎磨损率(430)。
3.根据权利要求2所述的方法,其特征还在于:
来自所述最高分级定义参数的所匹配的信息包括跨多个区域的可用胎面值的分布,并且
所述第一轮胎的所述轮胎磨损率通过以下方式进行预测:
将所述当前轮胎胎面值与所述胎面值分布的子集进行匹配,以及
基于与所匹配的子集相关联的进一步历史信息估计未来轮胎磨损。
4.根据权利要求3所述的方法,所述方法还包括:
滤除针对所述分级定义的多个参数中的一个或多个参数与所述匹配值相对应的胎面值,条件是经滤除的胎面值超过预定边界,并且
其中将未经滤除的胎面值的数量与可用胎面值的所述预定阈值数量进行比较。
5.根据权利要求3所述的方法,其特征还在于,基于与轮胎磨损状态预测的相关性来选择所述多个参数。
6.根据权利要求3所述的方法,其特征还在于,分别基于所述对应信息的最快填充率到所述对应信息的最慢填充率,从最高级别到最低级别分级地定义所述多个参数。
7.根据权利要求6所述的方法,其特征还在于,所述分级定义的参数的所述最高级别包括车辆车队位置(455)。
8.根据权利要求7所述的方法,其特征还在于,所述分级定义的参数的所述最低级别包括特定车辆的特定车轮位置(451)。
9.根据权利要求8所述的方法,其特征还在于,所述分级定义的参数的所述最高级别和所述最低级别之间的一个或多个级别包括车辆类型、车辆车轴类型和特定车辆(452,453,454)中的一者或多者。
10.根据权利要求6所述的方法,所述方法还包括:
基于相较与所述第一轮胎相关联的一个或多个轮胎磨损阈值而言的所预测的轮胎磨损率来预测所述第一轮胎的更换时间。
11.根据权利要求10所述的方法,其特征还在于,所述一个或多个轮胎磨损阈值包括与同所述第一轮胎相关联的给定车轮位置相对应的轮胎胎面阈值。
12.根据权利要求10所述的方法,所述方法还包括:
生成包括所述第一轮胎的所预测的更换时间和标识符的车辆维护警报;以及
向车队管理设备传输包括所述车辆维护警报的消息。
13.一种用于车辆轮胎磨损预测的系统,所述系统包括:
数据存储网络,所述数据存储网络上存储有分级数据结构(142),所述分级数据结构聚合关于多个轮胎的历史胎面值以及针对从最高级别到最低级别分级定义的多个参数中的每个参数与所述历史胎面值相关联的相应值的信息(440);
传感器(120),所述传感器被配置为提供至少第一轮胎(110)的当前轮胎胎面值;
至少一个计算设备(130),所述至少一个计算设备链接到所述传感器并且被配置为进一步提供针对所述分级定义的多个参数中的每个参数与所述当前轮胎胎面值相关联的相应值(410);和
基于服务器的计算网络(140),所述基于服务器的计算网络包括具有驻留在其上且能够由一个或多个处理器执行的指令的计算机可读介质,所述服务器网络被配置为:
将所述当前轮胎胎面值与来自所述分级数据结构的信息进行匹配,所述信息与所述分级定义的多个参数中具有至少预定阈值数量的可用胎面值的一个或多个参数的匹配值相对应,以及
至少部分地基于来自所述分级数据结构的所匹配的信息预测所述第一轮胎的轮胎磨损率。
14.根据权利要求13所述的系统,其特征还在于,至少部分地基于与具有至少所述预定阈值数量的可用胎面值的最高分级定义参数相对应的所匹配的信息来预测所述第一轮胎的所述轮胎磨损率。
15.根据权利要求14所述的系统,其特征还在于:
来自所述最高分级定义参数的所匹配的信息包括跨多个区域的可用胎面值的分布,并且
所述第一轮胎的所述轮胎磨损率通过以下方式进行预测:
将所述当前轮胎胎面值与所述胎面值分布的子集进行匹配,以及
基于与所匹配的子集相关联的进一步历史信息估计未来轮胎磨损。
16.根据权利要求15所述的系统,其特征还在于,所述基于服务器的计算网络被进一步配置为:
滤除针对所述分级定义的多个参数中的一个或多个参数与所述匹配值相对应的胎面值,条件是经滤除的胎面值超过预定边界,以及
将未经滤除的胎面值的数量与可用胎面值的所述预定阈值数量进行比较。
17.根据权利要求15所述的系统,其特征还在于,基于与轮胎磨损状态预测的相关性来选择所述多个参数。
18.根据权利要求15所述的系统,其特征还在于,分别基于所述对应信息的最快填充率到所述对应信息的最慢填充率,从最高级别到最低级别分级地定义所述多个参数。
19.根据权利要求18所述的系统,其特征还在于:
所述分级定义的参数的所述最高级别包括车辆车队位置,
所述分级定义的参数的所述最低级别包括特定车辆的特定车轮位置,并且
所述分级定义的参数的所述最高级别和所述最低级别之间的一个或多个级别包括车辆类型、车辆车轴类型和特定车辆中的一者或多者。
20.根据权利要求18所述的系统,其特征还在于,所述基于服务器的计算网络被进一步配置为:
基于相较与所述第一轮胎相关联的一个或多个轮胎磨损阈值而言的所预测的轮胎磨损状态来预测所述第一轮胎的更换时间,其中所述一个或多个轮胎磨损阈值包括与同所述第一轮胎相关联的给定车轮位置相对应的轮胎胎面阈值;
生成包括所述第一轮胎的所预测的更换时间和标识符的车辆维护警报;以及
向车队管理设备传输包括所述车辆维护警报的消息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063085212P | 2020-09-30 | 2020-09-30 | |
US63/085,212 | 2020-09-30 | ||
PCT/US2021/050568 WO2022072144A1 (en) | 2020-09-30 | 2021-09-16 | Hierarchical data structure and method for prediction of tire wear |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116348752A CN116348752A (zh) | 2023-06-27 |
CN116348752B true CN116348752B (zh) | 2024-02-09 |
Family
ID=80950828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180063669.3A Active CN116348752B (zh) | 2020-09-30 | 2021-09-16 | 用于轮胎磨损预测的分级数据结构和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11761858B2 (zh) |
EP (1) | EP4221999A1 (zh) |
JP (1) | JP7406048B2 (zh) |
CN (1) | CN116348752B (zh) |
BR (1) | BR112023005409A2 (zh) |
WO (1) | WO2022072144A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114905900B (zh) * | 2022-06-09 | 2023-11-07 | 一汽解放汽车有限公司 | 商用车轮胎更换预测方法、装置和计算机设备 |
EP4299341A1 (en) * | 2022-06-27 | 2024-01-03 | Bridgestone Europe NV/SA | Apparatus and methods for calculating and/or monitoring a wear rate of a tire |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674573A (zh) * | 2012-09-03 | 2014-03-26 | 株式会社普利司通 | 轮胎胎体寿命预测系统 |
CN109203874A (zh) * | 2017-07-07 | 2019-01-15 | 杭州中策车空间汽车服务有限公司 | 轮胎组网的信息分级处理方法和系统 |
JP2019011048A (ja) * | 2017-06-29 | 2019-01-24 | ザ・グッドイヤー・タイヤ・アンド・ラバー・カンパニー | タイヤ摩耗状態推定システムおよび方法 |
KR102079862B1 (ko) * | 2018-05-10 | 2020-02-20 | 이도규 | 타이어의 트레드 이미지를 이용한 마모도 측정 시스템 및 방법 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020107873A1 (en) | 2001-02-07 | 2002-08-08 | Bandag Licensing Corporation | System and method for data collection, reporting, and analysis of fleet vehicle information |
US7792774B2 (en) | 2007-02-26 | 2010-09-07 | International Business Machines Corporation | System and method for deriving a hierarchical event based database optimized for analysis of chaotic events |
US8112318B2 (en) | 2010-11-15 | 2012-02-07 | Tire Centers, Llc | System and method for managing a plurality of tires |
CA2762146A1 (en) | 2011-01-26 | 2012-07-26 | The Goodyear Tire & Rubber Company | Tire management system |
WO2017011486A1 (en) | 2015-07-14 | 2017-01-19 | Bridgestone Americas Tire Operations, Llc | Method of generating tire load histories and testing tires |
US20180068355A1 (en) | 2016-09-07 | 2018-03-08 | CMT Group, LLC | Rental vehicle fleet management system |
US20190213667A1 (en) | 2016-09-07 | 2019-07-11 | Cmt Group Llc | System for managing a fleet of dealership courtesy vehicles |
US10809742B2 (en) | 2017-03-06 | 2020-10-20 | The Goodyear Tire & Rubber Company | System and method for tire sensor-based autonomous vehicle fleet management |
US20180272813A1 (en) * | 2017-03-23 | 2018-09-27 | The Goodyear Tire & Rubber Company | Model based tire wear estimation system and method |
CN108171820B (zh) | 2018-01-10 | 2020-11-06 | 厦门日上运通物联网有限公司 | 一种车队管理系统及车队管理综合评分方法 |
US10960712B2 (en) * | 2018-06-28 | 2021-03-30 | Nissan North America, Inc. | Tire wear estimation using a hybrid machine learning system and method |
JP7176393B2 (ja) | 2018-12-13 | 2022-11-22 | 住友ゴム工業株式会社 | 押出トレッドゴム形状の設計方法及び押出トレッドゴム形状の設計装置 |
-
2021
- 2021-09-16 EP EP21876203.7A patent/EP4221999A1/en active Pending
- 2021-09-16 CN CN202180063669.3A patent/CN116348752B/zh active Active
- 2021-09-16 US US18/026,729 patent/US11761858B2/en active Active
- 2021-09-16 WO PCT/US2021/050568 patent/WO2022072144A1/en unknown
- 2021-09-16 BR BR112023005409A patent/BR112023005409A2/pt unknown
- 2021-09-16 JP JP2023518715A patent/JP7406048B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674573A (zh) * | 2012-09-03 | 2014-03-26 | 株式会社普利司通 | 轮胎胎体寿命预测系统 |
JP2019011048A (ja) * | 2017-06-29 | 2019-01-24 | ザ・グッドイヤー・タイヤ・アンド・ラバー・カンパニー | タイヤ摩耗状態推定システムおよび方法 |
CN109203874A (zh) * | 2017-07-07 | 2019-01-15 | 杭州中策车空间汽车服务有限公司 | 轮胎组网的信息分级处理方法和系统 |
KR102079862B1 (ko) * | 2018-05-10 | 2020-02-20 | 이도규 | 타이어의 트레드 이미지를 이용한 마모도 측정 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
US11761858B2 (en) | 2023-09-19 |
WO2022072144A1 (en) | 2022-04-07 |
US20230258535A1 (en) | 2023-08-17 |
CN116348752A (zh) | 2023-06-27 |
JP2023542695A (ja) | 2023-10-11 |
EP4221999A1 (en) | 2023-08-09 |
JP7406048B2 (ja) | 2023-12-26 |
BR112023005409A2 (pt) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113748030B (zh) | 用于车辆轮胎性能建模和反馈的系统和方法 | |
CN116348752B (zh) | 用于轮胎磨损预测的分级数据结构和方法 | |
US20210300132A1 (en) | Tire state estimation system and method utilizing a physics-based tire model | |
US20230256778A1 (en) | Vehicle tire localization system and method using temperature rise data | |
US20220016939A1 (en) | System and method for feature extraction from real-time vehicle kinetics data for remote tire wear modeling | |
WO2021202602A1 (en) | Vehicle-data analytics | |
US11872850B2 (en) | System and method for tire vertical load prediction | |
US20240118175A1 (en) | System and method for identifying a tire contact length from radial acceleration signals | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
US20240053231A1 (en) | System and method for estimating tire wear using acoustic footprint analysis | |
WO2024091773A1 (en) | System and method for indirect tire wear modeling and prediction from tire specification | |
WO2023133051A1 (en) | Comprehensive tire health modeling and systems for the development and implementation thereof | |
WO2023028387A1 (en) | System and method for real-time estimation of tire rolling resistance force | |
WO2023028404A1 (en) | Estimation of vertical load acting on a tire as a function of tire inflation pressure |
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 |