CN116662897A - 一种基于转毂数据的车辆载重预测方法 - Google Patents
一种基于转毂数据的车辆载重预测方法 Download PDFInfo
- Publication number
- CN116662897A CN116662897A CN202310953466.2A CN202310953466A CN116662897A CN 116662897 A CN116662897 A CN 116662897A CN 202310953466 A CN202310953466 A CN 202310953466A CN 116662897 A CN116662897 A CN 116662897A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- load
- average
- speed
- predicted
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012360 testing method Methods 0.000 claims description 71
- 239000012634 fragment Substances 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 36
- 230000015556 catabolic process Effects 0.000 claims description 33
- 238000006731 degradation reaction Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 18
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 description 11
- 125000002015 acyclic group Chemical group 0.000 description 5
- 238000000546 chi-square test Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G01M17/013—Wheels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于转毂数据的车辆载重预测方法,属于车辆载重预测领域,该方法通过将试验车辆在不同载重条件下进行转毂试验,获取匀速片段的平均车速及平均扭矩,通过训练得到载重预测模型,利用载重预测模型对待预测车辆进行载重预测,再利用拟合公式得到该待预测车辆行驶里程对应的劣化修正系数,利用该劣化修正系数修正预测结果,进而得到修正结果。该方法简单易行,可通过未知车辆在实际道路的行驶情况进行实时预测,不仅结合实际行驶过程中工况,还考虑到行驶里程与扭矩的相关性,将载重预测模型输出的预测结果进行修正,进一步提升了预测精度,为整车企业提供车辆开发指导,也便于相关部门进行远程监控,保证道路运输安全。
Description
技术领域
本发明涉及车辆载重预测技术领域,具体涉及一种基于转毂数据的车辆载重预测方法。
背景技术
近年来公路运输作为陆运乃至整体交通运输行业的主要组成部分,对我国经济发展起着重要的支撑作用。中重型商用车由于承载量大,在陆运行业发挥着极其重要的作用,但由于中重型商用车超载超限乱象频发,增加货车交通事故发生的概率,严重危害个人安全。如何获取准确的载重信息,并进行远程监控对于保证道路运输安全至关重要。同时对于整车企业而言,在进行车辆开发过程中,车速控制、变速箱控制和动力总成优化研究均依赖于车辆载重实时获取,且载重匹配不合理对于整车的经济性、动力性和舒适性等方面均有较大影响。
现有技术中,车辆运行载重的获取主要有两种方式,一是通过加装额外的传感器设备进行测算,成本高,不利于远程监控,且无法大范围普及。二是利用汽车运动学方程,通过计算各项阻力对载重进行预估,但由于阻力测定成本高且存在一定误差导致载重预测不准确,同时实际行驶过程中工况复杂,最终离线标定所得阻力只适用于单一条件,无法实现工程化应用。
发明内容
鉴于现有技术中的上述缺陷或不足,本发明旨在提供一种基于转毂数据的车辆载重预测方法,包括以下步骤:
对试验车辆进行不同载重的转毂试验:在每个载重条件下,进行多组匀速片段试验,得到训练样本集;所述训练样本集至少包括不同载重条件的载重量,以及在每个载重条件下,每组所述匀速片段对应的平均车速及平均扭矩;
载重预测模型训练:将各组所述匀速片段对应的平均车速及平均扭矩作为输入,载重量作为输出,训练得到载重预测模型;
劣化系数修正:根据不同行驶里程在不同载重条件下的劣化修正系数,得到拟合公式,所述拟合公式用于获取任意行驶里程下对应的劣化修正系数;
预测载重:对待预测车辆进行实际道路测试,得到多个碎片段对应的平均车速及平均扭矩,将每个所述碎片段对应的平均车速及平均扭矩输入至所述载重预测模型,得到每个碎片段对应的载重预测值,进而得到预测结果,利用所述拟合公式获得所述待预测车辆行驶里程对应的劣化修正系数,再利用该劣化修正系数对所述预测结果进行修正,得到修正结果。
根据本发明实施例提供的技术方案,对待预测车辆进行实际道路测试,得到多个碎片段对应的平均车速及平均扭矩,至少包括以下步骤:
获取测试过程中每秒下的车速、扭矩及实际道路的坡度;
挑选维持时长大于或等于5s的匀速平坡时段作为所述碎片段;
计算各所述碎片段中每秒下车速的平均值作为所述碎片段对应的平均车速,每秒下扭矩的平均值作为所述碎片段对应的平均扭矩。
根据本发明实施例提供的技术方案,所述坡度由加速度传感器和角速度传感器通过捷联算法计算得到。
根据本发明实施例提供的技术方案,所述匀速平坡时段内,所述待预测车辆的加速度绝对值小于0.15m/s2,实际道路的坡度绝对值小于0.5%。
根据本发明实施例提供的技术方案,得到每个碎片段对应的载重预测值之后,通过以下步骤进而得到预测结果:
依照正态分布原则,选取15.87%到84.13%范围内的载重预测值;
对该范围内的所有所述载重预测值求平均值作为所述预测结果。
根据本发明实施例提供的技术方案,计算不同行驶里程在不同载重条件下的劣化修正系数的方法,包括以下步骤:
选取多个参照车辆进行不同载重的参照转毂试验,得到每个参照车辆在不同载重条件下的参照扭矩平均值;各所述参照车辆的行驶里程不同;
对其中一个参照车辆,将对应载重条件下的所述参照扭矩平均值除以所述试验车辆的试验扭矩平均值得到该所述参照车辆对应的行驶里程在每个载重条件下的劣化修正系数。
根据本发明实施例提供的技术方案,将不同所述参照车辆对应的行驶里程在不同载重条件下的劣化修正系数进行多项式拟合,得到拟合公式,所述拟合公式为:
其中,x表示待预测车辆的行驶里程,u表示该行驶里程下的劣化修正系数。
根据本发明实施例提供的技术方案,利用如下公式对所述预测结果进行修正:
其中,表示修正结果,/>表示预测结果,u表示待预测车辆的行驶里程下的劣化修正系数。
与现有技术相比,本发明的有益效果为:
本发明提供的车辆载重预测方法是通过将试验车辆在不同载重条件下进行转毂试验,获取匀速片段的平均车速及平均扭矩,通过训练得到载重预测模型,利用载重预测模型对未知车辆进行载重预测,再利用该未知车辆行驶里程对应的劣化修正系数修正预测结果,进而得到准确的预测结果。
该方法简单易行,可通过未知车辆在实际道路的行驶情况进行实时预测,不仅结合实际行驶过程中工况,还考虑到行驶里程与扭矩的相关性,将预测结果进行修正进一步提升了预测精度,为整车企业提供车辆开发指导,也便于相关部门进行远程监控,保证道路运输安全。
附图说明
图1为本发明提供的基于转毂数据的车辆载重预测方法的步骤流程图;
图2为本发明提供的试验车辆在一个载重条件下的试验曲线的示意图;
图3为本发明提供的有向无环-支持向量机二分类器的算法示意图;
图4为本发明提供的待预测车辆的碎片段的示意图;
图5为本发明提供的拟合曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本发明。
诚如背景技术中提到的,针对现有技术中的问题,本发明提出了一种基于转毂数据的车辆载重预测方法,如图1所示,包括以下步骤:
S1、对试验车辆进行不同载重的转毂试验:在每个载重条件下,进行多组匀速片段试验,得到训练样本集;所述训练样本集至少包括不同载重条件的载重量,以及在每个载重条件下,每组所述匀速片段对应的平均车速及平均扭矩;
S2、载重预测模型训练:将各组所述匀速片段对应的平均车速及平均扭矩作为输入,载重量作为输出,训练得到载重预测模型;
S3、劣化系数修正:根据不同行驶里程在不同载重条件下的劣化修正系数,得到拟合公式,所述拟合公式用于获取任意行驶里程下对应的劣化修正系数;
S4、预测载重:对待预测车辆进行实际道路测试,得到多个碎片段对应的平均车速及平均扭矩,将每个所述碎片段对应的平均车速及平均扭矩输入至所述载重预测模型,得到每个碎片段对应的载重预测值,进而得到预测结果,利用所述拟合公式获得所述待预测车辆行驶里程对应的劣化修正系数,再利用该劣化修正系数对所述预测结果进行修正,得到修正结果。
步骤S1具体包括:选取行驶里程小于1万公里的车辆作为所述试验车辆,以10%最大载重量作为划分依据,对所述试验车辆进行0%~120%载重匀速转毂试验,即载重条件分别为:0%最大载重量、10%最大载重量、20%最大载重量、30%最大载重量、40%最大载重量、50%最大载重量、60%最大载重量、70%最大载重量、80%最大载重量、90%最大载重量、100%最大载重量、110%最大载重量和120%最大载重量,共计13次转毂试验。对每一个载重条件下进行一定时长的试验,该时长包括若干个时间片段,在每个时间片段内进行若干组匀速转毂试验,在不同时间片段内分别选取2组匀速转毂试验作为所述匀速片段,例如进行试验为9个时间片段的车辆,试验曲线便由18组匀速片段构成,单次试验时长3600s,试验曲线如图2所示,图2中横坐标表示试验时长,纵坐标表示车速。
具体地,试验前记录每个载重条件下每组匀速转毂试验对应的载重量(G)以及试验过程中记录所述试验车辆的逐秒车速(v)和逐秒发动机扭矩(T)。基于上述记录的数据通过以下步骤得到所述训练样本集:对不同载重条件下的试验车辆进行不同车速的匀速转毂试验,采集逐秒车速(为了验证输出车速是否为匀速,以保证试验确为匀速转毂试验)及逐秒发动机扭矩,将每组车速试验下得到的逐秒发动机扭矩数据进行卡方检验,每个载重条件的卡方检验基准值为对应载重量和对应车速下的扭矩平均值,选取卡方值较小的前95%作为备选数据,根据不同载重量划分为13类载重样本库,每一类所述载重样本库下包括不同组所述匀速片段车速下对应的备选数据。
卡方检验计算公式为,其中,/>表示一个载重条件的卡方值,T表示该载重条件下每个所述匀速片段车速下的逐秒发动机扭矩,/>表示该载重条件和车速下的扭矩平均值。
求某个载重条件下某组所述匀速片段对应的平均扭矩的方法:使用该载重条件对应的该类载重样本库中的该组所述匀速片段下对应的备选数据求平均值,便可得到该载重条件下该组所述匀速片段对应的平均扭矩,该方法的目的为:数据选取可保证选择具有代表性的数据。
求某个载重条件下某组所述匀速片段对应的平均车速的方法:在转毂试验中,将每组所述匀速片段中的逐秒车速求平均值得到该组匀速片段对应的平均车速。
步骤S2为基于有向无环-支持向量机二分类器算法进行模型训练,具体包括以下步骤:
S21、载重预测模型构建:
S211、根据所述训练样本集中的载重条件个数(载重样本库类数),该实施例中为13个/类,基于有向无环方法,共构建k(k-1)/2个二分类器,其中k为载重条件个数(载重样本库类数),即整个有向无环共需78个支持向量机二分类器;
支持向量机主要在空间中用于将数据从低维空间映射到高维空间,在空间中找到一个平面将数据划分为两类,平面在空间的函数为,式中:m为各载重量对应的车速和扭矩样本向量,w为权值,b为偏移量。为得到空间中一个理想平面,需使得样本与该平面保持一定间隔,进行有效划分,此间隔为2/|w|。
S212、利用有向无环法,进行不同层的支持向量机二分类器构建。有向无环方法整体构建层数共计k-1层,其中k值等于13,即有向无环方法整体构建层数为12层,如图3所示。各层由上到下所含支持向量机二分类器个数分别为:1,2,......,11,12个。
请参考图3所示,第一层的1个支持向量机二分类器将第l类载重样本库和第13类载重样本库进行划分;
第二层的第一个支持向量机二分类器将第l类载重样本库和第12类载重样本库进行划分,第二层的第二个支持向量机二分类器将第2类载重样本库和第13类载重样本库进行划分;
以此类推,最后一层共含12个支持向量机二分类器,最终将13类载重样本库进行划分。
具体地,图3中k表示第13类载重样本库,非k表示不是第13类载重样本库,非k-1表示不是第12类载重样本库,以此类推,not3表示不是第3类载重样本库,图中i表示1-k之间的第i类载重样本库。
S22、载重预测模型训练:
S221、将13次转毂试验中每组所述匀速片段对应的平均车速及平均扭矩作为输入,对应13个载重条件的载重量作为输出,分别记作1~13,即0%最大载重量的载重条件的对应编号为1,10%最大载重量的载重条件的对应编号为2,......,120%最大载重量的载重条件的对应编号为13。利用有向无环-支持向量机二分类器算法对数据进行训练;
S222、根据对试验车辆的预测结果通过下式计算均方差损失函数:;式中:E为预测精度,K为匀速片段的数量,/>为第l个试验车辆的预测结果,P为试验车辆的对应真实载重;
S223、根据预测精度利用拉格朗日乘子法对w和b进行调整;
重复进行步骤S221~步骤S223,提高预测精度,直至预测精度不发生变化。
在一优选实施例中,对待预测车辆进行实际道路测试,得到多个碎片段对应的平均车速及平均扭矩,至少包括以下步骤:
获取测试过程中每秒下的车速、扭矩及实际道路的坡度;
挑选维持时长大于或等于5s的匀速平坡时段作为所述碎片段;
计算各所述碎片段中每秒下车速的平均值作为所述碎片段对应的平均车速,每秒下扭矩的平均值作为所述碎片段对应的平均扭矩。
在一优选实施例中,所述坡度由加速度传感器和角速度传感器通过捷联算法计算得到。
在一优选实施例中,所述匀速平坡时段内,所述待预测车辆的加速度绝对值小于0.15m/s2,实际道路的坡度绝对值小于0.5%。
所述碎片段的提取方式如图4所示,因为转毂试验时,工况曲线为匀速,且未对坡度进行设置,因此在对待预测车辆进行实际道路测试时,对匀速定义为加速度|a|<0.15m/s2,平坡定义为坡度|p|<0.5%,以与所述载重预测模型的输入形式相同,保证输入相同,输出才能准确,以提升预测载重的准确度。
在一优选实施例中,得到每个碎片段对应的载重预测值之后,通过以下步骤进而得到预测结果:
依照正态分布原则,选取15.87%到84.13%范围内的载重预测值;
对该范围内的所有所述载重预测值求平均值作为所述预测结果。
在一优选实施例中,计算不同行驶里程在不同载重条件下的劣化修正系数的方法,包括以下步骤:
选取多个参照车辆进行不同载重的参照转毂试验,得到每个参照车辆在不同载重条件下的参照扭矩平均值;各所述参照车辆的行驶里程不同;
对其中一个参照车辆,将对应载重条件下的所述参照扭矩平均值除以所述试验车辆的试验扭矩平均值得到该所述参照车辆对应的行驶里程在每个载重条件下的劣化修正系数。
具体地,所述试验车辆在某一所述载重条件下的试验扭矩平均值的获取方法:在该所述载重条件对应的该类载重样本库中,对每个车速试验下的备选数据求取平均数得到该所述载重条件下的试验扭矩平均值。
具体地,为降低试验成本,选取多个行驶里程在10000-500000公里范围内的同款车型作为参照车辆,分别进行不同载重下的转毂试验,所述参照车辆的转毂试验与所述试验车辆的转毂试验处理方法相同,选取不同车速下的扭矩数据进行卡方检验,卡方检验基准值为对应车速下的参照扭矩平均值,选取卡方值较小的前95%作为参照备选数据;基于所述参照备选数据也构建13类参照载重样本库。
某个所述参照车辆在某一所述载重条件下的所述参照扭矩平均值的获取方法:在该所述载重条件对应的该类参照载重样本库中,对每个车速试验下的参照备选数据求取平均数得到该参照车辆对应的行驶里程在该所述载重条件下的参照扭矩平均值。
劣化修正的工作目的:由于车辆的行驶里程数达到一定程度时,车辆在相同载重和车速的条件下,自身传动效率下降,需要更大的扭矩对车辆进行驱动,这样的实际工况导致预测精度的下降,因此需对模型输出的预测载重进行修正,其中不同载重下的劣化系数值计算公式为:,式中:/>表示h行驶里程下的劣化修正系数,/>表示h行驶里程的参照车辆在不同载重条件下的参照扭矩平均值,S为试验车辆对应载重下的试验扭矩平均值。
在一优选实施例中,将不同所述参照车辆对应的行驶里程在不同载重条件下的劣化修正系数进行多项式拟合,得到拟合公式,所述拟合公式为:
其中,x表示待预测车辆的行驶里程,u表示该行驶里程下的劣化修正系数。
具体地,基于多项式拟合的一个形式公式进行多项式拟合,得到所述拟合公式,拟合曲线如图5所示,由于拟合曲线自动生成拟合公式,图5中展示的拟合公式与上述拟合公式相同,图中自动生成的拟合公式将u表示为y,y后的公式则为科学计数法表示的形式,图中/>表示拟合公式的误差。
在一优选实施例中,利用如下公式对所述预测结果进行修正:
其中,表示修正结果,/>表示预测结果,u表示待预测车辆的行驶里程下的劣化修正系数。
具体地,对所述载重预测模型输出的预测结果,基于该所述待预测车辆的行驶里程对其进行进一步修正,考虑到了实际工况下的传动效率降低的问题,该方法不仅将车辆实际道路的情况考虑在内,也将车辆自身的情况考虑在内,预测结果更准确,可参考性更强。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种基于转毂数据的车辆载重预测方法,其特征在于,包括以下步骤:
对试验车辆进行不同载重的转毂试验:在每个载重条件下,进行多组匀速片段试验,得到训练样本集;所述训练样本集至少包括不同载重条件的载重量,以及在每个载重条件下,每组所述匀速片段对应的平均车速及平均扭矩;
载重预测模型训练:将各组所述匀速片段对应的平均车速及平均扭矩作为输入,载重量作为输出,训练得到载重预测模型;
劣化系数修正:根据不同行驶里程在不同载重条件下的劣化修正系数,得到拟合公式,所述拟合公式用于获取任意行驶里程下对应的劣化修正系数;
预测载重:对待预测车辆进行实际道路测试,得到多个碎片段对应的平均车速及平均扭矩,将每个所述碎片段对应的平均车速及平均扭矩输入至所述载重预测模型,得到每个碎片段对应的载重预测值,进而得到预测结果,利用所述拟合公式获得所述待预测车辆行驶里程对应的劣化修正系数,再利用该劣化修正系数对所述预测结果进行修正,得到修正结果。
2.根据权利要求1所述的基于转毂数据的车辆载重预测方法,其特征在于,对待预测车辆进行实际道路测试,得到多个碎片段对应的平均车速及平均扭矩,至少包括以下步骤:
获取测试过程中每秒下的车速、扭矩及实际道路的坡度;
挑选维持时长大于或等于5s的匀速平坡时段作为所述碎片段;
计算各所述碎片段中每秒下车速的平均值作为所述碎片段对应的平均车速,每秒下扭矩的平均值作为所述碎片段对应的平均扭矩。
3.根据权利要求2所述的基于转毂数据的车辆载重预测方法,其特征在于,所述坡度由加速度传感器和角速度传感器通过捷联算法计算得到。
4.根据权利要求2所述的基于转毂数据的车辆载重预测方法,其特征在于,所述匀速平坡时段内,所述待预测车辆的加速度绝对值小于0.15m/s2,实际道路的坡度绝对值小于0.5%。
5.根据权利要求1所述的基于转毂数据的车辆载重预测方法,其特征在于,得到每个碎片段对应的载重预测值之后,通过以下步骤进而得到预测结果:
依照正态分布原则,选取15.87%到84.13%范围内的载重预测值;
对该范围内的所有所述载重预测值求平均值作为所述预测结果。
6.根据权利要求1所述的基于转毂数据的车辆载重预测方法,其特征在于,计算不同行驶里程在不同载重条件下的劣化修正系数的方法,包括以下步骤:
选取多个参照车辆进行不同载重的参照转毂试验,得到每个参照车辆在不同载重条件下的参照扭矩平均值;各所述参照车辆的行驶里程不同;
对其中一个参照车辆,将对应载重条件下的所述参照扭矩平均值除以所述试验车辆的试验扭矩平均值得到该所述参照车辆对应的行驶里程在每个载重条件下的劣化修正系数。
7.根据权利要求6所述的基于转毂数据的车辆载重预测方法,其特征在于,将不同所述参照车辆对应的行驶里程在不同载重条件下的劣化修正系数进行多项式拟合,得到拟合公式,所述拟合公式为:
其中,x表示待预测车辆的行驶里程,u表示该行驶里程下的劣化修正系数。
8.根据权利要求1所述的基于转毂数据的车辆载重预测方法,其特征在于,利用如下公式对所述预测结果进行修正:
其中,表示修正结果,/>表示预测结果,u表示待预测车辆的行驶里程下的劣化修正系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953466.2A CN116662897B (zh) | 2023-08-01 | 2023-08-01 | 一种基于转毂数据的车辆载重预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953466.2A CN116662897B (zh) | 2023-08-01 | 2023-08-01 | 一种基于转毂数据的车辆载重预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662897A true CN116662897A (zh) | 2023-08-29 |
CN116662897B CN116662897B (zh) | 2023-10-20 |
Family
ID=87721066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310953466.2A Active CN116662897B (zh) | 2023-08-01 | 2023-08-01 | 一种基于转毂数据的车辆载重预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662897B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494585A (zh) * | 2023-12-29 | 2024-02-02 | 中汽研汽车检验中心(天津)有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
CN107901916A (zh) * | 2017-11-15 | 2018-04-13 | 康明斯天远(河北)科技有限公司 | 一种无需增装传感器的车辆载重获取方法 |
CN111564212A (zh) * | 2020-05-07 | 2020-08-21 | 中南大学 | 一种用于辅助医疗系统的决策模型建立方法 |
CN112819031A (zh) * | 2021-01-04 | 2021-05-18 | 中国汽车技术研究中心有限公司 | 车载重量预测方法及系统、电子设备、介质 |
CN114386892A (zh) * | 2021-11-30 | 2022-04-22 | 江铃汽车股份有限公司 | 运输车辆载重管理方法、系统、存储介质及设备 |
CN114954494A (zh) * | 2022-06-14 | 2022-08-30 | 广西玉柴机器股份有限公司 | 一种重型商用车辆载重快速估计方法 |
-
2023
- 2023-08-01 CN CN202310953466.2A patent/CN116662897B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
CN107901916A (zh) * | 2017-11-15 | 2018-04-13 | 康明斯天远(河北)科技有限公司 | 一种无需增装传感器的车辆载重获取方法 |
CN111564212A (zh) * | 2020-05-07 | 2020-08-21 | 中南大学 | 一种用于辅助医疗系统的决策模型建立方法 |
CN112819031A (zh) * | 2021-01-04 | 2021-05-18 | 中国汽车技术研究中心有限公司 | 车载重量预测方法及系统、电子设备、介质 |
CN114386892A (zh) * | 2021-11-30 | 2022-04-22 | 江铃汽车股份有限公司 | 运输车辆载重管理方法、系统、存储介质及设备 |
CN114954494A (zh) * | 2022-06-14 | 2022-08-30 | 广西玉柴机器股份有限公司 | 一种重型商用车辆载重快速估计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494585A (zh) * | 2023-12-29 | 2024-02-02 | 中汽研汽车检验中心(天津)有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
CN117494585B (zh) * | 2023-12-29 | 2024-04-02 | 中汽研汽车检验中心(天津)有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116662897B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689723B (zh) | 基于功率分布与自学习的货车超载识别方法 | |
CN116662897B (zh) | 一种基于转毂数据的车辆载重预测方法 | |
CN108871788B (zh) | 一种自动变速器换挡品质测试台架的校验方法 | |
CN110702427B (zh) | 汽车行驶带挡滑行系统阻力检测方法 | |
CN109760682B (zh) | 一种纯电动车辆爬坡扭矩估算方法和控制方法及其系统 | |
CN112406888B (zh) | 一种汽车重量计算方法及相关装置 | |
CN114954494B (zh) | 一种重型商用车辆载重快速估计方法 | |
CN109760683B (zh) | 一种分布式驱动的纯电动车辆爬坡扭矩控制方法及系统 | |
CN116702096B (zh) | 车辆高原环境道路滑行阻力测算方法及装置 | |
CN104089666B (zh) | 汽车等速百公里油耗模拟计算检测方法 | |
CN114662954A (zh) | 车辆性能评估系统 | |
CN111198032A (zh) | 汽车质量实时估算方法 | |
CN112319481A (zh) | 一种基于油量的车辆质量估算和坡度自动识别方法 | |
CN113378425B (zh) | 基于雨流计数法的汽车换热器产品疲劳寿命测试方法 | |
CN116821775A (zh) | 一种基于机器学习的载重估计方法 | |
US6691011B1 (en) | Method of estimating vehicle deceleration during a transmission gear shift | |
CN116756986A (zh) | 一种驱动电机稳态可靠性测试工况构建方法及系统 | |
CN111696350B (zh) | 一种基于运营监测数据的电动公交车本地工况评价方法 | |
CN115503736A (zh) | 一种基于发动机扭矩估算的汽车质量估计方法 | |
CN115618294A (zh) | 一种车联网行驶大数据异常标记方法及电子设备 | |
CN110410187B (zh) | 车辆排放预测系统和方法 | |
CN114357624B (zh) | 一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法 | |
CN113232664B (zh) | 一种电动车辆行驶路况实时坡度的测量方法及测量系统 | |
CN114674576B (zh) | 一种叉车制动性能试验方法及装置 | |
CN112109727B (zh) | 一种面向露天矿区无人驾驶车辆的制动力标定方法 |
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 |