CN116663164A - 盘式刹车片的重量评估方法、装置、电子设备及车辆 - Google Patents
盘式刹车片的重量评估方法、装置、电子设备及车辆 Download PDFInfo
- Publication number
- CN116663164A CN116663164A CN202210986657.4A CN202210986657A CN116663164A CN 116663164 A CN116663164 A CN 116663164A CN 202210986657 A CN202210986657 A CN 202210986657A CN 116663164 A CN116663164 A CN 116663164A
- Authority
- CN
- China
- Prior art keywords
- vehicle type
- disc brake
- weight
- vehicle
- brake pad
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
本公开提供了一种盘式刹车片的重量评估方法、装置、电子设备及车辆,涉及数据处理技术领域,该方法包括:获取车型数据库内已发布车型的车型数据,已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型,车型数据至少包括整备质量以及盘式刹车片重量;基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;获取目标车辆的目标整备质量,并根据目标关系确定目标车辆关于盘式刹车片重量的预估值。通过本公开,能够改善通过对标车盘式刹车片重量来推导盘式刹车片重量的方式,对对标车的数量及选取要求较高,当对标车数据无法获导致数据不足时,无法准确预估盘式刹车盘的重量的技术问题。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种盘式刹车片的重量评估方法、装置、电子设备及车辆。
背景技术
盘式刹车片为与车辆的轮胎固定在一起,并同速转动的圆盘片,和卡钳配合对车辆进行制动。新车型开发过程中,盘式刹车片重量的评估准确性直接关系到底盘重量目标的达成。
行业内对盘式刹车片重量的评估一般会通过对标车盘式刹车片重量来推导。即根据两辆对标车,对刹车盘重量求取平均值,将平均值作为新开发车型刹车盘重量的预估值。然而此评估方法主要依据对标车数据,对标车直接决定了新开发车型盘式刹车片的重量,当对标车数量不足和选取不当时,则无法准确评估新开发车型盘式刹车片的重量。
发明内容
有鉴于此,本申请提供了一种盘式刹车片的重量评估方法、装置、电子设备及车辆,主要目的在于改善当前行业内通过对标车盘式刹车片重量来推导盘式刹车片重量的方式,对对标车的数量及选取要求较高,当对标车数据无法获导致数据不足时,无法准确预估盘式刹车盘的重量的技术问题。
根据本公开的第一个方面,提供了一种盘式刹车片的重量评估方法,包括:
获取车型数据库内已发布车型的车型数据,其中,所述已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型,所述车型数据至少包括整备质量以及盘式刹车片重量;
基于所述已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;
获取目标车辆的目标整备质量,并根据所述目标关系确定所述目标车辆关于盘式刹车片重量的预估值。
在本公开的一些实施例中,所述基于所述已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系,包括;
基于所述已发布车型的车型数据,利用最小二乘法对整备质量与盘式刹车片重量进行拟合,确定拟合回归曲线以及所述拟合回归线对应的回归方程;
将所述拟合回归线对应的回归方程确定为所述整备质量与所述盘式刹车片重量的目标关系。
在本公开的一些实施例中,所述根据所述目标关系确定所述目标车辆关于盘式刹车片重量的预估值,包括:
将所述目标整备质量代入所述拟合回归线对应的回归方程,计算得到目标车辆关于盘式刹车片重量的预估值。
在本公开的一些实施例中,所述方法还包括:
获取行业内已发布车型的车型数据,所述车型数据至少包括整备质量以及盘式刹车片重量;
构建包含所述已发布车型的车型数据的车型数据库。
在本公开的一些实施例中,所述方法还包括:
根据新发布车型的车型数据实时更新所述车型数据库,所述新发布车型为当前时间点距离发布时间点的时间间隔小于第二预设时长阈值的发布车型,其中,所述第二预设时长阈值小于或等于所述第一预设时长阈值;
所述获取车型数据库内已发布车型的车型数据,所述车型数据至少包括整备质量以及盘式刹车片重量,包括:
在更新的车型数据库内获取已发布车型的车型数据,所述车型数据至少包括整备质量以及盘式刹车片重量。
在本公开的一些实施例中,所述车型数据库内的已发布车型中至少包括所述目标车辆的对标车车型,所述对标车车型为所述目标车辆在开发时,用于参考开发性能参数的发布车型。
根据本公开的第二个方面,提供了一种盘式刹车片的重量评估装置,该装置包括:
获取模块,用于获取车型数据库内已发布车型的车型数据,其中,所述已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型,所述车型数据至少包括整备质量以及盘式刹车片重量;
确定模块,用于基于所述已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;
计算模块,用于获取目标车辆的目标整备质量,并根据所述目标关系确定所述目标车辆关于盘式刹车片重量的预估值。
根据本公开的第三个方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述第一方面的方法。
根据本公开的第四个方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行前述第一方面的方法。
根据本公开的第五个方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如前述第一方面的方法。
根据本公开的第六个方面,提供一种车辆,其包括至少一个处理器以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如前述第一方面的方法。
本公开提供的盘式刹车片的重量评估方法、装置、电子设备及车辆,可首先通过获取车型数据库内已发布车型的至少包括整备质量以及盘式刹车片重量的车型数据;进一步可基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;在获取目标车辆的目标整备质量后,根据整备质量与盘式刹车片重量的目标关系确定目标车辆关于盘式刹车片重量的预估值。通过本公开的方案,可通过大数据进行盘式刹车片重量的评估,大数据不仅仅依赖于对标车,而是从全行业已有数据来推算,避免了仅有两车对标车的不足问题,进而可准确、合理的评估新开发车型盘式刹车片的重量。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。应当理解的是,附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例所提供的一种盘式刹车片的重量评估方法的流程示意图;
图2为本公开另一实施例所提供的一种盘式刹车片的重量评估方法的流程示意图;
图3为本公开实施例所提供的一种整备质量与盘式刹车片重量的拟合回归线的实例示意图;
图4为本公开实施例提供的一种盘式刹车片的重量评估装置的结构示意图;
图5为本公开实施例提供的一种盘式刹车片的重量评估装置的结构示意图;
图6为本公开实施例提供的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的盘式刹车片的重量评估方法、装置、电子设备及车辆。
相关技术中,对盘式刹车片重量的评估一般会通过对标车盘式刹车片重量来推导。即根据两辆对标车,对刹车盘重量求取平均值,将平均值作为新开发车型刹车盘重量的预估值。然而此评估方法主要依据对标车数据,对标车直接决定了新开发车型盘式刹车片的重量,当对标车数量不足和选取不当时,则无法准确评估新开发车型盘式刹车片的重量。
为进行上述技术问题的解决,本公开提供一种盘式刹车片的重量评估方法、装置、电子设备及车辆,能够改善当前行业内通过对标车盘式刹车片重量来推导盘式刹车片重量的方式,对对标车的数量及选取要求较高,当对标车数据无法获导致数据不足时,无法准确预估盘式刹车盘的重量的技术问题。如图1所说,本公开的实施例提供一种盘式刹车片的重量评估方法,包括:
101、获取车型数据库内已发布车型的车型数据,车型数据至少包括整备质量以及盘式刹车片重量。
其中,已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型。
对于本公开实施例,可首先搜集行业内所有已发布车型的车型数据,在车型数据中提取各个车型对应的整备质量以及盘式刹车片重量。
102、基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系。
其中,大数据推算算法可为最小二乘法。
对于本公开实施例,根据经验发现整备质量与盘式刹车片重量之间具有线性关系,故在基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系时,可利用最小二乘法最小化每个车型数据对应数据点到线的垂直偏差平方和来计算最佳拟合线。进而将最佳拟合线对应的回归方程确定为整备质量与盘式刹车片重量对应目标关系的关系表达式。在最佳拟合线对应的回归方程中,将整备质量作为自变量X,将盘式刹车片重量作为因变量Y。其中,回归方程的公式描述为:Y=a+b*X,式中,a表示截距,b表示最佳拟合线的斜率。具体可利用最小二乘法,计算得到回归方程中的a与b:
103、获取目标车辆的目标整备质量,并根据目标关系确定目标车辆关于盘式刹车片重量的预估值。
其中,目标车辆为已知目标整备质量的任意一种新开发车型。
对于本公开实施例,在基于实施例步骤102计算得到整备质量与盘式刹车片重量的目标关系后,在评估具体目标车辆的盘式刹车片重量时,可直接将目标车辆的整备质量作为自变量带入上述用于表征目标关系的拟合回归线的回归方程,进而可直接计算得到目标车辆关于盘式刹车片重量的预估值。
综上,根据本公开提供的盘式刹车片的重量评估方法,可首先通过获取车型数据库内已发布车型的至少包括整备质量以及盘式刹车片重量的车型数据;进一步可基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;在获取目标车辆的目标整备质量后,根据整备质量与盘式刹车片重量的目标关系确定目标车辆关于盘式刹车片重量的预估值。通过本公开的方案,可通过大数据进行盘式刹车片重量的评估,大数据不仅仅依赖于对标车,而是从全行业已有数据来推算,避免了仅有两车对标车的不足问题,进而可准确、合理的评估新开发车型盘式刹车片的重量。
进一步的,作为上述实施例的细化和扩展,为了完整说明本实施例方法的具体实现过程,本实施例提供了如图2所示的具体方法,该方法包括:
201、获取行业内已发布车型的车型数据,车型数据至少包括整备质量以及盘式刹车片重量,构建包含已发布车型的车型数据的车型数据库。
其中,在车型数据库中,如表1所示,可将已发布车型的车型数据按照车型一一对应存储整备质量以及盘式刹车片重量。对于本公开的实施例,为保证对目标车辆的盘式刹车片重量的精准预估,作为一种优选的实施方式,车型数据库内的已发布车型中可至少包括目标车辆的对标车车型。其中,对标车车型为在开发目标车辆时,开发性能参数所参考的车辆型号,对标车辆的性能参数作为目标车辆开发的主要参考指标,故对标车车型的车型数据相比于其他已发布车型的车型数据,更为适配目标车辆,依据对标车车型的车型数据确定的整备质量与盘式刹车片重量的关系表达式,更能符合目标车辆的真实开发需求,进而能够保证目标车辆所预估盘式刹车片重量的准确率。
表1:
车型 | 整备质量/kg | 盘式刹车片重量/kg |
基础车-1 | 954.5 | 14.003 |
基础车-2 | 998.6 | 15.12 |
基础车-3 | 1006.6 | 17.527 |
基础车-4 | 1068.5 | 15.669 |
基础车-5 | 1078.25 | 18.73 |
基础车-6 | 1079.5 | 14.999 |
基础车-7 | 1084 | 19.029 |
基础车-8 | 1093.6 | 18.613 |
基础车-9 | 1101.5 | 16.876 |
基础车-10 | 1108 | 18.999 |
… | … | … |
202、获取车型数据库内已发布车型的车型数据,车型数据至少包括整备质量以及盘式刹车片重量。
其中,已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型。
对于本公开的实施例,在获取车型数据库内已发布车型的车型数据时,作为一种可选的实施方式,可在车型数据库中提取所有已发布车型的车型数据;作为一种可能的实施方式,可在车型数据库中提取与目标车辆对应车辆型号匹配的车型数据,和/或,在车型数据库中提取目标车辆的对标车车型的车型数据。
在具体的应用场景中,车型数据库可随新发布车型的出现,实时进行动态的更新,以不断丰富车型数据库中的数据量,为盘式刹车片的重量评估提供稳固的数据基础。新发布车型为当前时间点距离发布时间点的时间间隔小于第二预设时长阈值的发布车型,其中,第二预设时长阈值小于或等于第一预设时长阈值。对于第一预设时长阈值、第二预设时长阈值可根据实际应用场景设置具体的数值,在此不进行具体的限定。对于本公开实施例,鉴于车型数据库会随新发布车型的出现而不断发生更新,故本实施例在获取车型数据库内已发布车型的车型数据时,可不断获取最新更新完成的车型数据库,在更新的车型数据库中获取已发布车型的车型数据,以便基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的关系表达式。
203、基于已发布车型的车型数据,利用最小二乘法对整备质量与盘式刹车片重量进行拟合,确定拟合回归曲线以及拟合回归线对应的回归方程。
对于本公开实施例,根据经验发现整备质量与盘式刹车片重量之间具有线性关系,故在基于实施例步骤202提取出已发布车型的车型数据后,可利用最小二乘法最小化每个车型数据对应数据点到线的垂直偏差平方和来计算最佳拟合回归线,以及拟合回归线对应的回归方程,进一步利用回归方程表征整备质量与盘式刹车片重量的目标关系。其中,在计算整备质量与盘式刹车片重量的拟合回归线,以及拟合回归线对应的回归方程时,可参考图3所示的整备质量与盘式刹车片重量的拟合回归线的实例示意图,可首先将整备质量作为拟合回归线中的X轴,将盘式刹车片重量作为拟合回归线中的Y轴;进一步将各个车型数据作为数据点,依据各个车型数据中的整备质量与盘式刹车片重量确定各个数据点在对应坐标中的位置;之后利用最小二乘法最小化每个车型数据对应数据点到线的垂直偏差平方和来计算最佳拟合回归线。实例性的,可得到拟合回归线对应的回归方程为:Y=0.0194*X-4.2934。
204、获取目标车辆的目标整备质量,将目标整备质量代入拟合回归线对应的回归方程,计算得到目标车辆关于盘式刹车片重量的预估值。
承接实施例步骤203的实例,若计算得到拟合回归线对应的回归方程,即整备质量与刹车片重量的关系表达式为:Y=0.0194*X-4.2934。对于本公开实施例,获取到目标车辆的目标整备质量为1450kg,将目标整备质量代入拟合回归线对应的回归方程:Y=0.0194*1450-4.2934,进一步可计算得到目标车辆关于盘式刹车片重量的预估值为23.8kg。
综上,根据本公开提供的盘式刹车片的重量评估方法,可首先基于行业内已发布车型的车型数据构建车型数据库,进一步基于车型数据库内已发布车型的至少包括整备质量以及盘式刹车片重量的车型数据,根据最小二乘法计算整备质量与盘式刹车片重量的拟合回归线,以及拟合回归线对应的回归方程,将回归方程确定为整备质量与盘式刹车片重量关于目标关系的关系表达式;之后根据整备质量与盘式刹车片重量的关系表达式,计算目标车辆关于盘式刹车片重量的预估值。通过本公开的方案,可通过大数据进行盘式刹车片重量的评估,大数据不仅仅依赖于对标车,而是从全行业已有数据来推算,避免了仅有两车对标车的不足问题,进而可准确、合理的评估新开发车型盘式刹车片的重量。
基于上述图1-图2所示方法的具体实现,本实施例提供了一种盘式刹车片的重量评估装置,如图4所示,该装置包括:获取模块31、确定模块32、计算模块33。
获取模块31,可用于获取车型数据库内已发布车型的车型数据,其中,已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型,车型数据至少包括整备质量以及盘式刹车片重量;
确定模块32,可用于基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;
计算模块33,可用于获取目标车辆的目标整备质量,并根据目标关系确定目标车辆关于盘式刹车片重量的预估值。
在本公开的一些实施例中,在基于已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系时,确定模块32,具体可用于基于已发布车型的车型数据,利用最小二乘法对整备质量与盘式刹车片重量进行拟合,确定拟合回归曲线以及拟合回归线对应的回归方程;将拟合回归线对应的回归方程确定为整备质量与盘式刹车片重量的目标关系。
在本公开的一些实施例中,在根据目标关系确定目标车辆关于盘式刹车片重量的预估值时,计算模块33,具体可用于将目标整备质量代入拟合回归线对应的回归方程,计算得到目标车辆关于盘式刹车片重量的预估值。
在本公开的一些实施例中,如图5所示,该装置还包括:构建模块34;
构建模块34,可用于获取行业内已发布车型的车型数据,车型数据至少包括整备质量以及盘式刹车片重量;构建包含已发布车型的车型数据的车型数据库。
在本公开的一些实施例中,如图5所示,该装置还包括:更新模块35;
更新模块35,可用于根据新发布车型的车型数据实时更新车型数据库,新发布车型为当前时间点距离发布时间点的时间间隔小于第二预设时长阈值的发布车型,其中,第二预设时长阈值小于或等于第一预设时长阈值;
在本公开的一些实施例中,获取模块31,具体可用于在更新的车型数据库内获取已发布车型的车型数据,车型数据至少包括整备质量以及盘式刹车片重量。
在本公开的一些实施例中,车型数据库内的已发布车型中至少包括目标车辆的对标车车型,对标车车型为目标车辆在开发时,用于参考开发性能参数的发布车型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开的实施例,可首先基于行业内已发布车型的车型数据构建车型数据库,进一步基于车型数据库内已发布车型的至少包括整备质量以及盘式刹车片重量的车型数据,根据最小二乘法计算整备质量与盘式刹车片重量的拟合回归线,以及拟合回归线对应的回归方程,将回归方程确定为整备质量与盘式刹车片重量关于目标关系的关系表达式;之后根据整备质量与盘式刹车片重量的关系表达式,计算目标车辆关于盘式刹车片重量的预估值。通过本公开的方案,可通过大数据进行盘式刹车片重量的评估,大数据不仅仅依赖于对标车,而是从全行业已有数据来推算,避免了仅有两车对标车的不足问题,进而可准确、合理的评估新开发车型盘式刹车片的重量。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如车辆的车机系统,其还可能是具有显示屏幕的智能终端,例如手机、平板电脑、TV、智能车载系统、膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的具有盘式刹车片的重量评估的设备。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)602中的计算机程序或者从存储单元608加载到RAM(Random AccessMemory,随机访问/存取存储器)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。I/O(Input/Output,输入/输出)接口606也连接至总线604。
设备600中的多个部件连接至I/O接口606,包括:输入单元606,例如触摸输入屏、语音输入等;输出单元606,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如数据管理方法。例如,在一些实施例中,数据管理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述盘式刹车片的重量评估方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开的实施例还提供一种车辆,其可以包括上述电子设备,或其包括如上的至少一个处理器以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开前述盘式刹车片的重量评估方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (11)
1.一种盘式刹车片的重量评估方法,其特征在于,所述方法包括:
获取车型数据库内已发布车型的车型数据,其中,所述已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型,所述车型数据至少包括整备质量以及盘式刹车片重量;
基于所述已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;
获取目标车辆的目标整备质量,并根据所述目标关系确定所述目标车辆关于盘式刹车片重量的预估值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系,包括;
基于所述已发布车型的车型数据,利用最小二乘法对整备质量与盘式刹车片重量进行拟合,确定拟合回归曲线以及所述拟合回归线对应的回归方程;
将所述拟合回归线对应的回归方程确定为所述整备质量与所述盘式刹车片重量的目标关系。
3.根据权利要求2所述的方法。其特征在于,所述根据所述目标关系确定所述目标车辆关于盘式刹车片重量的预估值,包括:
将所述目标整备质量代入所述拟合回归线对应的回归方程,计算得到目标车辆关于盘式刹车片重量的预估值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取行业内已发布车型的车型数据,所述车型数据至少包括整备质量以及盘式刹车片重量;
构建包含所述已发布车型的车型数据的车型数据库。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据新发布车型的车型数据实时更新所述车型数据库,所述新发布车型为当前时间点距离发布时间点的时间间隔小于第二预设时长阈值的发布车型,其中,所述第二预设时长阈值小于或等于所述第一预设时长阈值;
所述获取车型数据库内已发布车型的车型数据,所述车型数据至少包括整备质量以及盘式刹车片重量,包括:
在更新的车型数据库内获取已发布车型的车型数据,所述车型数据至少包括整备质量以及盘式刹车片重量。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述车型数据库内的已发布车型中至少包括所述目标车辆的对标车车型,所述对标车车型为所述目标车辆在开发时,用于参考开发性能参数的发布车型。
7.一种盘式刹车片的重量评估装置,其特征在于,包括:
获取模块,用于获取车型数据库内已发布车型的车型数据,其中,所述已发布车型为当前时间点距离发布时间点的时间间隔大于第一预设时长阈值的发布车型,所述车型数据至少包括整备质量以及盘式刹车片重量;
确定模块,用于基于所述已发布车型的车型数据,根据大数据推算算法确定整备质量与盘式刹车片重量的目标关系;
计算模块,用于获取目标车辆的目标整备质量,并根据所述目标关系确定所述目标车辆关于盘式刹车片重量的预估值。
8.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
11.一种车辆,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210986657.4A CN116663164A (zh) | 2022-08-17 | 2022-08-17 | 盘式刹车片的重量评估方法、装置、电子设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210986657.4A CN116663164A (zh) | 2022-08-17 | 2022-08-17 | 盘式刹车片的重量评估方法、装置、电子设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663164A true CN116663164A (zh) | 2023-08-29 |
Family
ID=87717683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210986657.4A Pending CN116663164A (zh) | 2022-08-17 | 2022-08-17 | 盘式刹车片的重量评估方法、装置、电子设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663164A (zh) |
-
2022
- 2022-08-17 CN CN202210986657.4A patent/CN116663164A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114387319B (zh) | 点云配准方法、装置、设备以及存储介质 | |
CN112949519A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN115797565A (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
JP2022095895A (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
CN114677653A (zh) | 模型训练方法、车辆关键点检测方法及相应的装置 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
CN116524165B (zh) | 三维表情模型的迁移方法、装置、设备和存储介质 | |
CN115691206B (zh) | 车位推荐方法、装置、设备以及存储介质 | |
CN116663164A (zh) | 盘式刹车片的重量评估方法、装置、电子设备及车辆 | |
CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN115544653A (zh) | 刚度仿真测试方法、装置、电子设备以及存储介质 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN115293366A (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
CN114625822A (zh) | 高精地图的更新方法、装置及电子设备 | |
CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
CN113723405A (zh) | 区域轮廓的确定方法、装置和电子设备 | |
CN112630736A (zh) | 路侧雷达的参数确定方法、装置、设备及存储介质 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN116991693B (zh) | 一种测试方法、装置、设备及存储介质 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN115984176A (zh) | 高精地图环境变更检测方法、装置、设备及自动驾驶车辆 | |
CN115017145A (zh) | 数据扩展方法、装置及存储介质 | |
CN118264657A (zh) | 动态更新下载超时时间的方法及装置、电子设备 |
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 |