CN118190439A - 车辆底盘健康评估方法及装置 - Google Patents
车辆底盘健康评估方法及装置 Download PDFInfo
- Publication number
- CN118190439A CN118190439A CN202211597131.3A CN202211597131A CN118190439A CN 118190439 A CN118190439 A CN 118190439A CN 202211597131 A CN202211597131 A CN 202211597131A CN 118190439 A CN118190439 A CN 118190439A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sensor
- wheel end
- chassis
- vibration
- 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
- 230000036541 health Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 83
- 239000003638 chemical reducing agent Substances 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000001133 acceleration Effects 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 150000002632 lipids Chemical class 0.000 claims description 9
- 238000004901 spalling Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 239000002923 metal particle Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 3
- 238000005461 lubrication Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 208000002697 Tooth Abrasion Diseases 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 21
- 238000007781 pre-processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 10
- 239000004519 grease Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 239000002245 particle Substances 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 208000004188 Tooth Wear Diseases 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000001845 vibrational spectrum Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005511 kinetic theory Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003380 quartz crystal microbalance Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000005303 weighing Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
提供了一种车辆底盘健康评估方法及装置,车辆底盘健康评估方法包括:通过振动传感器监测轮端和减速器中的至少一个的振动,其中,所述振动传感器安装在所述轮端和/或减速器上,获得车辆总质量信息,基于监测的轮端和减速器中的至少一个的振动以及车辆总质量信息,对车辆底盘进行健康评估。根据本公开的车辆底盘的健康评估方法,即使在车辆行驶时也能提供车辆底盘实时状态,避免因底盘引发重大安全事故。
Description
技术领域
本公开涉及车辆底盘健康评估方法及装置。
背景技术
车辆底盘能够支承、安装车辆引擎及其各组件、总成,成形车辆的整体造型,并接收引擎的动力,使车辆能够运动,保证车辆正常行驶。
当前,为了车辆底盘的健康,可以由维修工程师在车辆停车时通过表面观察(例如,组件磨损程度等)评估底盘状态,或者定期(每隔预定时间或每隔预定行驶里程)直接更换组件。然而,取决于光照条件以及维修工程师自身资历,通过表面观察对底盘进行评估存在较大不确定性。对于长途车辆,在非服务区路段停车进行底盘评估是不现实的。此外,定期直接更换组件增加了车辆运输的不必要成本。因此,需要一种能够自动地进行车辆底盘健康评估的方法及装置。
发明内容
根据本公开实施例,提供了一种车辆底盘健康评估方法及装置,通过振动传感器的监测数据以及车辆总质量信息,能够在车辆行驶时也能提供车辆底盘实时状态,避免因底盘引发重大安全事故。
根据本公开实施例,提供了车辆底盘健康评估方法,包括:通过振动传感器监测轮端和减速器中的至少一个的振动,其中,振动传感器安装在轮端和/或减速器上,获得车辆总质量信息,基于监测的轮端和减速器中的至少一个的振动以及车辆总质量信息,对车辆底盘进行健康评估。
根据本公开实施例的车辆底盘健康评估方法,其中,获得车辆总质量信息包括:通过加速度传感器监测车辆的加速度,通过车辆底盘电子控制单元获得车辆牵引力,以及基于车辆的加速度和牵引力来获得车辆总质量信息。
根据本公开实施例的车辆底盘健康评估方法,还包括:通过车辆底盘电子控制单元获得车辆状态信息,车辆状态信息包括车辆总里程数、车辆制动状态、车辆速度信息中的一个或多个,基于获得的车辆状态信息,以及监测的轮端和减速器中的至少一个的振动、车辆总质量信息,对车辆底盘进行健康评估。
根据本公开实施例的车辆底盘健康评估方法,其中,对车辆底盘进行健康评估还包括:基于监测的轮端和减速器中的至少一个的振动与至少一个其他传感器监测的监测数据的融合并结合车辆总质量信息以及车辆状态信息,对车辆底盘进行健康评估,其中,健康评估包括包括异常检测和/或故障诊断。
根据本公开实施例的车辆底盘健康评估方法,其中,至少一个其他传感器监测的监测数据包括以下各项中的一项或多项:通过安装在轮端和/或减速器上的温度传感器监测的轮端、减速器和减速器的油液中的至少一个的温度;通过安装在轮端上的速度传感器监测的轮端的旋转速度;通过安装在减速器中的油液传感器监测的减速器的油液的参数,其中,油液的参数包括以下至少一部分:油液的粘度、密度、介电常数、水含量、金属颗粒含量;通过安装在轮端和减速器中的至少一个包含的轴承中的脂传感器监测的轮端和减速器中的至少一个包含的轴承的脂参数,其中,脂参数包括以下至少一部分:微量水分、脂中的油的百分数、金属颗粒含量;通过安装在轮端和/或减速器上的声学传感器监测的轮端、减速器和底盘其他机械部件中至少一部分的异常声音。
根据本公开实施例的车辆底盘健康评估方法,其中,健康评估包括以下各项中的一项或多项:基于振动传感器与至少一个其他传感器的监测数据的融合并结合车辆总质量信息以及车辆状态信息,检测轮端和减速器中的至少一个包含的轴承的故障和/或与轮端相关的故障,其中,至少一个其他传感器包括声学传感器、温度传感器、速度传感器和脂传感器中的至少一个,其中,轮端和减速器中的至少一个包含的轴承的故障包括内圈剥落、外圈剥落、滚子元件剥落、保持架断裂、润滑失效,其中,与轮端相关的故障包括轮胎缺陷、轮胎不平衡、制动器抱死;基于振动传感器与至少一个其他传感器的监测数据的融合并结合车辆总质量信息以及车辆状态信息,检测减速器故障,其中,至少一个其他传感器包括声学传感器、温度传感器、速度传感器和油液传感器中的至少一个,其中,减速器故障包括油液异常、断齿、齿磨损;基于振动传感器与至少一个其他传感器的监测数据的融合并结合车辆总质量信息以及车辆状态信息,检测机械故障,其中,至少一个其他传感器包括声学传感器和速度传感器中的至少一个,其中,机械故障包括螺丝松动,底盘谐振器异常。
根据本公开实施例的车辆底盘健康评估方法,其中,融合包括以下各项中的一项或多项:向振动传感器和至少一个其他传感器的监测数据分配权重;基于至少一个其他传感器的监测数据,调整基于监测的轮端和减速器中的至少一个的振动来对车辆底盘进行的健康评估的结果。
根据本公开实施例的车辆底盘健康评估方法,其中,健康评估包括以下各项中的一项或多项:异常检测和/或故障诊断,其中,异常检测和/或故障诊断通过包括结合经典机理模型和/或机器学习模型的算法进行;向服务器上传用于对车辆底盘进行健康评估的待评估数据,待评估数据与振动传感器的监测数据相关联,从服务器接收底盘的早期故障以及估计底盘的剩余有用寿命,其中,底盘的早期故障以及估计底盘的剩余有用寿命基于待评估数据、通过经由大数据驱动和机器学习模型的算法进行。
根据本公开实施例,提供了车辆底盘健康评估装置,包括:振动传感器,被配置为监测轮端和减速器中的至少一个的振动,其中,振动传感器安装在轮端和/或减速器上;和控制单元,被配置为获得车辆总质量信息,基于监测的轮端和减速器中的至少一个的振动以及车辆总质量信息,对车辆底盘进行健康评估。根据本公开实施例的车辆底盘健康评估方法及装置,可以基于振动传感器的监测数据以及车辆总质量信息对车辆底盘进行健康评估,从而减少意外故障,或者降低维护成本。
附图说明
从以下结合附图的描述中,本公开的特定实施例的上述和其他方面、特征和优点将变得更加清晰,其中:
图1a为根据本公开的实施例的硬件示意图,
图1b为根据本公开的实施例的另一硬件示意图,
图1c为根据本公开的实施例的再一硬件示意图,
图1d为根据本公开的实施例的又一硬件示意图,
图2a为根据本公开的实施例的通过振动传感器的监测数据对车辆底盘进行健康评估的流程图,
图2b为根据本公开的实施例的通过振动传感器的监测数据以及车辆总质量信息对车辆底盘进行健康评估的另一流程图,
图2c为根据本公开的实施例的通过传感器的监测数据的融合对车辆底盘进行健康评估的另一流程图,
图2d为根据本公开的实施例的通过传感器的监测数据的融合以及车辆总质量信息对车辆底盘进行健康评估的另一流程图,
图2e为根据本公开的实施例的通过一些传感器的监测数据的融合、加速度传感器的监测数据、车辆状态信息对车辆底盘进行健康评估的另一流程图,
图3为根据本公开的实施例的传感器监测数据和车辆状态信息的数据流的示意图,
图4为根据加速度传感器127的监测数据和车辆的牵引力获得车辆总质量的示意图,
图5a为根据本公开的实施例的通过评估算法对车辆底盘进行健康评估的流程图,
图5b为根据本公开的实施例的通过评估算法对车辆底盘进行健康评估的另一流程图。
具体实施方式
在进行下面的详细描述之前,阐述贯穿本专利文件使用的某些单词和短语的定义可能是有利的。术语“包括”和“包含”及其派生词是指包括但不限于。术语“控制器”或“控制单元”是指控制至少一个操作的任何设备、系统或其一部分。这种控制器可以用硬件、或者硬件和软件和/或固件的组合来实施。与任何特定控制器相关联的功能可以是集中式的或分布式的,无论是本地的还是远程的。短语“至少一个”,当与项目列表一起使用时,意指可以使用所列项目中的一个或多个的不同组合,并且可能只需要列表中的一个项目。例如,“A、B、C中的至少一个”包括以下组合中的任意一个:A、B、C、A和B、A和C、B和C、A和B和C。
贯穿本专利文件提供了其他特定单词和短语的定义。本领域普通技术人员应该理解,在许多情况下,即使不是大多数情况下,这种定义也适用于这样定义的单词和短语的先前和将来使用。
以下结合附图描述本专利文档中的本公开的原理的各种实施例仅作为说明,并且不应以任何方式解释为限制本公开的范围。本领域技术人员将理解,本公开的原理可以在任何适当布置的系统或设备中实施。在一些情况下,说明书描述的动作可以按不同的顺序执行,并且仍然可以达到期望结果。此外,附图描绘的过程不一定要求所示的特定顺序或依次顺序来达到期望结果。在特定实施方式中,多任务和并行处理可能是有利的。
贯穿本公开所使用的车辆可以包括任何机动车辆,诸如轿车、牵引车(具有或不具有拖车)、公共汽车、休闲车、小型货车(minivan)或运动型多用途汽车(SUV)等。
尽管图1a-图1d未示出存储装置,但是本领域普通技术人员将理解,控制单元可以包括其上存储有指令和/或数据的一个或多个存储装置。此外,尽管图1a-图1d在功能上将控制单元110和传感器示出为在单个框内,但是本领域普通技术人员将理解,控制单元110和传感器实际上可以包括多个控制单元110和多个相同类型传感器,这些控制单元110和传感器可以存放在或可以不存放在同一物理外壳内。因此,对控制单元110或传感器的引用将被理解为包括对并行操作或不并行操作的控制单元110的集合以及相同类型的传感器的集合的引用。
图1a为根据本公开的实施例的硬件示意图。
如图1a所示的根据本公开的实施例的硬件示意图主要可以包括控制单元110以及振动传感器121。
控制单元110可以是任何常规控制单元,诸如商用CPU。可替代地,控制单元110可以是专用设备,诸如ASIC或其他基于硬件的控制单元。
振动传感器121可以包括但不限于机械式振动传感器、光学式振动传感器以及电测式振动传感器(诸如,电感式振动传感器、电涡流式振动传感器、电容式振动传感器、电阻应变式振动传感器和压电式振动传感器)。振动传感器121可以被配置为监测轮端和减速器中的至少一个的振动。在一个实施例中,振动传感器可以安装在轮端和/或减速器上。轮端可以包括轴承、轮毂和轮圈。轮端和减速器通过多种机械组件(诸如,驱动轴、换向器)耦合。
控制单元110和传感器(包括前述振动传感器以及下文所述其他类型的传感器)之间的连接部分可以是至少能够将传感器输出的信号传输给控制单元110的任何形式的连接部分。在一个实施例中,该连接部分包括线缆连接形式和无线连接形式中的一个或两者。
线缆连接形式的连接部分可以包括传输模拟信号(例如,电压、4-20mA电流)或数字信号(脉冲、CAN、RS485等)的线缆。线缆形式的连接部分更适合于需要高性能的采集、高可靠性的应用。
无线连接形式的连接部分可以包括各种配置和协议,包括诸如蓝牙TM、蓝牙TMLE的短程通信协议,GHz以下(sub GHz)、无线HART、红外链路、ZigBee、射频识别(RFID)、WiFi、互联网、万维网、内联网、虚拟专用网、广域网、局域网、使用专属于一个或多个公司的通信协议的专用网络、以太网和HTTP,以及前述的各种组合。无线连接形式的连接部分更适合于便于安装、小尺寸等要求。
图1b为根据本公开的实施例的另一硬件示意图。
如图1b所示的根据本公开的实施例的另一个硬件示意图还可以包括温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126中的一个或多个。为了简洁和清晰,相同的组件不再重复描述。
温度传感器122可以包括但不限于接触式温度传感器(诸如,双金属温度计、玻璃液体温度计、压力式温度计、电阻温度计、热敏电阻和温差电偶等)和非接触式温度传感器(诸如,基于包括亮度法、辐射法和比色法的辐射测温法的各种非接触式温度传感器)。温度传感器122可以被配置为监测轮端、减速器和减速器的油液中的至少一个的温度。在一个实施例中,温度传感器122可以安装在轮端和/或减速器上。
油液传感器123可以包括但不限于油液粘度传感器(诸如,基于毛细管法、落球法、振动法、旋转法、超声波、光技术、电磁原理、电磁层析成像技术的各种粘度传感器等)、油液介电常数传感器(电容式、石英晶体微天平式油液介电常数传感器等)、油液颗粒数量传感器(诸如,流体工矿监测仪(FCM)、定量磨粒监测仪(QDM)、金属微粒检测仪(MPD)、示踪法磨粒测量仪、铁谱仪、声发射磨粒检测技术、超声波磨粒监测方法、光学磨粒传感器等)等中的一个或多个。油液具有润滑的作用。油液传感器123可以被配置为监测减速器的油液的参数。油液的参数可以包括油液的粘度、密度、介电常数、水含量、金属颗粒含量等。油液传感器123可以安装在减速器中。例如,油液传感器123可以安装在减速器偏下距离减速器底部三分之一至五分之一的位置处,油液传感器123通过与油液的接触,采集对应的数据,并进一步根据对该采集到的数据的处理,获得该减速器的油液的参数。在一个实施例中,油液传感器123直接将采集到的数据发送给控制单元110,控制单元110对该采集到的数据进行一定的处理,获得该减速器的油液的参数。
脂传感器124可以被配置为监测轮端和减速器中的至少一个包含的轴承的脂参数。脂同样具有润滑的作用,并且相比于油液,脂具有更好的粘附性。轮端和减速器中的至少一个包含的轴承的脂参数可以包括微量水分、脂中的油的百分数、金属颗粒含量等。在一个实施例中,脂传感器124可以安装在轮端和减速器中的至少一个包含的轴承中。例如,通过在该轴承的适当位置挖置一个容纳空间,将该脂传感器124安装在该容纳空间中,脂传感器124通过与该轴承中的脂的接触,采集对应的数据,并进一步根据对该采集到的数据的处理,获得该轴承的脂参数。在一个实施例中,脂传感器124直接将采集到的其所在的轴承的数据发送给控制单元110,控制单元110对该采集到的数据进行一定的处理,获得该轴承的脂参数。
速度传感器125可以包括但不限于光电速度传感器、磁电速度传感器、霍尔速度传感器等。速度传感器可以被配置为监测轮端的旋转速度。在一个实施例中,速度传感器125可以安装在轮端上。
声学传感器126可以包括但不限于压电陶瓷声学传感器、电容式声学传感器、磁电式声学传感器等。声学传感器可以被配置为监测轮端、减速器和底盘其他机械部件中的一个或多个的异常声音。在一个实施例中,声学传感器可以安装在轮端和/或减速器上。例如,声学传感器可以安装在与振动传感器相同的位置。
在一个实施例中,上述温度传感器、振动传感器、声学传感器和速度传感器中的多个可以集成为一个传感器,传感器可以采集不同类型的数据。例如,可以将振动传感器和声学传感器集成为一个传感器,该传感器既可以采集振动信号,也可以采集声学信号。
图1c为根据本公开的实施例的再一硬件示意图。为了简洁和清晰,相同的组件不再重复描述。
如图1c所示的根据本公开的实施例的另一个硬件示意图还可以包括云130。云130可以包括具有多个计算设备的服务器(例如负载平衡服务器群),多个计算设备与不同的控制单元110交换信息,目的是从控制单元110接收数据、处理数据和向控制单元110发送数据。例如,云130可以包括能够经由无线通信与一个或多个控制单元110通信的一个或多个服务器计算设备。云130还可以包括路边站中的服务器。云130可以提供更大的算力以及大数据和机器学习模型。
控制单元和云之间的连接可以经由控制单元的内部蜂窝模块和/或各种配置和协议。内部蜂窝模块可以使用各种蜂窝通信技术,诸如GSM、CDMA、UMTS、EV-DO、WiMAX、LTE或第5代“5G”蜂窝技术以及未来开发的其他蜂窝技术。各种配置和协议包括短程通信协议,诸如蓝牙TM、蓝牙TMLE、sub GHz、无线HART、红外链路、ZigBee、射频识别(RFID)、WiFi、互联网、万维网、内联网、虚拟专用网、广域网、局域网、使用专属于一个或多个公司的通信协议的专用网络、以太网和HTTP,以及前述的各种组合。
可替代地,如图1c所示的根据本公开的实施例的另一个硬件示意图还可以包括车辆底盘电子控制单元(ECU)140。ECU 140可以被配置为中继控制单元110和云130之间的通信。
在一个实施例中,控制单元和云之间的连接还可以经由车辆底盘ECU中继。例如,车辆底盘ECU 140可以接收来自控制单元110的经处理的传感器数据或原始传感器数据,并将该数据转发给云130。车辆底盘ECU 140还可以从云130接收健康评估结果,并将健康评估结果转发给控制单元110。
图1d为根据本公开的实施例的又一硬件示意图。为了简洁和清晰,相同的组件不再重复描述。
如图1d所示的根据本公开的实施例的又一硬件示意图还可以包括加速度传感器127。加速度传感器127可以包括但不限于电容式加速度传感器、压阻式加速度传感器、压电式加速度传感器、谐振式加速度传感器、隧道电流式加速度传感器、光纤加速度传感器、电磁式加速度传感器、二极管式加速度传感器、热对流式加速度传感器、热电偶式加速度传感器等。加速度传感器127可以被配置为监测车辆的加速度。在一个实施例中,加速度传感器127可以被配置为监测车辆相对于地面坐标系的行进方向的加速度。在另一个实施例中,加速度传感器127可以被配置为监测车辆相对于地面坐标系的任何方向的加速度。加速度传感器127可以安装在车辆的任何位置,诸如,安装在振动传感器121附近。
在一个可替代的实施例中,类似于振动传感器121,加速度传感器127还可以被配置为监测轮端和减速器中的至少一个的振动。因此,在某些情况下,振动传感器121和加速度传感器127可以被形成为一个传感器。该传感器可以被配置为监测轮端和减速器中的至少一个的振动以及车辆的加速度。然而,这不是必须的。
如图1d所示的车辆底盘ECU 140具有如图1c所描述的车辆底盘ECU140的全部功能。此外,控制单元110可以经由如图1d所示的车辆底盘ECU140获得车辆状态信息。车辆状态信息包括但不限于车辆的速度、车辆的牵引力、总里程数、制动器状态等中的一个或多个。
图2a为根据本公开的实施例的通过振动传感器的监测数据对车辆底盘进行健康评估的流程图。
现在参照图1a描述图2a,在框210中,通过振动传感器121监测轮端和减速器中的至少一个的振动。例如,振动传感器121可以监测轮端和减速器中的至少一个的振动的振动总值或振动频谱。
在框212中,可以基于监测的轮端和减速器中的至少一个的振动,对车辆底盘进行健康评估。例如,提取振动信号的特征,根据多个振动特征值的概率分布,确定其中是否有异常的特征值,如果该异常的特征值大于预先给定的异常阈值,判断该车辆底盘出现异常。在此,可以使用相关特征提取算法对多个振动信号提取特征,得到多个振动特征,该多个振动特征可以包括如下特征中的一者或多者:时域特征,诸如但不限于信号的平均值、标准差、均方根(Root Mean Square,RMS)、峰峰值、偏度、峰度等;频域特征,诸如但不限于谐波位置和幅值等。
该健康评估可以包括异常检测和/或故障诊断。在一个实施例中,与车辆底盘中的组件的“异常”对车辆运行性能造成的劣化相比,车辆底盘中的组件的“故障”对车辆运行性能造成的劣化可能更严重。例如,检测出的底盘中的组件存在的异常(诸如组件的磨损、运行的异常等),可能尚未达到故障的级别。此外,健康评估也可以诊断出底盘中的组件的所存在的故障,包括早、中、晚期的故障等。本领域技术人员应能理解,在实际应用中,对于底盘中的组件的异常与底盘中的组件的早期故障的界限可能并不明显或者存在重叠,下文中对术语“异常”与术语“故障”两词的使用存在交替的情况,其不应视为对本公开的限制。
在此,对底盘的健康评估可以包括对轮端故障、减速器故障以及机械故障等的诊断。轮端故障可以包括轮端本身(例如,轮端中包含的轴承)的故障和与轮端相关的周边组件的故障(例如,轮胎缺陷、轮胎不平衡、制动器抱死等)。减速器故障可以包括油液异常、该减速器中包含的轴承的故障、断齿、齿磨损等故障。机械故障可以例如包括螺丝松动,底盘谐振器异常等故障。例如,当监测的轮端和减速器中的至少一个的振动的振动总值超过阈值时,则指示轮端故障、减速器故障以及机械故障等。可替代地,当监测的轮端和减速器中的至少一个的振动的振动频谱超过阈值时,则指示轮端故障、减速器故障以及机械故障等。
图2b为根据本公开的实施例的通过振动传感器的监测数据的融合以及车辆总质量信息对车辆底盘进行健康评估的另一流程图。为了简洁和清晰,相同的步骤不再重复描述。
现在参照图1a描述图2b,在框222中,可以获得车辆总质量信息。可以通过各种方式获得车辆总质量信息。例如,可以使车辆经过诸如地磅的称重装置来获得车辆总质量信息。在一些情况下,车辆自身的质量是已知的,可以通过获得车辆的负载的质量信息来获得车辆总质量信息。其他获得车辆总质量信息的方式是可能的,具体将在后文参照图4进行描述。
在框224中,可以基于监测的轮端和减速器中的至少一个的振动以及车辆的质量信息,对车辆底盘进行健康评估。该健康评估可以包括轮端故障、减速器故障以及机械故障等诊断。轮端故障可以包括轮端本身(例如,轮端中包含的轴承)的故障和与轮端相关的周边组件的故障(例如,轮胎缺陷、轮胎不平衡、制动器抱死等)。减速器故障可以包括油液异常、该减速器中包含的轴承的故障、断齿、齿磨损等故障。机械故障可以例如包括螺丝松动,底盘谐振器异常等故障。例如,当监测的轮端和减速器中的至少一个的振动的振动总值超过阈值时,则指示轮端故障、减速器故障以及机械故障等。可替代地,当监测的轮端和减速器中的至少一个的振动的振动频谱超过阈值时,则指示轮端故障、减速器故障以及机械故障等。
此外,可以基于车辆的质量信息,优化通过监测的轮端和减速器中的至少一个的振动对车辆底盘进行的健康评估。车辆总质量可以包括车辆自身的质量和车辆的负载的质量。在一些情况下,即使车辆的底盘健康状况是相同的,但具有更大质量负载的车辆的底盘比具有更小质量负载的车辆的底盘振动更大。在一个实施例中,可以基于车辆总质量信息减少或消除车辆负载的改变对车辆底盘健康评估的影响。例如,当车辆总质量较大(例如,车辆负载质量较大)时,可以提高振动传感器阈值,以获得更准确的车辆底盘健康评估。例如,当车辆总质量较小(例如,车辆负载质量较小)时,可以降低振动传感器阈值,以获得更准确的车辆底盘健康评估。
图2c为根据本公开的实施例的通过传感器的监测数据的融合对车辆底盘进行健康评估的另一流程图。现在参照图1b或图1c描述图2c,在框230中,对振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126的监测数据中的一个或多个进行融合。
在框232中,基于振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126的监测数据中的一个或多个的融合,对车辆底盘进行健康评估。该健康评估可以包括但不限于轮端故障、减速器故障以及机械故障等诊断。基于多个传感器的监测数据的融合,可以提高对车辆底盘进行的健康评估的准确度,以及对车辆底盘进行更多健康评估内容。
在一个实施例中,融合可以包括向振动传感器、速度传感器、温度传感器、油液传感器、脂传感器、声学传感器的监测数据中的一个或多个分配权重。例如,可以向不同传感器指示的指定故障的置信度(例如,对正确识别指定故障的可能性的指示)分数分配相应权重,从而获得融合的指定故障的置信度分数。融合的指定故障的置信度分数可以具有比单独类型的传感器指示的指定故障的置信度分数具有更高的准确度。
在另一个实施例中,融合可以包括基于温度传感器、速度传感器、油液传感器、脂传感器、声学传感器的监测数据中的一个或多个,对振动传感器的阈值进行调整。仅作为示例,基于温度传感器指示轮端和减速器和油液中的至少一个的温度高于阈值,可以降低振动传感器的阈值;基于速度传感器指示速度高于阈值,可以提高振动传感器阈值;基于油液传感器提示油液的参数超过阈值,可以降低振动传感器阈值;基于脂传感器提示脂的参数超过阈值,可以降低振动传感器阈值;基于声学传感器提示异常声音高于阈值,可以降低振动传感器阈值。相比于振动传感器最初的设置阈值,基于振动传感器调整后的阈值进行的健康评估可能具有更高的准确度。
在再一个实施例中,融合可以包括通过对振动传感器、速度传感器、温度传感器、油液传感器、脂传感器、声学传感器的监测数据进行特征提取、对提取的特征进行组合,从而生成新的特征。新的特征可以指示或者经处理后可以指示车辆底盘的健康状态。其中,特征提取可以包括获得传感器的监测数据的均方根(RMS)、峰到峰(P2P)、包络3(Envolop3)(包络3例如为针对振动传感器、声学传感器的监测数据所提取的特征)等、以及对传感器的监测数据进行时频变换(诸如FFT变换)、数值运算等。其中,对提取的特征进行组合包括数值运算等。但本公开不限于此。
在一个实施例中,可以基于振动传感器与声学传感器、温度传感器、速度传感器和脂传感器的监测数据的融合,还可以检测轮端和减速器中的至少一个包含的轴承的故障和/或与轮端相关的故障等。可替代地,基于振动传感器与声学传感器、温度传感器、速度传感器和脂传感器中至少一个的监测数据的融合(诸如,基于振动传感器与脂传感器的监测数据的融合),也可以检测轮端和减速器中的至少一个包含的轴承的故障和/或与轮端相关的故障等。轮端和减速器中的至少一个包含的轴承的故障可以包括内圈剥落、外圈剥落、滚子元件剥落、保持架(retainer)断裂、润滑失效等。与轮端相关的故障可以包括轮胎缺陷、轮胎不平衡、制动器抱死等。在一个实施例中,基于振动传感器、温度传感器、声学传感器中的任意一个,也可以检测与轮端相关的故障。
在另一个实施例中,基于振动传感器与声学传感器、温度传感器、速度传感器和油液传感器的监测数据的融合,还可以检测减速器的故障的至少一部分。可替代地,基于振动传感器与声学传感器、温度传感器、速度传感器和油液传感器中至少一个的监测数据的融合(诸如,基于振动传感器与油液传感器的监测数据的融合),也可以检测减速器的故障的至少一部分。该减速器的故障的至少一部分可以包括油液异常、断齿、齿磨损等。在一个实施例中,基于振动传感器、温度传感器、声学传感器中的任意一个,也可以检测减速器的故障。
在又一个实施例中,基于振动传感器与声学传感器、速度传感器的监测数据的融合,还可以检测机械故障。可替代地,基于振动传感器与声学传感器、速度传感器中至少一个的监测数据的融合(诸如,基于振动传感器与声学传感器的监测数据的融合),也可以检测机械故障。机械故障包括螺丝松动,底盘谐振器(resonator)异常。例如,可以通过在不同位置放置声学传感器和振动传感器来监测对应位置附近的异常声音和振动。在一个实施例中,基于振动传感器、声学传感器中的任意一个,也可以检测减速器的故障。
本申请的实施例对轮端故障、减速器故障以及机械故障的故障检测的基本原理为:将在时域和变换域提取的振动以及声发射的特征值(例如振动速度峰峰值,振动包络值等)结合温度数据,通过分类算法来进行故障分类以识别故障。一般情况下,材料或构件在受力过程中产生变形或裂纹时,以弹性波形式释放出应变能的现象,被称为声发射。
图2d为根据本公开的实施例的通过传感器的监测数据的融合以及车辆总质量信息对车辆底盘进行健康评估的另一流程图。为了简洁和清晰,相同的步骤不再重复描述。
现在参照图1b或图1c描述图2d,在框244中,可以基于振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126的监测数据中的一个或多个的融合以及车辆总质量信息,对车辆底盘进行健康评估。该健康评估可以包括但不限于轮端故障、减速器故障以及机械故障等诊断。基于多个传感器的监测数据的融合,可以提高对车辆底盘进行的健康评估的准确度,以及对车辆底盘进行更多健康评估内容。
此外,可以基于车辆的质量信息,优化对车辆底盘进行的健康评估。在一些情况下,即使车辆的底盘健康状况是相同的,但不同负载的车辆的底盘的各种传感器监测数据可能不同,例如,具有更大质量负载的车辆的底盘比具有更小质量负载的车辆的底盘振动、噪声可能更大。在一个实施例中,可以基于车辆总质量信息减少或消除车辆负载的改变对车辆底盘健康评估的影响。例如,当车辆总质量较大(例如,车辆负载质量较大)时,可以提高振动传感器或声学传感器阈值,以获得更准确的车辆底盘健康评估。例如,当车辆总质量较小(例如,车辆负载质量较小)时,可以降低振动传感器或声学传感器阈值,以获得更准确的车辆底盘健康评估。
图2e为根据本公开的实施例的通过一些传感器的监测数据的融合、加速度传感器的监测数据、车辆状态信息对车辆底盘进行健康评估的另一流程图。
现参照图1d描述图2e,在框250中,可以获得振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126、加速度传感器127的监测数据。
在框252中,可以经由车辆底盘ECU 140获得车辆状态信息,车辆状态信息包括但不限于车辆的牵引力、车辆的速度、总里程数、制动器状态等。
在框254中,可以对所获得的多种传感器的监测数据中的至少一部分、以及经由车辆底盘ECU 140获得的车辆状态信息中的至少一部分进行预处理和/或特征提取。其中,多种传感器的监测数据中的至少一部分至少包括加速度传感器127的监测数据,并且车辆状态信息中的至少一部分至少包括车辆的牵引力。
例如,在框254中,可以对加速度传感器127的监测数据和经由车辆底盘ECU 140获得的车辆状态信息中的车辆的牵引力进行传感器数据结合车辆状态信息预处理和特征提取。
此外,在框254中,可选地,还可以对振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126的监测数据进行传感器数据预处理和特征提取。传感器数据预处理和特征提取包括但不限于对传感器数据执行基于振动的速度的均方根(RMS)/峰到峰(P2P),包络3(Envolop3)等。
为了便于理解,现参照图3描述框254。图3为执行预处理和特征提取过程中的传感器数据和车辆状态信息的数据流。具体地,如图3的310所示,可以对振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126的监测数据进行传感器数据预处理和特征提取;如图3的320所示的传感器数据结合车辆状态信息预处理和特征提取包括根据车辆加速度和车辆的牵引力获得车辆总质量。然而,本公开不限于此,可以对更多或更少的监测的传感器数据以及更多或更少的车辆状态信息进行预处理和特征提取。例如,可以对总里程数、制动器状态和速度信息进行预处理和特征提取(图3中未示出)。现根据图4具体描述该过程。图4为根据加速度传感器127的监测数据和车辆的牵引力获得车辆总质量的示意图。如图4所示,Ftraction表示来自车辆的动力系统(通常由车辆的引擎或马达生成)、经由变速器和驱动轴以及其他部件、作用于车轮的牵引力,Ftraction的方向一般与车辆行进的方向相同;FResistance表示阻止车辆行进的阻力,包括风阻力、轮胎阻力以及其他阻力等,在车辆处于移动状态时,FResistance主要由车辆的速度V决定。
假设车辆总质量为m千克,车辆的行进方向的加速度为a,表示车辆行进方向的速度为V,根据牛顿第二定律:
F=ma 等式1
等式1可以进一步变形为等式2:
FTraction-FResistance=ma 等式2
在T1时刻,车辆的速度为VT1、牵引力为FtractionT1、阻力为FResistanceT1、加速度为aT1,在T2时刻,车辆的速度为VT2、牵引力为FtractionT2、阻力为FResistanceT2、加速度为aT2,根据上述等式2:
FTractionT-FResistanceT1=maT1 等式3
FTractionT-FResistanc=maT2 等式4
将等式3减去等式4可得:
FTractionT-FTractionT2-(FResistanceT-FResistanceT2)
=m(aT1-aT2) 等式5
将等式5变形后可得:
如上所述,FResistance主要由车辆的速度V决定,假设T1和T2之间的时间间隔很短,并且VT1、VT2之间的变化相对较小(例如,小于10千米/小时),那么对于求车辆总重量m来说,FResistanceT1、FResistanceT2之间的差异可以忽略不计。等式6可以简化为:
车辆的牵引力可以由车辆底盘ECU 140从车辆的变速器/马达/引擎经由车辆总线(例如,CAN总线)获得,而车辆的加速度可以通过车辆的加速度传感器127获得。根据等式7,可以获得车辆总质量。以这种方式,可以在车辆行进时获得车辆总质量信息,非常方便。此外,以这种方式获得车辆总质量仅要求加速度传感器(在一些情况,甚至可以共享用于其他功能的加速度传感器(诸如,用于监测轮端状况的加速度传感器)),而不要求该加速度传感器的安装位置,且不需要特殊校准。因此,加速度传感器的安装是非常简单的,并且成本很低。
返回图2e,在框256中,可以对执行了传感器数据预处理和特征提取的振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126的监测数据进行融合。可替代地,可以对未执行传感器数据预处理和特征提取的振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126的监测数据进行融合。
在框258中,基于振动传感器、温度传感器、速度传感器、油液传感器、脂传感器、声学传感器的(执行了或未执行预处理和特征提取)监测数据中的一个或多个的融合、结合执行了预处理和特征提取的加速度传感器的监测数据以及车辆状态信息中的车辆的牵引力、以及结合未执行预处理和特征提取的除了车辆的牵引力的其他车辆状态信息(例如,总里程数、制动状态、速度信息),对车辆底盘进行健康评估,健康评估包括轮端故障、减速器故障以及机械故障中的至少一部分。
具体地,在一个实施例中,经由执行了预处理和特征提取的加速度传感器的监测数据以及车辆状态信息中的车辆的牵引力获得的车辆总质量信息可以如关于图2d所描述地优化对车辆底盘进行的健康评估。
在一个实施例中,可以根据通过车辆底盘ECU 140获得的速度信息来优化对车辆底盘进行的健康评估。例如,可以根据通过车辆底盘ECU 140获得的速度信息来调整速度传感器125的监测数据。当通过车辆底盘ECU 140获得的速度大于通过速度传感器125获得的速度超过一定阈值时,可以将通过速度传感器125获得的速度调高预定数值或者使得速度传感器125重新获得车辆速度;反之亦然。通过更准确的车辆的速度,可以获得更准确的对车辆底盘健康评估。在一个实施例中,当速度传感器125故障或以其他方式不可用时,可以以通过车辆底盘ECU 140获得的速度信息代替速度传感器125获得的速度信息。
在一个实施例中,可以根据总里程数来优化对车辆底盘进行的健康评估。随着总里程数的增加,车辆底盘的振动、噪声,轮端、减速器和减速器的油液中的至少一个的温度可能发生改变,但这可能不意味着车辆底盘健康状况出现问题。根据总里程数调整相应传感器阈值,可以减少或消除车辆总里程数对车辆底盘健康评估的影响。例如,当车辆总里程数大于一定阈值时,可以将振动传感器121、温度传感器122、声学传感器126的相应传感器阈值适当调高。可替代地,可以为处于不同总里程数区间的车辆的振动传感器121、温度传感器122、声学传感器126分别设置与总里程数区间对应的阈值。
在一个实施例中,可以根据制动状态来优化对车辆底盘进行的健康评估。当车辆处于长期制动状态(例如,当车辆处于长下坡路段)时,车辆制动器温度将急剧升高,进而通过热传导影响车辆底盘(诸如,轮端)的温度。根据制动状态调整温度传感器阈值,可以减少或消除制动状态对车辆底盘健康评估的影响。例如,当经由车辆底盘ECU 140获得的制动状态指示车辆处于长期制动状态,可以适当调高温度传感器阈值。可替代地,可以丢弃车辆处于长期制动状态下的温度传感器的监测数据。
图5a为根据本公开的实施例的通过评估算法对车辆底盘进行健康评估的流程图。
现参照图1b或图1c描述图5a,在框510中,获得振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126、加速度传感器127中的一个或多个监测数据以及车辆状态信息。
在框512中,通过基于边缘的评估算法,基于一个或多个传感器的监测数据以及车辆状态信息,对车辆底盘进行异常检测和故障诊断。基于边缘的评估算法是指该算法被布置在边缘端,也即靠近传感器侧或车辆侧。例如,该评估算法可以被存储在控制单元110上。从而可以在控制单元110上对车辆底盘本地化地进行异常检测和故障诊断。基于边缘的评估算法可以包括结合经典机理模型和机器学习模型的算法。这在控制单元110算力充足或通信受阻的情况下,可能是有利的。经典机理模型可以是或者可以包括利用经典动力学理论,分析底盘健康状态的传统模型。
在框514中,可以向云130上传待评估数据,待评估数据与振动传感器的监测数据以及车辆总质量信息相关联。在一个实施例中,待评估数据可以包括原始的一个或多个传感器的监测数据以及车辆状态信息、和被执行了预处理和特征提取的一个或多个传感器的监测数据以及车辆状态信息中的一个或两者。例如,可以直接向云130上传原始的一个或多个传感器的监测数据以及车辆状态信息。可替代地,可以在控制单元110处对原始的一个或多个传感器的监测数据以及车辆状态信息执行预处理和特征提取,使得能够向云130上传被执行了预处理和特征提取的一个或多个传感器的监测数据以及原始车辆状态信息。
在一个实施例中,针对异常检测过程,响应于检测到异常,可以例如仅指示对应的组件所存在的具体异常,以及其尚未达到故障的水平。而针对故障诊断过程,响应于诊断出故障,可以指示对应的组件所存在的具体故障,以及相应的处理方式。进一步地,故障可以分为早期故障、中期故障和晚期故障,其可以对应不同的进一步的处理,诸如更换发生故障的组件、停车以进行人工检修等。
在框516中,可以从云130接收对车辆底盘进行异常检测和故障诊断,其中,该异常检测和故障诊断是基于待评估数据(原始的和/或被执行了预处理和特征提取的一个或多个传感器的监测数据以及车辆状态信息),通过基于云的评估算法进行的。基于云的评估算法可以包括结合经典机理模型和机器学习模型的算法。这在控制单元110算力不足或通信顺畅的情况下,可能是有利的。然而,在某些情况下,即使车辆不需要在云130处进行健康评估,控制单元110也可以定期或持续向云130上传传感器数据。
图5b为根据本公开的实施例的通过评估算法对车辆底盘进行健康评估的又一流程图。
现参照图1b或图1c描述图5a,在框520中,获得振动传感器121、温度传感器122、油液传感器123、脂传感器124、速度传感器125、声学传感器126、加速度传感器127中的一个或多个监测数据以及车辆状态信息。
在框522中,通过基于边缘的评估算法,基于一个或多个传感器的监测数据以及车辆状态信息,对车辆底盘进行早期故障以及剩余有用寿命评估。基于边缘的评估算法是指该算法被布置在边缘端,也即靠近传感器侧或车辆侧。例如,该评估算法可以被存储在控制单元110上。从而可以在控制单元110上对车辆底盘本地化地进行早期故障以及剩余有用寿命评估。该评估算法可以包括经由大数据驱动和机器学习模型的高级算法。这在控制单元110算力充足或通信受阻的情况下,可能是有利的。
在框524中,可以向云130上传待评估数据,待评估数据与振动传感器的监测数据以及车辆总质量信息相关联。在一个实施例中,待评估数据可以包括原始的一个或多个传感器的监测数据以及车辆状态信息、和执行预处理和特征提取的一个或多个传感器的监测数据以及车辆状态信息中的一个或两者。例如,可以直接向云130上传原始的一个或多个传感器的监测数据以及车辆状态信息。可替代地,可以在控制单元110处对原始的一个或多个传感器的监测数据以及车辆状态信息执行预处理和特征提取,使得能够向云130上传被执行了预处理和特征提取的一个或多个传感器的监测数据以及车辆状态信息。
在框526中,从云130接收对车辆底盘进行的早期故障以及剩余有用寿命进行评估。被上传的原始的一个或多个传感器的监测数据以及车辆状态信息可以在云端被执行预处理和特征提取。并且,该早期故障以及剩余有用寿命进行评估是基于待评估数据(原始的和/或被执行了预处理和特征提取的一个或多个传感器的监测数据以及车辆状态信息),通过基于云的评估算法进行的。基于云的评估算法可以包括经由大数据驱动和机器学习模型的高级算法。这在控制单元110算力不足或通信顺畅的情况下,可能是有利的。然而,在某些情况下,即使车辆不需要在云130处进行健康评估,控制单元110也可以定期或持续向云130上传传感器数据以及车辆状态信息。
云130可以包括具有多个计算设备的服务器,从而提供更大的算力。此外,云还可以提供可以实时更新的大数据和机器学习模型。
在一个实施例中,大数据可以包括其他车辆的相同类型传感器对对应底盘组件的监测数据。其他车辆可以包括相同类型的车辆或者具有相同类型的车桥的不同类型车辆。可以将通过云130基于当前车辆的定位信息获得的当前地形(例如,坡度和曲率半径、俯仰、高程等)信息与云130中存储的道路的地形信息进行比较,从而识别处于相同或类似路况的其他车辆的相同类型传感器对对应底盘组件的监测数据。此外,还可以将通过云130基于当前车辆的定位信息而实时获得的气象信息(例如,风信息或降雨信息),与云130中存储的气象信息进行比较,从而识别处于相同或类似气象状况下的其他车辆的相同类型传感器对对应底盘组件的监测数据。例如,当当前车辆的某一类型的传感器对一底盘组件的监测数据比云130存储的处于相同路况、相同气象状况的相同类型、相同车辆状态信息的其他车辆的相同类型的传感器对对应的底盘组件的监测数据高出预定阈值时,可以指示当前车辆的该底盘组件可能出现故障。
在一个实施例中,大数据可以包括同一车辆的相同类型传感器对对应底盘组件的历史监测数据。考虑到同一车辆可能重复往返相似路段,因此同一车辆的历史监测数据可能对进行同一车辆的底盘的健康评估是更可用的。例如,当当前车辆的某一类型的传感器对一底盘组件的监测数据比同一车辆在更换了对应的底盘组件的阈值时间内对对应的底盘组件的历史监测数据高出预定阈值时,可以指示当前车辆的该底盘组件可能出现故障。
在一个实施例中,大数据可以包括正在行驶的车辆的相同类型传感器(诸如,振动传感器)对相同类型的其他底盘组件(诸如,其他轮端或其他减速器)的监测数据。例如,当正在行驶的车辆的相同类型传感器(诸如,振动传感器)对一个特定底盘组件(轮端中的一个)的监测数据比相同类型传感器(诸如,振动传感器)对与特定底盘组件属于相同类型的其他底盘组件(其他轮端)的监测数据高出预定阈值,则指示特定底盘组件(轮端中的一个)可能出现故障。
机器学习模型可以使用多种模型中的任何,诸如决策树、基于生成对抗网络的模型、深度学习模型、线性回归模型、逻辑回归模型、神经网络、分类器、支持向量机、归纳逻辑编程、模型的总成(ensemble)(例如,使用诸如套袋、提升、随机森林等技术)、遗传算法、贝叶斯网络等,并且可以使用多种方法训练,例如深度学习、关联规则、归纳逻辑、聚类、最大熵分类、学习分类等。在一些示例中,机器学习模型可以使用监督学习。在一些示例中,机器学习模型使用无监督学习。
根据本公开的车辆底盘的在线健康评估解决方案,即使在车辆行驶时也能提供车辆底盘实时状态,避免因底盘引发重大安全事故。本方法还可以检测底盘的早期故障,并为客户提供维护建议,以保持在早期故障阶段的维护,从而避免计划外故障。在对人和车辆造成损害之前,检测底盘的故障(如轮端轴承、减速机齿磨损、减速机油老化等)。通过结合不同类型的传感器,可以提高检测准确度,降低误报率。
文本和附图仅作为示例提供,以帮助理解本公开。它们不应被解释为以任何方式限制本公开的范围。尽管已经提供了某些实施例和示例,但是基于本文所公开的内容,对于本领域技术人员而言清晰的是,在不脱离本公开的范围的情况下,可以对所示的实施例和示例进行改变。
尽管已经用示例性实施例描述了本公开,但是可以向本领域技术人员建议各种改变和修改。本公开旨在涵盖落入所附权利要求范围内的这种改变和修改。
本发明中的任何描述都不应被理解为暗示任何特定的元件、步骤或功能是必须包括在权利要求范围内的必要元素。专利主题的范围仅由权利要求限定。
Claims (9)
1.一种车辆底盘健康评估方法,包括:
通过振动传感器监测轮端和减速器中的至少一个的振动,其中,所述振动传感器安装在所述轮端和/或减速器上,
获得车辆总质量信息,
基于监测的轮端和减速器中的至少一个的振动以及车辆总质量信息,对车辆底盘进行健康评估。
2.根据权利要求1所述的方法,其中,获得所述车辆总质量信息包括:
通过加速度传感器监测车辆的加速度,
通过车辆底盘电子控制单元获得车辆牵引力,以及
基于车辆的加速度和牵引力来获得车辆总质量信息。
3.根据权利要求1所述的方法,还包括:
通过车辆底盘电子控制单元获得车辆状态信息,所述车辆状态信息包括车辆总里程数、车辆制动状态、车辆速度信息中的一个或多个,
基于获得的车辆状态信息,以及监测的轮端和减速器中的至少一个的振动、车辆总质量信息,对车辆底盘进行健康评估。
4.根据权利要求3所述的方法,其中,对车辆底盘进行健康评估还包括:
基于监测的轮端和减速器中的至少一个的振动与至少一个其他传感器监测的监测数据的融合并结合车辆总质量信息以及车辆状态信息,对车辆底盘进行所述健康评估,其中,所述健康评估包括异常检测和/或故障诊断。
5.根据权利要求4所述的方法,其中,所述至少一个其他传感器监测的监测数据包括以下各项中的一项或多项:
通过安装在轮端和/或减速器上的温度传感器监测的轮端、减速器和减速器的油液中的至少一个的温度;
通过安装在轮端上的速度传感器监测的轮端的旋转速度;
通过安装在减速器中的油液传感器监测的减速器的油液的参数,其中,所述油液的参数包括以下至少一部分:油液的粘度、密度、介电常数、水含量、金属颗粒含量;
通过安装在轮端和减速器中的至少一个包含的轴承中的脂传感器监测的轮端和减速器中的至少一个包含的轴承的脂参数,其中,所述脂参数包括以下至少一部分:微量水分、脂中的油的百分数、金属颗粒含量;
通过安装在轮端和/或减速器上的声学传感器监测的轮端、减速器和底盘其他机械部件中至少一部分的异常声音。
6.根据权利要求5所述的方法,其中,所述健康评估包括以下各项中的一项或多项:
基于所述振动传感器与所述至少一个其他传感器的监测数据的融合并结合车辆总质量信息以及车辆状态信息,检测轮端和减速器中的至少一个包含的轴承的故障和/或与轮端相关的故障,
其中,所述至少一个其他传感器包括声学传感器、温度传感器、速度传感器和脂传感器中的至少一个,
其中,所述轮端和减速器中的至少一个包含的轴承的故障包括内圈剥落、外圈剥落、滚子元件剥落、保持架断裂、润滑失效,其中,所述与轮端相关的故障包括轮胎缺陷、轮胎不平衡、制动器抱死;
基于所述振动传感器与所述至少一个其他传感器的监测数据的融合并结合车辆总质量信息以及车辆状态信息,检测减速器故障,
其中,所述至少一个其他传感器包括声学传感器、温度传感器、速度传感器和油液传感器中的至少一个,
其中,所述减速器故障包括油液异常、断齿、齿磨损;
基于所述振动传感器与所述至少一个其他传感器的监测数据的融合并结合车辆总质量信息以及车辆状态信息,检测机械故障,
其中,所述至少一个其他传感器包括声学传感器和速度传感器中的至少一个,
其中,所述机械故障包括螺丝松动,底盘谐振器异常。
7.根据权利要求4-6中任一项所述的方法,其中,所述融合包括以下各项中的一项或多项:
向振动传感器和所述至少一个其他传感器的监测数据分配权重;
基于所述至少一个其他传感器的监测数据,调整基于监测的轮端和减速器中的至少一个的振动来对车辆底盘进行的健康评估的结果。
8.根据权利要求1所述的方法,其中,所述健康评估包括以下各项中的一项或多项:
异常检测和/或故障诊断,其中,所述异常检测和/或所述故障诊断通过包括结合经典机理模型和/或机器学习模型的算法进行;
向服务器上传用于对所述车辆底盘进行健康评估的待评估数据,所述待评估数据与所述振动传感器的监测数据相关联,
从服务器接收底盘的早期故障以及估计底盘的剩余有用寿命,
其中,所述底盘的早期故障以及估计底盘的剩余有用寿命基于所述待评估数据、通过经由大数据驱动和机器学习模型的算法进行。
9.一种车辆底盘健康评估装置,包括:
振动传感器,被配置为监测轮端和减速器中的至少一个的振动,其中,振动传感器安装在轮端和/或减速器上;和
控制单元,被配置为获得车辆总质量信息,基于监测的轮端和减速器中的至少一个的振动以及车辆总质量信息,对车辆底盘进行健康评估。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597131.3A CN118190439A (zh) | 2022-12-12 | 2022-12-12 | 车辆底盘健康评估方法及装置 |
DE102023211522.0A DE102023211522A1 (de) | 2022-12-12 | 2023-11-20 | Verfahren und vorrichtung zum evaluieren des zustands eines fahrzeugchassis |
US18/527,861 US20240192090A1 (en) | 2022-12-12 | 2023-12-04 | Method and apparatus for evaluating health of vehicle chassis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597131.3A CN118190439A (zh) | 2022-12-12 | 2022-12-12 | 车辆底盘健康评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118190439A true CN118190439A (zh) | 2024-06-14 |
Family
ID=91186211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211597131.3A Pending CN118190439A (zh) | 2022-12-12 | 2022-12-12 | 车辆底盘健康评估方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240192090A1 (zh) |
CN (1) | CN118190439A (zh) |
DE (1) | DE102023211522A1 (zh) |
-
2022
- 2022-12-12 CN CN202211597131.3A patent/CN118190439A/zh active Pending
-
2023
- 2023-11-20 DE DE102023211522.0A patent/DE102023211522A1/de active Pending
- 2023-12-04 US US18/527,861 patent/US20240192090A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240192090A1 (en) | 2024-06-13 |
DE102023211522A1 (de) | 2024-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210061027A1 (en) | Apparatus and method for vehicular monitoring, analysis, and control | |
US20210061028A1 (en) | Apparatus and method for vehicular monitoring, analysis, and control | |
CN111351664B (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
KR101829645B1 (ko) | 철도 차량 모니터링 장치 및 이를 이용한 모니터링 방법 | |
US20140074345A1 (en) | Systems, Apparatuses, Methods, Circuits and Associated Computer Executable Code for Monitoring and Assessing Vehicle Health | |
US10424129B2 (en) | Tire condition telematics system | |
US11932050B2 (en) | Wheel hub | |
CN106404201A (zh) | 一种动车组轴温异常的预防性提示方法及系统 | |
CN102549406A (zh) | 用于监控轨道车辆的行驶状态的方法和装置 | |
JP6828194B2 (ja) | ステアリングホイール回転振動を分析するための及び/又は少なくとも部分的に補償するための方法 | |
CN112987687B (zh) | 一种云-端融合的智能线控底盘健康监测系统及方法 | |
US20230025723A1 (en) | Method for assessing an external event on an automotive glazing | |
KR102184590B1 (ko) | 차량 예방정비 서비스 제공 장치 및 방법 | |
KR20230127337A (ko) | 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
US11941920B2 (en) | Apparatus and method of providing automotive preventive maintenance service | |
US20240192090A1 (en) | Method and apparatus for evaluating health of vehicle chassis | |
US20240192091A1 (en) | Method and apparatus for evaluating health of vehicle chassis | |
AU2022201179B2 (en) | System and method for a preventing a locked axle | |
KR20190133841A (ko) | 차량 예방정비 서비스 제공 장치 및 방법 | |
EP3814153B1 (fr) | Procédés de détection et de localisation d'une anomalie thermique pour ensemble monté de véhicule | |
CN109765448B (zh) | 一种分布式故障诊断方法、装置及系统 | |
Huber et al. | Wheel Speed Is All You Need: How to Efficiently Detect Automotive Damper Defects Using Frequency Analysis | |
US20240157984A1 (en) | Grounding contact and method for operating | |
Ozornin et al. | Operating conditions calculation during three-dimensional process charts construction of the trucks reliability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |