CN118277872A - 一种基于智能轮胎技术的轮胎爆胎预警系统及方法 - Google Patents

Abstract

本发明涉及轮胎数据处理技术领域，具体涉及一种基于智能轮胎技术的轮胎爆胎预警系统及方法。本发明根据权重差异获得每个原始轮胎数据的权重变化程度；结合每个轮胎异常数据预设范围内的数据比例获得每个轮胎异常数据的优选程度，进而扩充数据；将扩充数据与原始数据作为轮胎状态数据；根据一定时间内的数据波动获得每个数据的数据变化程度；根据弱分类器的每个数据的数据变化程度与权重，获得每个弱分类器的分类误差率，结合数据分布获得弱分类器的权重系数，进而生成强分类器；利用强分类器进行轮胎爆胎预警。本发明平衡了轮胎的正常数据与异常数据的数量，提升了分类器的质量，进而提高了轮胎爆胎预警的准确性。

Description

一种基于智能轮胎技术的轮胎爆胎预警系统及方法

技术领域

本发明涉及轮胎数据处理技术领域，具体涉及一种基于智能轮胎技术的轮胎爆胎预警系统及方法。

背景技术

随着安全理念愈发深入人心，人们对汽车的安全提出了更高的要求，特别是越来越受人关注的轮胎监测系统。作为智能轮胎技术之一的爆胎预警系统，能够在轮胎出现危险征兆时及时报警，提醒驾驶员采取相应措施，从而有效地避免事故的发生。现有方法通过向轮胎内部嵌入传感器和智能芯片来实现对轮胎状态的实时监测和数据采集，获取轮胎的胎压、温度、转速等参数，然而如何对采集的数据进行有效分析来准确判断轮胎的状态是目前亟待解决的问题。

迭代集成学习算法可以对轮胎数据进行加权和重复训练来获得一个较为准确的分类器，现有技术中常利用分类器对轮胎实时状态进行分类监控。由于实际情况中，轮胎发生爆胎的时间非常短，使得所获得的轮胎异常数据与轮胎正常数据数量比例不均衡，这导致迭代集成学习算法训练过程中两类数据的数量差异太大，使得分类器无法有效对轮胎实时状态进行分类监控，从而影响到轮胎爆胎预警。

发明内容

为了解决迭代集成学习算法训练过程中，轮胎爆胎时间过短，使得所获得的轮胎异常数据与轮胎正常数据数量比例不均衡，这导致迭代集成学习算法训练过程中两类数据的数量差异太大，使得分类器无法有效对轮胎实时状态进行分类监控，从而影响到轮胎爆胎预警的技术问题，本发明的目的在于提供一种基于智能轮胎技术的轮胎爆胎预警系统及方法，所采用的技术方案具体如下：

一种基于智能轮胎技术的轮胎爆胎预警系统，所述系统包括：

数据采集模块，用于获取车辆行驶时期中每个采样时刻的原始轮胎数据；所述原始轮胎数据包括轮胎正常数据与轮胎异常数据；

数据扩充模块，用于获得每次迭代集成训练后每个所述原始轮胎数据的状态数据权重；根据相邻两次训练后每个原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的所述权重变化程度与数据分布特征，获得每个轮胎异常数据的优选程度；根据每个轮胎异常数据的优选程度获得所有扩充异常数据；

强分类器获取模块，用于将所有所述原始轮胎数据与所有所述扩充异常数据合并，获得轮胎状态数据；根据每个所述原始轮胎数据在预设时间范围内的数据波动特征，获得每个所述轮胎状态数据的数据变化程度；对所述轮胎状态数据进行迭代集成训练，每次训练过程存在一个弱分类器；根据每个弱分类器中所述轮胎状态数据的数据变化程度与状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器；

轮胎爆胎预警模块，用于利用所述强分类器对轮胎爆胎进行预警。

进一步地，所述权重变化程度的获取方法包括：

根据权重变化程度计算公式获取所述权重变化程度，所述权重变化程度计算公式如下所示：

；式中，表示第个原始轮胎数据的权重变化程度；表示所有原始轮胎数据进行迭代集成训练的次数；表示第次训练后第个原始轮胎数据的权重；表示第次训练后第个原始轮胎数据的权重；表示第次训练后第个原始轮胎数据的权重；表示归一化函数；表示以自然常数为底数的指数函数；表示符号函数。

进一步地，所述优选程度的获取方法包括：

在每个轮胎异常数据为中心的预设范围内，计算所有原始轮胎数据的权重变化程度的平均值作为预设范围内原始轮胎数据的整体权重参数；

将预设范围内所有轮胎异常数据分到一个数据组中，将预设范围内所有轮胎正常数据分到一个数据组中，将数量最少的数据组作为最小数量数据组，将数量最多的数据组作为最大数量数据组；

将最小数量数据组的数据数量与最大数量数据组的数据数量之间的比值作为每个轮胎异常数据预设范围内的数据均衡程度；

将每个轮胎异常数据的预设范围内原始轮胎数据的所述整体权重参数与所述数据均衡程度之间的最大值，作为每个轮胎异常数据的优选参数；

将每个轮胎异常数据的所述优选参数与所述权重变化程度的乘积作为每个轮胎异常数据的优选程度。

进一步地，所有扩充异常数据的获取方法包括：

根据每个轮胎异常数据的优选程度获得每个轮胎异常数据的抽样权重；利用所述抽样权重对原始轮胎数据中的所有轮胎异常数据进行加权随机抽样，获得抽样轮胎异常数据；对抽样轮胎异常数据求平均，获得每个扩充异常数据；获取第一个扩充异常数据的优选程度；

根据第一个扩充异常数据与所有轮胎异常数据的优选程度进行重复加权随机抽样，直至扩充异常数据以及轮胎异常数据的数量和，与轮胎正常数据的数量相同为止，获取所有扩充异常数据。

进一步地，所述抽样权重的获取方法包括：

将每个轮胎异常数据的优选程度与所有轮胎异常数据的优选程度的和值之间的比值，作为每个轮胎异常数据的抽样权重。

进一步地，所述数据变化程度的获取方法包括：

任选一个原始轮胎数据作为一个参考数据，获取参考数据预设时间范围内所有其他原始轮胎数据作为对比数据；

将预设时间范围内每个对比数据的采样时刻的序号作为每个对比数据的时间权重；

将每个对比数据与参考数据之间的差异作为第一差异；将每个对比数据的时间权重与第一差异之间的乘积累加求和，作为参考数据的整体差异程度；

获取预设时间范围内对比数据与参考数据组成的一阶差分序列，计算一阶差分序列的方差作为参考数据的变化剧烈程度；

将参考数据的整体差异程度与变化剧烈程度之间的乘积归一化，获得参考数据的数据变化程度；

改变参考数据，获得每个原始轮胎数据的数据变化程度；

将每个扩充异常数据对应的所有抽样轮胎异常数据的数据变化程度求平均，获得对应扩充异常数据的数据变化程度。

进一步地，所述分类误差率的获取方法包括：

获取训练过程中每个弱分类器内分类错误的轮胎状态数据；

将每个弱分类器中的每个分类错误的轮胎状态数据的状态数据权重与数据变化程度的乘积作为对应轮胎状态数据的误差参数；

将所有误差参数累加求和，获得每个弱分类器的分类误差率。

进一步地，每个弱分类器的权重系数的获取方法包括：

将轮胎异常数据与扩充异常数据作为异常数据；

根据权重系数计算公式获取所述权重系数，所述权重系数计算公式如下所示：

；式中，表示第个弱分类器的权重系数；表示第个弱分类器的分类误差率；表示第个弱分类器中的轮胎正常数据的数量；表示第个弱分类器中的异常数据的数量；表示以自然常数为底数的对数函数；表示以自然常数为底数的指数函数。

进一步地，利用强分类器对轮胎爆胎进行预警，包括：

利用强分类器对新采集的轮胎状态数据进行分类，当新采集的轮胎状态数据被分为异常数据时，对轮胎爆胎进行预警。

一种基于智能轮胎技术的轮胎爆胎预警方法，所述方法包括：

获取车辆行驶时期中每个采样时刻的原始轮胎数据；所述原始轮胎数据包括轮胎正常数据与轮胎异常数据；

获得每次迭代集成训练后每个所述原始轮胎数据的状态数据权重；根据相邻两次训练后每个原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的所述权重变化程度与数据分布特征，获得每个轮胎异常数据的优选程度；根据每个轮胎异常数据的优选程度获得所有扩充异常数据；

将所有所述原始轮胎数据与所有所述扩充异常数据合并，获得轮胎状态数据；根据每个所述原始轮胎数据在预设时间范围内的数据波动特征，获得每个所述轮胎状态数据的数据变化程度；对所述轮胎状态数据进行迭代集成训练，每次训练过程存在一个弱分类器；根据每个弱分类器中所述轮胎状态数据的数据变化程度与状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器；

利用所述强分类器对轮胎爆胎进行预警。

本发明具有如下有益效果：

本发明获取车辆行驶时期中每个采样时刻的原始轮胎数据，由于轮胎异常数据的数量远小于轮胎正常数据的数量，会造成数据分布不均衡，进而导致数据迭代集成训练效果不佳，所以对原始轮胎数据进行扩充；为了保证扩充数据的质量，需要对每个轮胎异常数据的优选程度进行分析，由于分类边界的数据质量较高，而状态数据权重变化与数据的比例分布能够反映每个原始轮胎数据是否为边界数据，所以根据相邻两次训练后对应的原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的数据变化程度权重变化程度与数据分布特征，获得每个原始轮胎数据的优选程度；基于优选程度进行数据扩充，获得轮胎状态数据；由于突然发生变化导致的轮胎异常数据可能会在迭代集成训练过程中导致分类不准确，所以根据每个原始轮胎数据在预设时间范围内的数据波动特征，获得每个轮胎状态数据的数据变化程度；基于数据变化程度，结合状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器；利用强分类器对轮胎爆胎进行预警。本发明平衡了轮胎的正常数据与异常数据的数量，提升了分类器的质量，进而提高了轮胎爆胎预警的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于智能轮胎技术的轮胎爆胎预警系统框图；

图2为本发明一个实施例所提供的一种基于智能轮胎技术的轮胎爆胎预警方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于智能轮胎技术的轮胎爆胎预警系统及方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于智能轮胎技术的轮胎爆胎预警系统及方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于智能轮胎技术的轮胎爆胎预警系统框图，该系统具体包括：数据采集模块101，数据扩充模块102，强分类器获取模块103，轮胎爆胎预警模块104。

数据采集模块101，用于获取车辆行驶时期中每个采样时刻的原始轮胎数据；原始轮胎数据包括轮胎正常数据与轮胎异常数据。

本发明实施例适用于轮胎爆胎预警场景，车辆在行驶过程中可能会产生轮胎爆胎风险，由此，本发明对不同采样时刻的原始轮胎数据进行采集，以基于所有采样时刻的原始轮胎数据执行后续的数据处理与数据分析过程，实现轮胎爆胎预警。

其中，采样时刻，为周期性对轮胎状态进行采集的时刻，本发明可以每隔0.01秒对轮胎状态进行采集，得到每一采样时刻的原始轮胎数据，当然，在本发明的另一些实施例中，采样时刻也可以根据实际场景进行调整，对此不做限制。

其中，原始轮胎数据，为车辆行驶过程中轮胎状态的特征向量，其可以具体例如为轮胎的胎压、温度和转速等维度的参数进行组合获得，需要说明的是，由于轮胎在爆胎时轮胎状态会发生较大变化，也即车辆正常行驶时的轮胎特征向量与车辆爆胎时轮胎特征向量存在较大差异，因此，本发明将车辆正常行驶时的轮胎特征向量作为轮胎正常数据，将车辆爆胎时的轮胎特征向量作为轮胎异常数据。

本发明一个实施例中，在每个轮胎内部安装各类传感器，获得各类轮胎参数，将每次采集的每个轮胎的所有种类的轮胎参数组合成一个特征向量，将每个特征向量作为一个原始轮胎数据。

本发明实施例可以基于所获取得到的每个采样时刻的原始轮胎数据，执行后续原始轮胎数据的数据处理过程，以实现对轮胎异常数据的数据扩充，进而实现有效的爆胎预警，其具体过程参见后续实施例。

数据扩充模块102，用于获得每次迭代集成训练后每个原始轮胎数据的状态数据权重；根据相邻两次训练后每个原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的权重变化程度与数据分布特征，获得每个轮胎异常数据的优选程度；根据每个轮胎异常数据的优选程度获得所有扩充异常数据。

因为轮胎爆胎为少见的异常情况且只会持续很短的时间，所以轮胎爆胎时获取到的状态数据数量要明显少于车辆正常行驶时轮胎的状态数据，从而导致数据数量的不平衡，进而导致迭代集成训练的效果不佳。对于数据不平衡的问题，现有技术中常会对所有数据进行欠采样或过采样。

由于轮胎正常数据的数量明显多于轮胎异常数据，采取欠采样会导致浪费大量轮胎正常数据，所以需要对数据进行过采样，获得扩充异常数据，但正常的过采样会产生较多的无用重复信息，为了保证扩充异常数据的质量，需要对轮胎异常数据的数据质量进行分析，即分析每个轮胎异常数据的优选程度；根据每个轮胎异常数据的优选程度，对所有原始轮胎数据中的轮胎异常数据进行扩充，获得所有扩充异常数据。

本发明一个实施例中，迭代集成训练算法采用AdaBoost算法。需要说明的是，AdaBoost算法为本领域技术人员所熟知的技术手段，在此不做赘述。

在现有的AdaBoost算法中，每次训练过程都会出现分类正确的数据与分类错误的数据，每次训练后的分类出错的数据会在下次训练时增大状态数据权重，而分类正确的数据会在下次训练时减小状态数据权重，每次训练时都会存在难以区分的边界数据，而且较多的边界数据能够提升分类器对边界的识别能力，所以认为边界附近的原始轮胎数据质量更高；根据不同训练过程中状态数据权重的变化可以得知原始轮胎数据在多次分类过程中的分类情况，而原始轮胎数据在预设范围内正常数据与异常数据的比例越均衡，该原始轮胎数据越有可能是边界数据；所以本发明实施例中，根据相邻两次训练后对应的原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的数据变化程度权重变化程度与数据分布特征，获得每个原始轮胎数据的优选程度。

优选地，本发明一个实施例中，权重变化程度的获取方法包括：

根据权重变化程度计算公式获取权重变化程度，权重变化程度计算公式如下所示：

式中，表示第个原始轮胎数据的权重变化程度；表示所有原始轮胎数据通过AdaBoost算法进行训练的次数；表示第次训练后第个原始轮胎数据的权重；表示第次训练后第个原始轮胎数据的权重；表示第次训练后第个原始轮胎数据的权重；表示归一化函数；表示以自然常数为底数的指数函数；表示符号函数。

在权重变化程度计算公式中，将每相邻两次训练过程中同一个原始轮胎数据的状态数据权重平均值作为每个原始轮胎数据的整体权重变化情况，每个原始轮胎数据的整体权重变化越剧烈，说明该原始轮胎数据的权重变化程度越高；每相邻两次训练过程中同一个原始轮胎数据的权重变化方向一致时，符号函数会返回数值1，权重变化方向不一致时，符号函数会返回数值-1；所以每相邻两个训练过程中权重变化方向不一致的次数越多，说明该原始轮胎数据的权重变化次数越多，权重变化程度越大。

优选地，本发明一个实施例中，优选程度的获取方法包括：

在每个轮胎异常数据为中心的预设范围内，计算所有原始轮胎数据的权重变化程度的平均值作为预设范围内原始轮胎数据的整体权重参数；将预设范围内所有轮胎异常数据分到一个数据组中，将预设范围内所有轮胎正常数据分到一个数据组中，将数量最少的数据组作为最小数量数据组，将数量最多的数据组作为最大数量数据组；将最小数量数据组的数据数量与最大数量数据组的数据数量之间的比值作为每个轮胎异常数据预设范围内的数据均衡程度；将每个轮胎异常数据的预设范围内原始轮胎数据的整体权重参数与数据均衡程度之间的最大值，作为每个轮胎异常数据的优选参数；将每个轮胎异常数据的优选参数与权重变化程度的乘积作为每个轮胎异常数据的优选程度。

在本发明其他实施例中，可以将预设范围内轮胎异常数据与轮胎正常数据之间的数量差异作为每个轮胎异常数据预设范围内的数据均衡程度；其中，数量差异越小，每个轮胎异常数据预设范围内的数据均衡程度越大。

本发明一个实施例中，预设范围为与每个轮胎异常数据对应特征向量余弦相似度最接近的10个原始轮胎数据。需要说明的是，实施人员可以自行设置范围，在此不做限定。

本发明一个实施例中，优选程度计算公式如下所示：

式中，表示第个轮胎异常数据的优选程度；表示第个轮胎异常数据的权重变化程度；表示每个轮胎异常数据的预设范围内原始轮胎数据的数量；表示每个轮胎异常数据的预设范围内第个原始轮胎数据的权重变化程度；表示第个轮胎异常数据的预设范围内的数据均衡程度；表示最大值函数。

在优选程度计算公式中，第个轮胎异常数据预设范围内所有原始轮胎数据的整体的权重变化程度越大，说明该轮胎异常数据越有可能是分类边界的数据，由于边界数据能够提升分类器对分类边界的识别能力，此时第个轮胎异常数据的数据质量越高，第个轮胎异常数据的优选程度越大；越大，说明第个轮胎异常数据预设范围内轮胎正常数据与轮胎异常数据之间的数量差异越小，第个轮胎异常数据预设范围内数据分布越均衡，说明第个轮胎异常数据越有可能属于边界数据，第个轮胎异常数据的优选程度越大，利用作为优选参数，对第个轮胎异常数据的权重变化程度进行加权，获得第个轮胎异常数据的优选程度。

至此，获得每个轮胎异常数据的优选程度。

获得每个轮胎异常数据的优选程度后，通过优选程度来构建扩充异常数据能够保证扩充的数据的真实性，所以本发明实施例中，根据每个轮胎异常数据的优选程度，对所有原始轮胎数据中的轮胎异常数据进行扩充，获得所有扩充异常数据。

优选地，本发明一个实施例中，所有扩充异常数据的获取方法包括：

将每个轮胎异常数据的优选程度与所有随机抽样的轮胎异常数据的优选程度和值之间的比值，作为每个轮胎异常数据的抽样权重；利用抽样权重对原始轮胎数据中的所有轮胎异常数据进行加权随机抽样，获得抽样轮胎异常数据；对抽样轮胎异常数据求平均，获得第一个扩充异常数据；获取第一个扩充异常数据的优选程度；根据第一个扩充异常数据与所有轮胎异常数据的优选程度进行重复加权随机抽样，直至扩充异常数据以及轮胎异常数据的数量和，与轮胎正常数据的数量相同为止，获取所有扩充异常数据。

由于一次性添加大量数据，可能会导致模型对异常数据的过拟合，并且扩充异常数据都为非真实数据，训练出的模型可能在训练集上表现良好，但在真实场景中的泛化能力较差，所以采用分步添加数据的方法获取所有扩充异常数据，本发明实施例提供一种分步添加数据的方法，包括：

构建个扩充异常数据（为初始样本中轮胎正常数据与轮胎异常数据的数量差），并将新获得的扩充异常数据添加进原始轮胎数据中；重复构建个扩充异常数据，直至扩充异常数据以及轮胎异常数据的数量和，与轮胎正常数据的数量相同为止，获取所有扩充异常数据。需要说明的是，分步添加数据的数据数量可以由实施人员自行设置，在此不做限定。

本发明一个实施例中，随机抽样的轮胎异常数据的数量为10个。需要说明的是，抽样数量可以由实施人员自行设置，在此不做限定。

强分类器获取模块103，用于将所有原始轮胎数据与所有扩充异常数据合并，获得轮胎状态数据；根据每个原始轮胎数据在预设时间范围内的数据波动特征，获得每个轮胎状态数据的数据变化程度；对轮胎状态数据进行迭代集成训练，每次训练过程存在一个弱分类器；根据每个弱分类器中轮胎状态数据的数据变化程度与状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器。

由于车辆行驶过程中，不同的轮胎异常数据对应的实际场景存在一定差异，车辆在行驶过程中发生爆胎可能是原始轮胎数据对应特征向量的某些参数超出了正常阈值所导致的，而超出阈值的过程可能是缓慢变化的，也有可能是突然发生的。例如轮胎气压慢慢增加，直至超出轮胎正常气压，最终导致轮胎爆胎；或者轮胎接触到尖锐物体，导致轮胎表面压强突然超出正常阈值，导致轮胎爆胎。

本发明实施例中，突然发生变化导致的轮胎异常数据可能会在AdaBoost算法进行训练时导致分类不准确，所以根据每个原始轮胎数据在预设时间范围内的数据分布特征，获得每个轮胎状态数据的数据变化程度。

优选地，本发明一个实施例中，数据变化程度的获取方法包括：

任选一个原始轮胎数据作为一个参考数据，获取参考数据预设时间范围内所有其他原始轮胎数据作为对比数据；将预设时间范围内每个对比数据对应的采样时刻序号作为每个对比数据的时间权重；将每个对比数据与参考数据之间的差异作为第一差异；将每个对比数据的时间权重与第一差异之间的乘积累加求和，作为参考数据的整体差异程度；获取预设时间范围内对比数据与参考数据组成的一阶差分序列，计算一阶差分序列的方差作为参考数据的变化剧烈程度；将参考数据的整体差异程度与变化剧烈程度之间的乘积归一化，获得参考数据的数据变化程度；改变参考数据，获得每个原始轮胎数据的数据变化程度；将每个扩充异常数据对应的所有抽样轮胎异常数据的数据变化程度求平均，获得对应扩充异常数据的数据变化程度。

本发明一个实施例中，由于需要对原始轮胎数据进行实时分析，无法获取实时原始轮胎数据后面的原始轮胎数据，所以时间范围设置为每个原始轮胎数据采样时刻的前5个采样时刻。需要说明的是，时间范围可以由实施人员自行设置，在此不做限定。

本发明一个实施例中，原始轮胎数据的数据变化程度的计算公式如下所示：

式中，表示第个原始轮胎数据的数据变化程度；表示第个原始轮胎数据预设时间范围内其他原始轮胎数据对应采样时刻的数量；表示第个原始轮胎数据的数据值；表示对应预设时间范围内第个采样时刻对应的其他原始轮胎数据的数据值；表示第个原始轮胎数据预设时间范围内其他原始轮胎数据对应采样时刻序号；表示预设时间范围内所有原始轮胎数据的一阶差分序列的方差；表示归一化函数，在本发明其他实施例中，可以采用sigmoid函数进行归一化处理，在此不做限定。

在数据变化程度计算公式中，第个原始轮胎数据与预设时间范围内每个其他原始轮胎数据之间的差异越大，的变化趋势越剧烈；越大，说明预设时间范围内第个采样时刻对应的其他原始轮胎数据在时序上越接近第个原始轮胎数据，此时第个采样时刻对应的其他原始轮胎数据对第个原始轮胎数据的变化影响越大，所以时间权重越大，此时越大，第个原始轮胎数据的数据变化程度越剧烈；在预设时间范围内第个原始轮胎数据与其他原始轮胎数据组成的一阶差分序列中，方差越大，说明预设时间范围内原始轮胎数据的变化越不稳定，第个原始轮胎数据的数据变化程度越剧烈。

基于轮胎状态数据内每个数据的数据变化程度，结合现有技术获得AdaBoost算法中每个弱分类器的分类误差率。本发明实施例中，根据每个弱分类器中轮胎状态数据的数据变化程度与状态数据权重，获得每个弱分类器的分类误差率。

优选地，本发明实施例中，分类误差率的获取方法包括：

基于AdaBoost算法能够获取迭代集成训练时每个轮胎状态数据的状态数据权重；将每个弱分类器中的每个分类错误的轮胎状态数据的状态数据权重与数据变化程度的乘积作为每个轮胎状态数据的误差参数，状态数据权重越大，在分类错误时对分类误差率的贡献越大，数据变化程度越大，说明该轮胎状态数据对分类准确性的要求越高，在分类错误时的分类误差率越大；将所有误差参数累加求和，获得每个弱分类器的分类误差率。本发明一个实施例中，分类误差率计算公式如下所示：

式中，表示第个弱分类器的分类误差率；表示第个弱分类器中轮胎状态数据的数量；表示第个弱分类器中第个轮胎状态数据的状态数据权重；表示第个弱分类器中第个轮胎状态数据的数据变化程度；表示第个弱分类器中第个轮胎状态数据的分类判断值，在分类错误时，为1，在分类正确时，为0。

基于每个弱分类器的分类误差率，能够获得每个弱分类器的权重系数。故本发明实施例中，根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数。

优选地，本发明一个实施例中，每个弱分类器的权重系数的获取方法包括：

将轮胎异常数据与扩充异常数据作为异常数据；

根据权重系数计算公式获取权重系数，权重系数计算公式如下所示：

式中，表示第个弱分类器的权重系数；表示第个弱分类器的分类误差率；表示第个弱分类器中的轮胎正常数据的数量；表示第个弱分类器中的异常数据；表示以自然常数为底数的对数函数；表示以自然常数为底数的指数函数。

在权重系数计算公式中，当分类误差率时，权重系数，分类误差率越小，说明第个弱分类器分类结果越准确，此时权重系数越大；轮胎状态数据中轮胎正常数据与异常数据之间的数量差值越小，第个弱分类器中的数据分布越均衡，第个弱分类器的数据样本偏差越小，此时第个弱分类器的权重系数越大。

将所有弱分类器与每个弱分类器的权重系数进行加权组合，获得所有轮胎状态数据的强分类器。

轮胎爆胎预警模块104，用于利用强分类器对轮胎爆胎进行预警。

优选地，本发明一个实施例中，将新采集的轮胎数据加入到强分类器中，利用强分类器对新采集的轮胎状态数据进行分类，当新采集的轮胎状态数据被分为异常数据时，车辆系统立刻发出警报提醒驾驶员轮胎存在异常状态。

至此，完成对轮胎爆胎的预警。

请参阅图2，本发明实施例中提供了一种基于智能轮胎技术的轮胎爆胎预警方法，该方法包括：

获取车辆行驶时期中每个采样时刻的原始轮胎数据；原始轮胎数据包括轮胎正常数据与轮胎异常数据；

获得每次迭代集成训练后每个原始轮胎数据的状态数据权重；根据相邻两次训练后每个原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的权重变化程度与数据分布特征，获得每个轮胎异常数据的优选程度；根据每个轮胎异常数据的优选程度获得所有扩充异常数据；

将所有原始轮胎数据与所有扩充异常数据合并，获得轮胎状态数据；根据每个原始轮胎数据在预设时间范围内的数据波动特征，获得每个轮胎状态数据的数据变化程度；对轮胎状态数据进行迭代集成训练，每次训练过程存在一个弱分类器；根据每个弱分类器中轮胎状态数据的数据变化程度与状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器；

利用强分类器对轮胎爆胎进行预警。

综上，本发明获取车辆行驶时期中每个采样时刻的原始轮胎数据；根据相邻两次训练后对应的原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的数据变化程度权重变化程度与数据分布特征，获得每个原始轮胎数据的优选程度；基于优选程度进行数据扩充，获得轮胎状态数据；根据每个原始轮胎数据在预设时间范围内的数据波动特征，获得每个轮胎状态数据的数据变化程度；基于数据变化程度，结合状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器；利用强分类器对轮胎爆胎进行预警。本发明平衡了轮胎的正常数据与异常数据的数量，提升了分类器的质量，进而提高了轮胎爆胎预警的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，所述系统包括：

数据采集模块，用于获取车辆行驶时期中每个采样时刻的原始轮胎数据；所述原始轮胎数据包括轮胎正常数据与轮胎异常数据；

数据扩充模块，用于获得每次迭代集成训练后每个所述原始轮胎数据的状态数据权重；根据相邻两次训练后每个原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的所述权重变化程度与数据分布特征，获得每个轮胎异常数据的优选程度；根据每个轮胎异常数据的优选程度获得所有扩充异常数据；

强分类器获取模块，用于将所有所述原始轮胎数据与所有所述扩充异常数据合并，获得轮胎状态数据；根据每个所述原始轮胎数据在预设时间范围内的数据波动特征，获得每个所述轮胎状态数据的数据变化程度；对所述轮胎状态数据进行迭代集成训练，每次训练过程存在一个弱分类器；根据每个弱分类器中所述轮胎状态数据的数据变化程度与状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器；

轮胎爆胎预警模块，用于利用所述强分类器对轮胎爆胎进行预警。

2.根据权利要求1所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，所述权重变化程度的获取方法包括：

根据权重变化程度计算公式获取所述权重变化程度，所述权重变化程度计算公式如下所示：

；式中，表示第个原始轮胎数据的权重变化程度；表示所有原始轮胎数据进行迭代集成训练的次数；表示第次训练后第个原始轮胎数据的权重；表示第次训练后第个原始轮胎数据的权重；表示第次训练后第个原始轮胎数据的权重；表示归一化函数；表示以自然常数为底数的指数函数；表示符号函数。

3.根据权利要求1所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，所述优选程度的获取方法包括：

在每个轮胎异常数据为中心的预设范围内，计算所有原始轮胎数据的权重变化程度的平均值作为预设范围内原始轮胎数据的整体权重参数；

将预设范围内所有轮胎异常数据分到一个数据组中，将预设范围内所有轮胎正常数据分到一个数据组中，将数量最少的数据组作为最小数量数据组，将数量最多的数据组作为最大数量数据组；

将最小数量数据组的数据数量与最大数量数据组的数据数量之间的比值作为每个轮胎异常数据预设范围内的数据均衡程度；

将每个轮胎异常数据的预设范围内原始轮胎数据的所述整体权重参数与所述数据均衡程度之间的最大值，作为每个轮胎异常数据的优选参数；

将每个轮胎异常数据的所述优选参数与所述权重变化程度的乘积作为每个轮胎异常数据的优选程度。

4.根据权利要求1所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，所有扩充异常数据的获取方法包括：

根据每个轮胎异常数据的优选程度获得每个轮胎异常数据的抽样权重；利用所述抽样权重对原始轮胎数据中的所有轮胎异常数据进行加权随机抽样，获得抽样轮胎异常数据；对抽样轮胎异常数据求平均，获得每个扩充异常数据；获取第一个扩充异常数据的优选程度；

根据第一个扩充异常数据与所有轮胎异常数据的优选程度进行重复加权随机抽样，直至扩充异常数据以及轮胎异常数据的数量和，与轮胎正常数据的数量相同为止，获取所有扩充异常数据。

5.根据权利要求4所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，所述抽样权重的获取方法包括：

将每个轮胎异常数据的优选程度与所有轮胎异常数据的优选程度的和值之间的比值，作为每个轮胎异常数据的抽样权重。

6.根据权利要求4所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，所述数据变化程度的获取方法包括：

任选一个原始轮胎数据作为一个参考数据，获取参考数据预设时间范围内所有其他原始轮胎数据作为对比数据；

将预设时间范围内每个对比数据的采样时刻的序号作为每个对比数据的时间权重；

将每个对比数据与参考数据之间的差异作为第一差异；将每个对比数据的时间权重与第一差异之间的乘积累加求和，作为参考数据的整体差异程度；

获取预设时间范围内对比数据与参考数据组成的一阶差分序列，计算一阶差分序列的方差作为参考数据的变化剧烈程度；

将参考数据的整体差异程度与变化剧烈程度之间的乘积归一化，获得参考数据的数据变化程度；

改变参考数据，获得每个原始轮胎数据的数据变化程度；

将每个扩充异常数据对应的所有抽样轮胎异常数据的数据变化程度求平均，获得对应扩充异常数据的数据变化程度。

7.根据权利要求1所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，所述分类误差率的获取方法包括：

获取训练过程中每个弱分类器内分类错误的轮胎状态数据；

将每个弱分类器中的每个分类错误的轮胎状态数据的状态数据权重与数据变化程度的乘积作为对应轮胎状态数据的误差参数；

将所有误差参数累加求和，获得每个弱分类器的分类误差率。

8.根据权利要求1所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，每个弱分类器的权重系数的获取方法包括：

将轮胎异常数据与扩充异常数据作为异常数据；

根据权重系数计算公式获取所述权重系数，所述权重系数计算公式如下所示：

；式中，表示第个弱分类器的权重系数；表示第个弱分类器的分类误差率；表示第个弱分类器中的轮胎正常数据的数量；表示第个弱分类器中的异常数据的数量；表示以自然常数为底数的对数函数；表示以自然常数为底数的指数函数。

9.根据权利要求1所述的一种基于智能轮胎技术的轮胎爆胎预警系统，其特征在于，利用强分类器对轮胎爆胎进行预警，包括：

利用强分类器对新采集的轮胎状态数据进行分类，当新采集的轮胎状态数据被分为异常数据时，对轮胎爆胎进行预警。

10.一种基于智能轮胎技术的轮胎爆胎预警方法，所述方法包括：

获取车辆行驶时期中每个采样时刻的原始轮胎数据；所述原始轮胎数据包括轮胎正常数据与轮胎异常数据；

获得每次迭代集成训练后每个所述原始轮胎数据的状态数据权重；根据相邻两次训练后每个原始轮胎数据的状态数据权重差异，获得每个原始轮胎数据的权重变化程度；根据每个轮胎异常数据的预设范围内，原始轮胎数据的所述权重变化程度与数据分布特征，获得每个轮胎异常数据的优选程度；根据每个轮胎异常数据的优选程度获得所有扩充异常数据；

将所有所述原始轮胎数据与所有所述扩充异常数据合并，获得轮胎状态数据；根据每个所述原始轮胎数据在预设时间范围内的数据波动特征，获得每个所述轮胎状态数据的数据变化程度；对所述轮胎状态数据进行迭代集成训练，每次训练过程存在一个弱分类器；根据每个弱分类器中所述轮胎状态数据的数据变化程度与状态数据权重，获得每个弱分类器的分类误差率；根据每个弱分类器的分类误差率与数据分布特征，获得每个弱分类器的权重系数；结合弱分类器与弱分类器的权重系数生成强分类器；

利用所述强分类器对轮胎爆胎进行预警。