CN108828980B - 一种过弯离心力的预测方法及*** - Google Patents

Abstract

本发明公开了一种过弯离心力预测方法及***，属于运输设备领域。一种过弯离心力的预测方法，包括以下步骤：1，集成车辆实时的胎压数据、加速度数据、速度数据和扭矩数据；2，将集成的数据生成有时序的特征向量；3，根据特征向量，训练离心力的预测模型；4，获得预测模型后，将特征向量输入到预测模型，获得之后一段时间的车辆的离心力的预测值。本发明通过海量的行车传感器数据，并利用机器学习的一种深度神经网络进行数据建模，从中找出当前时刻胎压、加速度、速度和扭矩与往后时刻的车辆所受离心力的相关关系，以达到预测车辆所受离心力的目的。

Description

一种过弯离心力的预测方法及***

技术领域

本发明属于车辆控制技术领域，尤其涉及了一种过弯离心力的预测方法及***。

背景技术

随着集装箱港口吞吐量的增长，集装箱的搬运效率越来越受到港口运营管理者的重视。在缩短搬运时间，提高集装箱搬运车辆的平均速度的同时，由于牵引车与拖板为软连接，拖板上载有货物且在过弯时，车辆垂直方向的姿态会有一定程度的倾斜，为了保证车辆在过弯时不会因速度过快而侧翻，需要将过弯时的速度和加速度控制在合理范围内。因此预测搬运车辆在过弯过程中的所受的横向离心力成为判断车辆是否能够稳定安全过弯的重要指标。

发明内容

本发明提出了一种过弯离心力预测方法及***，预测搬运车辆在过弯过程中的所受的横向离心力。

本发明可通过以下技术方案实现：

一种过弯离心力的预测方法，其特征在于：包括以下步骤：

步骤1：集成车辆实时的胎压数据、加速度数据、速度数据和扭矩数据；

步骤2：将集成的数据生成有时序的特征向量；

步骤3：根据特征向量，训练离心力的预测模型；

步骤4：获得预测模型后，将特征向量输入到预测模型，获得之后一段时间的车辆的离心力的预测值。

进一步，步骤1中***实时检测获得车辆的胎压数据、加速度数据、速度数据和扭矩数据，并保证各个数据的时标对齐，根据时序的先后顺序输出到步骤2。

进一步，步骤2中根据输入的数据计算左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度，组合成t+1秒的特征向量、t+2秒的特征向量,直到t+n秒的特征向量输出到步骤3。

进一步，步骤3将特征向量作为模型的训练数据分别输入t+1秒后、t+2秒后、…、t+n秒后的离心力预测模型的训练过程中，每完成一次训练则判断模型的预测误差是否收敛，如果判断结果是没有收敛，则继续等待下一批特征向量，如果收敛则将模型输出到车辆离心力仿真器中，将仿真器输出到步骤4。

进一步，在离心力预测模型的训练过程中，模型使用深度神经网络的结构，通过误差反向传递的训练方法计算模型中各个的参数的值，该模型由特征输入层、隐藏层和输出层组成，特征向量从特征输入层进入，经过多层的隐藏层的核函数运算后，输出到输出层，其中隐藏层的核函数为非线性的连续可导函数。

进一步，步骤4将特征向量输入到车辆离心力仿真器中，通过仿真器预测之后一段时间的离心力值，保存成带时标的离心力预测量，以表示车辆在过弯时车辆所受的t+1时刻的离心力的预测值、t+2时刻的离心力的预测值、t+3时刻的离心力的预测值、…、t+n时刻的离心力的预测值。

一种应用上述的过弯离心力的预测方法的***，其特征在于：包括主控制器、胎压传感器、加速度传感器、速度传感器和扭矩传感器，所述胎压传感器、所述速度传感器、所述加速度传感器和所述扭矩传感器分别与所述主控制器相连，主控制器接收各传感器信号，根据实时的胎压、加速度、速度和扭矩数据，训练离心力预测模型，利用得到的离心力预测模型，预测后一段时间的车辆的过弯离心力。

进一步，所述胎压传感器设置在前左、前右、后左、后右方位上的轮胎上。

进一步，所述加速度传感器包括平行于车辆行驶方向的行驶加速度传感器、垂直于车辆行驶方向且平行于地面的横向加速度传感器，所述的行驶加速度传感器、横向加速度传感器分别与主控制器相连。

有益效果

本发明的技术方案通过海量的行车传感器数据，并利用机器学习的一种深度神经网络进行数据建模，从中找出当前时刻胎压、加速度、速度和扭矩与往后时刻的车辆所受离心力的相关关系，达到预测车辆所受离心力的目的；本发明采用深度学习建模的方式预测车辆所受离心力，改变了现有的基于测量数据进行修正的控制滞后，能够对车辆的离心力进行预测，不仅能够提高车辆行驶转弯过程的安全性，而且能够对驾驶过程控制提供辅助。

附图说明

图1为本发明的离心力预测的流程图；

图2为本发明的预测模型训练的流程图；

图3为本发明的深度神经网络的示意图；

图4为本发明的离心力预测值计算的流程图；

图5为本发明的车辆过弯过程对应离心力预测值的示意图；

图6为本发明的***结构示意图。

具体实施方式

结合附图，根据下面的详细描述，可以更加清楚地理解本发明。

本***以车辆控制平台采集的数据为基础，经过特征向量生成、离心力预测模型和离心力预测之后，获取一段时间的车辆横向离心力的预测值。

***包括主控制器5、胎压传感器6、加速度传感器7、速度传感器8和扭矩传感器9，所述胎压传感器6、所述速度传感器8、所述加速度传感器7和所述扭矩传感器9分别与所述主控制器5相连，主控制器5接收传感器信号，获得实时的胎压、加速度、速度和扭矩数据。加速度传感器7包括平行于车辆行驶方向的行驶加速度传感器、垂直于车辆行驶方向且平行于地面的横向加速度传感器，所述的行驶加速度传感器、横向加速度传感器分别与主控制器5相连。

本方案中的主控制器采用X86的平台架构处理器，运行linux操作***，并可加载运行小型数据库软件以及其它所需的中间件软件。

本方案与外部传感器以及控制器之间主要采用CANBUS2.0的协议的方式进行连接。

胎压传感器6分别安装在牵引车的左前、左后、右前、右后的轮胎中，或者牵引车和拖板的左前、左后、右前、右后的轮胎中，采集实时的胎压数据传回给控制器。

本方案中的胎压数据，是利用安装在每一个轮胎里的压力传感器直接进行轮胎气压的测量，并通过无线发射器将压力信息从轮胎内部发送到车载控制器胎压检测单元(TPMS)来实现，然后由胎压检测模块通过CANUSB2.0总线传输到主控制器上。

本方案中的胎压数据需要包括前左，前右，后左，后右方位上的轮胎的压力数据。

横向加速度传感器安装在牵引车或拖板的底盘，采集实时的车辆横向加速度数据传回给控制器，控制器根据横向加速度数据计算挂车所受的离心力。

行驶加速度传感器安装在牵引车底盘，速度传感器安装在牵引车车轮，采集实时的车辆行驶方向加速度和速度数据传回给控制器，控制器根据加速度和速度数据计算车辆载重。

为了实时获取精确的加速度信号和角速度数据，本实施方案导入了惯性测量装置(IMU)单元(加速度传感器7)。主控制器通过与惯性测量装置的直接连接，实时采集惯性测量装置中所反馈的行驶加速度数据，横向加速度数据，以及各个方向上的相关角速度数据。

主控制器5与惯性测量装置(加速度传感器7)间的通信采用CANBUS2.0协议。

速度传感器8是用来检测车辆车速的装置，车速传感器的输出信号可以是磁电式的交流信号，也可以是霍尔式的数字信号或者是光电式的数字信号。

本方案中的车速信号直接来自于上述信号的任何一种，主控制器通过整流获取方波信号，然后再计算周期内的方波数量来获得瞬时的车辆速度。

扭矩传感器9安装在电动引擎或驱动电机的输出侧，采集实时的扭矩数据传回控制器，控制器计算车辆的加减速度。

本方案中的发动机扭矩(扭矩传感器9)，由车辆控制平台获取相关的数据之后，并通过计算获得实际的扭矩数据。

扭矩数据由车辆控制平台，通过CANBUS2.0总线实时传输给主控制器5。车辆控制平台的相关制动子***或车辆控制平台本身以主减速器10来表示。

***在采用上述装置获取胎压数据、加速度数据、速度数据、扭矩数据后，计算当前时刻的左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度。从历史库中获取过去的胎压数据、加速度数据、速度数据、扭矩数据以及左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度等数据组合成t+1秒的特征向量、t+2秒的特征向量,直到t+n秒的特征向量。

根据特征向量时刻标记分别输入到t+1秒后、t+2秒后、…、t+n秒后的离心力预测模型的特征输入层，通过隐藏层1到n的非线性转换输出到输出层，其中隐藏层的非线性转换有核函数完成，核函数使用非线性且连续可导的函数，非线性转换过程中，核函数的参数使用上一轮更新后的参数。

训练过程中，输出层的输出值为车辆所受离心力的预测值，将预测值和实测值的误差通过误差反向传播的方式，从隐藏层n开始逐层更新核函数的参数，直至隐藏层1。

完成一轮训练后，判断更新前后的隐藏层核函数的参数变化是否收敛，如果未收敛则继续等待下一批特征向量，如果已收敛则将各个模型的核函数的参数输出到车辆离心力仿真器中。

当已获得参数收敛的预测模型后，输入参数输入到车辆离心力仿真器的输入层，经过隐藏层非线性转换后获得输出层的输出值，转换过程中使用的核函数的参数使用已经收敛的模型参数，输出值为车辆t+1时刻至t+n时刻的离心力预测值，仿真器的计算过程与预测模型的训练过程的区别在于，仿真器的计算过程不使用误差反向传播的方法更新核函数的参数，从而实现预测车辆过弯过程中多个时刻的车辆所受横向离心力。

实施例1

主控制器5在实时获取胎压数据，加速度数据，扭矩数据，车速数据之后，计算当前t时刻的左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度，把数值归一化到0.2～0.6后写入到Redis数据库。

从Redis数据库中获取t时刻到t-10时刻的胎压、加速度、扭矩、车速、左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度以及这些量的差值、2次方值、3次方值作为输入特征向量输入到预测模型的特征输入层，隐藏层使用sigmoid函数作为核函数，结果隐藏层的转换将离心力的预测值输出到预测模型的输出层，将其作为t+1秒的车辆所受横向离心力的预测值。

当计算获得t+1秒的车辆所受横向离心力后将其作为t+1秒的车辆所受横向离心力实测值，使用Rumelhart在1986年提出的误差反向传播算法更新预测模型的中所有sigmoid函数的参数，当参数的变化量的绝对值小于1E-10之后判断参数已经收敛，认为模型已经训练完成将其输出到车辆离心力仿真器中。

采用训练完成的模型进行实际预测时，同样将实时胎压数据，加速度数据，扭矩数据，车速数据之后，计算当前t时刻的左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度，把数值归一化到0.2～0.6后写入到Redis数据库，从Redis数据库中获取t时刻到t-10时刻的胎压、加速度、扭矩、车速、左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度以及这些量的差值、2次方值、3次方值作为输入特征向量输入到预测模型的特征输入层，隐藏层使用sigmoid函数作为核函数，结果隐藏层的转换将离心力的预测值输出到预测模型的输出层，将其作为t+1秒的车辆所受横向离心力的预测值并记录到Redis数据库中。

本发明的技术方案通过海量的行车传感器数据，并利用机器学习的一种深度神经网络进行数据建模，从中找出当前时刻胎压、加速度、速度和扭矩与往后时刻的车辆所受离心力的相关关系，达到预测车辆所受离心力的目的；本发明采用深度学习建模的方式预测车辆所受离心力，改变了现有的基于测量数据进行修正的控制滞后，能够对车辆的离心力进行预测，不仅能够提高车辆行驶转弯过程的安全性，而且能够对驾驶过程控制提供辅助。

根据上述说明书的揭示和教导，本专利所属领域的技术人员还能够对上述实施方式进行变更和修改。因此，本发明并不局限于上述的具体实施方式，凡是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本专利构成任何限制。

Claims (7)

1.一种过弯离心力的预测方法，其特征在于：包括以下步骤：

步骤1：集成车辆实时的胎压数据、加速度数据、速度数据和扭矩数据；

步骤2：将集成的数据生成有时序的特征向量；

步骤3：根据特征向量，训练离心力的预测模型；

步骤4：获得预测模型后，将特征向量输入到预测模型，获得之后一段时间的车辆的离心力的预测值；

其中，步骤2中根据输入的数据计算左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度，组合成t+1秒的特征向量、t+2秒的特征向量,直到t+n秒的特征向量输出到步骤3；

步骤3将特征向量作为模型的训练数据分别输入t+1秒后、t+2秒后、…、t+n秒后的离心力预测模型的训练过程中，每完成一次训练则判断模型是否收敛，即模型的预测误差是否收敛，如果判断结果是没有收敛，则继续等待下一批特征向量，如果收敛则将模型输出到车辆离心力仿真器中，将仿真器输出到步骤4。

2.如权利要求1所述的过弯离心力的预测方法，其特征在于：步骤1中***实时检测获得车辆的胎压数据、加速度数据、速度数据和扭矩数据，并保证各个数据的时标对齐，根据时序的先后顺序输出到步骤2。

3.如权利要求1所述的过弯离心力的预测方法，其特征在于：在离心力预测模型的训练过程中，模型使用深度神经网络的结构，通过误差反向传递的训练方法计算模型中各个的参数的值，该模型由特征输入层、隐藏层和输出层组成，特征向量从特征输入层进入，经过多层的隐藏层的核函数运算后，输出到输出层，其中隐藏层的核函数为非线性的连续可导函数。

4.如权利要求1所述的过弯离心力的预测方法，其特征在于：步骤4首先输入特征向量到车辆离心力仿真器中，通过仿真器预测之后一段时间的离心力值，保存成带时标的离心力预测量，以表示车辆在过弯时车辆所受的t+1时刻的离心力的预测值、t+2时刻的离心力的预测值、t+3时刻的离心力的预测值、…、t+n时刻的离心力的预测值。

5.一种应用如权利要求1所述的过弯离心力的预测方法的***，其特征在于：包括主控制器、胎压传感器、加速度传感器、速度传感器和扭矩传感器，所述胎压传感器、所述速度传感器、所述加速度传感器和所述扭矩传感器分别与所述主控制器相连，主控制器接收各传感器信号，根据实时的胎压、加速度、速度和扭矩数据，训练离心力预测模型；

根据输入的数据计算左右侧轮胎的胎压差、车辆所受横向离心力、车辆载重、车辆的加减速度，组合成t+1秒的特征向量、t+2秒的特征向量,直到t+n秒的特征向量输出，根据特征向量，训练离心力的预测模型；

将特征向量作为模型的训练数据分别输入t+1秒后、t+2秒后、…、t+n秒后的离心力预测模型的训练过程中，每完成一次训练则判断模型是否收敛，即模型的预测误差是否收敛，如果判断结果是没有收敛，则继续等待下一批特征向量，如果收敛则将模型输出到车辆离心力仿真器中，将仿真器输出，利用得到的离心力预测模型，预测后一段时间的车辆的过弯离心力。

6.如权利要求5所述的***，其特征在于：所述胎压传感器设置在前左、前右、后左、后右方位上的轮胎上。

7.如权利要求5所述的***，其特征在于：所述加速度传感器包括平行于车辆行驶方向的行驶加速度传感器、垂直于车辆行驶方向且平行于地面的横向加速度传感器，所述的行驶加速度传感器、横向加速度传感器分别与主控制器相连。

Images