CN113188807B - 一种abs结果自动判定算法 - Google Patents
一种abs结果自动判定算法 Download PDFInfo
- Publication number
- CN113188807B CN113188807B CN202110161347.4A CN202110161347A CN113188807B CN 113188807 B CN113188807 B CN 113188807B CN 202110161347 A CN202110161347 A CN 202110161347A CN 113188807 B CN113188807 B CN 113188807B
- Authority
- CN
- China
- Prior art keywords
- abs
- data
- model
- training
- braking
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 74
- 238000012360 testing method Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 230000009467 reduction Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01M17/0072—Wheeled or endless-tracked vehicles the wheels of the vehicle co-operating with rotatable rolls
- G01M17/0074—Details, e.g. roller construction, vehicle restraining devices
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明提供一种abs结果自动判定算法,包括以下步骤,S1:获取制动过程中与汽车abs制动性能检测相关的数据及附加信息;S2:截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据,对原始一维时域测量数据进行去噪预处理;S3:提取能反映汽车abs工作性能的人工特征参数;S4:制作带标签的样本数据;S5:针对经过标定的少量带标签样本,进行浅层模型的预训练与专家知识的数据化表达,能够较全面地检测装配abs的车辆在各种路面上的制动执行情况,从而确保车辆制动的安全性,减少交通事故的发生,该方法能够自适应的提取原始信号特征,具有良好的适用性,能够有效提高汽车abs的性能检测效率,实现了小样本情况下的高效深度学习。
Description
[技术领域]
本发明涉及abs制动性能检测技术领域,尤其涉及一种应用效果突出的abs结果自动判定算法。
[背景技术]
随着防抱死制动***(简称abs)在汽车上应用越来越广,在汽车整车检测线中,需要相应的增加对汽车abs制动性能检测设备,这些设备通过检测车辆制动时的轮速、车身速度、踏板及管路压力等,来判断abs的工作性能。由于,普通检测人员并不具备相关的专业知识,因此,汽车abs制动性能检测设备应能对被测车辆abs的工作状态进行自动判定。
相比于经典机器学习方法,深度学习方法可以将特征提取和分类器训练统一用深度神经网络的方式进行建模,并实现端到端的学习。但是,针对一款新型车辆和或abs制动***,由于故障的发生几率相比正常工况很低,另外,对故障数据的标注依赖于有丰富故障诊断经验和领域知识的专家,因此,通常很难构建大量高价值、有标注的样本集。
如何在使用少量有标注样本的情况下,解决深度神经网络模型表达能力不足、泛化性能不好的问题,是一个既充满挑战又有重要应用价值的研究领域。
[发明内容]
为克服现有技术所存在的问题,本发明提供一种应用效果突出的abs结果自动判定算法。
本发明解决技术问题的方案是提供一种abs结果自动判定算法,包括以下步骤,
S1:获取制动过程中与汽车abs制动性能检测相关的数据及附加信息;
S2:截取测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据,对原始一维时域测量数据进行去噪预处理;
S3:提取能反映汽车abs工作性能的人工特征参数;
S4:制作带标签的样本数据;
S5:针对经过标定的少量带标签样本,进行浅层模型的预训练与专家知识的数据化表达;
S6:获取训练用数据,所述训练用数据从路试、台试,车载跟踪测量中获取,或者选择从现有的数据库中获取,其中训练用数据包括波形测量数据以及附加信息。
优选地,所述步骤S1中的数据获取方式为通过路试、台试,车载跟踪测量获得,或通过已有的数据库获得,或者通过其它途径获得;获取车速、轮速、踏板力、abs制动时间、间隔、制动管路压力的测量数据;所述附加信息包括车型、车号、车龄、道路位置、车型技术参数、轴距、轮距、整备质量、轮胎规格、abs形式、abs信号,以及功率、扭矩动力数据,所述数据来源于预设的车型、车号技术参数数据库。
优选地,所述步骤S2具体包括以下步骤,A1:采用高通滤波器去除基线漂移噪音;A2:基于与abs制动动作相关波段信号的标准方差和阈值法确认噪音是否过高;A3:噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
优选地,所述步骤S3具体包括针对一维时域波形测量信号进一步计算,包括但不限于:滑移率阈值、滑移率均值、滑移率方差、abs调整次数等评价abs性能的特征数据,其中,滑移率阈值就是滑移率的变化范围,滑移率均值为abs起作用期间滑移率的总体分布,滑移率方差表示abs的调整速度,abs调整次数代表在滑移率与车速曲线中的一个abs调整波形;选择适当的变换域,包括采用傅里叶变换,将一维时域波形测量信号变换到频域,包括但不限于:滑移率、附着系数利用率、制动减速度、车轮车身减速度比、制动时间、制动距离。
优选地,所述步骤S4中的样本数据具体包括表示abs工作状态的判定结果、对abs制动次数、制动压力、制动定时预设控制参数的评价结果以及依据制动测量数据、车载和路边气象数据进行标定的路面附着系数以及路面湿滑度标签数据。
优选地,所述步骤S5具体包括采用浅层模型,基于特征和标签进行模型训练;基于分类准确率/预测误差指标,并考虑模型复杂度,设定分类准确率阈值和计算时间阈值,对上述训练得到的模型进行筛选,构成候选模型池;从上述候选模型池中随机选择模型,针对原始数据集剩余的无标签样本数据进行预测,得到预测标签。
优选地,所述步骤S6具体包括,B1:针对具体任务,设计深度神经网络结构;B2:根据任务不同,分为分类任务和回归任务;B3:持续进行深度神经网络模型的评估和改进;B4:改变步骤5中的候选模型组合得到不同的融合预测标签,重新训练上述深度神经网络,并评估其性能;B5:根据上述评估结果,优选兼顾分类准确率/预测误差和网络复杂度(参数量和计算量)的模型作为最终模型。
优选地,训练方式包括两种:其一是采用相同的人工特征,训练不同的浅层模型;基于分类准确率/预测误差等指标,以及t-SNE等可视化工具,分析上述模型之间的相关性、差异性和互补性;其二是对同一种浅层模型,改变不同的特征组合,进行模型训练;基于分类准确率/预测误差等指标,以及t-SNE等可视化工具,分析同一浅层模型下不同特征组合的表达能力,以及它们之间的相关性、差异性和互补性。
优选地,所述浅层模型为支持向量机(SVM),极限学习机(ELM),决策树(DT),置信规则库(BRB)或证据推理(ER)。
优选地,所述步骤S3中提取人工特征参数过程还可以通过深信度网络的非线性映射,自动得到高度可分的特征和特征组合用于分类,并通过增量学习从而调整模型参数、优化网络结构,得到更好的分类效果;所述增量学习具体包括:建立基于深度学习的数据分析模型DBN,所述数据分析模型DBN由多个受限玻尔兹曼机RBM堆叠而成;所述数据分析模型DBN的训练过程采用“预训练+微调”;
所述预训练采用自下而上的无监督训练,首先训练第一个隐含层的RBM,然后逐层训练下一个隐含层,并将上一个隐含层训练好的结点的输出作为第二个RBM的输入,将本隐含层结点的输出作为下一个隐含层的输入;以此类推,通过多个RBM堆叠,每一层的处理对进行可以看做是对上一层输入的逐层加工,把初始值与输出类别之间联系不密切的输入转化成与类别更密切的表示;
所述微调过程对带标签数据进行自上而下的监督训练,所有RBM训练完成之后使用反向传播算法对网络进行微调,最后将深信度网络输出的特征向量输入Softmax分类器中。
具体流程如下:
采集数据:通过设置的传感器采集abs在各种工作状态(包括正常及各种典型故障)下的参数信号并记录;
采集一个周期内原始数据为X1=[X1(1),X1(2),X1(3),…,X1(n)]T,并将原始数据与abs工作状态一一对应,作为标签数据。例如,将样本数据分为3类,用(0、1)表示abs故障,见图4(a);(1、0)表示abs正常工作,见图4(b);(1、1)表示制动力不足,见图4(c)、图4(d);
所采集的参数信号至少包括abs制动过程中的车身速度和车轮速度;
降维计算处理:将采集的数据按照设定长度截取生成样本,对同一工作状态下样本数据采用PCA降维处理,生成1维数据样本并与abs工作状态对应;
训练DBN网络:构建DBN网络模型,并将生成的1维数据作为特征信号输入DBN网络;
DBN模型诊断:将测试数据采用PCA降维处理后输入DBN模型,进行abs故障的自动判定。
与现有技术相比,本发明一种abs结果自动判定算法能够较全面地检测装配abs的车辆在各种路面上的制动执行情况,从而确保车辆制动的安全性,减少交通事故的发生。该方法能够自适应的提取原始信号特征,具有良好的适用性,能够有效提高汽车abs的性能检测效率,因此,具有较高的实用价值。
[附图说明]
图1是本发明的数据库应用***结构图。
图2是本发明的小样本故障诊断算法1流程图。
图3是本发明的小样本故障诊断算法2流程图。
图4是本发明的abs制动时车速/轮速对比曲线图。
图4(a)为abs故障时的车速/轮速对比曲线。
图4(b)为abs正常工作时的车速/轮速对比曲线。
图4(c)为同一附着系数路面下abs正常工作时的车速/轮速对比曲线。
图4(d)为同一附着系数路面下abs制动力不足时的车速/轮速对比曲线。
图5是本发明的PCA处理前后深度神经网络的训练对比。
图6是本发明一种abs结果自动判定算法的流程示意图。
[具体实施方式]
为使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定此发明。
请参阅以下视图,本发明一种汽车abs制动故障诊断***数据库应用***,如图1所示,
具体包括:私有数据接口1、公有数据接口2、以太网3、制动台电控柜4、abs制动检测台5、被测车辆6、ODB适配器7、工位计算机8。
所述工位计算机8通过现场总线(RS232/CAN总线等)与制动台电控柜4、ODB适配器7连接;并可通过以太网3与私有数据接口1、公有数据接口2连接通讯。
所述OBD适配器7的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆6的车载OBD接口,与其上的abs电子控制单元(ECU)通讯。
所述制动台电控柜4安装有嵌入式控制板卡及A/D信号转换板卡,并通过信号线连接abs制动检测台5。
作为示例,这些组件可以具有下述功能:
1、工位计算机:
a.与制动台电控柜通信,协调被测车辆和abs制动检测台进行检测,接收abs制动测试数据;
b.指示被测车辆进行制动,并通过OBD适配器,接收被测车辆的abs制动操作数据;
c.内嵌深度学习算法模型,以实现深度神经网络模型的数据库应用,对被测车辆的abs制动性能进行自动判定;
d.内嵌人机界面(HMI)、可视化图表等,以实现日常的工业设备智能监控和交互;
e.与私有数据接口、公有数据接口连接通讯,发布数据并接收数据反馈。
2、abs制动检测台、制动台电控柜
a.执行abs制动检测;
b.采集abs制动测试数据。
3、被测车辆、ODB适配器
a.执行abs制动;
b采集abs制动操作数据。
4、私有数据接口、公有数据接口
a.连接私有云平台、公有云平台;
b.接收工位计算机发布的测试数据、测试结果;
c.接收针对特定车型、车号的abs制动标注样本集;
d.针对特定车型、车号,向工位计算机反馈完成训练的深度神经网络模型,和/或工位计算机完成深度神经网络模型训练所需的abs制动标注样本集。
一种基于深度学习模型的abs制动性能检验结果自动判定算法,其流程图如图2所示,具体包括以下步骤:
1、获取制动过程中与汽车abs制动性能检测相关的数据及附加信息;
a.所述数据的获取方式包括,可以通过路试、台试,车载跟踪测量获得,也可以通过已有的数据库获得,或者通过其它途径获得;
b.获取车速、轮速、踏板力、abs制动时间、间隔、制动管路压力等制动过程的测量数据;
c.附加信息中包括但不限于:车型、车号、车龄、道路位置;车型技术参数,例如:轴距、轮距、整备质量、轮胎规格、abs形式、abs信号,以及功率、扭矩等动力数据,这些数据来源于预设的车型、车号技术参数数据库;
2、截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据,对原始一维时域测量数据进行去噪预处理,去噪处理包括以下步骤:
a.采用高通滤波器去除基线漂移噪音;
b.基于与abs制动动作相关波段信号的标准方差和阈值法确认噪音是否过高;
c.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
3、提取能反映汽车abs工作性能的人工特征参数,包括但不限于:
a.针对一维时域波形测量信号进一步计算,包括但不限于:滑移率阈值、滑移率均值、滑移率方差、abs调整次数等评价abs性能的特征数据,其中,滑移率阈值就是滑移率的变化范围,滑移率均值为abs起作用期间滑移率的总体分布,滑移率方差表示abs的调整速度,abs调整次数代表在滑移率与车速曲线中的一个abs调整波形;
b.依赖专家的先验知识和经验,选择适当的变换域,例如,采用傅里叶变换,将一维时域波形测量信号变换到频域等等,计算具有明确的物理意义和区分性,有利于后续的分类/回归模型训练的特征数据,包括但不限于:滑移率、附着系数利用率、制动减速度、车轮车身减速度比、制动时间、制动距离等;
4、制作带标签的样本数据,包括但不限于:
a.表示abs工作状态的判定结果,例如,对abs整体状态的评价结果(正常、故障、不足);对abs制动次数、制动压力、制动定时等预设控制参数的评价结果(正常、故障、不足)等等;
b.依据制动测量数据、车载和路边气象数据等进行标定的路面附着系数以及路面湿滑度等标签数据;
5、针对经过标定的少量带标签样本,进行浅层模型的预训练与专家知识的数据化表达:
a、采用浅层模型,基于上述特征和标签进行模型训练。浅层模型可以是支持向量机(SVM),极限学习机(ELM),决策树(DT),置信规则库(BRB),证据推理(ER)等等;
模型的任务可以是分类,也可以是回归,与所建模的问题本身及标签的形式有关。
训练方式包括两种:其一是采用相同的人工特征,训练不同的浅层模型。基于分类准确率/预测误差等指标,以及t-SNE等可视化工具,分析上述模型之间的相关性、差异性和互补性。其二是对同一种浅层模型,改变不同的特征组合,进行模型训练。基于分类准确率/预测误差等指标,以及t-SNE等可视化工具,分析同一浅层模型下不同特征组合的表达能力,以及它们之间的相关性、差异性和互补性。
例如,采用支持向量机作为浅层模型,且处理abs整体状态的评价结果(正常、故障、制动力不足)的分类问题。采用原始数据集每类1%、2%、3%、4%的样本作为新的数据集,构成小样本数据集。
用(0、1)表示abs故障,(1、0)表示abs正常工作,(1、1)表示制动力不足,因此以2个输出神经元SIt,SIf即可表示以上三种情况。采用不同的核函数,训练多个SVM模型。SIt,SIf作为输入特征。
b、基于分类准确率/预测误差等指标,并考虑模型复杂度,设定分类准确率阈值和计算时间阈值,对上述训练得到的模型进行筛选,构成候选模型池。
c、从上述候选模型池中随机选择模型,针对原始数据集剩余的无标签样本数据进行预测,得到预测标签。
不同的候选模型基于不同的人工特征组合或者浅层模型,反映了特定方面的专家知识和经验,其预测标签会具有一定的相关性、差异性和互补性。该预测标签实现了专家知识和经验的数据化表达。
将上述不同候选模型的预测标签进行融合,与已有的稀少的有标签样本共同构建训练集,用于后续深度神经网络的训练。融合方法可以采用基于投票的简单多数法,基于投票的简单平均法等。例如,采用简单多数投票法确定最终的预测标签。
6、为了对深度神经网络进行训练和优选,还需要获取训练用数据,该训练用数据可从路试、台试,车载跟踪测量中获取,也可以选择从现有的数据库中获取,其中训练用数据包括波形测量数据以及附加信息。
a、针对具体任务,设计深度神经网络结构。针对原始时域波形数据,可以设计一维卷积神经网络结构;针对频域特征,可以设计全连接或深度自编码器等网络结构;针对时频域的频谱图,可以设计二维卷积神经网络结构。例如,将样本数据分为3类,用(0、1)表示abs故障,(1、0)表示abs正常工作,(1、1)表示制动力不足,每类样本选择滑移率均值、滑移率方差和附着系数利用率三个参数作为特征参数。
b、根据任务不同,分为分类任务和回归任务;分类任务采用柔性最大损失函数和小批量随机梯度下降法;回归任务可以采用均方误差函数,利用步骤5中得到的混合数据集,对网络进行训练,学习权重参数。例如,采用小批量随机梯度下降法对执行分类任务的深度神经网络进行训练。
c、持续进行深度神经网络模型的评估和改进,
其一是,基于分类准确率,对上述深度神经网络模型的性能进行评估;
其二是,调整网络超参数(例如,卷积层数、卷积核数量、非线性激活函数类型、学习率等),重新训练模型,并评估其性能;
d、其三是,改变步骤5中的候选模型组合得到不同的融合预测标签,重新训练上述深度神经网络,并评估其性能。
e、根据上述评估结果,优选兼顾分类准确率/预测误差和网络复杂度(参数量和计算量)的模型作为最终模型。
上述优选出来的深度神经网络得益于混合数据集中的浅层模型预测标签带来的数据提升,能够具有很好的模型表示能力和泛化能力。基于专家知识的数据化形式(预测标签),实现了人工特征和浅层模型所反映的专家知识到深度神经网络的迁移,克服了小样本深度学习不足导致的模型表示能力不足和泛化能力差的缺点。
在本发明的另一个基于小样本深度学习的abs制动性能检验结果自动判定算法实施例中,针对传统浅层分类器需要人工提取特征、识别效果不稳定等问题,通过深信度网络的非线性映射,自动得到高度可分的特征和特征组合用于分类,并且不断通过增量学习从而调整模型参数、优化网络结构,得到更好的分类效果;
所述的增量学习具体包括:建立基于深度学习的数据分析模型DBN,DBN模型由多个受限玻尔兹曼机RBM堆叠而成。DBN模型的训练过程采用“预训练+微调”。
预训练采用自下而上的无监督训练,首先训练第一个隐含层的RBM,然后逐层训练下一个隐含层,并将上一个隐含层训练好的结点的输出作为第二个RBM的输入,将本隐含层结点的输出作为下一个隐含层的输入;以此类推,通过多个RBM堆叠,每一层的处理对进行可以看做是对上一层输入的逐层加工,把初始值与输出类别之间联系不密切的输入转化成与类别更密切的表示。
微调过程通过对带标签数据进行自上而下的监督训练,所有RBM训练完成之后使用反向传播算法对网络进行微调,最后将深信度网络输出的特征向量输入Softmax分类器中。
其流程图如图3所示,具体包括以下步骤:
1.采集数据:通过设置的传感器采集abs在各种工作状态(包括正常及各种典型故障)下的参数信号并记录。
a.采集一个周期内原始数据为X1=[X1 (1),X1 (2),X1 (3),…,X1 (n)]T,并将原始数据与abs工作状态一一对应,作为标签数据。例如,将样本数据分为3类,用(0、1)表示abs故障,见图4(a);(1、0)表示abs正常工作,见图4(b);(1、1)表示制动力不足,见图4(c)、图4(d);
b.所采集的参数信号至少包括abs制动过程中的车身速度和车轮速度。图4简要地示出abs制动时车速/轮速对比曲线图,其中,
图4(a)显示abs故障时,车轮迅速抱死,轮速在较短时间内减小为零,而车身速度减小相对缓慢,两者的减速度间形成较大差距;
图4(b)显示abs正常工作情况时,车轮与车身减速度大小基本一致;
图4(c)、图4(d)显示,在相同附着系数路面上,制动力不足时,出现了图4(d)在制动初速度小于图4(c)的情况下,制动距离远远大于图4(c)的情况;
2、降维计算处理:将采集的数据按照设定长度截取生成样本,对同一工作状态下样本数据采用PCA降维处理,生成1维数据样本并与abs工作状态对应。
a.第一步:特征标准化,设有n个样本,每个样本都有m个特征值X1,X2,…,Xm,则由n个样本的观测值组成的原始数据矩阵X={Xij}∈Rm×n;为了消除各项变量之间的量纲和数量级上的差别,对原始数据矩阵进行标准化处理,首先计算每个特征的均值,然后减去均值再除以标准差。标准化公式为: 得到标准化矩阵/>其中,是标准化后的观测值;/>是第j列原始数据的平均值,/> 是第j列原始数据的标准差(i=1,2,…,n;j=1,2,…,m);
b.第二步:计算标准化数据矩阵的相关系数矩阵R,其中,
c.第三步:求解特征方程|λI-R=0|,求出特征值λj(j=1,2,…,m)与对应的特征向量,将m个特征值按从大到小排序(λ1≥λ2≥…≥λm);得到第j个主成分贡献率
d.第四步:选取前d个最大的特征根对应的特征向量,使这d个主成分的累积贡献率≥85%,组成d维特征空间的主成分矩阵变换矩阵A,将得到新的d维矩阵特征表示Z=ATX与各个工作状态对应,构成标签数据,作为DBN网络输入量。
3、训练DBN网络:构建DBN网络模型,并将生成的1维数据作为特征信号输入DBN网络。
a.所述深信度网络DBN包含输入层、多个隐含层、一个反向传播算法结构和输出层;其隐含层为1~N个受限玻尔兹曼机RBM,在结构上互相嵌套;其隐含层的最后一层为代表期望输出变量的分类层,优选为适用于非线性多分类问题的Softmax分类器,其输出为相应样本分别属于不同标签状态的概率值,概率值最大的状态即为诊断的最终结果;
b.所需训练过程为:首先训练第一个RBM,固定第一个RBM的权重和偏移量作为第二个RBM的输入向量,充分训练第二个RBM后,将第二个RBM堆叠到第一个上;重复这个过程多次,直至DBN网络被训练好,完成DBN网络模型的构建;
c.所述RBM是一种神经感知器,由一个显层和一个隐层构成,显层与隐层的神经元之间为双向全连接。在RBM中,任意两个相连的神经元之间有一个权值w表示其连接强度,每个神经元自身有一个偏置系数b(对显层神经元)和c(对隐层神经元)来表示其自身权重;
d.对于一个输入样本V=(V1,V2,…,Vn),根据RBM,得到样本V编码后的输出样本h=(h1,h2,…,hm),对这m维编码后的输出可理解为是抽取了m个特征的输入样本;具体如下:
输入训练样本X0,隐含层数d,学习率ε;
初始化可视层V1=X0,权值w,可视层偏置b、隐含层偏置c为接近于0;首先训练第一层RBM:将得到的结果代入利用公式 计算可视层重构的分布;利用公式/>计算隐含层的分布;i和j代表隐含层和可视层的神经元节点序号(i≤m,j≤n);将得到的结果再次代入公式得到重构后的隐含层分布;
完成上述算法后需要更新w、b、c,具体如下:
ΔW=ε(<vihj>data-<vihj>rec)
Δb=ε(<vi>data-<vi>rec)
ΔW=ε(<hj>data-<hj>rec)
将最后一层DBN网络的输出作为顶层分类器的输入,构成一个带标签的神经网络模型。训练完成即可得到一个完整的DBN网络模型。
e.所述反向传播算法结构的具体实施过程为:
通过预训练,在DBN模型的每一层不断利用反向传播算法来计算训练样本误差,根据误差的梯度来优化每一层中的损失函数,得到最优化的权值与偏置参数,具体为;
其中,W是调整前的权重,W′是调整后的权重,E是误差,η是学习率;
计算连续两次迭代的误差变化σ,当0≤σ≤H时,停止反向传播算法的迭代过程;
f.微调过程中,再次利用反向传播来将***的预期输出和实际输出之间的误差传递到每一层,从而对整体模型参数进行调优。
所述Softmax分类器通过前部多层受限玻尔兹曼机RBM输出的特征向量进行训练;假设总共有k个分类类别,则Softmax分类器的输出为一阶概率矩阵,对类标签从1到k估算出概率值p,其***方程为:
该矩阵的每一行是一个分类标签对应分类器的参数,总计k行,其损失函数可以表示为:
式中,l{·}为一指示性函数,即当括号中的值为真时,函数值为1,否则为0。
损失函数对参数θ的偏导函数如下:
根据训练样本,损失函数和其偏导函数,利用梯度下降法即可求得***的参数值。
4、DBN模型诊断:将测试数据采用PCA降维处理后输入DBN模型,进行abs故障的自动判定。
a.对特定车型,进行多种路面工况的模拟台架检测
单一路面:试验制动初速度为40~50km/h,通过设置路面附着系数模拟装置,分别模拟μ=0.8的高附着系数路面和μ=0.15的低附着系数路面进行检测;
对开路面:试验制动初速度为40~50km/h,通过设置路面附着系数模拟装置,分别在一侧车轮上模拟μ=0.15的低附着系数路面,另外一侧车轮上模拟μ=0.5的中附着系数路面进行检测;
对接路面:试验制动初速度为40~50km/h,通过设置路面附着系数模拟装置,首先模拟μ=0.8的高附着系数路面,然后在制动1s后瞬间改变为模拟μ=0.15的低附着系数路面进行检测。
b.对每种参数分别归一化处理,使用PCA降维方法将多种特征参数组成的多维数据压缩到d维;
c.输入DBN网络模型进行abs的故障诊断,得到每个样本的分类标签。
对上述abs制动性能自动判定深度学习算法的具体实施方式举例如下:
步骤(1)原始数据准备
1、在本实施例的实际操作中,我们选取车身速度和车轮速度为研究对象。以制动初速度40km/h作为基准,选择数据采样频率为每10毫秒1个点,采样时间为100秒,后90秒每100毫秒取1个点,主要用于制动力不足的检测。参考图4,对样本数据加入正常状态、故障状态、制动力不足等对abs整体状态的评价标签。
2、根据GB/T 13594-2003对abs道路试验要求,abs性能检测主要包括高附着系数路面、低附着系数路面、对开路面和对接路面等工况。为每种工况下的故障和正常情况收集300个样本。
步骤(2)人工特征的计算
根据相关领域的先验知识和专家经验,对步骤(1)获取的一维时域波形信号滤波降噪处理后,计算滑移率、制动减速度、附着系数利用率、车轮车身减速度比、制动时间、制动距离作为abs检测结果的判定指标。
其中,滑移率表示制动过程中车速与轮速差异程度;制动减速度反映了制动时车辆速度下降的速率;路面附着系数是指附着力与车轮法向压力的比值;减速度比是指制动时车轮减速度与车身减速度的比值;制动时间是指行驶中的汽车从脚接触制动踏板开始到车辆完全停止所经历的时间;制动距离是指车辆在规定的制动初速度下,从脚接触到制动踏板到车辆停止这个过程中车辆驶过的距离。
步骤(3)浅层模型的预训练与专家知识的数据化表达
1、针对已有的稀少的带标签样本,根据步骤(1)和步骤(2)中的方法进行预处理和特征提取。
2、采用浅层模型,基于上述特征和标签进行模型训练。采用原始数据集每类1%、2%、3%、4%的样本作为新的数据集,构成小样本数据集。训练方式包括两种:一是采用相同的人工特征,训练不同的浅层模型;二是对同一种浅层模型,改变不同的特征组合,进行模型训练。
3、设定分类准确率阈值和计算时间阈值,对上述模型进行筛选,构成候选模型池。
4、从上述候选模型池中选择模型,针对原始数据集剩余的样本数据进行预测,得到预测标签;并将上述不同候选模型的预测标签进行融合,与已有的稀少的有标签样本共同构建训练集,用于后续深度神经网络的训练。
步骤(3)样本数据的主成分分析
1、选取能反映汽车abs工作性能的特征参数,按顺序组合为特征集f={f1,f2,…fn},对于有m个样本的训练集X={X1,X2,…Xm},得到一个m行n列的特征矩阵Xm×n,例如,本实施例中,m=300,n=6,样本数据包含滑移率、制动减速度、附着系数利用率、减速度比、制动时间、制动距离6个指标,并将abs检测结果分为三类,用(0,1)表示abs故障,(1,0)表示abs正常工作,(1,1)表示制动力不足。如表1所示。
表1:样本数据实例
2、将特征矩阵Xm×n的数据标准化处理后,进行PCA处理,求出主成分变换矩阵Cn×d(d≤n)。例如,本实施例中,进行PCA处理后得到特征值、主成分贡献率、特征向量如表2所示。从表2可知,前两个主成分的累计贡献率已达到91.60%≥85%,可以概括原有6个指标的大部分信息。因此,在本实施例中,d=2。
/>
表2:主成分分析实例
3、用主成分变换矩阵对特征矩阵Xm×n进行主成分提取,得到特征融合后的主成分矩阵X'm×d=Xm×n×Cn×d,即可用于分类器训练。
步骤(4)深度神经网络分类器的训练和优选
构建深度神经网络,包含输入层、隐含层与输出层,分别用X300×6、X'300×2训练分类器。其输入层的神经元分别为6个和2个,隐含层为1层,隐含层的神经元分别为3个和2个,输出层的神经元为2个。
图5显示了两者分别作为训练样本的网络收敛速度及网络误差对比。从图中可以看出经过PCA处理后该网络的收敛速度更快。
步骤(5)对测试样本进行主成分分析,然后输入训练后的神经网络分类器,得出abs制动性能判定结果。
如上所述,说明了若干本发明中可采用的abs检测参数及其检测方法的例子,但本发明可利用的abs检测参数及其检测方法不限于以上的例子,设计者可以根据车辆类型、abs工作模型、室内检测平台、测控***以及相关模拟机构的结构类型等来自由设计。
不难发现,相比于传统的abs检测方法,本发明提出了一种利用云数据库积累实车测量以及对应的室内整车测试数据,基于PCA降维与DBN网络的汽车abs制动性能自动判定算法及装置,能够较全面地检测装配abs的车辆在各种路面上的制动执行情况,从而确保车辆制动的安全性,减少交通事故的发生。该方法能够自适应的提取原始信号特征,具有良好的适用性,能够有效提高汽车abs的性能检测效率,因此,具有较高的实用价值。
与现有技术相比,本发明一种abs结果自动判定算法1能够较全面地检测装配abs的车辆在各种路面上的制动执行情况,从而确保车辆制动的安全性,减少交通事故的发生。该方法能够自适应的提取原始信号特征,具有良好的适用性,能够有效提高汽车abs的性能检测效率,因此,具有较高的实用价值。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (4)
1.一种abs结果自动判定算法,其特征在于:包括以下步骤,
S1:获取制动过程中与汽车abs制动性能检测相关的数据及附加信息;
S2:截取测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据,对原始一维时域测量数据进行去噪预处理;
S3:提取能反映汽车abs工作性能的人工特征参数;
S4:制作带标签的样本数据;
S5:针对经过标定的少量带标签样本,进行浅层模型的预训练与专家知识的数据化表达;
S6:获取训练用数据,所述训练用数据从路试、台试,车载跟踪测量中获取,或者选择从现有的数据库中获取,其中训练用数据包括波形测量数据以及附加信息;
所述步骤S1中的数据获取方式为通过路试、台试,车载跟踪测量获得,或通过已有的数据库获得,或者通过其它途径获得;获取车速、轮速、踏板力、abs制动时间、间隔、制动管路压力的测量数据;所述附加信息包括车型、车号、车龄、道路位置、车型技术参数、轴距、轮距、整备质量、轮胎规格、abs形式、abs信号,以及功率、扭矩动力数据,所述数据来源于预设的车型、车号技术参数数据库;
所述步骤S3具体包括针对一维时域波形测量信号进一步计算,包括:滑移率阈值、滑移率均值、滑移率方差、abs调整次数评价abs性能的特征数据,其中,滑移率阈值就是滑移率的变化范围,滑移率均值为abs起作用期间滑移率的总体分布;所述滑移率方差表示abs的调整速度,abs调整次数代表在滑移率与车速曲线中的一个abs调整波形;选择适当的变换域,包括采用傅里叶变换,将一维时域波形测量信号变换到频域,包括但不限于:滑移率、附着系数利用率、制动减速度、车轮车身减速度比、制动时间、制动距离;
所述步骤S4中的样本数据具体包括表示abs工作状态的判定结果、对abs制动次数、制动压力、制动定时预设控制参数的评价结果以及依据制动测量数据、车载和路边气象数据进行标定的路面附着系数以及路面湿滑度标签数据;
所述步骤S5具体包括采用浅层模型,基于特征和标签进行模型训练;基于分类准确率/预测误差指标,并考虑模型复杂度,设定分类准确率阈值和计算时间阈值,对上述训练得到的模型进行筛选,构成候选模型池;从上述候选模型池中随机选择模型,针对原始数据集剩余的无标签样本数据进行预测,得到预测标签;
所述步骤S6具体包括,B1:针对具体任务,设计深度神经网络结构;B2:根据任务不同,分为分类任务和回归任务;B3:持续进行深度神经网络模型的评估和改进;B4:改变步骤5中的候选模型组合得到不同的融合预测标签,重新训练上述深度神经网络,并评估其性能;B5:根据评估结果,兼顾分类准确率/预测误差和网络复杂度的模型作为最终模型;
训练方式包括两种:其一是采用相同的人工特征,训练不同的浅层模型;基于分类准确率/预测误差指标,以及t-SNE可视化工具,分析上述模型之间的相关性、差异性和互补性;其二是对同一种浅层模型,改变不同的特征组合,进行模型训练;基于分类准确率/预测误差指标,以及t-SNE可视化工具,分析同一浅层模型下不同特征组合的表达能力,以及它们之间的相关性、差异性和互补性。
2.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述步骤S2具体包括以下步骤,A1:采用高通滤波器去除基线漂移噪音;A2:基于与abs制动动作相关波段信号的标准方差和阈值法确认噪音是否过高;A3:噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
3.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述浅层模型为支持向量机(SVM),极限学习机(ELM),决策树(DT),置信规则库(BRB)或证据推理(ER)。
4.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述步骤S3中提取人工特征参数过程还可以通过深信度网络的非线性映射,自动得到高度可分的特征和特征组合用于分类,并通过增量学习从而调整模型参数、优化网络结构,得到更好的分类效果;所述增量学习具体包括:建立基于深度学习的数据分析模型DBN,所述数据分析模型DBN由多个受限玻尔兹曼机RBM堆叠而成;所述数据分析模型DBN的训练过程采用“预训练+微调”;
所述预训练采用自下而上的无监督训练,首先训练第一个隐含层的RBM,然后逐层训练下一个隐含层,并将上一个隐含层训练好的结点的输出作为第二个RBM的输入,将本隐含层结点的输出作为下一个隐含层的输入;以此类推,通过多个RBM堆叠,每一层的处理对进行可以看做是对上一层输入的逐层加工,把初始值与输出类别之间联系不密切的输入转化成与类别更密切的表示;
所述微调过程对带标签数据进行自上而下的监督训练,所有RBM训练完成之后使用反向传播算法对网络进行微调,最后将深信度网络输出的特征向量输入Softmax分类器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161347.4A CN113188807B (zh) | 2021-02-05 | 2021-02-05 | 一种abs结果自动判定算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161347.4A CN113188807B (zh) | 2021-02-05 | 2021-02-05 | 一种abs结果自动判定算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113188807A CN113188807A (zh) | 2021-07-30 |
CN113188807B true CN113188807B (zh) | 2024-05-03 |
Family
ID=76972909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110161347.4A Active CN113188807B (zh) | 2021-02-05 | 2021-02-05 | 一种abs结果自动判定算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113188807B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836790B (zh) * | 2021-08-25 | 2024-02-02 | 成都鲁易科技有限公司 | 电动单车智能化等级的测评方法、装置及计算机设备 |
CN114116454A (zh) * | 2021-11-03 | 2022-03-01 | 同济大学 | 一种机非冲突场景下车辆自动紧急刹车模型的标定方法 |
CN114155476B (zh) * | 2022-02-07 | 2022-07-05 | 天津所托瑞安汽车科技有限公司 | Aeb有效避免事故场景识别方法、装置、设备及介质 |
CN114971599B (zh) * | 2022-08-02 | 2022-10-25 | 杭州安脉盛智能技术有限公司 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
CN116476851B (zh) * | 2023-04-25 | 2024-03-08 | 南栖仙策(南京)高新技术有限公司 | 一种车辆数据的处理方法、装置、电子设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203496984U (zh) * | 2013-08-19 | 2014-03-26 | 北京安期生技术有限公司 | 井下轮式车辆紧急转向*** |
CN103879398A (zh) * | 2014-02-27 | 2014-06-25 | 中南大学 | 测试气压型abs中的电子控制单元性能的***与方法 |
CN104596780A (zh) * | 2015-02-12 | 2015-05-06 | 清华大学 | 一种动车组制动***传感器故障的诊断方法 |
CN105975915A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及*** |
CN109738205A (zh) * | 2019-01-09 | 2019-05-10 | 清华大学 | 集成车辆自动紧急制动与安全气囊***的乘员防护方法 |
KR20190087352A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 차량에 사용되는 브레이크 제어시스템 및 그 제어방법 |
CN110243762A (zh) * | 2019-06-18 | 2019-09-17 | 深圳大雷汽车检测股份有限公司 | 机动车尾气遥测和监管***及自学习高排污车辆判定算法 |
CN110386144A (zh) * | 2019-06-19 | 2019-10-29 | 长安大学 | 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法 |
US10466717B1 (en) * | 2018-09-05 | 2019-11-05 | Chongqing Jinkang New Energy Vehicle Co., Ltd. | Vehicle command generation using vehicle-to-infrastructure communications and deep networks |
WO2020031103A1 (en) * | 2018-08-10 | 2020-02-13 | Freni Brembo S.P.A. | Method and device for detecting and providing braking assessment information, indicative of a particulate emission due to the use of a vehicle braking system |
CN110910531A (zh) * | 2019-10-21 | 2020-03-24 | 同济大学 | 一种基于车载obd信息的路面摩擦系数快速检测方法 |
CN111238825A (zh) * | 2020-01-10 | 2020-06-05 | 东南大学 | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 |
CN112985830A (zh) * | 2021-02-05 | 2021-06-18 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8078353B2 (en) * | 2009-09-11 | 2011-12-13 | Freescale Semiconductor, Inc. | Self monitoring braking system for vehicles |
US10296999B2 (en) * | 2017-02-13 | 2019-05-21 | Macau University Of Science And Technology | Methods and apparatus for color image watermarking |
DE102017006434A1 (de) * | 2017-07-07 | 2019-01-10 | Wabco Gmbh | Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation sowie Bewertungsmodul |
US11161518B2 (en) * | 2018-06-15 | 2021-11-02 | Micron Technology, Inc. | Detecting road conditions based on braking event data received from vehicles |
-
2021
- 2021-02-05 CN CN202110161347.4A patent/CN113188807B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203496984U (zh) * | 2013-08-19 | 2014-03-26 | 北京安期生技术有限公司 | 井下轮式车辆紧急转向*** |
CN103879398A (zh) * | 2014-02-27 | 2014-06-25 | 中南大学 | 测试气压型abs中的电子控制单元性能的***与方法 |
CN104596780A (zh) * | 2015-02-12 | 2015-05-06 | 清华大学 | 一种动车组制动***传感器故障的诊断方法 |
CN105975915A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及*** |
WO2020031103A1 (en) * | 2018-08-10 | 2020-02-13 | Freni Brembo S.P.A. | Method and device for detecting and providing braking assessment information, indicative of a particulate emission due to the use of a vehicle braking system |
US10466717B1 (en) * | 2018-09-05 | 2019-11-05 | Chongqing Jinkang New Energy Vehicle Co., Ltd. | Vehicle command generation using vehicle-to-infrastructure communications and deep networks |
CN109738205A (zh) * | 2019-01-09 | 2019-05-10 | 清华大学 | 集成车辆自动紧急制动与安全气囊***的乘员防护方法 |
CN110243762A (zh) * | 2019-06-18 | 2019-09-17 | 深圳大雷汽车检测股份有限公司 | 机动车尾气遥测和监管***及自学习高排污车辆判定算法 |
CN110386144A (zh) * | 2019-06-19 | 2019-10-29 | 长安大学 | 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法 |
KR20190087352A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 차량에 사용되는 브레이크 제어시스템 및 그 제어방법 |
CN110910531A (zh) * | 2019-10-21 | 2020-03-24 | 同济大学 | 一种基于车载obd信息的路面摩擦系数快速检测方法 |
CN111238825A (zh) * | 2020-01-10 | 2020-06-05 | 东南大学 | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 |
CN112985830A (zh) * | 2021-02-05 | 2021-06-18 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
Non-Patent Citations (2)
Title |
---|
基于多变量时间序列特征加强的列车制动***故障预测;党心悦;《中国优秀硕士学位论文全文数据库基础科学辑》;20191215;全文 * |
电动车自动转向及制动***设计与试验研究;丁宗恒;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113188807A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN108960426B (zh) | 基于bp神经网络的道路坡度综合估计*** | |
Ravikumar et al. | Gearbox fault diagnosis based on Multi-Scale deep residual learning and stacked LSTM model | |
CN111238825B (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
CN109213121B (zh) | 一种风机制动***卡缸故障诊断方法 | |
CN110751108B (zh) | 一种地铁分布式振动信号相似度确定方法 | |
CN112985830B (zh) | 一种abs结果自动判定算法 | |
CN113761649B (zh) | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及*** | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN110147648A (zh) | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 | |
CN114386707A (zh) | 一种轨道高低不平顺预测方法及装置 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN110991471A (zh) | 一种高速列车牵引***故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及*** | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN113156913A (zh) | 一种abs故障诊断***及方法 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN113987905A (zh) | 一种基于深度信念网络的自动扶梯制动力智能诊断*** | |
Sony | Towards multiclass damage detection and localization using limited vibration measurements | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断***及方法 | |
CN115774942A (zh) | 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法 | |
CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 |
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 |