CN113761649B - 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 - Google Patents

Abstract

本发明公开了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，包括获取基础数据、构建训练集X和验证集C、建立轮胎偏磨预测模型和轮胎偏磨预测四个步骤；实时采集轮胎的振动信号数据，对采集到振动信号截取和归一化获得测试样本，将测试样本输入到训练完成的轮胎偏磨预测模型中，得到汽车轮胎的偏磨预测结果。有益效果：本发明根据采集到的轮胎的振动信号数据进行汽车轮胎偏磨预测，其建立的汽车轮胎偏磨预测模型能够自动的提取数据中的特征，在不需要停车检测的情况下，可以实时有效的检测轮胎偏磨状态，节省人力的同时降低了经济损失，提高了汽车的轮胎状态监测与安全续航行驶能力。

Description

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

技术领域

本发明涉及一种汽车轮胎偏磨的预测方法，特别涉及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，属于智能汽车轮胎磨损预测技术领域。

背景技术

轮胎作为汽车与路面接触的唯一部件，轮胎传递着车辆运行过程中所需的力和力矩，实时监测轮胎状态信息，并为车辆动力控制***提供信息输入与响应反馈，对实现汽车智能化与网联化具有重要意义。智能轮胎能够利用光学、应变和加速度等传感器，直接监测轮胎的各项状态参数，如胎压、轮胎六分力和轮胎/路面附着特性等信息，为智能汽车动力控制***提供信息参考。但在汽车长时间、远距离的行驶过程中往往会发生磨损现象。汽车轮胎偏磨是轮胎在使用过程中，因为外部原因，如四轮定位参数，轮胎安装，货物装载不平衡等因素造成轮胎单边磨损。主要表现为单胎的花纹高度左右磨损不均匀，其中有一侧花纹迅速下降，而另一侧则磨损不明显；或者花纹前后出现波状磨损，块状磨损等。轮胎偏磨会引起车辆的异常振动，影响汽车的操控性能，并且加剧轮胎的正常磨损，这不仅会直接影响轮胎的使用寿命；还会对轮胎状态实施监测信息存在较大的干扰作用，进而对智能汽车的整车控制***存在不利影响。因此，需要及时发现汽车轮胎的偏磨问题，从而有效改善轮胎状态信息提升智能汽车动力控制的稳定性和精准性，并积极提示驾乘人员消除产生轮胎偏磨问题的根源。

现有技术往往是通过人工肉眼检测或者通过计算机视觉检测的方法判断轮胎偏磨与正常状态，这不仅对检测人员来说耗时耗力，也更不能在汽车行驶过程中实时检测出轮胎是否为偏磨状态并提示驾驶人员。

随着仿真模型以及智能算法应用与发展，滚动轮胎的实时数据可以有效采集获得并进行数据处理，因此获得的大量轮胎数据使得智能汽车轮胎更加智能化。深度学***移不变分类，因此也被称为“平移不变人工神经网络，已经有效运用于轴承与电机等工程领域。考虑到卷积神经网络强大的特征提取与模式识别能力，将其运用到智能汽车轮胎的偏磨预测，实现实时监测与预判，具有重大意义。

发明内容

发明目的：为准确实时监测与预判轮胎偏磨现象，本发明提供一种一维卷积神经网络的智能汽车轮胎偏磨预测方法，在不需要停车检测的情况下，可以实时有效的检测轮胎偏磨状态，节省人力的同时降低了经济损失，提高了智能汽车的轮胎状态监测与安全续航行驶能力。

技术方案：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，包括以下步骤：

S1：获取基础数据：分别获取已发生偏磨的轮胎和未发生偏磨的轮胎的行驶过程中的振动信号数据；

S2：构建训练集X和验证集C：首先对上述S1中的振动信号数据进行预处理操作，其次截取上述振动信号数据建立两种轮胎对应的样本数据；然后对样本数据进行归一化；再对样本进行标记标签；最后对标记的样本分别划分成训练集X和验证集C；

S3：建立轮胎偏磨预测模型：建立一维卷积神经网络初始模型，利用S2中的训练集X训练所述的一维卷积神经网络初始模型，构建轮胎偏磨预测模型，用验证集C检验轮胎偏磨预测模型的诊断性能；

S4：轮胎偏磨预测：实时采集轮胎的振动信号数据，对采集到振动信号进行S2中的截取和归一化获得测试样本，将测试样本输入到S3中训练完成的轮胎偏磨预测模型中，得到汽车轮胎的偏磨预测结果。

本发明根据采集到的轮胎的振动信号数据进行智能汽车轮胎偏磨预测，其建立的汽车轮胎偏磨预测模型能够自动的提取数据中的特征，在不需要停车检测的情况下，可以实时有效的检测轮胎偏磨状态，节省人力的同时降低了经济损失，提高了智能汽车的轮胎状态监测与安全续航行驶能力。

优选项，为了准确的获取振动信号的数据，所述步骤S1中的振动信号数据为安装已发生偏磨的轮胎或未发生偏磨的轮胎的轮辋中心处径向加速度与时间之间关系的振动信号数据。通过将轮辋中心处径向加速度与时间之间关系作为轮胎的行驶过程中的振动信号数据，更加方便数据的采集与分析。

优选项，所述步骤S1中的振动信号数据，是通过“数据孪生”方法，在有限元分析软件上，对已发生偏磨的轮胎或未发生偏磨的轮胎分别进行建模仿真，通过瞬态动力学分析获得轮辋中心位置径向振动的n个信号数据点。

优选项，轮辋中心位置径向振动的n个信号数据点根据采样点频率确定。

优选项，所述步骤S2中对已发生偏磨的轮胎和未发生偏磨的轮胎的行驶过程中的两组振动信号数据进行相同的预处理，截取上述振动信号数据建立两种轮胎对应的样本数据，样本的截取方法为：选定振动信号数据L个数据点作为样本长度，步长为S，上述每类的振动信号包含n个数据点，则每类可以得到(n-L)/S+1组样本，两类样本一共有2*((n-L)/S+1)组样本。

优选项，所述步骤S2中对样本数据进行归一化的方法为：在上述所有振动信号数据中，正值除以正值中的最大值，负值除以负值中最小值的绝对值，从而将上述所有样本中的振动信号数据归一化到(-1,1)的范围里。

优选项，所述步骤S2中对样本进行标记标签的方法为：对上述两类样本标记标签，并利用tensorflow框架进行one-hot编码，分别标注偏磨状态为[ 1 0 ]、健康状态为[ 0 1 ]。

优选项，所述步骤S2中对标记的样本分别划分成训练集X和验证集C的方法为：选取2*((n-L)/S+1)个样本数量的80-90%为训练集X，剩余的10-20%为验证集C。

优选项，所述步骤S3中建立轮胎偏磨预测模型的方法为：

把步骤S2中所得到的训练集X输入到建立的一维卷积神经网络初始模型中，开始训练模型，模型训练过程中采用Adam优化器，初始学习率设置为0.001，初始动量设置为0.9，迭代步设置为500；通过BP算法不断优化模型权重；在训练过程中，设置一个终止准则：若损失函数值小于1e-4或者准确率达到100%，则提前终止训练；

训练集训练好模型后，将验证集C输入到训练好的模型，输出模型诊断结果，与验证集C所对应的标签进行比较，用验证集C中错误的数据量与总的验证集数据量相比得到该模型的准确率；

最后保存模型，获得训练好的轮胎偏磨预测模型。

优选项，所述的一维卷积神经网络初始模型包括：两个一维卷积层、两个一维池化层、一个全连接层和softmax分类器；所述一维卷积层与一维池化层交错排列。

有益效果：本发明根据采集到的轮胎的振动信号数据进行汽车轮胎偏磨预测，其建立的汽车轮胎偏磨预测模型能够自动的提取数据中的特征，在不需要停车检测的情况下，可以实时有效的检测轮胎偏磨状态，节省人力的同时降低了经济损失，提高了汽车的轮胎状态监测与安全续航行驶能力。

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，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明轮胎偏磨预测方法的流程图；

图2为本发明轮胎偏磨与未偏磨两种状态下的振动信号对比图；

图3为本发明振动信号数据的样本生成示意图；

图4为本发明所构建的一维卷积神经网络模型的结构示意图；

图5为本发明所构建的一维卷积神经网络模型的训练流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，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，包括以下步骤：

S1：获取基础数据：分别获取已发生偏磨的轮胎和未发生偏磨的轮胎的行驶过程中的振动信号数据；所述振动信号数据为安装已发生偏磨的轮胎或未发生偏磨的轮胎的轮辋中心处径向加速度与时间之间关系的振动信号数据。

S2：构建训练集X和验证集C：首先对上述S1中的振动信号数据进行预处理操作，其次截取上述振动信号数据建立两种轮胎对应的样本数据；然后对样本数据进行归一化；再对样本进行标记标签；最后对标记的样本分别划分成训练集X和验证集C；

S3：建立轮胎偏磨预测模型：建立一维卷积神经网络初始模型，利用S2中的训练集X训练所述的一维卷积神经网络初始模型，构建轮胎偏磨预测模型，用验证集C检验轮胎偏磨预测模型的诊断性能；

S4：轮胎偏磨预测：实时采集轮胎的振动信号数据，对采集到振动信号进行S2中的截取和归一化获得测试样本，将测试样本输入到S3中训练完成的轮胎偏磨预测模型中，得到汽车轮胎的偏磨预测结果。

如图2所示，为本发明安装已发生偏磨的轮胎或未发生偏磨的轮胎的轮辋中心处径向加速度与时间之间关系的振动信号数据。

通过“数据孪生”方法，在ABAQUS软件上，对已发生偏磨的轮胎或未发生偏磨的轮胎分别进行建模仿真，通过瞬态动力学分析获得轮辋中心位置径向振动的n个信号数据点。

如图3所示，分别截取已发生偏磨的轮胎或未发生偏磨的轮胎的两类数据样本，选定轮辋中心径向振动信号数据长度L作为样本长度，步长为S，上述每类的轮辋中心径向振动信号包含n个数据点，则每类可以得到(n-L)/S+1组样本，两类样本一共有2*((n-L)/S+1)组。

在上述所有振动信号数据中，正值除以正值中的最大值，负值除以负值中的最小值的绝对值，从而将上述所有样本中的振动信号数据归一化到(-1,1)的范围里。

对上述两类样本标记标签，并利用tensorflow框架进行one-hot编码，分别标注偏磨状态为[ 1 0 ]、健康状态为[ 0 1 ]。

选取2*((n-L)/S+1)个样本数量的80-90%为训练集X，剩余的10-20%为验证集C。

如图4所示，在上述对数据预处理完成的基础上，步骤S3中的具体步骤为：

建立的一维卷积神经网络（1D-CNN）模型包括：两个一维卷积层、两个一维池化层、一个全连接层和softmax分类器。

其中，第一层卷积层的卷积核的大小为1*20，数量为32，步长为1，激活函数选择“tanh”函数，对于一个样本卷积后的样本尺寸为1*1000*32，然后进行池化操作，池化层的大小为1*3，步长为2，输出的特征数据尺寸为1*500*32。

第二层卷积层的卷积核的大小为1*3，数量为64，步长为1，激活函数选择“tanh”函数，上一层单个样本数据卷积后的样本尺寸为1*500*64，然后进行池化操作，池化层的大小为1*3，步长为2，输出的特征数据尺寸为1*250*64。

前两层的卷积运算公式为：

=f(/>+/>) i=1,2, . . . , K

式中，为该卷积层的输出，f为非线性激活函数，X为样本数据，/>为每个卷积核的权值，*表示卷积核与样本数据的卷积运算，/>为每个通道的偏置，K为输出后的通道数。

前两层的池化运算公式为

=max(/>) r=1,2, . . . , S

式中，为该池化层的输出，/>为/>里的元素，S为池化层输出的尺寸。

第三层：全连接层，输入第二层输出的数据，激活函数选择“ReLu”函数，并进行“dropout”处理用来避免过拟合，设置其概率为0.5，输出为1*1*200的特征数据，神经元个数为200。

第四层：输出层，采用Softmax分类器，对第三层输出的特征数据进行二分类，实现智能汽车轮胎的偏磨预测。

在上述模型的中，卷积运算是通过数据点与卷积核对应位置相乘并求和进行的，卷积操作的目的是提取振动信号中的特征。

池化操作选择最大值池化，即基于池化层的尺寸，在上一层的数据中每两个相邻的数据值之间选择一个最大值，池化层的步长略低于尺寸，这样池化运算的部分会有重叠，提升了输出信号的全面性，简化了大量数据的同时在一定程度上避免了过拟合。

dropout操作：设置其概率为0.5，即上一层的神经元将数据传递给下一层的神经元的概率为0.5，这有助于下一层的数据不过分依赖于上一层的数据，降低了神经元之间的耦合关系，极大降低了过拟合现象。

Softmax分类器的目的是为了将输出层的神经元的值转换为0到1之间的范围，同时这些神经元的和为1。即当最后一层神经元的值为时，经过Softmax运算的公式如下：

S()=/> j=1,2, . . . , n

式中，S()为Softmax分类器的输出，n为最后一层神经元的数量。

损失函数采用交叉熵函数，其目的可以将网络的输出概率趋向与目标的概率。对于本发明的分类标签为one-hot类型的向量，并且输出神经元数量大于1，则损失函数公式可表示为：

L=-1*

式中，L为损失函数输出，为第i个神经元的值。

通过上述数据训练得出的模型，保存后，将验证集的数据带入模型中进行验证，即可得到该模型的准确率与可行性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于，包括以下步骤：

S1：获取基础数据：分别获取已发生偏磨的轮胎和未发生偏磨的轮胎的行驶过程中的振动信号数据；

所述步骤S1中的振动信号数据为安装已发生偏磨的轮胎或未发生偏磨的轮胎的轮辋中心处径向加速度与时间之间关系的振动信号数据；

S2：构建训练集X和验证集C：首先对上述S1中的振动信号数据进行预处理操作，其次截取上述振动信号数据建立两种轮胎对应的样本数据；然后对样本数据进行归一化；再对样本进行标记标签；最后对标记的样本分别划分成训练集X和验证集C；

S3：建立轮胎偏磨预测模型：建立一维卷积神经网络初始模型，利用S2中的训练集X训练所述的一维卷积神经网络初始模型，构建轮胎偏磨预测模型，用验证集C检验轮胎偏磨预测模型的诊断性能；

S4：轮胎偏磨预测：实时采集轮胎的振动信号数据，对采集到振动信号进行S2中的截取和归一化获得测试样本，将测试样本输入到S3中训练完成的轮胎偏磨预测模型中，得到汽车轮胎的偏磨预测结果。

2.根据权利要求1所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于：所述步骤S1中的振动信号数据，是通过“数据孪生”方法，在有限元分析软件上，对已发生偏磨的轮胎或未发生偏磨的轮胎分别进行建模仿真，通过瞬态动力学分析获得轮辋中心位置径向振动的n个信号数据点。

3.根据权利要求2所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于：轮辋中心位置径向振动的n个信号数据点根据采样点频率确定。

4.根据权利要求1所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于，所述步骤S2中对已发生偏磨的轮胎和未发生偏磨的轮胎的行驶过程中的两组振动信号数据进行相同的预处理，截取上述振动信号数据建立两种轮胎对应的样本数据，样本的截取方法为：选定振动信号数据L个数据点作为样本长度，步长为S，上述每类的振动信号包含n个数据点，则每类可以得到(n-L)/S+1组样本，两类样本一共有2*((n-L)/S+1)组样本。

5.根据权利要求4所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于，所述步骤S2中对样本数据进行归一化的方法为：在上述所有振动信号数据中，正值除以正值中的最大值，负值除以负值中最小值的绝对值，从而将上述所有样本中的振动信号数据归一化到(-1,1)的范围里。

6.根据权利要求5所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于，所述步骤S2中对样本进行标记标签的方法为：对上述两类样本标记标签，并利用tensorflow框架进行one-hot编码，分别标注偏磨状态为[1 0]、健康状态为[0 1]。

7.根据权利要求6所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于，所述步骤S2中对标记的样本分别划分成训练集X和验证集C的方法为：选取2*((n-L)/S+1)个样本数量的80-90％为训练集X，剩余的10-20％为验证集C。

8.根据权利要求1所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于，所述步骤S3中建立轮胎偏磨预测模型的方法为：

把步骤S2中所得到的训练集X输入到建立的一维卷积神经网络初始模型中，开始训练模型，模型训练过程中采用Adam优化器，初始学习率设置为0.001，初始动量设置为0.9，迭代步设置为500；通过BP算法不断优化模型权重；在训练过程中，设置一个终止准则：若损失函数值小于1e-4或者准确率达到100％，则提前终止训练；

训练集训练好模型后，将验证集C输入到训练好的模型，输出模型诊断结果，与验证集C所对应的标签进行比较，用验证集C中错误的数据量与总的验证集数据量相比得到该模型的准确率；

最后保存模型，获得训练好的轮胎偏磨预测模型。

9.根据权利要求1所述的基于一维卷积神经网络的智能汽车轮胎偏磨预测方法，其特征在于，所述的一维卷积神经网络初始模型包括：两个一维卷积层、两个一维池化层、一个全连接层和softmax分类器；所述一维卷积层与一维池化层交错排列。