CN117828299A - 一种轮胎磨损度检测计算*** - Google Patents
一种轮胎磨损度检测计算*** Download PDFInfo
- Publication number
- CN117828299A CN117828299A CN202410007683.7A CN202410007683A CN117828299A CN 117828299 A CN117828299 A CN 117828299A CN 202410007683 A CN202410007683 A CN 202410007683A CN 117828299 A CN117828299 A CN 117828299A
- Authority
- CN
- China
- Prior art keywords
- tire
- unit
- neural network
- data
- prediction model
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 title claims description 8
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000001133 acceleration Effects 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000005299 abrasion Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012800 visualization Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 74
- 238000013528 artificial neural network Methods 0.000 claims description 71
- 239000013598 vector Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Tires In General (AREA)
Abstract
本发明公开了一种轮胎磨损度检测计算***,涉及轮胎磨损度检测技术领域,包括参数优化单元、检测模型构建单元、轮胎磨损检测单元和可视化单元,轮胎数据采集单元,所述轮胎数据采集单元用于采集轮胎数据,轮胎数据包括轮胎内部温度、轮胎胎压和轮胎运行过程中三轴加速度,三轴加速度包括X、Y和Z轴加速度,数据预处理单元,所述数据预处理单元对轮胎数据采集单元传输的轮胎数据进行接收,并通过滤波方法对轮胎数据进行预处理。本发明能够采集轮胎内部温度、轮胎胎压和三轴加速度等数据,并通过特征提取和训练模型的方式,实现对轮胎磨损度的实时监测,从而有助于及时发现轮胎磨损情况,提高车辆行驶安全性。
Description
技术领域
本发明涉及轮胎磨损度检测技术领域,具体为一种轮胎磨损度检测计算***。
背景技术
汽车轮胎是装在汽车车轮上的圆形橡胶制品,用于与地面接触并提供牵引力、支撑重量和减震效果,轮胎通过气压和结构设计,能够支撑汽车的重量,将重力均匀地传递到地面,保证车辆的稳定性和操控性;
传统轮胎磨损度检测计算***可能无法实时采集轮胎内部温度、轮胎胎压和三轴加速度等数据,导致监测结果的准确性和及时性受到限制,传统轮胎磨损度检测计算***在特征提取和模型训练方面可能存在较低的精度,由于特征提取方法和模型设计的局限性,可能无法准确提取轮胎磨损度的关键特征或无法建立精确的预测模型,导致检测结果的准确性受到影响,在传统轮胎磨损度检测计算***中,参数的调优常常需要人工进行试错或经验性调整,这可能会导致调优过程耗时繁琐,并且无法保证找到最优参数配置,传统轮胎磨损度检测计算***可能缺乏可视化展示功能,无法将轮胎磨损度以直观的方式展示给驾驶员,使其无法及时了解轮胎状况并采取相应措施,传统轮胎磨损度检测计算***可能无法实现对四个轮胎磨损度的实时监测和预警,驾驶员无法随时掌握轮胎的状况,从而可能错过及时修理或更换的时机,增加了事故的风险。
发明内容
本发明的目的在于提供一种轮胎磨损度检测计算***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种轮胎磨损度检测计算***,包括参数优化单元、检测模型构建单元、轮胎磨损检测单元和可视化单元,还包括;
轮胎数据采集单元,所述轮胎数据采集单元用于采集轮胎数据,轮胎数据包括轮胎内部温度、轮胎胎压和轮胎运行过程中三轴加速度,三轴加速度包括X、Y和Z轴加速度,并将采集的轮胎数据传输至数据预处理单元;
数据预处理单元,所述数据预处理单元对轮胎数据采集单元传输的轮胎数据进行接收,并通过滤波方法对轮胎数据进行预处理,且将预处理后的轮胎数据中的三轴加速度传输至特征提取单元,且将预处理后的轮胎数据中的轮胎内部温度和轮胎胎压训练集构建单元;
特征提取单元,所述特征提取单元对数据预处理单元传输的预处理后的轮胎数据进行接收,并根据轮胎数据中的三轴加速度和采样点构建三轴加速度的波形图,其中波形图的横坐标表示采样点,纵坐标表示三轴加速度,提取Z轴波形波谷中的波谷宽度作为第一特征参数,提取Z轴波形波谷中的波谷面积作为第二特征参数,提取Y轴波形波峰的纵坐标作为第三特征参数,提取Y轴波形波峰和波谷之间距离作为第四特征参数,并将提取的第一、第二、第三和第四特征参数传输至训练集构建单元;
训练集构建单元,所述训练集构建单元对数据预处理单元传输的预处理后的轮胎数据中的轮胎内部温度和轮胎胎压和特征提取单元传输的第一、第二、第三和第四特征参数进行接收,并根据接收的数据构建训练集向量,并在训练集向量中的添加校验位,且将构建完成的训练集向量传输至参数优化单元。
优选的,所述参数优化单元对训练集构建单元传输的训练集向量和检测模型构建单元传输的RBF神经网络预测模型进行接收,并通过粒子群优化算法基于RBF神经网络预测模型对训练集向量进行优化,并将优化后的训练集向量传输至检测模型构建单元;
所述检测模型构建单元用于构建RBF神经网络预测模型,且将构建的RBF神经网络预测模型传输至参数优化单元,并对参数优化单元传输的优化后的训练集向量进行接收,利用高斯函数激活RBF神经网络预测模型,并基于优化后的训练集向量对激活后的RBF神经网络预测模型进行训练,以获得训练好的RBF神经网络预测模型,将获得的训练好的RBF神经网络预测模型传输至轮胎磨损检测单元,高斯函数具体为:
其中,表示高斯函数,cj表示隐含层的数据中心,/>表示数据宽度。
优选的,所述轮胎磨损检测单元对检测模型构建单元传输的训练好的RBF神经网络预测模型进行接收,调用实时轮胎数据输入值训练好的RBF神经网络预测模型中,通过训练好的RBF神经网络预测模型输出轮胎实时磨损度,且将输出的轮胎实时磨损度传输至可视化单元;
所述可视化单元对轮胎磨损检测单元传输的轮胎实时磨损度进行接收,并通过WEB技术在用户智能显示终端中显示汽车四个轮胎的实时磨损度。
优选的,所述轮胎数据采集单元包括温度和胎压采集模块和三轴加速度采集模块;
所述温度和胎压采集模块通过将温度和胎压集成传感器安装在轮胎内壁采集轮胎内部温度和轮胎胎压;
所述三轴加速度采集模块通过将加速度传感器安装在轮胎内壁采集轮胎运行过程中三轴加速度。
优选的,所述滤波方法包括以下步骤:
A1、根据二维峰值搜索方法,估计分数阶傅里叶变换的阶次p和对应频率u;
A2、对采集信号X(t)进行分数阶傅里叶变换,所述分数阶傅里叶变换公式如下:
XP(u)=YP(u)+NP(u)
其中,Xp(u)表示采集到的信号的p阶分数阶傅里叶变换,Yp(u)表示正常信号y(t)的p阶分数阶傅里叶变换,Np(u)表示噪声信号n(t)的p阶分数阶傅里叶变换;
A3、通过如下公式将采集信号X(t)中能量聚集最高的尖峰进行遮隔处理:
Xp(u)=XP(u)·C(u)=YP(u)·C(u)+NP(u)·C(u)
其中,C(u)表示分数阶傅里叶变换域中以u为中心的带通滤波器;
A4、将经过滤波去噪处理后的分数阶傅里叶变换域信号进行p阶分数阶傅里叶反变换,以获得去噪的采集信号Xout(t)。
优选的,所述第一特征参数用于描述轮胎触地后,产生的反向作用力作用于轮胎的时间长度,所述第二特征参数用于描述轮胎触地后,产生的反向作用力作用于轮胎的能量大小,所述第三特征参数用于描述轮胎触地后,加速度的最大差值,所述第四特征参数用于描述轮胎触地后,两段冲击加速度峰值之间的时间差。
优选的,所述粒子群优化算法包括以下步骤:
B1、对粒子的位置和速度进行初始化,随机生成初始位置和速度;
B2、通过粒子更新公式进行粒子的位置和速度更新,所述粒子更新公式如下:
vi+1II=ωviII+c1·r1·(pbest II-present II)+c2·r2·(gbest II-presentII)
Xi+1=Xi+Vi+1
其中,vi+1II表示粒子更新式,ω表示粒子的惯性权重,viII表示粒子的速度,c1和c2表示学习因子,r1和r2表示随机数,pbestII表示粒子目前的位置,preentII表示全局极值,gbest表示个体极值,Xi+1表示粒子在第i次迭代时的位置,Vi+1表示粒子在第i+1次迭代时的速度;
B3、基于粒子更新式设置参数优化模型,所述参数优化模型如下:
其中,表示第ξ个特征参数中第n个数据,/>表示第ξ个特征参数中的随机数据,表示第ξ个特征参数中第n个数据对应的原始值,/>表示第ξ个特征参数中的最小值;
B4、设置粒子群布局适应度函数,所述粒子群布局适应度函数如下:
其中,f表示粒子群布局适应度函数,表示第ξ个特征参数中的随机数据,M表示自适应调节常数,Pj表示第j个轮胎胎压,Pjmin表示轮胎胎压最小值;
B5、计算粒子适应度;
B6、计算每个粒子的个体最优解,并基于每个粒子的个体最优解计算整个群体的全局最优解;
B7、通过粒子更新公式对粒子和速度和位置进行优化;
B8、判断是否满足终止条件,若满足终止条件,则结束所述粒子群优化算法,否则,重复执行步骤B5至B8。
优选的,所述步骤B5中,计算粒子适应度包括以下步骤:
B501、将训练集向量不重复的随机分为K份;
B502、将其中1份作为验证集,剩余K-1份作为训练集向量用于RBF神经网络预测模型,在训练后得到训练好的RBF神经网络预测模型,通过验证集测试训练好的RBF神经网络预测模型,获得训练好的RBF神经网络预测模型的性能指标,并不断重复K次;
B503、计算K组测试指标的平均值作为训练好的RBF神经网络预测模型精度的估计,并作为当前K折交叉验证下训练好的RBF神经网络预测模型的性能指标;
B504、选择训练好的RBF神经网络预测模型的预测精度作为性能评估指标,并不断重复步骤B501至B503,直到完成所有粒子的适应度计算。
优选的,所述RBF神经网络预测模型采用三层前馈神经网络,第一层为输入层,由信号源结点组成,第二层为隐含层,且隐含层的激活函数采用径向基函数,第三层为输出层,隐含层和输出层之间采用线性激活函数,且RBF神经网络预测模型的输入矢量为7个,隐含层有h个,输出矢量为1个。
与现有技术相比,本发明的有益效果是:
1、本发明能够采集轮胎内部温度、轮胎胎压和三轴加速度等数据,并通过特征提取和训练模型的方式,实现对轮胎磨损度的实时监测,从而有助于及时发现轮胎磨损情况,提高车辆行驶安全性,通过参数优化单元利用粒子群优化算法对训练集向量进行优化,并构建RBF神经网络预测模型,通过不断优化参数和构建模型,可以提高轮胎磨损度检测的准确性和稳定性,通过可视化单元使用WEB技术,在用户智能显示终端上实时显示汽车四个轮胎的磨损度,从而驾驶员可以直观地了解轮胎的磨损情况,及时采取相应的措施,如更换轮胎或进行维修,以延长轮胎的使用寿命,通过实时监测轮胎磨损度,驾驶员可以及时了解轮胎的状况,并采取相应的措施,从而有助于提高车辆的行驶安全性,减少由于轮胎磨损导致的事故风险;
2、本发明通过采集轮胎内部温度、轮胎胎压和三轴加速度等数据,可以提供轮胎磨损度检测所需的输入参数,可以实时获取轮胎状态信息,为后续的处理和分析提供准确的数据基础,通过滤波方法对采集到的轮胎数据进行预处理,去除噪声和异常值,使得数据更加准确和可靠,从而有助于提高后续特征提取和模型训练的效果,通过提取轮胎数据中的特征参数,如波形图的波谷宽度、波谷面积、波峰纵坐标和波峰与波谷之间的距离等,可以将复杂的轮胎数据转化为具有代表性的特征向量,从而有助于提取轮胎磨损度的关键特征,为后续的模型训练和预测提供有效的输入,通过轮胎磨损检测单元接收训练好的RBF神经网络预测模型,并通过实时轮胎数据进行预测,输出轮胎的实时磨损度。这有助于驾驶员及时了解轮胎的状况,采取相应的措施,保证行车安全,通过可视化单元使用WEB技术将轮胎的实时磨损度在用户智能显示终端上进行可视化显示。
附图说明
图1为本发明实施例提供的整体***的流程示意图;
图2为本发明实施例提供的滤波方法的流程图;
图3为本发明实施例提供的粒子群优化算法的流程图;
图4为本发明实施例提供的步骤B5的流程图;
图5为本发明实施例提供的轮胎数据采集单元的内部模块框图。
图中:1、轮胎数据采集单元;101、温度和胎压采集模块;102、三轴加速度采集模块;2、数据预处理单元;3、特征提取单元;4、训练集构建单元;5、参数优化单元;6、检测模型构建单元;7、轮胎磨损检测单元;8、可视化单元。
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。
请参阅图1-5,本发明提供一种技术方案:一种轮胎磨损度检测计算***,包括参数优化单元5、检测模型构建单元6、轮胎磨损检测单元7和可视化单元8,还包括;
轮胎数据采集单元1,轮胎数据采集单元1用于采集轮胎数据,轮胎数据包括轮胎内部温度、轮胎胎压和轮胎运行过程中三轴加速度,三轴加速度包括X、Y和Z轴加速度,并将采集的轮胎数据传输至数据预处理单元2;
数据预处理单元2,数据预处理单元2对轮胎数据采集单元1传输的轮胎数据进行接收,并通过滤波方法对轮胎数据进行预处理,且将预处理后的轮胎数据中的三轴加速度传输至特征提取单元3,且将预处理后的轮胎数据中的轮胎内部温度和轮胎胎压训练集构建单元4;
特征提取单元3,特征提取单元3对数据预处理单元2传输的预处理后的轮胎数据进行接收,并根据轮胎数据中的三轴加速度和采样点构建三轴加速度的波形图,其中波形图的横坐标表示采样点,纵坐标表示三轴加速度,提取Z轴波形波谷中的波谷宽度作为第一特征参数,提取Z轴波形波谷中的波谷面积作为第二特征参数,提取Y轴波形波峰的纵坐标作为第三特征参数,提取Y轴波形波峰和波谷之间距离作为第四特征参数,并将提取的第一、第二、第三和第四特征参数传输至训练集构建单元4;
训练集构建单元4,训练集构建单元4对数据预处理单元2传输的预处理后的轮胎数据中的轮胎内部温度和轮胎胎压和特征提取单元3传输的第一、第二、第三和第四特征参数进行接收,并根据接收的数据构建训练集向量,并在训练集向量中的添加校验位,且将构建完成的训练集向量传输至参数优化单元5。
参数优化单元5对训练集构建单元4传输的训练集向量和检测模型构建单元6传输的RBF神经网络预测模型进行接收,并通过粒子群优化算法基于RBF神经网络预测模型对训练集向量进行优化,并将优化后的训练集向量传输至检测模型构建单元6;
检测模型构建单元6用于构建RBF神经网络预测模型,且将构建的RBF神经网络预测模型传输至参数优化单元5,并对参数优化单元5传输的优化后的训练集向量进行接收,利用高斯函数激活RBF神经网络预测模型,并基于优化后的训练集向量对激活后的RBF神经网络预测模型进行训练,以获得训练好的RBF神经网络预测模型,将获得的训练好的RBF神经网络预测模型传输至轮胎磨损检测单元7,高斯函数具体为:
其中,表示高斯函数,cj表示隐含层的数据中心,/>表示数据宽度;
轮胎磨损检测单元7对检测模型构建单元6传输的训练好的RBF神经网络预测模型进行接收,调用实时轮胎数据输入值训练好的RBF神经网络预测模型中,通过训练好的RBF神经网络预测模型输出轮胎实时磨损度,且将输出的轮胎实时磨损度传输至可视化单元8;
可视化单元8对轮胎磨损检测单元7传输的轮胎实时磨损度进行接收,并通过WEB技术在用户智能显示终端中显示汽车四个轮胎的实时磨损度;
轮胎数据采集单元1包括温度和胎压采集模块101和三轴加速度采集模块102;
温度和胎压采集模块101通过将温度和胎压集成传感器安装在轮胎内壁采集轮胎内部温度和轮胎胎压;
三轴加速度采集模块102通过将加速度传感器安装在轮胎内壁采集轮胎运行过程中三轴加速度;
滤波方法包括以下步骤:
A1、根据二维峰值搜索方法,估计分数阶傅里叶变换的阶次p和对应频率u;
在本实施例中,二维峰值搜索方法一种常用的信号处理方法,用于估计信号的阶次和对应频率;
A2、对采集信号X(t)进行分数阶傅里叶变换,分数阶傅里叶变换公式如下:
XP(u)=YP(u)+NP(u)
其中,Xp(u)表示采集到的信号的p阶分数阶傅里叶变换,Yp(u)表示正常信号y(t)的p阶分数阶傅里叶变换,Np(u)表示噪声信号n(t)的p阶分数阶傅里叶变换;
A3、通过如下公式将采集信号X(t)中能量聚集最高的尖峰进行遮隔处理:
Xp(u)=XP(u)·C(u)=YP(u)·C(u)+NP(u)·C(u)
其中,C(u)表示分数阶傅里叶变换域中以u为中心的带通滤波器;
A4、将经过滤波去噪处理后的分数阶傅里叶变换域信号进行p阶分数阶傅里叶反变换,以获得去噪的采集信号Xout(t);
第一特征参数用于描述轮胎触地后,产生的反向作用力作用于轮胎的时间长度,第二特征参数用于描述轮胎触地后,产生的反向作用力作用于轮胎的能量大小,第三特征参数用于描述轮胎触地后,加速度的最大差值,第四特征参数用于描述轮胎触地后,两段冲击加速度峰值之间的时间差;
粒子群优化算法包括以下步骤:
B1、对粒子的位置和速度进行初始化,随机生成初始位置和速度;
B2、通过粒子更新公式进行粒子的位置和速度更新,粒子更新公式如下:
vi+1 II=ωvi II+c1·r1·(pbest II-present II)+c2·r2·(gbest II-presentII)
Xi+1=Xi+Vi+1
其中,vi+1II表示粒子更新式,ω表示粒子的惯性权重,viII表示粒子的速度,c1和c2表示学习因子,r1和r2表示随机数,pbestII表示粒子目前的位置,preentII表示全局极值,gbest表示个体极值,Xi+1表示粒子在第i次迭代时的位置,Vi+1表示粒子在第i+1次迭代时的速度;
B3、基于粒子更新式设置参数优化模型,参数优化模型如下:
其中,表示第ξ个特征参数中第n个数据,/>表示第ξ个特征参数中的随机数据,表示第ξ个特征参数中第n个数据对应的原始值,/>表示第ξ个特征参数中的最小值;
B4、设置粒子群布局适应度函数,粒子群布局适应度函数如下:
其中,f表示粒子群布局适应度函数,表示第ξ个特征参数中的随机数据,M表示自适应调节常数,Pj表示第j个轮胎胎压,Pjmin表示轮胎胎压最小值;
B5、计算粒子适应度;
B6、计算每个粒子的个体最优解,并基于每个粒子的个体最优解计算整个群体的全局最优解;
B7、通过粒子更新公式对粒子和速度和位置进行优化;
B8、判断是否满足终止条件,若满足终止条件,则结束粒子群优化算法,否则,重复执行步骤B5至B8;
步骤B5中,计算粒子适应度包括以下步骤:
B501、将训练集向量不重复的随机分为K份;
B502、将其中1份作为验证集,剩余K-1份作为训练集向量用于RBF神经网络预测模型,在训练后得到训练好的RBF神经网络预测模型,通过验证集测试训练好的RBF神经网络预测模型,获得训练好的RBF神经网络预测模型的性能指标,并不断重复K次;
B503、计算K组测试指标的平均值作为训练好的RBF神经网络预测模型精度的估计,并作为当前K折交叉验证下训练好的RBF神经网络预测模型的性能指标;
B504、选择训练好的RBF神经网络预测模型的预测精度作为性能评估指标,并不断重复步骤B501至B503,直到完成所有粒子的适应度计算;
RBF神经网络预测模型采用三层前馈神经网络,第一层为输入层,由信号源结点组成,第二层为隐含层,且隐含层的激活函数采用径向基函数,第三层为输出层,隐含层和输出层之间采用线性激活函数,且RBF神经网络预测模型的输入矢量为7个,隐含层有h个,输出矢量为1个。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种轮胎磨损度检测计算***,包括参数优化单元(5)、检测模型构建单元(6)、轮胎磨损检测单元(7)和可视化单元(8),其特征在于:
轮胎数据采集单元(1),所述轮胎数据采集单元(1)用于采集轮胎数据,轮胎数据包括轮胎内部温度、轮胎胎压和轮胎运行过程中三轴加速度,三轴加速度包括X、Y和Z轴加速度,并将采集的轮胎数据传输至数据预处理单元(2);
数据预处理单元(2),所述数据预处理单元(2)对轮胎数据采集单元(1)传输的轮胎数据进行接收,并通过滤波方法对轮胎数据进行预处理,且将预处理后的轮胎数据中的三轴加速度传输至特征提取单元(3),且将预处理后的轮胎数据中的轮胎内部温度和轮胎胎压训练集构建单元(4);
特征提取单元(3),所述特征提取单元(3)对数据预处理单元(2)传输的预处理后的轮胎数据进行接收,并根据轮胎数据中的三轴加速度和采样点构建三轴加速度的波形图,其中波形图的横坐标表示采样点,纵坐标表示三轴加速度,提取Z轴波形波谷中的波谷宽度作为第一特征参数,提取Z轴波形波谷中的波谷面积作为第二特征参数,提取Y轴波形波峰的纵坐标作为第三特征参数,提取Y轴波形波峰和波谷之间距离作为第四特征参数,并将提取的第一、第二、第三和第四特征参数传输至训练集构建单元(4);
训练集构建单元(4),所述训练集构建单元(4)对数据预处理单元(2)传输的预处理后的轮胎数据中的轮胎内部温度和轮胎胎压和特征提取单元(3)传输的第一、第二、第三和第四特征参数进行接收,并根据接收的数据构建训练集向量,并在训练集向量中的添加校验位,且将构建完成的训练集向量传输至参数优化单元(5)。
2.根据权利要求1所述的一种轮胎磨损度检测计算***,其特征在于:所述参数优化单元(5)对训练集构建单元(4)传输的训练集向量和检测模型构建单元(6)传输的RBF神经网络预测模型进行接收,并通过粒子群优化算法基于RBF神经网络预测模型对训练集向量进行优化,并将优化后的训练集向量传输至检测模型构建单元(6);
所述检测模型构建单元(6)用于构建RBF神经网络预测模型,且将构建的RBF神经网络预测模型传输至参数优化单元(5),并对参数优化单元(5)传输的优化后的训练集向量进行接收,利用高斯函数激活RBF神经网络预测模型,并基于优化后的训练集向量对激活后的RBF神经网络预测模型进行训练,以获得训练好的RBF神经网络预测模型,将获得的训练好的RBF神经网络预测模型传输至轮胎磨损检测单元(7)。
3.根据权利要求2所述的一种轮胎磨损度检测计算***,其特征在于:所述轮胎磨损检测单元(7)对检测模型构建单元(6)传输的训练好的RBF神经网络预测模型进行接收,调用实时轮胎数据输入值训练好的RBF神经网络预测模型中,通过训练好的RBF神经网络预测模型输出轮胎实时磨损度,且将输出的轮胎实时磨损度传输至可视化单元(8);
所述可视化单元(8)对轮胎磨损检测单元(7)传输的轮胎实时磨损度进行接收,并通过WEB技术在用户智能显示终端中显示汽车四个轮胎的实时磨损度。
4.根据权利要求1所述的一种轮胎磨损度检测计算***,其特征在于:所述轮胎数据采集单元(1)包括温度和胎压采集模块(101)和三轴加速度采集模块(102);
所述温度和胎压采集模块(101)通过将温度和胎压集成传感器安装在轮胎内壁采集轮胎内部温度和轮胎胎压;
所述三轴加速度采集模块(102)通过将加速度传感器安装在轮胎内壁采集轮胎运行过程中三轴加速度。
5.根据权利要求1所述的一种轮胎磨损度检测计算***,其特征在于:所述滤波方法包括以下步骤:
A1、根据二维峰值搜索方法,估计分数阶傅里叶变换的阶次p和对应频率u;
A2、对采集信号X(t)进行分数阶傅里叶变换,所述分数阶傅里叶变换公式如下:
XP(u)=YP(u)+NP(u)
其中,Xp(u)表示采集到的信号的p阶分数阶傅里叶变换,Yp(u)表示正常信号y(t)的p阶分数阶傅里叶变换,Np(u)表示噪声信号n(t)的p阶分数阶傅里叶变换;
A3、通过如下公式将采集信号X(t)中能量聚集最高的尖峰进行遮隔处理:X′p(u)=XP(u)·C(u)=YP(u)·C(u)+NP(u)·C(u)
其中,C(u)表示分数阶傅里叶变换域中以u为中心的带通滤波器;
A4、将经过滤波去噪处理后的分数阶傅里叶变换域信号进行p阶分数阶傅里叶反变换,以获得去噪的采集信号Xout(t)。
6.根据权利要求1所述的一种轮胎磨损度检测计算***,其特征在于:所述第一特征参数用于描述轮胎触地后,产生的反向作用力作用于轮胎的时间长度,所述第二特征参数用于描述轮胎触地后,产生的反向作用力作用于轮胎的能量大小,所述第三特征参数用于描述轮胎触地后,加速度的最大差值,所述第四特征参数用于描述轮胎触地后,两段冲击加速度峰值之间的时间差。
7.根据权利要求1所述的一种轮胎磨损度检测计算***,其特征在于:所述粒子群优化算法包括以下步骤:
B1、对粒子的位置和速度进行初始化,随机生成初始位置和速度;
B2、通过粒子更新公式进行粒子的位置和速度更新,所述粒子更新公式如下:
vi+1II=ωviII+c1·r1·(pbestII-presentII)+c2·r2·(gbestII-presentII)
Xi+1=Xi+Vi+1
其中,vi+1H表示粒子更新式,ω表示粒子的惯性权重,viH表示粒子的速度,c1和c1表示学习因子,r1和r2表示随机数,pbestII表示粒子目前的位置,preentII表示全局极值,gbest表示个体极值,Xi+1表示粒子在第i次迭代时的位置,Vi+1表示粒子在第i+1次迭代时的速度;
B3、基于粒子更新式设置参数优化模型,所述参数优化模型如下:
其中,表示第ξ个特征参数中第n个数据,/>表示第ξ个特征参数中的随机数据,/>表示第ξ个特征参数中第n个数据对应的原始值,/>表示第ξ个特征参数中的最小值;
B4、设置粒子群布局适应度函数,所述粒子群布局适应度函数如下:
其中,f表示粒子群布局适应度函数,表示第ξ个特征参数中的随机数据,M表示自适应调节常数,Pj表示第j个轮胎胎压,Pjmin表示轮胎胎压最小值;
B5、计算粒子适应度;
B6、计算每个粒子的个体最优解,并基于每个粒子的个体最优解计算整个群体的全局最优解;
B7、通过粒子更新公式对粒子和速度和位置进行优化;
B8、判断是否满足终止条件,若满足终止条件,则结束所述粒子群优化算法,否则,重复执行步骤B5至B8。
8.根据权利要求1所述的一种轮胎磨损度检测计算***,其特征在于:所述步骤B5中,计算粒子适应度包括以下步骤:
B501、将训练集向量不重复的随机分为K份;
B502、将其中1份作为验证集,剩余K-1份作为训练集向量用于RBF神经网络预测模型,在训练后得到训练好的RBF神经网络预测模型,通过验证集测试训练好的RBF神经网络预测模型,获得训练好的RBF神经网络预测模型的性能指标,并不断重复K次;
B503、计算K组测试指标的平均值作为训练好的RBF神经网络预测模型精度的估计,并作为当前K折交叉验证下训练好的RBF神经网络预测模型的性能指标;
B504、选择训练好的RBF神经网络预测模型的预测精度作为性能评估指标,并不断重复步骤B501至B503,直到完成所有粒子的适应度计算。
9.根据权利要求1所述的一种轮胎磨损度检测计算***,其特征在于:所述RBF神经网络预测模型采用三层前馈神经网络,第一层为输入层,由信号源结点组成,第二层为隐含层,且隐含层的激活函数采用径向基函数,第三层为输出层,隐含层和输出层之间采用线性激活函数,且RBF神经网络预测模型的输入矢量为7个,隐含层有h个,输出矢量为1个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410007683.7A CN117828299B (zh) | 2024-01-03 | 2024-01-03 | 一种轮胎磨损度检测计算*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410007683.7A CN117828299B (zh) | 2024-01-03 | 2024-01-03 | 一种轮胎磨损度检测计算*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117828299A true CN117828299A (zh) | 2024-04-05 |
CN117828299B CN117828299B (zh) | 2024-06-07 |
Family
ID=90520616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410007683.7A Active CN117828299B (zh) | 2024-01-03 | 2024-01-03 | 一种轮胎磨损度检测计算*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828299B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015022320A (ja) * | 2013-07-16 | 2015-02-02 | 横浜ゴム株式会社 | データ処理方法および構造体の設計方法 |
CN109033730A (zh) * | 2018-09-30 | 2018-12-18 | 北京工业大学 | 一种基于改进的粒子群优化算法的刀具磨损预测方法 |
US20190171187A1 (en) * | 2016-05-09 | 2019-06-06 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for the industrial internet of things |
CN109918792A (zh) * | 2019-03-09 | 2019-06-21 | 闽南理工学院 | 一种基于计算机的轮胎不平衡量的动力学模拟***及方法 |
CN110198585A (zh) * | 2019-06-25 | 2019-09-03 | 佛山职业技术学院 | 一种汽车组合灯具装置及其应用 |
CN110829485A (zh) * | 2019-10-10 | 2020-02-21 | 国网湖南综合能源服务有限公司 | 基于粒子群算法的lcl滤波器参数及控制参数全局优化设计方法、***及介质 |
CN112829526A (zh) * | 2021-02-09 | 2021-05-25 | 上海交通大学 | 一种轮胎磨损程度监测方法、*** |
CN113761649A (zh) * | 2021-08-05 | 2021-12-07 | 江苏大学 | 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 |
CN114219360A (zh) * | 2021-12-29 | 2022-03-22 | 北京淇瑀信息科技有限公司 | 基于模型优化的监控安全预测方法及*** |
CN114880806A (zh) * | 2022-05-25 | 2022-08-09 | 国网天津市电力公司 | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 |
CN114964776A (zh) * | 2021-02-23 | 2022-08-30 | 华东交通大学 | 基于mse和pso-svm的轮对轴承故障诊断方法 |
CN116563104A (zh) * | 2023-04-20 | 2023-08-08 | 佛山职业技术学院 | 一种基于粒子群算法的图像配准方法及图像拼接方法 |
-
2024
- 2024-01-03 CN CN202410007683.7A patent/CN117828299B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015022320A (ja) * | 2013-07-16 | 2015-02-02 | 横浜ゴム株式会社 | データ処理方法および構造体の設計方法 |
US20190171187A1 (en) * | 2016-05-09 | 2019-06-06 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for the industrial internet of things |
CN109033730A (zh) * | 2018-09-30 | 2018-12-18 | 北京工业大学 | 一种基于改进的粒子群优化算法的刀具磨损预测方法 |
CN109918792A (zh) * | 2019-03-09 | 2019-06-21 | 闽南理工学院 | 一种基于计算机的轮胎不平衡量的动力学模拟***及方法 |
CN110198585A (zh) * | 2019-06-25 | 2019-09-03 | 佛山职业技术学院 | 一种汽车组合灯具装置及其应用 |
CN110829485A (zh) * | 2019-10-10 | 2020-02-21 | 国网湖南综合能源服务有限公司 | 基于粒子群算法的lcl滤波器参数及控制参数全局优化设计方法、***及介质 |
CN112829526A (zh) * | 2021-02-09 | 2021-05-25 | 上海交通大学 | 一种轮胎磨损程度监测方法、*** |
CN114964776A (zh) * | 2021-02-23 | 2022-08-30 | 华东交通大学 | 基于mse和pso-svm的轮对轴承故障诊断方法 |
CN113761649A (zh) * | 2021-08-05 | 2021-12-07 | 江苏大学 | 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 |
CN114219360A (zh) * | 2021-12-29 | 2022-03-22 | 北京淇瑀信息科技有限公司 | 基于模型优化的监控安全预测方法及*** |
CN114880806A (zh) * | 2022-05-25 | 2022-08-09 | 国网天津市电力公司 | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 |
CN116563104A (zh) * | 2023-04-20 | 2023-08-08 | 佛山职业技术学院 | 一种基于粒子群算法的图像配准方法及图像拼接方法 |
Non-Patent Citations (3)
Title |
---|
MEIQI WANG等: "Research and application of neural network for tread wear prediction and optimization", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 162, 31 May 2021 (2021-05-31), pages 1 - 26 * |
王高阳 等: "基于FRFT-RBF网络的船舶电网故障定位方法", 《武汉船舶职业技术学院学报》, vol. 22, no. 06, 25 December 2023 (2023-12-25), pages 77 - 84 * |
许斌: "基于粒子群算法的水库灌区输水灌溉管道布局优化方法", 《水利技术监督》, no. 12, 25 December 2023 (2023-12-25), pages 106 - 108 * |
Also Published As
Publication number | Publication date |
---|---|
CN117828299B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109124625B (zh) | 一种驾驶员疲劳状态水平分级方法 | |
CN108960426B (zh) | 基于bp神经网络的道路坡度综合估计*** | |
CN111507233B (zh) | 一种多模态信息融合的智能车路面类型识别方法 | |
CN108108766B (zh) | 基于多传感器数据融合的驾驶行为识别方法及*** | |
CN105139070A (zh) | 基于人工神经网络和证据理论的疲劳驾驶评价方法 | |
CN113188807B (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 | |
CN104008644A (zh) | 一种基于梯度下降的城市道路交通噪声测量方法 | |
Aboah et al. | Smartphone-based pavement roughness estimation using deep learning with entity embedding | |
CN104807640A (zh) | 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法 | |
US20220018906A1 (en) | Predicting An Outcome Associated With A Driver Of A vehicle | |
CN104699980A (zh) | 基于加速度传感器实现iri值软测量的方法 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
CN115320608B (zh) | 一种轮胎路面信息的监测方法、装置及*** | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN106448059A (zh) | 基于腕带仪器的驾驶员疲劳检测方法 | |
CN117828299B (zh) | 一种轮胎磨损度检测计算*** | |
Liu et al. | An interpretable multiplication-convolution network for equipment intelligent edge diagnosis | |
CN117171506A (zh) | 一种基于imu的工程车辆运行状态监测方法及装置 | |
Singh | Development of an intelligent tire based tire-vehicle state estimator for application to global chassis control | |
Singh et al. | Application of machine learning & deep learning techniques in the context of use cases relevant for the tire industry | |
Yang et al. | An intelligent tyre system for road condition perception | |
Beilfuss et al. | Real-Time Classification of Road Type and Condition in Passenger Vehicles | |
CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
Menegazzo et al. | Vehicular perception and proprioception based on inertial sensing: a systematic review |
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 |