[发明专利]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

权利要求书

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；

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。

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：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。

4.根据权利要求3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。

5.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。

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。

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 ]。

8.根据权利要求7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。

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。

10.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。