[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

说明书

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。

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，并为车辆动力控制系统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系统提供信息参考。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系统存在不利影响。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。深度学习方法有着从提取特征到模式识别的强大自学能力。卷积神经网络是深度学习中典型的神经网络，具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，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。