一种轮胎花纹磨损的监控方法

技术领域

本发明涉及汽车轮胎监测技术领域，具体涉及一种轮胎花纹磨损的监控方法。

背景技术

轮胎作为汽车的关键零部件，其状态的监控在当下愈发受到重视。随着轮胎的磨损，轮胎的径向刚度、侧偏刚度、抓地力等指标都会发生变化，进而影响车辆的操控性能、制动驱动性能，因此，车辆的控制策略应根据轮胎的磨损情况做到实时更新，以实现车辆更精准的控制需求，满足行驶的安全性，因此，轮胎的磨损监控在行车安全以及车辆控制中起到举足轻重的作用。

针对轮胎花纹的磨损，传统的方式是车队或车辆驾驶员定期眼观或用花纹深度尺测量轮胎花纹的剩余深度，此过程繁琐耗时，而且不能起到实时更新的作用。当前市面利用智能轮胎技术实现轮胎花纹磨损监控的技术，大多依赖于机器学习，训练模型仅针对某一款轮胎，而不具备普适性。此外，现有的监控技术，未能意识到，单一的传感器仅能监控轮胎局部的磨损特性，而非全局的磨损平均值，并不能反映轮胎胎面花纹全局的磨损特征。

发明内容

本发明的目的在于提供一种轮胎花纹磨损的监控方法，解决以下技术问题：

(1)传统测量方式过程繁琐耗时，而且不能起到实时更新；

(2)依赖于机器学习，训练模型仅针对某一款轮胎，而不具备普适性；

(3)单一的传感器仅能监控轮胎局部的磨损特性，而非全局的磨损平均值，并不能反映轮胎胎面花纹全局的磨损特征。

本发明的目的可以通过以下技术方案实现：

一种轮胎花纹磨损的监控方法，包括以下步骤:

步骤S1：计算原始加速度信号的功率谱密度；

步骤S2：基于加速度信号，每次进入传感器接地区域时，加速度信号会出现明显的峰值，以此峰值计算轮胎的转速；

步骤S3：原始加速度信号为等时间采样，记采样率为fs，则加速度信号的时间间隔为1/fs，轮胎胎面花纹为轮胎旋转过程中加速度信号的周期性成分，为了有效剥离出周期性成分，对原始加速度信号进行等角度采样；

步骤S4：根据能量分散程度来衡量轮胎的磨损情况。

作为本发明进一步的方案：在步骤S3中，所述的对原始加速度信号进行等角度采样的具体操作过程如下所示：

步骤S31：取单位时间的加速度信号，假设轮胎接地N次，那么共有N-1个间隔，分别计算这N-1个间隔的长度，并取平均值，记为L，则此时轮胎的转频为fs/L(Hz)；

步骤S32：记单位时间加速度信号对应的时间轴刻度为0:1/fs:1-fs，其中fs为采样频率；

步骤S33：将所有峰值看作tacho脉冲，并记录所在的时间点，记为t_tacho；

步骤S34：则t_tacho对应的瞬时转频rpmt＝60/diff(t_tacho)，其中diff代表取差分；

步骤S35：为了保证计算转频的平滑，rpmt＝0.5*(rpmt(1:end-1)+

rpmt(2:end))；

步骤S36：因为进行了一次差分,因此要进行时间的对齐；

步骤S37：调整初始时间与所述已对齐时间的一致；

步骤S38：假设rpm保持不变，因此，对所有的rpm数据取平均值，记做当前单位时间内的轮胎的转频；

步骤S39：针对每一圈信号，重采样点数为Q个，即每(360/Q)°取一个采样点。

作为本发明进一步的方案：所述的等角度采样过程还包括：

步骤S310：在t_tacho(1)与t_tacho(2)，t_tacho(2)与t_tacho(3)……等间隔插入36个点，同时记录36个点对应的时间，以及对应的加速度数值，共计N-1段数据；

步骤S311：对每段数据进行DFT，并对N-1段得到的DFT结果，进行线性平均，得到平均阶次谱；

步骤S312：对不同磨损程度轮胎的阶次谱进行对比。

作为本发明进一步的方案：在步骤S4中，所述根据能量分散程度来衡量轮胎的磨损情况的具体步骤如下所示：

步骤S41：计算阶次谱的中心频率fc，其中，低于中心频率的成分能量占总能量的一半；

步骤S42：计算频谱能量的离散程度vf，方法如下：

其中fi是阶次序号，pi为阶次对应的幅值；

步骤S43：针对初始花纹深度，计算初始指标记为Index1，并记录初始花纹深度D1；

步骤S44：随着花纹磨损，实时计算Index1与计算Index的比值R，当前花纹深度则为D1*R；

步骤S45：考虑到实际传感器计算指标，受观测值与系统误差的影响，因此采用粒子滤波算法，对计算指标进行去噪；

步骤S46：针对一周全部传感器计算的花纹深度，取平均值，作为轮胎当前花纹深度状态。

作为本发明进一步的方案：在步骤S45中，所述的去噪过程中，状态方程记为：p

作为本发明进一步的方案：在步骤S35中，还可以使用3个tacho脉冲，计算中间脉冲对应的rpm来保证计算转频的平滑。

作为本发明进一步的方案：在步骤S36中，具体的时间对齐方法为t_tacho＝t_tacho(2:end-1)。

作为本发明进一步的方案：在步骤S37中，具体的调整步骤包括：对(t_tacho_diff,rpmt)，进行线性插值，也即每一个时间点都对应一个rpm。

本发明的有益效果：本发明通过以原始加速度信号为等时间采样，记采样率为fs，则加速度信号的时间间隔为1/fs，轮胎胎面花纹为轮胎旋转过程中加速度信号的周期性成分，为了有效剥离出周期性成分，对原始加速度信号进行等角度采样，通过对不同磨损程度轮胎的阶次谱对比，可以发现随着轮胎磨损，虽然阶次谱所在的峰值几乎保持不变，但是能量相对分散了，因此，使用能量分散程度来衡量轮胎的磨损情况可以实现轮胎振动信号的花纹成分与结构成分分离、全胎面而非局部磨损情况的监控以及磨损指标的边缘计算，降低信号传输功耗。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明一种轮胎花纹磨损的监控方法中的加速度信号功率谱密度图；

图2是本发明一种轮胎花纹磨损的监控方法中的沿轮胎周向的传感器布置图；

图3是本发明一种轮胎花纹磨损的监控方法中的3点移动平均截止频率图；

图4是本发明一种轮胎花纹磨损的监控方法中的原始加速度信号图；

图5是本发明一种轮胎花纹磨损的监控方法中的阶次谱图；

图6是本发明一种轮胎花纹磨损的监控方法中的不同磨损程度轮胎阶次谱图。

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种轮胎花纹磨损的监控方法，包括以下步骤:

步骤S1：计算原始加速度信号的功率谱密度：

当前转频为6Hz，峰值所在频率为48Hz，因此，通过一个加速度传感器，能监控到的花纹范围为8个节距。胎面花纹共有64个节距，因此，需要沿轮胎周向，布置8个加速度传感器，以进行整个胎面花纹的磨损情况监控，如图2所示；

此外，还可以看到，信号的能量主要集中在200Hz以内，同时轮胎在路面滚动时，信号会受到路面颠簸等随机噪声的影响，因此，对原始加速度信号选用3点的移动平均(x-

步骤S2：如图4所示，基于加速度信号，每次进入传感器接地区域，加速度信号会出现明显的峰值，以此峰值计算轮胎的转速；

步骤S3：原始加速度信号为等时间采样，记采样率为fs，则加速度信号的时间间隔为1/fs，轮胎胎面花纹为轮胎旋转过程中加速度信号的周期性成分，为了有效剥离出周期性成分，对原始加速度信号进行等角度采样，具体操作过程如下：

步骤S31：取1秒的加速度信号，假设轮胎接地N次，那么共有N-1个间隔，分别计算这N-1个间隔的长度，并取平均值，记为L。则此时轮胎的转频为fs/L(Hz)；

以车速为80km/h，轮胎规格为205/55R16为例，轮胎转频大约为11Hz，因此，1s的时间内，轮胎会有11次接地，因为正常驾驶车辆，车速在1s的时间内变化不大，因此将1s内轮胎的转频视为恒定；

步骤S32：记1s加速度信号对应的时间轴刻度为0:1/fs:1-fs，其中fs为采样频率；

步骤S33：将所有峰值看作tacho脉冲，并记录所在的时间点，记为t_tacho；

步骤S34：则t_tacho对应的瞬时转频rpmt＝60/diff(t_tacho)，其中diff代表取差分；

步骤S35：为了保证计算转频的平滑，rpmt＝0.5*(rpmt(1:end-1)+rpmt(2:end))；相当于使用3个tacho脉冲，计算中间脉冲对应的rpm；

步骤S36：因为进行了一次差分,因此要进行时间的对齐，t_tacho＝t_tacho(2:end-1)；

步骤S37：调整初始时间与所述已对齐时间的一致，对(t_tacho_diff,rpmt)，进行线性插值，也即每一个时间点都对应一个rpm；

步骤S38：基于之前假设，假设rpm保持不变，因此，对所有的rpm数据取平均值，记做当前1s内的轮胎的转频；

步骤S39：针对每一圈信号，重采样点数为36个，即每10°取一个采样点；

步骤S310：在t_tacho(1)与t_tacho(2)，t_tacho(2)与t_tacho(3)……等间隔插入36个点，同时记录36个点对应的时间，以及对应的加速度数值，共计N-1段数据；

步骤S311：对每段数据进行DFT，并对N-1段得到的DFT结果，进行线性平均，得到平均阶次谱，如图5所示，阶次谱与初始功率谱密度一致，最高峰值在转频的8倍处；

步骤S312：对不同磨损程度轮胎的阶次谱进行对比，如图6所示；

通过对不同磨损程度轮胎的阶次谱对比，可以发现随着轮胎磨损，虽然阶次谱所在的峰值几乎保持不变，但是能量相对分散了，因此，使用能量分散程度来衡量轮胎的磨损情况。

步骤S4：使用能量分散程度来衡量轮胎的磨损情况进行计算，具体计算过程如下所示：

步骤S41：首先计算阶次谱的中心频率fc，其中，低于中心频率的成分能量占总能量的一半；

步骤S42：计算频谱能量的离散程度vf，方法如下：

其中fi是阶次序号，pi为阶次对应的幅值；

步骤S43：针对初始花纹深度，计算初始指标记为Index1，并记录初始花纹深度D1，通过以上，可知Index与花纹深度成反比；

步骤S44：随着花纹磨损，实时计算Index1与计算Index的比值R，当前花纹深度则为D1*R；

步骤S45：考虑到实际传感器计算指标，可能受观测值与系统误差的影响，因此采用粒子滤波算法，对计算指标进行去噪，其中，状态方程记为：p

步骤S46：针对一周全部传感器计算的花纹深度，取平均值，作为轮胎当前花纹深度状态。

将以上算法逻辑，集成到智能轮胎系统中，在车辆行驶过程中，定期手工测量花纹深度，与系统输出花纹深度进行对比。

结果如下：计算值与手动测量值误差在±0.2mm以内，满足日常轮胎花纹深度统计精度要求，具体数据如下表所示：

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。