智能轮胎胎内传感器与信号特征确定方法、系统及设备

技术领域

本发明涉及智能农机的轮胎测试领域，特别是涉及一种智能轮胎胎内传感器与信号特征确定方法、系统及设备。

背景技术

随着智能农机的快速发展，智能轮胎在农机中的重要性也越来越显著。如通过智能轮胎感知轮胎胎压和土壤软硬度，根据土壤软硬度调控轮胎胎压，进而减少轮胎对土壤的压实度，并降低油耗等。然而目前智能轮胎研究主要集中在汽车上，针对轮式拖拉机的智能轮胎研究鲜有报道。其中智能轮胎主要是在轮胎内部安装传感器用于感测轮胎与路面相互作用信息，从而监测轮胎的状态信息并做出反应。然而与汽车轮胎相比，轮式拖拉机轮胎主要工作在低压、低速和高载荷工况，这导致在估算轮胎状态时无法确定在胎内布置的传感器类型，并且也不清楚在轮胎接地过程中是否有信号特征可以估算轮胎状态。

故需要一种适用于轮式拖拉机在内的智能轮胎胎内传感器类型与信号特征确定方法。

发明内容

本发明的目的是提供一种智能轮胎胎内传感器与信号特征确定方法、系统及设备，可确定用于智能轮胎胎内的传感器类型和信号特征，为轮胎开发提供研究基础。

为实现上述目的，本发明提供了如下方案：

一种智能轮胎胎内传感器与信号特征确定方法包括：

构建不同载荷下轮胎滚动仿真模型；

获取不同载荷下轮胎滚动仿真模型的预设轮胎测点位置的不同类型传感器的传感信号；

分别对不同类型传感器的传感信号进行特征数据提取，获得每个传感器信号的不同信号特征，构建特征集；

采用特征选择方法基于特征集和传感信号确定不同载荷下轮胎的最优传感器类型和最优传感器类型的传感信号的最优信号特征。

可选地，构建不同载荷下轮胎滚动仿真模型，具体包括：

采用有限元方法构建不同载荷下轮胎滚动仿真模型。

可选地，采用有限元方法构建不同载荷下轮胎滚动仿真模型，具体包括：

在有限元仿真软件中，通过编写INP文件方式生成轮胎胎体网格模型；

在有限元仿真软件中，基于所述轮胎胎体网格模型通过操作GUI界面定义不同试验工况中轮胎与路面的关系，构建不同载荷下轮胎滚动仿真模型；所述关系包括相互作用关系和边界条件。

可选地，所述传感信号包括加速度信号、应变信号和位移信号。

可选地，所述预设轮胎测点位置为随机设置的测点位置或根据随机加权的CRITIC和TOPSIS组合评价方法确定的各传感器最佳安装测点位置。

可选地，所述特征数据包括时域特征和频域特征；

所述时域特征包括时域有量纲特征和时域无量纲特征；所述频域特征包括振幅最大值、振幅平均值、振幅中位数、均值频率、中心频率、频带功率、占用带宽和功率带宽。

可选地，采用特征选择方法基于特征集和传感信号确定不同试验工况下轮胎的最优传感器类型和最优传感器类型的传感信号的最优信号特征，具体包括：

采用随机森林方法计算特征集中不同信号特征下的传感信号的重要性程度；

根据特征集中不同信号特征下的传感信号的重要性程度对特征集进行筛选，得到筛选后的特征集；

计算筛选后的特征集中各特征之间的Pearson相关系数，得到筛选后的特征集中各特征之间相关性；

剔除筛选后的特征集中各特征之间相关性大于预设阈值的特征，得到剔除后的特征集；

根据剔除后的特征集中不同信号特征下的传感信号的重要性程度确定不同试验工况下轮胎的最优传感器类型；

根据估算轮胎状态时的传感器类型和剔除后的特征集中不同信号特征下的传感信号的重要性程度确定最优传感器类型的传感信号的最优信号特征。

一种智能轮胎胎内传感器与信号特征确定系统应用于上述所述的智能轮胎胎内传感器与信号特征确定方法，所述智能轮胎胎内传感器与信号特征确定系统包括：

构建模块，用于构建不同载荷下轮胎滚动仿真模型；

获取模块，用于获取不同载荷下轮胎滚动仿真模型的预设轮胎测点位置的不同类型传感器的传感信号；

提取模块，用于分别对不同类型传感器的传感信号进行特征数据提取，获得每个传感器信号的不同信号特征，构建特征集；

确定模块，用于采用特征选择方法基于特征集和传感信号确定不同载荷下轮胎的最优传感器类型和最优传感器类型的传感信号的最优信号特征。

一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的智能轮胎胎内传感器与信号特征确定方法。

可选地，所述存储器为非暂态计算机可读存储介质。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种智能轮胎胎内传感器与信号特征确定方法、系统及设备，通过构建不同载荷下轮胎滚动仿真模型，并获取不同载荷下轮胎滚动仿真模型的预设轮胎测点位置的不同类型传感器的传感信号；分别对不同类型传感器的传感信号进行特征数据提取，获得每个传感器信号的不同信号特征，构建特征集；采用特征选择方法基于特征集和传感信号确定不同载荷下轮胎的最优传感器类型和最优传感器类型的传感信号的最优信号特征，可确定用于智能轮胎胎内的传感器类型和信号特征，为轮胎开发提供研究基础。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明智能轮胎胎内传感器与信号特征确定方法的流程图；

图2是本发明构建的轮胎滚动仿真模型图；

图3是本发明不同载荷下胎内加速度传感器信号的第一示意图；

图4是本发明不同载荷下胎内加速度传感器信号的第二示意图；

图5是本发明不同载荷下胎内应变传感器信号的第一示意图；

图6是本发明不同载荷下胎内应变传感器信号的第二示意图；

图7是本发明不同载荷下胎内位移传感器信号第一示意图；

图8是本发明不同载荷下胎内位移传感器信号第二示意图；

图9是本发明特征选择方法流程图；

图10是本发明各传感信号所选特征重要性对比结果图；

图11是本发明各传感信号所选特征与垂直载荷线性相关系数对比结果图；

图12是本发明智能轮胎胎内传感器与信号特征确定方法的示意图。

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。

本发明的目的是提供一种智能轮胎胎内传感器与信号特征确定方法、系统及设备，可确定用于智能轮胎胎内的传感器类型和信号特征，为轮胎开发提供研究基础。

本发明采用有限元方法构建不同载荷下轮胎滚动仿真模型，并提取轮胎测点位置的加速度信号、应变信号和位移信号。其次根据各传感器的时域信号和频域信号等构建特征集，最后利用特征选择方法计算各传感器信号的特征重要性，对比各传感器信号的特征重要性结果确定用于智能轮胎胎内的传感器类型和信号特征。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图12所示，本发明提供的一种智能轮胎胎内传感器与信号特征确定方法包括：

步骤301：构建不同载荷下轮胎滚动仿真模型。

采用有限元方法构建不同载荷下轮胎滚动仿真模型。

在有限元仿真软件中，通过编写INP文件方式生成轮胎胎体网格模型。

在有限元仿真软件中，基于所述轮胎胎体网格模型通过操作GUI界面定义不同试验工况中轮胎与路面的关系，构建不同载荷下轮胎滚动仿真模型；所述关系包括相互作用关系、边界条件。

在有限元仿真软件中，采用INP文件编写和GUI界面操作的混合建模方法构建轮胎滚动仿真模型。其中，通过编写INP文件方式生成规整的轮胎胎体网格模型，避免对轮胎整体划分网格时出现网格不对称的情况，提高从有限元模型中提取传感信号的有效性。并且通过操作GUI界面便于定义轮胎滚动工况中轮胎与路面相互作用关系、边界条件等。同时所构建的轮胎滚动仿真工况模型考虑轮胎胎压、载荷以及滑移率等试验参数。

所构建的轮胎滚动仿真模型如图2所示，本实施例中，以某拖拉机前轮子午线轮胎为研究对象，轮胎规格为280/85R24，轮辋使用W10，并通过径向加载试验验所构建的轮胎有限元仿真模型有效性。

如图12所示，步骤302：获取不同载荷下轮胎滚动仿真模型的预设轮胎测点位置的不同类型传感器的传感信号。

所述传感信号包括加速度信号、应变信号和位移信号。

所述预设轮胎测点位置为随机设置的测点位置或根据随机加权的CRITIC和TOPSIS组合评价方法确定的各传感器最佳安装测点位置。

以轮式拖拉机轮胎为例：

根据轮式拖拉机轮胎的花纹结构特征，可从同一个测点提取传感信号，也可根据各传感器最佳安装测点位置提取传感信号。并且，提取轮胎接地过程的传感信号包括加速度信号、应变信号以及位移信号。

本实施例优选根据各传感器最佳安装测点位置提取传感信号，根据随机加权的CRITIC和TOPSIS组合评价方法确定加速度传感器和应变传感器最佳布置位置在胎侧，位移传感器的最佳布置位置在轮胎花纹块根部前缘位置。分别提取上述测点的加速度信号、应变信号和位移信号。

步骤303：分别对不同类型传感器的传感信号进行特征数据提取，获得每个传感器信号的不同信号特征，构建特征集。

所述特征数据包括时域特征和频域特征。

所述时域特征包括时域有量纲特征和时域无量纲特征；所述频域特征包括振幅最大值、振幅平均值、振幅中位数、均值频率、中心频率、频带功率、占用带宽和功率带宽等。

从不同类型传感器的时域信号、频域信号、时频域信号以及信号熵中提取特征并构建特征集。并且时域信号中考虑有量纲和无量纲两种特征，频域信号则考虑频域振动幅值、频率和功率等特征。

在具体实施中，试验工况胎压160kPa，滑移率0，不同载荷下，提取胎内侧壁位置的径向加速度信号，其时域和频域信号分别如图3和图4所示。径向加速度在接地过程中虽然有差异但不明显，但在频域上可以显著看到载荷对径向加速度信号的影响，其在10Hz左右的振动幅值随着载荷的增加而增加明显。提取胎内侧壁位置的应变信号，其时域和频域信号分别如图5和图6所示。在时域和频域上都可以显著看到载荷对应变信号的影响。提取轮胎花纹块根部前缘位置的位移信号，其时域和频域信号分别如图7和图8所示。同样在时域和频域上都可以显著看到载荷对位移信号的影响，并且该波峰随着垂直载荷的增大而增大。

如图12所示，步骤304：采用特征选择方法基于特征集和传感信号确定不同载荷下轮胎的最优传感器类型和最优传感器类型的传感信号的最优信号特征。

特征选择方法采用嵌入法和过滤法的组合特征选择方法对各传感器信号特征进行选择。主要以嵌入法为主计算出各传感器信号的特征重要性，然后结合过滤法对特征进行筛选，从而选择出重要程度高且特征之间相关性低的特征。

采用随机森林方法计算特征集中不同信号特征下的传感信号的重要性程度。

根据特征集中不同信号特征下的传感信号的重要性程度对特征集进行筛选，得到筛选后的特征集。

计算筛选后的特征集中各特征之间的Pearson相关系数，得到筛选后的特征集中各特征之间相关性。

剔除筛选后的特征集中各特征之间相关性大于预设阈值的特征，得到剔除后的特征集。

根据剔除后的特征集中不同信号特征下的传感信号的重要性程度确定不同试验工况下轮胎的最优传感器类型。

根据估算轮胎状态时的传感器类型和剔除后的特征集中不同信号特征下的传感信号的重要性程度确定最优传感器类型的传感信号的最优信号特征。

从应变信号、位移信号和加速度信号中可选择多个特征组成最佳特征组设置于胎内，进行轮胎状态估算。然后从估算轮胎状态时特征的重要程度，以及各传感器所选特征与轮胎状态的线性相关系数角度对比分析各传感器信号的特征，从而确定胎内的传感器类型和信号特征。

作为一种实施例，根据轮胎接地过程中的各传感器信号提取特征构建特征集，如图9所示，步骤200：从传感器的时域和频域等信号中构建特征集。

从各传感器的时域信号、频域信号、时频域信号以及信号熵中提取特征并构建特征集。

时域信号中考虑有量纲和无量纲两种特征，在本实施例中，时域有量纲特征优选均值(T-mean)、标准差(T-sd)、均方根(T-rms)和峰值(T-pv)，时域无量纲特征优选波形因子(T-Sf)、峰值因子(T-Cf)、脉冲因子(T-If)、裕度因子(T-CLf)和峭度因子(T-Kv)。对于频域信号则考虑频域振动幅值、频率和功率等特征，在本实施例中优选振幅最大值(FA-max)、振幅平均值(FA-mead)、振幅中位数(FA-med)、均值频率(FH-mean)、中心频率(FH-med)、频带功率(FP-bp)、占用带宽(FP-obw)和功率带宽(FP-bw)用于分析。

步骤201：基于随机森林方法计算各特征的重要程度。

步骤202：重复计算多次，取均值作为特征的最终重要性度量。

特征选择方法采用嵌入法和过滤法的组合特征选择方法对各传感器信号特征进行选择。本实施例中嵌入法采用随机森林特征选择方法，其内置了特征重要性评价机制，在高效特征选择的同时，还能保持着较好的选择效果，即通过随机森林特征选择方法计算出各传感器信号的特征重要性。

步骤203：根据特征的重要性度量挑选特征。

步骤204：计算所述特征之间的Pearson相关系数。

然后结合过滤法对特征进行筛选，其中过滤法采用Pearson相关系数的特征选择方法，该方法通过计算特征之间的线性相关系数，消除所选特征中存在的冗余特征，以达到最优的特征选择效果。故本实施例优选基于随机森林结合Pearson相关系数的特征选择方法从传感信号特征组中选择出重要程度高且特征之间相关性低的特征。

步骤205：剔除相关性高且重要性度量低的特征，剩余的特征为最终选择。

对比各传感器信号的特征重要性结果确定胎内传感器类型和信号特征，传感器类型和信号特征用于确定轮胎状态，本实施例以估算载荷为例，通过应用随机森林-Pearson相关系数组合特征选择方法，从应变信号、位移信号和加速度信号中分别选择10个、7个和6个特征组成最佳特征组。估算轮胎载荷时各传感器特征的重要程度如图10所示，各传感信号都可选择波形因子(T-Sf)、振幅中位数(FA-med)和频带功率(FP-bp)作为特征，其中振幅中位数(FA-med)作为特征估算垂直载荷的稳定性最高。另外，均值(T-mean)、振幅中位数(FA-med)和振幅最大值(FA-max)分别是应变信号、位移信号和加速度信号中最重要特征。

各传感器所选特征与轮胎载荷的线性相关系数如图11所示。与垂直载荷的线性相关系数最高的特征分别是应变信号的均值(T-mean)、加速度信号的振幅最大值(FA-max)和应变信号的均方根(T-rms)，其线性相关系数分别为0.97、0.96和0.95。而位移信号的振幅最大值(FA-max)与垂直载荷最高线性相关系数为0.72。

综上，基于胎内传感信号估算垂直载荷，可优选应变传感器，其次是加速度传感，最后是位移传感器。并且均值(T-mean)、振幅最大值(FA-max)和振幅中位数(FA-med)分别是应变信号、加速度信号和位移信号的首选特征。

在具体实施中，如图1所示，采用有限元方法构建轮胎滚动仿真模型。

步骤101：编写INP构建胎体模型。

在有限元仿真软件中，优选ABAQUS有限元仿真软件，采用编写INP文件生成轮胎胎体有限元。通过编写INP文件方式生成规整的轮胎胎体网格模型，避免对轮胎整体划分网格时出现网格不对称的情况，提高从有限元模型中提取传感信号的有效性。

步骤102：操作GUI界面构建轮胎花纹模型。

在有限元仿真软件中，优选ABAQUS有限元仿真软件，操作GUI界面生成轮胎花纹模型的混合建模方法。通过操作GUI界面便于定义轮胎滚动工况中轮胎与路面相互作用关系、边界条件等。

步骤103：绑定胎体和花纹模型，构建轮胎静态模型。

通过绑定胎体和花纹块模型构建轮胎静态模型。

步骤104：结果状态传递。

在ABAQUS有限元软件中利用结果状态传递方式构建轮胎滚动仿真模型。

步骤105：构建不同载荷、胎压和滑移率的轮胎滑动仿真模型。

定义不同轮胎胎压、载荷和滑移率构建不同工况的轮胎滚动仿真模型。

步骤106：提取测点位置的加速度信号、位移信号和应变信号。提取多种轮胎滚动仿真模型的各种传感信号，包括加速度信号、位移信号和应变信号。

步骤107：建立时域、频域等特征，并从传感信号中提取。从传感信号中建立特征并进行提取。

步骤108：根据特征选择方法计算各传感信号的特诊重要性。

根据特征选择方法计算估算轮胎状态时各传感信号的特征重要性。

步骤109：根据特征重要性确定传感器类型和所选特征。

最终根据特征重要性确定传感器类型和所选特征109。

实施例2

一种智能轮胎胎内传感器与信号特征确定系统应用于实施例1所述的智能轮胎胎内传感器与信号特征确定方法，所述智能轮胎胎内传感器与信号特征确定系统包括：

构建模块，用于构建不同载荷下轮胎滚动仿真模型。

获取模块，用于获取不同载荷下轮胎滚动仿真模型的预设轮胎测点位置的不同类型传感器的传感信号。

提取模块，用于分别对不同类型传感器的传感信号进行特征数据提取，获得每个传感器信号的不同信号特征，构建特征集。

确定模块，用于采用特征选择方法基于特征集和传感信号确定不同载荷下轮胎的最优传感器类型和最优传感器类型的传感信号的最优信号特征。

实施例3

一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例1所述的智能轮胎胎内传感器与信号特征确定方法。

所述存储器为非暂态计算机可读存储介质。

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。对于实施例公开的系统而言，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。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。