刹车片磨损预警方法、装置和车辆与流程

摘要: 本技术涉及车辆,尤其涉及一种刹车片磨损预警方法、装置和车辆。背景技术:1、随着智能网联车辆安全技术的发展,刹车片磨损状态的实时监测与预警已成为保障车辆行驶安全的...
刹车片磨损预警方法、装置和车辆与流程

本技术涉及车辆,尤其涉及一种刹车片磨损预警方法、装置和车辆。

背景技术:

1、随着智能网联车辆安全技术的发展,刹车片磨损状态的实时监测与预警已成为保障车辆行驶安全的关键环节。

2、相关技术中,利用车载传感器采集制动压力、轮速等运行数据,结合预设的磨损阈值或动力学估算模型,对刹车片的磨损厚度进行预测,并在达到极限时发出报警提示。

3、然而,目前多依赖于固定的磨损阈值进行报警,难以适应驾驶员的驾驶习惯差异和复杂的工况变化,易导致极端工况或激进驾驶习惯下预警信号滞后于实际磨损风险的问题,无法及时消除安全隐患,还易在常规工况下产生过早报警的问题,刹车片磨损预警的准确性较差。

技术实现思路

1、本技术实施例提供一种刹车片磨损预警方法、装置和车辆,旨在解决现有技术中刹车片磨损预警的准确性较差的问题。

2、第一方面,本技术提供一种刹车片磨损预警方法,刹车片磨损预警方法包括:基于车辆的行驶状态数据和环境状态数据,确定车辆中刹车片剩余厚度的概率分布,基于概率分布确定刹车片在未来行驶里程内剩余厚度低于预设安全阈值的风险概率,在风险概率大于预设预警阈值时进行预警。

3、本技术实施例提供的技术方案,基于概率分布确定未来行驶里程内剩余厚度低于预设安全阈值的风险概率,将静态检测转化为失效可能性的量化评估,能够提前识别非线性因素导致的潜在制动失效风险,动态调整报警时机,避免了固定阈值预警的滞后或过早报警的问题,在保障预警效果的同时降低了误报干扰,提高了刹车片磨损预警的准确性,进而提高了用户体验。

4、在一些可能的实施方式中,基于车辆的行驶状态数据和环境状态数据,确定车辆中刹车片剩余厚度的概率分布,可具体实现为:基于行驶状态数据确定物理特征向量,基于行驶状态数据和环境状态数据确定驾驶语义向量,基于物理特征向量和驾驶语义向量确定概率分布。

5、其中,物理特征向量表征刹车片的制动压力曲线特征,驾驶语义向量表征车辆的驾驶员的驾驶风格。

6、上述实施方式,基于表征刹车片制动压力曲线特征的物理特征向量,以及表征驾驶员驾驶风格的驾驶语义向量,同时捕捉刹车片在微观层面的受力磨损规律和驾驶员的驾驶习惯对磨损速率的影响,通过融合多源数据提高了刹车片磨损的预测准确性。

7、在一些可能的实施方式中,基于物理特征向量和驾驶语义向量确定概率分布,可具体实现为:将物理特征向量和驾驶语义向量进行拼接融合,得到融合特征向量。基于融合特征向量和双向长短时记忆网络(bidirectional long short-term memory,bi-lstm)确定概率分布。

8、上述实施方式,通过双向长短时记忆网络确定概率分布,融合历史磨损累积趋势和未来磨损演化趋势,结合已发生的磨损历史与基于当前风格预测的未来演化方向实现双向推理,预测刹车片在未来行驶历程的磨损情况,提高了磨损预测的准确性和前瞻性。

9、在一些可能的实施方式中,双向长短时记忆网络包括记忆单元和概率密度估计层。基于融合特征向量和双向长短时记忆网络确定概率分布,可具体实现为:利用记忆单元提取融合特征向量的第一时序特征和第二时序特征。将第一时序特征和第二时序特征进行拼接,得到融合时序特征。将融合时序特征输入概率密度估计层输出概率分布。

10、其中,第一时序特征表征刹车片的历史磨损累积趋势,第二时序特征表征刹车片的未来磨损演化趋势。

11、上述实施方式,利用记忆单元分别提取并拼接表征历史磨损累积趋势的第一时序特征和表征未来磨损演化趋势的第二时序特征,进而将融合后的时序特征输入概率密度估计层以输出概率分布,通过记忆单元的双向记忆机制增强了对磨损演化规律的捕捉能力,同时通过概率密度估计层直接输出分布信息,为后续的风险量化计算提供了包含均值与方差的概率分布数据基础。

12、在一些可能的实施方式中,将融合时序特征输入概率密度估计层,输出概率分布,可具体实现为:将融合时序特征输入概率密度估计层,利用贝叶斯神经网络确定概率分布。

13、上述实施方式,采用贝叶斯神经网络将融合时序特征转化为包含先验知识与当前观测数据的后验概率分布,使得输出的概率分布能够融合测量误差和模型偏差的鲁棒性处理,提高了预警结果在不同数据质量场景下的置信度与可靠性。

14、在一些可能的实施方式中,概率分布为未来行驶里程的终点时刻对应的刹车片剩余厚度的概率分布。

15、上述实施方式,将预测的时间维度锁定在未来行驶里程的行程终点,实现了面向具体行驶任务周期精准的剩余寿命预测,便于驾驶员提前规划行程或提前规划维修,提高了用户体验。

16、在一些可能的实施方式中,概率分布包括:刹车片剩余厚度的预测均值和预测方差。基于概率分布确定刹车片在未来行驶里程内剩余厚度低于预设安全阈值的风险概率,可具体实现为:构建以预测均值为期望、预测方差为方差的正态分布函数,计算正态分布函数在预设安全阈值处的累积分布函数值,将累积分布函数值确定为风险概率。

17、上述实施方式,将对刹车片的失效评估从“是否低于固定阈值”转化为基于统计学原理的定量计算,精准量化在考虑磨损预测不确定性(即方差)情况下的制动失效概率,基于制动概率进行针对性预警,预警方式更加灵活准确。

18、在一些可能的实施方式中,在风险概率大于预设预警阈值时进行预警,可具体实现为:基于行驶状态数据和环境状态数据确定车辆的运行工况,基于运行工况确定预设预警阈值,在风险概率大于预设预警阈值时进行预警。

19、上述实施方式,根据车辆的运行工况(如速度、载重、温度等)动态调整定预设预警阈值,使预警触发机制自适应匹配当前驾驶场景的安全需求,在重载、高速或高温等高风险工况下自动收紧预警边界(降低阈值),而在温和工况下适当放宽阈值(提高阈值),在保障极端工况下制动安全的前提下,有效降低了因工况波动导致的正常驾驶过程中的误报干扰,实现了预警策略与车辆实际运行状态的动态协同与个性化适配。

20、第二方面,本技术提供一种刹车片磨损预警装置,装置包括:处理模块和预警模块。

21、上述处理模块,用于基于车辆的行驶状态数据和环境状态数据,确定车辆中刹车片剩余厚度的概率分布,基于概率分布确定刹车片在未来行驶里程内剩余厚度低于预设安全阈值的风险概率。

22、上述预警模块,用于在风险概率大于预设预警阈值时进行预警。

23、在一些可能的实施方式中,上述处理模块,具体用于:基于行驶状态数据确定物理特征向量,基于行驶状态数据和环境状态数据确定驾驶语义向量,基于物理特征向量和驾驶语义向量确定概率分布。

24、其中,物理特征向量表征刹车片的制动压力曲线特征,驾驶语义向量表征车辆的驾驶员的驾驶风格。

25、在一些可能的实施方式中,上述处理模块,具体用于:将物理特征向量和驾驶语义向量进行拼接融合,得到融合特征向量。基于融合特征向量和bi-lstm确定概率分布。

26、在一些可能的实施方式中,双向长短时记忆网络包括记忆单元和概率密度估计层。上述处理模块,具体用于:利用记忆单元提取融合特征向量的第一时序特征和第二时序特征。将第一时序特征和第二时序特征进行拼接,得到融合时序特征。将融合时序特征输入概率密度估计层输出概率分布。

27、其中,第一时序特征表征刹车片的历史磨损累积趋势,第二时序特征表征刹车片的未来磨损演化趋势。

28、在一些可能的实施方式中,上述处理模块,具体用于:将融合时序特征输入概率密度估计层,利用贝叶斯神经网络确定概率分布。

29、偏差的鲁棒性处理,提高了预警结果在不同数据质量场景下的置信度与可靠性。

30、在一些可能的实施方式中,概率分布为未来行驶里程的终点时刻对应的刹车片剩余厚度的概率分布。

31、在一些可能的实施方式中,概率分布包括:刹车片剩余厚度的预测均值和预测方差。上述处理模块,具体用于:构建以预测均值为期望、预测方差为方差的正态分布函数,计算正态分布函数在预设安全阈值处的累积分布函数值,将累积分布函数值确定为风险概率。

32、在一些可能的实施方式中,上述预警模块,具体用于:基于行驶状态数据和环境状态数据确定车辆的运行工况,基于运行工况确定预设预警阈值,在风险概率大于预设预警阈值时进行预警。

33、第二方面各个实施方式对应的技术效果与第一方面各个实施方式对应的技术效果一致。

34、第三方面,本技术提供一种计算机可读存储介质,计算机可读存储介质中存储有至少一条程序代码,至少一条程序代码由处理器加载并执行以实现上述第一方面任意实施方式中的刹车片磨损预警方法。

35、第四方面,本技术提供一种计算机程序产品,包括计算机程序;当计算机程序被执行时,能够实现上述第一方面任意实施方式中的刹车片磨损预警方法。

36、第五方面,本技术提供一种车辆,包括上述第二方面任意实施方式中的刹车片磨损预警装置,或者,执行上述第一方面任意实施方式中的刹车片磨损预警方法。