一种车辆轮心载荷谱预测方法、装置、存储介质和设备与流程

1.本发明涉及汽车控制技术领域，具体涉及一种基于非因果脉冲响应模型的车辆轮心载荷谱预测方法、装置、存储介质和设备。


背景技术：

2.车辆的载荷谱采集一直以来都是车辆试验领域关注的重要问题。目前，工业界普遍的做法是在各个关键零部件上安装价格昂贵的高精度传感器，然后通过采集到的传感器信号进行车辆零部件疲劳分析。在这个过程中，购买传感器产生了巨大的成本(譬如，测量轮心力和轮心扭矩的传感器价值需要数百万)。因此，亟需一种测试成本低的试验方案。


技术实现要素：

3.有鉴于此，本发明实施例提供一种车辆轮心载荷谱预测方法、装置、存储介质和设备，以提供一种低成本的车辆轮心载荷谱预测方法。
4.为实现上述目的，本发明实施例提供如下技术方案：
5.一种车辆轮心载荷谱预测方法，包括：
6.获取车辆运行数据，所述运行数据包括轮心加速度信号、减震器塔柱加速度信号、车身tbox加速度信号和减震器位移；
7.将所述运行数据加载到非因果脉冲响应预测模型；
8.采用所述非因果脉冲响应预测模型基于所述运行数据计算得到车辆的轮心力信号和轮心扭矩信号。
9.可选的，上述车辆轮心载荷谱预测方法中，所述运行数据包括：
10.左前轮心加速度信号、右前轮心加速度信号、左后轮心加速度信号、右后轮心加速度信号、左前减震器塔柱加速度信号、右前减震器塔柱加速度信号、左后减震器塔柱加速度信号、右后减震器塔柱加速度信号、车身tbox加速度信号、左前减震器位移、右前减震器位移、左后减震器位移、左后减震器位移。
11.可选的，上述车辆轮心载荷谱预测方法中，所述轮心力信号和轮心扭矩信号，包括：
12.左前轮心力、右前轮心力、左后轮心力、右后轮心力、左前轮心扭矩、右前轮心扭矩、左后轮心扭矩、右后轮心扭矩。
13.上述方法中，所述非因果脉冲响应预测模型的训练过程包括：
14.所述非因果脉冲响应预测模型的训练过程包括：
15.构建与所述非因果脉冲响应预测模型相匹配的损失函数；
16.采用正则化技术对所述损失函数进行求解；
17.将求解结果代入所述联合损失函数；
18.基于修正后的联合损失函数对所述非因果脉冲响应预测模型进行线性拟合。
19.一种车辆轮心载荷谱预测装置，包括：
20.传感器，用于获取车辆运行数据，所述运行数据包括轮心加速度信号、减震器塔柱加速度信号、车身tbox加速度信号和减震器位移；
21.数据采集模块，用于获取所述传感器输出的所述运行数据；
22.控制及运算模块，用于在获取到所述数据采集模块上传的运行数据后，基于预先嵌入的非因果脉冲响应预测模型计算得到车辆的轮心力信号和轮心扭矩信号。
23.可选的，上述车辆轮心载荷谱预测装置中，所述传感器包括：
24.左前轮心加速度传感器、右前轮心加速度传感器、左后轮心加速度传感器、右后轮心加速度传感器、左前减震器塔柱加速度传感器、右前减震器塔柱加速度传感器、左后减震器塔柱加速度传感器、右后减震器塔柱加速度传感器、车身tbox加速度传感器、左前减震器位移传感器、右前减震器位移传感器、左后减震器位移传感器、左后减震器位移传感器。
25.可选的，上述车辆轮心载荷谱预测装置中，所述控制及运算模块在基于预先嵌入的非因果脉冲响应预测模型计算得到车辆的轮心力信号和轮心扭矩信号时，具体用于：
26.基于预先嵌入的非因果脉冲响应预测模型计算得到车辆的左前轮心力、右前轮心力、左后轮心力、右后轮心力、左前轮心扭矩、右前轮心扭矩、左后轮心扭矩、右后轮心扭矩。
27.可选的，上述车辆轮心载荷谱预测装置中，还包括：
28.数据存储模块，用于获取并存储所述数据采集模块获取到的运行数据，当获取到所述数据采集模块发送的数据调取指令时，将所述运行数据发送给所述控制及运算模块。
29.装置还包括：
30.模型训练单元，用于对非因果脉冲响应预测模型进行训练，训练过程包括：
31.所述非因果脉冲响应预测模型的训练过程包括：
32.构建与所述非因果脉冲响应预测模型相匹配的损失函数；
33.采用正则化技术对所述损失函数进行求解；
34.将求解结果代入所述联合损失函数；
35.基于修正后的联合损失函数对所述非因果脉冲响应预测模型进行线性拟合。
36.一种可读存储介质，包括：其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上述任意一项所述的车辆轮心载荷谱预测方法的各个步骤。
37.一种车辆轮心载荷谱预测设备，包括：存储器和处理器；
38.所述存储器，用于存储程序；
39.所述处理器，用于执行所述程序，实现如上述任一项所述的辆轮心载荷谱预测方法的各个步骤。
40.基于上述技术方案，本发明实施例提供的上述方案将所述运行数据加载到训练好的非因果脉冲响应预测模型中，所述非因果脉冲响应预测模型根据输入数据会输出与所述输入数据相匹配的轮心力信号和轮心扭矩信号。由此可见，本技术通过采用非因果脉冲响应预测模型来替代预测通道传感器的方法来实现车辆的轮心力信号和轮心扭矩信号的计算，降低了车辆载荷谱采集过程中对传感器的过度依赖，极大地降低了试验成本。
附图说明
41.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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
42.图1为本技术实施例公开的车辆轮心载荷谱预测方法的流程示意图；
43.图2为0.0《nmse《＝0.1情况下的本技术实施例公开的车辆轮心载荷谱预测方法的预测结果示意图；
44.图3为0.1《nmse《＝0.2情况下的本技术实施例公开的车辆轮心载荷谱预测方法的预测结果示意图；
45.图4为0.2《nmse《＝0.3情况下的本技术实施例公开的车辆轮心载荷谱预测方法的预测结果示意图；
46.图5为0.3《nmse《＝0.4情况下的本技术实施例公开的车辆轮心载荷谱预测方法的预测结果示意图；
47.图6为0.4《nmse《＝0.5情况下的本技术实施例公开的车辆轮心载荷谱预测方法的预测结果示意图；
48.图7为nmse大于0.5情况下的本技术实施例公开的车辆轮心载荷谱预测方法的预测结果示意图；
49.图8为1/4悬架的结构示意图；
50.图9为本技术实施例公开的车辆轮心载荷谱预测装置的结构示意图；
51.图10为本技术实施例公开的车辆轮心载荷谱预测设备的结构示意图。
具体实施方式
52.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。
53.为了解决车辆试验领域传感器方面高昂成本问题，本专利提出了在传感器之间建立基于数据驱动的模型的思路。这样的方法在结构振动分析、疲劳分析等领域得到了广泛的应用。
54.有限脉冲响应(finite impulse response,以下简称fir)模型常常被用来描述输入数据和输出数据之间的关系，并且常常指的是因果有限脉冲响应(简称causal fir)模型。然而，传感器与传感器之间的数据模型可以用伪传递函数来表示，伪传递函数并不能保证其稳定性。也就是说，仅仅用causal fir模型来描述传感器与传感器之间的关系是不够的。而非因果有限脉冲(简称non-causal fir)模型对伪传递函数的辨识起到了帮助作用。因此，我们将non-causal fir用在车辆健康监测领域中，并将单入单出fir模型拓展到多入单出fir模型，从而建立传感器和传感器之间的准确关系。值得注意的是，non-causal fir模型是比causal fir模型更加泛化的模型，它可以包含causal fir。
55.此外，我们采用正则项技术来解决fir模型阶数难以确定、模型过拟合的问题。
56.基于上述思路，本技术公开了一种车辆轮心载荷谱预测方法，其特征在于，包括：
57.步骤s101：获取车辆运行数据，所述运行数据包括轮心加速度信号、减震器塔柱加速度信号、车身tbox加速度信号和减震器位移；
58.本步骤中，通过布置的传感器上获得车辆的左前轮心加速度信号、右前轮心加速度信号、左后轮心加速度信号、右后轮心加速度信号、左前减震器塔柱加速度信号、右前减震器塔柱加速度信号、左后减震器塔柱加速度信号、右后减震器塔柱加速度信号、车身tbox加速度信号、左前减震器位移、右前减震器位移、左后减震器位移、左后减震器位移。
59.步骤s102：将所述运行数据加载到非因果脉冲响应预测模型；
60.在本方案中，执行本技术实施例公开的方案之前，需要预先建立非因果脉冲响应预测模型，所述非因果脉冲响应预测模型的建立过程如下：
61.1)、数据采集阶段；
62.在本阶段中，在车辆的相关位置布置好加速度传感器、位移传感器、扭矩传感器和力传感器，通过采集路谱信号获取输入通道与输出通道数据。
63.2)模型训练阶段；
64.在本阶段中，依据非因果脉冲响应模型、正则化技术方法，获得已知通道与预测通道之间的数据预测模型；
65.3)模型验证阶段；
66.在本阶段选定评价指标，将路谱采集所得的数据分成训练集和验证集，分别在两个数据集中进行验证。
67.上述非因果响应脉冲模型的构建和训练过程包括：
68.(1)构建非因果响应脉冲模型：
69.将传感器输入信号在t时刻的值记为历史、当前和未来输入表示为u(t-n1),
…
,u(t),
…
,u(t n2),预测传感器的输出记为此时，输入与输出之间的关系可以表示为：
70.y(t)＝b
n2
u(t n2)
……
b-n1
u(t-n1) e(t)
ꢀꢀ
(1)
71.其中b-n1
,
…
,b
n2
为模型系数；n1,n2为模型阶数，分别取50和40；e(t)为噪声。上式可以写成：
[0072][0073]
其中，是输入组成的回归自变量，θ为b-n1
,
…
,b
n2
组成的模型参数。考虑t＝1,
…
,n n2个数据点，公式(1)可以拓展为：
[0074]
y＝φ
t
θ e
ꢀꢀ
(3)
[0075]
其中，y＝[y(n1)...y(n)]
t
，和e＝[e(n1)....e(n)]
t
。将所述y＝φ
t
θ e作为非因果响应脉冲模型；
[0076]
(2)模型训练
[0077]
根据公式(3)，求解fir模型参数是标准的线性拟合问题，其解可以表示为：
[0078]
θ＝(φφ
t
)-1
φy
ꢀꢀ
(4)
[0079]
公式(4)为线性拟合的解。
[0080]
上述正则化技术的方法包括：
[0081]
在非因果脉冲响应模型的建立过程中，模型阶数未知，如果阶数取的太大，模型会出现过拟合现象。为了避免过拟合现象的发生，我们在公式(3)的基础上建立如下损失函
数：
[0082][0083]
损失函数第一项为模型带来的损失，其中||
·
||表示2模，损失函数第二项为正则项，其中λ为比例系数。
[0084]
采用正则化技术对所述损失函数进行求解：带有正则项的优化问题的解可以表示为：
[0085]
θ＝(φφ
t
λi)-1
φy
ꢀꢀ
(6)
[0086]
其中i为单位阵。
[0087]
在正则化技术中，我们需要确定λ，我们对φ做奇异值分解，可以得到：
[0088]
φ＝udv
t
，
ꢀꢀ
(7)
[0089]
其中，d是奇异值矩阵，最大奇异值记为d
max,
最小奇异值记为d
min
。根据公式(7)，矩阵φφ
t
λi可以得到：
[0090]
φφ
t
λi＝u(dd
t
λi)u
t
[0091]
为了防止矩阵φφ
t
λi奇异，我们使得lambda满足：
[0092]
这里c＝106。将代入公式联合损失函数，基于修正后的联合损失函数对所述非因果脉冲响应预测模型进行线性拟合。
[0093]
本方案中，通过用非因果脉冲响应模型建立了已知传感器输入(运行数据)与未知预测输出(轮心力信号和轮心扭矩信号)之间的数据关系，为输入输出数据建立了较准确的关联性；并且，采用正则化技术解决了模型阶数难以确定、模型过拟合问题，从而提高了模型的泛化能力。
[0094]
步骤s103：采用所述非因果脉冲响应预测模型基于所述运行数据计算得到车辆的轮心力信号和轮心扭矩信号；
[0095]
与上述运行数据相对应，本步骤中，所述轮心力信号和轮心扭矩信号具体为：左前轮心力、右前轮心力、左后轮心力、右后轮心力、左前轮心扭矩、右前轮心扭矩、左后轮心扭矩、右后轮心扭矩。
[0096]
在本方案中，将所述运行数据加载到训练好的非因果脉冲响应预测模型中，所述非因果脉冲响应预测模型根据输入数据会输出与所述输入数据相匹配的轮心力信号和轮心扭矩信号。由此可见，本技术通过采用非因果脉冲响应预测模型来替代预测通道传感器的方法来实现车辆的轮心力信号和轮心扭矩信号的计算，降低了车辆载荷谱采集过程中对传感器的过度依赖，极大地降低了试验成本。
[0097]
为了验证本方案的效果，申请人还对本技术所提出的上述方案进行了验证：
[0098]
不失一般性的情况下，选取左前轮心力和轮心扭矩作为预测量来展现方法的有效性。实验车的所有行驶工况和数量、每一工况种类中用于模型训练的工况、需要的预测通道说明如表1所示：
[0099]
表1
[0100][0101]
定义nmse(归一化均方误差)为定量指标。其值越小，说明预测效果越好。通过观察，目前我们认为nmse《0.5的预测效果能够接受。关于nmse的预测效果的举例如图2-图7所示。
[0102]
模型自验证结果：
[0103]
训练通道的时域预测结果如表2所示，从中可以看出，预测能较好地拟合上测量值，说明总体上模型在训练数据上表现很好。
[0104]
表2
[0105][0106]
表2训练工况数据预测结果：表中数字代表各个通道在对应的工况下的nmse。
[0107]
模型交叉验证结果：
[0108]
对其余的行驶工况进行验证，表3反映了x,y,z方向力和扭矩6个通道在所有验证工况下的总体表现，从中可以看出，模型验证集中，6个通道在绝大多数工况下的预测结果均可靠。
[0109]
表3
[0110][0111]
以左前轮心力和扭矩进行预测说明实施方式，图8为1/4悬架示意图。安装在a点的塔柱加速度传感器、b点的轮心加速度传感器和悬架位移传感器为已知输入，安装在轮心上的扭矩和力传感器为训练时的预测输出。首先，利用安装在塔柱和轮心的加速度传感器以及悬架位移传感器作为非因果脉冲响应预测模型的输入信号，将轮心力和扭矩作为模型的目标信号，将两个信号都输入到非因果脉冲响应预测模型中。然后，利用非因果脉冲响应方法建立两者之间较为准确的关系并进行模型验证，再利用正则化技术调整非因果脉冲响应预测模型的阶数，解决模型阶数难以确定、模型容易过拟合的问题。最后，在不使用轮心力和扭矩传感器的情况下利用获得的非因果脉冲响应预测模型与输入信号实时预测左前轮心力和扭矩。在车辆健康监控中实现了利用加速度和位移传感器来监测轮心力的实时状态，在路谱采集工作中也极大地简化了路谱采集对传感器的依赖，降低了经济成本和布置传感器的时间成本。
[0112]
本实施例中与上述方法相对应，公开了一种车辆轮心载荷谱预测装置，装置的各个单元的具体工作内容，请参见上述方法实施例的内容，下面对本发明实施例提供的车辆轮心载荷谱预测装置进行描述，下文描述的车辆轮心载荷谱预测装置与上文描述的车辆轮心载荷谱预测方法可相互对应参照。
[0113]
参见图9，本技术实施例公开的一种车辆轮心载荷谱预测装置，可以包括：
[0114]
传感器100、数据采集模块200和控制及运算模块300；
[0115]
传感器100，用于获取车辆运行数据，所述运行数据包括轮心加速度信号、减震器塔柱加速度信号、车身tbox加速度信号和减震器位移；
[0116]
数据采集模块200，用于获取所述传感器输出的所述运行数据；
[0117]
控制及运算模块300，用于在获取到所述数据采集模块上传的运行数据后，基于预先嵌入的非因果脉冲响应预测模型计算得到车辆的轮心力信号和轮心扭矩信号。
[0118]
与上述方法相对应，所述传感器包括：
[0119]
左前轮心加速度传感器、右前轮心加速度传感器、左后轮心加速度传感器、右后轮心加速度传感器、左前减震器塔柱加速度传感器、右前减震器塔柱加速度传感器、左后减震器塔柱加速度传感器、右后减震器塔柱加速度传感器、车身tbox加速度传感器、左前减震器位移传感器、右前减震器位移传感器、左后减震器位移传感器、左后减震器位移传感器。
[0120]
与上述方法相对应，所述控制及运算模块在基于预先嵌入的非因果脉冲响应预测模型计算得到车辆的轮心力信号和轮心扭矩信号时，具体用于：
[0121]
基于预先嵌入的非因果脉冲响应预测模型计算得到车辆的左前轮心力、右前轮心力、左后轮心力、右后轮心力、左前轮心扭矩、右前轮心扭矩、左后轮心扭矩、右后轮心扭矩。
[0122]
本技术上述实施例公开的装置中，还可以包括：
[0123]
数据存储模块400，用于获取并存储所述数据采集模块获取到的运行数据，当获取到所述数据采集模块发送的数据调取指令时，将所述运行数据发送给所述控制及运算模块。
[0124]
与上述方法相对应，装置还可以包括模型训练单元，用于对非因果脉冲响应预测模型进行训练，训练过程可以参见上述方法实施例介绍。
[0125]
本实施例公开了一种可读存储介质，该存储介质可以包括：其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上述任意一项实施例所述的车辆轮心载荷谱预测方法的各个步骤。
[0126]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0127]
一种车辆轮心载荷谱预测设备，包括：存储器和处理器；
[0128]
所述存储器，用于存储程序；
[0129]
所述处理器，用于执行所述程序，实现上述任一项实施例所述的辆轮心载荷谱预测方法的各个步骤。
[0130]
本技术实施例提供的数据评测装置可应用于数据评测设备，如pc终端、云平台、服务器及服务器集群等。可选的，图10示出了车辆轮心载荷谱预测设备的硬件结构框图，参照图10，车辆轮心载荷谱预测设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
[0131]
在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量
[0132]
为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
[0133]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0134]
存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
[0135]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于执行本技术上述任意一项实施例所述的车辆轮心载荷谱预测方法。
[0136]
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0137]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0138]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和
软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0139]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0140]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0141]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。