基于加速度波形分析的輪胎運行特征提取和磨損檢測方法

儲昊昀 張峰瑞 張越 張峰 張士文

（上海交通大學，上海 200240）

主題詞：輪胎磨損監測 加速度特征提取 主成分分析 BP神經網絡

1 前言

輪胎是整車中唯一與地面直接接觸的部分，對輪胎狀態的實時監測是保證車輛運行安全不可或缺的手段[1]。

影響輪胎運行安全的核心要素包括胎壓、溫度、載荷、磨損等，其中，胎壓、溫度等數據可以通過傳感器直接測得，而磨損數據則往往需要通過間接的方式采集[2]。傳統的電子式輪胎磨損監測的主要手段為在輪胎中嵌入電容片[3]，通過測量電容片磨損程度直接進行檢測，然而這種方法破壞了輪胎的完整結構，會給輪胎的使用安全帶來不確定的影響。

在不破壞輪胎整體物理結構的前提下對輪胎運行狀態進行第一手監測的方式主要有3種：一是基于力傳感器的方式[4]，該方式信息采集精度高，響應速度快，可用于實驗室環境，然而受限于傳感器測量原理，力傳感器只能測量某固定方向的信息，信息采集維度較少，需要組合使用；二是基于圖像的方式[5]，例如使用激光、雷達等對胎面進行掃描，這種方法原理簡單、實現方便，但無法確保所得信息的準確度，容易受胎面污濁干擾；三是基于加速度傳感器的方式，該方式可以直接獲取輪胎信息，同時也因其較低的成本便于投入工業應用，但需要通過間接手段對加速度數據進行處理。

本文基于加速度傳感器搭建智能輪胎磨損監測系統，通過對加速度波形特征進行挖掘，建立輪胎磨損監測算法。

2 智能輪胎磨損監測系統

本文設計的監測系統主要通過輪胎上某點的三軸加速度波形圖像，輔以胎壓和溫度數據對輪胎運行過程中的磨損進行實時監測。

設備主要由輪胎內采集系統（下位機）、車載終端（中控）與輸出顯示部分構成[6]。下位機安裝在輪胎內壁軸線上一點，是傳感器集成部件，負責直接進行信息采集與加速度波形的特征化數據處理，中控負責對車輛4 個輪胎數據進行匯總與特征值運算，并通過手機APP 顯示輸出。計算芯片為TI 公司生產的CC1310 芯片，使用TI/RTOS系統。下位機與中控通過射頻方式通信，中控與手機使用藍牙連接，手機與平板顯示使用Flutter 工具編寫顯示用Android端APP。檢測設備結構如圖1所示。

圖1 智能輪胎監測設備結構示意

系統通過在不同胎壓、溫度、速度和載荷等運行條件下進行實車運行試驗，在下位機檢測設備中安裝SD卡采集不同磨損程度下實車運行過程中的加速度波形。基于車輛實測采集數據在電腦端進行模型搭建與算法建立，并將完成后的算法在嵌入式監測系統中實現，達到對輪胎磨損進行實時監測的效果。系統總體結構如圖2所示。

圖2 智能輪胎監測系統結構

3 輪胎加速度波形特征數據挖掘

3.1 加速度波形特征數據分析與提取

如圖3 所示，以傳感器為原點，定義下位機傳感器采集得到的加速度3 個軸向。其中x軸平行于輪胎軸面，y軸平行于輪胎運動方向，z軸垂直于輪胎表面。其中，y軸方向即為車輛前進方向。

圖3 傳感器在輪胎內位置示意

通過受力分析可知，x軸方向加速度主要受輪胎扭轉時的軸向沖擊力影響，y軸方向加速度主要受輪胎接地形變過程中沖擊力的影響，z軸方向加速度主要受輪胎觸地位置正面沖擊力的影響。

輪胎運行過程中實時采集到的三軸加速度波形經過有限長單位沖激響應（Finite Impulse Response，FIR）濾波后如圖4所示。

圖4 三軸加速度波形示意

在圖4中，波形較為明顯波動的位置對應傳感器檢測到的輪胎接地過程。其中，x軸加速度在輪胎接地過程中表現出的波形波動情況不明顯，而y軸和z軸在輪胎接地過程中均出現了明顯的具有一定特征的波形。因此選取z軸加速度作為提取特征值的主要波形，選取y軸加速度作為輔助波形。從z軸與y軸加速度波形中提取較為穩定出現的波形特征，定義加速度波形特征中單位為長度單位的特征為長度特征，加速度波形特征中單位為面積單位的特征為面積特征，得到的長度與面積特征分別如圖5～圖7所示。

圖5 z軸加速度波形長度特征提取

圖6 z軸加速度波形面積特征提取

圖7 y軸加速度波形特征提取

其中，z軸上提取得到11 個特征值，y軸上提取得到3 個特征值。對實車運行狀態進行實際數據采集后，通過MATLAB 進行波形特征提取。在上述特征值組中，加入可以通過傳感器直接檢測或者容易得到的實時車速、胎壓、溫度數據，得到由上述特征值構成的車輛實時運行過程中的特征值數據矩陣。特征值匯總如表1所示。

表1 特征值提取表

3.2 基于主成分分析的特征分析與篩選

受下位機芯片的計算空間與運算實時性的限制，系統進行實時采集和運算的特征值數量不能超過8 個。因此需要在上述特征值中進行篩選，提取出能代表更多信息量的特征值。

主成分分析是一種普遍使用的數值降維方法。其基本原理為產生一組新變量，每一個新變量都是原始變量的線性組合，這些新變量即為主成分，所有主成分保持相互正交，從而避免冗余信息的存在。新得到的成分可以表示為：

式中，n為原始特征數量；oi為第i個原始特征；di為新得到的第i個成分；mii為各成分的特征成分矩陣。

依據方差關系從中選擇信息表現量更多的主成分即可實現降維。

使用凱撒最大化正態方差法對車輛實時運行特征數據矩陣中的特征值數據進行主成分分析[7]，方差累積結果體現了數據信息提取效果，如表2所示。

表2 主成分分析方差累積表

由表2可知，選取主成分中前8個特征值，可以代表原始數據樣本中97%以上的參數信息。

主成分分析法主要將各參數通過組合分解形成新參數，從而提取出可以表示更多信息的參數，降低了數據維度。但如果需要提取全部特征再進行重新組合與旋轉，實際上仍然需要完成對所有特征的提取，并不能降低下位機的運算復雜度，進而提高實時性與準確度。因此本文通過特征值成分矩陣和主成分分析的結果，反向推導原特征值各參數的重要程度，從而直接在原特征值中進行特征挑選。

為選取更具代表性的特征變量，參考因子得分的回歸法計算方法，本文選擇了指標系數ai：

式中，Ti為第i個主成分的方差；xi為該特征在對應主成分中的占比。

主成分保留了原始變量中的絕大多數信息，因此可以近似利用指標系數表示第i個主成分Fi：

式中，p為變量的數量；Zk為歸一化后第k個變量數據。

對照各主成分的特征成分矩陣，按8個主成分與原特征的比例進行拆分累加，可以得到各原始特征值對應的指標系數：

式中，D為提取得到的主成分數量。

對計算得到的Ai進行排序，可以得到各特征值的指標信息，結果如表3所示。

表3 波形原始特征值指標系數

提取指標系數排在前8 位的參數作為主要影響參數，包括V、AZ1、AZ2、SZ、HZ1、HZ2、AY與HY。其中V直接影響波形的形狀與大小，AZ1、AZ2集中體現了z軸波形的整體陷部特征，SZ、HZ1、HZ2體現了z軸波形左、右極高點處的波形變化特征，AY、HY體現了y軸波形的主要特征。提取上述8個特征值作為包含主要信息的核心特征值。

4 基于BP神經網絡的輪胎磨損檢測

4.1 輪胎磨損檢測網絡搭建

依據提取得到的輪胎運行特征值，系統使用機器學習的方法[8]，利用Python 的PyTorch 機器學習庫，通過誤差反向傳播（Back Propagation，BP）神經網絡訓練的方式對輪胎磨損值進行訓練。設計的BP神經網絡結構如圖8 所示，輸入為上述提取得到的特征參數，輸出為對應狀態下的磨損值。神經元連接方式為全連接，層間激活函數為ReLU函數，數據歸一化使用Z-score標準化方法，損失函數為平方損失函數。基于特征提取過程中對特征篩選與網絡結構的控制，該檢測過程大幅降低了算力需求，網絡訓練完成后可以直接部署到較低算力的嵌入式中控系統中，進行實時輪胎磨損檢測。

圖8 BP神經網絡結構

訓練使用的數據庫由實車在上海某正常行駛城市路段采集獲得，使用的輪胎為0～6 mm機械打磨磨損輪胎，共7個，測試車速為20～60 km/h，胎壓為200～280 kPa，載荷為300～500 kg。其中胎壓變化通過車輛測試過程中對輪胎進行放氣實現，載荷變化通過更換測試車輛與乘員實現。對加速度波形提取特征后得到的特征數值組共有126 371組。訓練和驗證過程中將所有數據隨機分為80%的訓練集與20%的測試集。

4.2 檢測結果驗證

為了驗證訓練效果，本文嘗試對使用特征指標最高的4個特征值AY、AZ2、HY、HZ2作為特征輸入與全部8個特征值均作為特征輸入時的情況進行比較。

使用數據集對2個訓練模型分別進行訓練和測試，4特征模型訓練后的測試結果如圖9所示。

圖9 4特征模型磨損檢測結果

由圖9 可知，在大部分情況下，該算法的檢測結果都表現良好，誤差小于0.5 mm。一些偶然的錯誤結果出現的主要原因為當輪胎運行狀態特殊時，采集的加速度波形特征值發生較大變化，例如車輛緊急制動或者途徑減振帶發生劇烈抖動，因此在實車運行中可以通過特征值篩查的方式進行一定程度的錯誤排除。

對8特征模型進行訓練后測試結果如圖10所示。

圖10 8特征模型磨損檢測結果

由圖10可知，8特征模型具有比4特征模型更為優秀的顯示結果，誤差大幅降低。

模型評價的基本指標為平均絕對誤差（Mean Absolute Difference，MAE）[9]，即所有數據誤差的平均值：

其中，N為樣本數量；yi為第i個樣本的檢測結果；y0為樣本的真實結果。

經過計算，4特征模型、8特征模型的平均絕對誤差分別為0.230 41 mm 和0.100 17 mm。因此在車輛正常運行狀態下使用8 特征模型可以更加有效地完成輪胎磨損的檢測工作。

5 結束語

本文提出了一種新型輪胎磨損檢測模型，使用三軸加速度傳感器集成設備進行輪胎運行狀態監測，尤其是進行輪胎磨損的實時檢測。通過凱撒最大化正態方差法對加速度波形特征進行主成分分析，實現特征提取與篩選，并使用BP 神經網絡的方法由特征值計算輪胎磨損值。其中8特征模型的平均絕對誤差接近0.1 mm，且絕大部分誤差均在0.5 mm 以內，在算力要求較低的條件下，可以得到精度較高的輪胎磨損結果。