基于輪內(nèi)加速度的乘用車胎面磨損程度分類試驗(yàn)

陶 亮 唐 鈺 戚文杰 張大山,2 魯 瑞 張小龍,2

1.安徽農(nóng)業(yè)大學(xué)工學(xué)院,合肥,230036 2.安徽省智能農(nóng)機(jī)裝備工程實(shí)驗(yàn)室,合肥,230036

0 引言

輪胎胎面磨損狀態(tài)的估算是車輛行駛安全和無人駕駛車輛控制、運(yùn)行維護(hù)的關(guān)鍵[1-2]。目前,輪胎胎面磨損狀態(tài)的獲取方法主要有三種：一是理論解析,即通過合理假設(shè)、簡(jiǎn)化輪胎結(jié)構(gòu)和輪胎實(shí)際磨損過程建立數(shù)學(xué)模型進(jìn)行分析[3-5];二是有限元仿真,即綜合運(yùn)用輪胎力學(xué)、摩擦學(xué)、復(fù)合材料力學(xué)等模擬仿真輪胎磨損[6-8];三是利用機(jī)器視覺、深度學(xué)習(xí)等圖像處理技術(shù)構(gòu)建輪胎胎面磨損狀態(tài)估算模型[9-11]。以上方法均存在模型適應(yīng)性、精度或加裝設(shè)備成本等不足。

近年來,隨著傳感測(cè)試技術(shù)的發(fā)展,在輪胎內(nèi)部布置傳感器來直接獲取輪胎和道路交互狀態(tài)信息進(jìn)而測(cè)定輪胎胎面磨損程度成為可能[12-13]。有的在輪胎中心平面布置一個(gè)加速度計(jì)時(shí),如KIM等[14]提出將徑向加速度信號(hào)轉(zhuǎn)換到頻域并提取多個(gè)頻帶的特征作為人工神經(jīng)網(wǎng)絡(luò)輸入的分類算法,試驗(yàn)結(jié)果表明,胎面磨損分類準(zhǔn)確度約80%;NISHIYAMA[15]針對(duì)徑向加速度信號(hào)微分提取波峰大小,并通過輪胎接地時(shí)間和旋轉(zhuǎn)一周時(shí)間計(jì)算輪胎接地時(shí)間比,根據(jù)上述2個(gè)特征估計(jì)輪胎磨損程度。也有在輪胎中心平面布置一個(gè)應(yīng)變傳感器,如NISHIYAMA等[16]通過穩(wěn)態(tài)直線滾動(dòng)工況試驗(yàn)發(fā)現(xiàn),隨著輪胎磨損程度的增加,輪胎接地后緣的應(yīng)變逐漸減小,并且該特征受速度、負(fù)載和輪胎充氣壓力的影響較小。也有在輪胎中心平面位置布置一個(gè)加速度計(jì)和一個(gè)應(yīng)變傳感器,如ZHANG等[17]從三軸加速度計(jì)數(shù)據(jù)和應(yīng)變傳感器數(shù)據(jù)中提取波形面積、波形幅值等7個(gè)特征,并將這些特征與車速、胎壓作為BP神經(jīng)網(wǎng)絡(luò)輸入,用于構(gòu)建輪胎磨損深度預(yù)測(cè)模型。雖然應(yīng)變傳感器靈活輕便,能夠?qū)喬顟B(tài)進(jìn)行動(dòng)態(tài)和靜態(tài)檢測(cè),但輪胎變形會(huì)影響應(yīng)變傳感器與輪胎粘貼可靠性,從而影響特征信號(hào)提取;雖然加速度計(jì)傳感器在低速工況下接地時(shí)域信號(hào)特征不明顯,但其頻域特征可用于表征輪胎狀態(tài),且加速度計(jì)粘貼在輪胎氣密層長(zhǎng)期穩(wěn)定可靠,故本文選擇加速度計(jì)布置在輪胎氣密層來估算輪胎磨損程度。然而,乘用車胎(如GiTi乘用車子午線輪胎225/45 R17)胎面花紋深度淺,常規(guī)基于加速度時(shí)域信號(hào)辨識(shí)磨損特征不明顯,故本文探索利用胎內(nèi)加速度頻域特征辨識(shí)胎面磨損程度的新方法。

本文設(shè)計(jì)了基于胎內(nèi)加速度的智能輪胎測(cè)試系統(tǒng),并開展胎面磨損程度分類試驗(yàn)研究。首先搭建采樣頻率50 kHz的智能輪胎測(cè)試系統(tǒng),在輪胎中心平面位置布置1個(gè)三軸加速度計(jì)。然后用不同磨損狀態(tài)輪胎在Flat Trac臺(tái)架上進(jìn)行不同垂直載荷、胎壓和速度下的純滾動(dòng)試驗(yàn),提取頻域數(shù)據(jù)并構(gòu)建數(shù)據(jù)集。最后構(gòu)建隨機(jī)森林模型,對(duì)胎面磨損程度分類進(jìn)行分析和可行性驗(yàn)證。

1 試驗(yàn)裝置與試驗(yàn)設(shè)計(jì)

1.1 基于加速度計(jì)的智能輪胎系統(tǒng)

為準(zhǔn)確提取胎內(nèi)加速度信號(hào)磨損特征,在胎內(nèi)氣密層中心平面位置布置三軸加速度計(jì)(DYTRAN 3333MT,量程±500g),如圖1所示,采用有線方式傳輸傳感器信號(hào)。圖1中,加速度計(jì)的Z軸垂直于輪胎表面并指向車輪軸心;X軸為輪胎周向方向并指向加速度計(jì)信號(hào)輸出端相反方向;Y軸為輪胎側(cè)向方向,其指向由右手定則確定。

圖1 三軸加速度計(jì)在輪胎內(nèi)布置實(shí)物圖Fig.1 Physical view of the triaxial accelerometer arrangement in the tire

搭建的智能輪胎測(cè)試系統(tǒng)如圖2所示,智能輪胎測(cè)試系統(tǒng)在Flat Trac試驗(yàn)機(jī)上進(jìn)行臺(tái)架試驗(yàn),將自主開發(fā)的專用輪輞總成[18]安裝在試驗(yàn)機(jī)旋轉(zhuǎn)軸上,通過試驗(yàn)機(jī)路基帶動(dòng)輪胎滾動(dòng)。胎內(nèi)傳感器信號(hào)線通過滑環(huán)引出并連接到數(shù)據(jù)采集器,基于LabVIEW編寫上位機(jī)實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)顯示與保存。整個(gè)智能輪胎測(cè)試系統(tǒng)采樣頻率為50 kHz,測(cè)試系統(tǒng)所選用的硬件保證了系統(tǒng)低噪聲。其中,三軸加速度計(jì)選用 DYTRAN/3333MT(美國(guó)),其最大噪聲底噪(noise floor, max)為 0.035 m/s2?；h(huán)由美國(guó)MSC公司定制開發(fā),其編碼器最大累積誤差可達(dá)0.25°,噪聲小于數(shù)據(jù)信號(hào)的0.1%。最后,加速度信號(hào)由數(shù)據(jù)采集器中的NI 9234加速度模塊采集,該模塊是4通道動(dòng)態(tài)信號(hào)采集模塊,可對(duì)IEPE傳感器進(jìn)行高精度測(cè)量,最高采樣頻率達(dá)51.2 kHz,其通道噪聲為97 dBFS。

1.專用輪輞總成 2.Flat Trac臺(tái)架路基 3.數(shù)據(jù)采集器 4.上位機(jī)圖2 智能輪胎系統(tǒng)實(shí)物圖Fig.2 Physical view of the intelligent tire system

1.2 試驗(yàn)設(shè)計(jì)

基于某乘用車子午線輪胎225/45 R17在Flat Trac臺(tái)架進(jìn)行試驗(yàn),試驗(yàn)工況設(shè)計(jì)見表1。根據(jù)試驗(yàn)順序依次將輪胎花紋溝深打磨到7.36 mm、4.45 mm和1.5 mm左右,將磨損狀態(tài)對(duì)應(yīng)分為3類：新胎、半磨胎、全磨胎,其中,新胎與全磨胎實(shí)物如圖3所示。試驗(yàn)共36組,輪胎每個(gè)磨損狀態(tài)下進(jìn)行12組試驗(yàn)。每組試驗(yàn)固定速度和胎壓,垂直載荷從2 kN開始間隔2 kN直至遞增到6 kN。不同試驗(yàn)組進(jìn)行試驗(yàn)時(shí),分別改變速度和胎壓,如為研究胎壓對(duì)輪胎胎面磨耗特征的影響,設(shè)置胎壓從0.3 MPa開始間隔0.03 MPa直到降至0.21 MPa。考慮低速時(shí)輪胎振動(dòng)量低,以及在高速時(shí)輪胎振動(dòng)會(huì)比輪胎磨損程度狀況產(chǎn)生振動(dòng)更強(qiáng),導(dǎo)致無法表征輪胎磨損狀態(tài),本研究以城市典型行駛速度作為試驗(yàn)速度,即速度從20 km/h開始間隔30 km/h直至增加到80 km/h,用于研究不同速度對(duì)輪胎胎面磨耗特征的影響。試驗(yàn)路面為Flat Trac臺(tái)架路基系統(tǒng),采用3mite 120目砂紙。

表1 胎面磨損特征試驗(yàn)工況設(shè)計(jì)

(a)新胎 (b)全磨胎圖3 新胎與全磨胎胎面對(duì)比Fig.3 New tyres versus fully worn tyres

2 加速度關(guān)聯(lián)胎面磨損特征分析

2.1 磨損輪胎加速度信號(hào)特征機(jī)理分析

由于輪胎磨損導(dǎo)致輪胎接地壓力和輪胎固有頻率等發(fā)生變化進(jìn)而導(dǎo)致輪胎特性改變,從而引起輪胎特定頻段的頻譜信號(hào)特征變化。王銳佳[19]利用有限元仿真方法分析胎面磨損與輪胎接觸壓力的關(guān)系,發(fā)現(xiàn)隨著輪胎磨損程度的增加,輪胎接地面積逐漸增大并趨于恒定,而最大接地壓力逐漸減小。接地壓力的變化會(huì)導(dǎo)致輪胎加速度信號(hào)的特征發(fā)生變化,LI 等[12]利用有限元仿真方法分析胎面磨損與輪胎固有頻率的關(guān)系,結(jié)果表明輪胎固有頻率隨著輪胎磨損量的增加而增加,不同磨損量之間的固有頻率區(qū)分明顯,這是因?yàn)檩喬ヌッ婺p導(dǎo)致輪胎的總質(zhì)量減小和胎面硬度增加。由于輪胎固有頻率的變化會(huì)導(dǎo)致輪胎加速度信號(hào)的特征發(fā)生變化,故在輪胎氣密層布置加速度計(jì),并通過提取加速度信號(hào)特征估算輪胎磨損程度是新手段。

2.2 胎面磨損程度對(duì)加速度Ax和Az信號(hào)時(shí)域信號(hào)特征的影響

圖4所示為胎壓0.24 MPa、垂直載荷4 kN、車速50 km/h時(shí)純滾動(dòng)試驗(yàn)周向加速度Ax、徑向加速度Az與胎面磨損程度的關(guān)系,其中,周向加速度Ax、徑向加速度Az采用截止頻率300 Hz的低通濾波。

(a)不同磨損程度輪胎Ax信號(hào)對(duì)比

由圖4a可知,輪胎周向加速度Ax信號(hào)出現(xiàn)兩個(gè)方向相反的尖峰,分別對(duì)應(yīng)加速度計(jì)進(jìn)入和離開接地印跡的時(shí)刻。在相同工況下,磨損輪胎的周向加速度Ax信號(hào)兩個(gè)尖峰幅值比新胎、特別是全磨胎的尖峰幅值大,主要原因是磨損后的輪胎剛性降低,輪胎接地和離地時(shí),發(fā)生磨損輪胎比新胎的胎面變形速度更大,故表現(xiàn)出磨損輪胎接地和離地時(shí)加速度幅值增大?？紤]到輪胎離地過程伴隨的其他振動(dòng)會(huì)影響加速度信號(hào)幅值,常提取輪胎接地時(shí)刻的加速度信號(hào)幅值作為特征來估算輪胎磨損程度[20]。由圖4b可知,輪胎徑向加速度Az信號(hào)明顯出現(xiàn)方向朝下的尖峰,對(duì)應(yīng)加速度計(jì)接地印跡中心時(shí)刻。在相同工況下,不同磨損輪胎在接地印跡中心時(shí)刻對(duì)應(yīng)的Az信號(hào)的最小幅值存在差異,主要原因是輪胎半徑對(duì)徑向加速度有影響,而輪胎磨損會(huì)導(dǎo)致輪胎半徑的減小。一般來說,提取輪胎接地過程Az信號(hào)的最小幅值作為特征來估算輪胎磨損程度[21]。

2.3 胎面磨損程度對(duì)加速度Ax和Az頻域原始信號(hào)特征的影響

圖5所示為胎壓0.24 MPa、垂直載荷4 kN、車速50 km/h時(shí),純滾動(dòng)試驗(yàn)不同磨損程度下周向加速度Ax、徑向加速度Az原始信號(hào)頻譜對(duì)比。

(a)胎面磨損程度對(duì)Ax原始信號(hào)頻譜分析

由圖5a可知,在頻率5 kHz內(nèi),不同磨損程度輪胎表征的振動(dòng)幅值差異明顯。如在頻率858 Hz左右,與其他磨損胎相比,全磨胎在周向方向振動(dòng)更劇烈,而在3816 Hz左右半磨胎的振動(dòng)幅值更大。由圖5b可知,在頻率5 kHz內(nèi),不同磨損程度輪胎表征的振動(dòng)幅值差異明顯。特別是在頻率627 Hz左右,與其他磨損胎相比,全磨胎在徑向方向振動(dòng)更劇烈,主要原因是輪胎胎面磨損導(dǎo)致輪胎總質(zhì)量減小,以及磨損輪胎的胎面花紋變淺,胎面硬度增加。

考慮到加速度時(shí)域信號(hào)辨識(shí)磨損特征不顯著,特別是新胎與半磨胎之間差異性小,故基于胎內(nèi)加速度頻域特征進(jìn)行胎面磨損程度的分類估算。

2.4 垂直載荷對(duì)加速度頻域信號(hào)特征的影響

圖6所示為胎壓0.24 MPa、車速50 km/h時(shí),不同垂直載荷下半磨胎周向加速度Ax和徑向加速度Az原始信號(hào)頻譜變化。由圖6可知,隨著垂直載荷從2 kN增加到6 kN,Ax和Az信號(hào)振動(dòng)幅值逐漸增大。如Ax在低頻300 Hz內(nèi)的信號(hào)振動(dòng)最大幅值從0.849 dB增大到1.708 dB,而Az信號(hào)振動(dòng)最大幅值從3.682 dB增大到9.357 dB,說明垂直載荷對(duì)徑向加速度頻域信號(hào)的影響更顯著。

(a)不同垂直載荷對(duì)半磨輪胎Ax頻譜的影響

2.5 胎壓對(duì)加速度頻域信號(hào)特征的影響

圖7所示為速度50 km/h、垂直載荷4 kN時(shí),不同胎壓下半磨胎周向加速度Ax和徑向加速度Az原始信號(hào)頻譜變化。由圖7可知,隨著胎壓從0.3 MPa降至0.21 MPa,Ax和Az信號(hào)振動(dòng)幅值逐漸增加。如Ax在低頻300 Hz內(nèi)的信號(hào)振動(dòng)最大幅值從1.254 dB增大到1.542 dB,Az信號(hào)振動(dòng)最大幅值從5.433 dB增大到7.447 dB。

2.6 速度對(duì)加速度頻域信號(hào)特征的影響

圖8所示為胎壓0.24 MPa、垂直載荷4 kN時(shí),不同速度下半磨胎周向加速度Ax和徑向加速度Az原始信號(hào)頻譜變化。由圖8可知,信號(hào)振動(dòng)幅值隨速度變化明顯,隨著速度從20 km/h增加到80 km/h,Ax在低頻300 Hz內(nèi)Ax信號(hào)振動(dòng)最大幅值從0.196 dB增大到3.142 dB,而Az信號(hào)振動(dòng)最大幅值從0.912 dB增大到14.484 dB,說明速度對(duì)徑向加速度頻域信號(hào)的影響更顯著。

(a)不同速度對(duì)半磨輪胎Ax頻譜的影響

3 用隨機(jī)森林算法估算胎面磨損狀態(tài)

基于集成學(xué)習(xí)的隨機(jī)森林(random frost,RF)算法適用于高維復(fù)雜數(shù)據(jù)集的非線性分類預(yù)測(cè),在輪胎磨損估算、鋰離子電池健康狀態(tài)估計(jì)、交通事故檢測(cè)方面已有應(yīng)用[22-24]。本文選擇RF算法對(duì)不同胎面磨損程度激勵(lì)下的輪胎動(dòng)態(tài)響應(yīng)參數(shù)進(jìn)行建模,以實(shí)現(xiàn)胎面磨損程度的估算。

3.1 數(shù)據(jù)集的建立

周向加速度Ax和徑向加速度Az在5 kHz頻域內(nèi)的振動(dòng)幅值信號(hào)與胎面磨損程度顯著相關(guān),故以間隔10 Hz提取Ax和Az頻域5 kHz內(nèi)的振動(dòng)幅值作為特征構(gòu)建數(shù)據(jù)集,同時(shí)以周向加速度Ax時(shí)域波形最大幅值、徑向加速度Az時(shí)域波形最小幅值為特征構(gòu)建對(duì)照數(shù)據(jù)集,用于驗(yàn)證所提方法的有效性。4個(gè)數(shù)據(jù)集的建立過程如圖9所示,利用轉(zhuǎn)角信號(hào)截取輪胎旋轉(zhuǎn)一圈的周向加速度Ax和徑向加速度Az。利用快速傅里葉變換(fast Fourier transform, FFT)對(duì)原始加速度數(shù)據(jù)進(jìn)行頻譜分析,再以間隔10 Hz提取Ax和Az頻域5 kHz內(nèi)的振動(dòng)幅值,其特征點(diǎn)個(gè)數(shù)為500。利用截止頻率300 Hz低頻濾波處理Ax和Az原始信號(hào),提取其信號(hào)幅值特征?？紤]到垂直載荷、胎壓以及車速對(duì)上述特征有影響,故將上述特征連同垂直載荷、胎壓和速度作為模型輸入,胎面磨損程度作為模型輸出,共建立4個(gè)數(shù)據(jù)集,分別為2個(gè)頻域數(shù)據(jù)集FDAx和FDAz、2個(gè)時(shí)域數(shù)據(jù)集TDAx和TDAz。設(shè)置新胎、半磨胎、全磨胎分類標(biāo)簽分別為1、2和3。

圖9 數(shù)據(jù)處理流程圖Fig.9 Data processing flow chart

3.2 隨機(jī)森林參數(shù)優(yōu)化

RF模型中決策樹數(shù)目和最小葉子數(shù)的設(shè)置會(huì)影響模型分類效果和模型運(yùn)算時(shí)間,故以決策樹數(shù)目和最小葉子數(shù)為自變量構(gòu)建多組RF模型,并利用頻域數(shù)據(jù)集FDAz研究其對(duì)模型分類準(zhǔn)確度和模型運(yùn)算時(shí)間的影響。模型決策樹數(shù)目選取從20開始間隔10直至增加到80,最小葉子數(shù)的選取從1開始間隔10直至增加到100。為避免預(yù)測(cè)結(jié)果的偶然性,RF模型每次訓(xùn)練10次并取均值。

如圖10a所示,最小葉子數(shù)對(duì)模型分類準(zhǔn)確度的影響顯著。其中,模型分類準(zhǔn)確度隨著最小葉子數(shù)的增加而降低,如決策樹數(shù)目80、最小葉子數(shù)1時(shí),模型分類準(zhǔn)確度為98.3951 %。當(dāng)最小葉子數(shù)增加到100時(shí),模型分類準(zhǔn)確度降低到83.9506%。需要注意的是,最小葉子數(shù)為1～20時(shí),模型分類準(zhǔn)確度保持在95 %以上。當(dāng)最小葉子數(shù)增加到50后,模型分類準(zhǔn)確度下降速度加快。然而相對(duì)于最小葉子數(shù),決策樹數(shù)目對(duì)模型分類準(zhǔn)確度的影響更小。

(a)對(duì)模型分類準(zhǔn)確度的影響

如圖10b所示,模型決策樹數(shù)目對(duì)模型運(yùn)算時(shí)間的影響顯著。其中,模型運(yùn)算時(shí)間隨著決策樹數(shù)目的增加而增加,而最小葉子數(shù)對(duì)其影響較小。如決策樹數(shù)目80、最小葉子數(shù)1時(shí),模型運(yùn)算時(shí)間為0.145 s。當(dāng)最小葉子數(shù)增加到100而決策樹數(shù)目降低到20時(shí),模型運(yùn)算時(shí)間減少到0.034 s。

綜上,為保證模型分類精度大于95%,且模型運(yùn)算時(shí)間盡可能少,以降低對(duì)開發(fā)硬件的要求,RF模型參數(shù)決策樹數(shù)目和最小葉子數(shù)均可取20。

3.3 模型估算與分析

對(duì)所有樣本進(jìn)行歸一化處理,以避免因輸入元素大小范圍不同而對(duì)輸出貢獻(xiàn)的影響,同時(shí)提高計(jì)算速度,本文采用最小最大值歸一化規(guī)范數(shù)據(jù)集,因?yàn)樽钚∽畲笾禋w一化是一種線性變換,它能準(zhǔn)確地保留數(shù)據(jù)值之間的所有關(guān)系,方便RF模型訓(xùn)練,歸一化后的特征值xnorm計(jì)算公式為

(1)

其中,x是數(shù)據(jù)集中特征值,xmin和xmax分別是特征值中的最小值和最大值。同時(shí)模型預(yù)測(cè)的輪胎磨損分類結(jié)果需要進(jìn)行反歸一化處理,其映射關(guān)系系數(shù)與歸一化處理時(shí)相同。

將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集,其中利用訓(xùn)練集構(gòu)建輸入特征與輸出估算模型,而測(cè)試集用來評(píng)估模型的性能。本研究中,訓(xùn)練集和測(cè)試集分別占數(shù)據(jù)集的70%和30%,數(shù)據(jù)隨機(jī)抽樣分配到不同的集合。通過準(zhǔn)確率Maccu來評(píng)價(jià)所設(shè)計(jì)模型性能,其計(jì)算公式如下：

(2)

其中,TP和TN表示不同類別中正確分類樣本個(gè)數(shù),P和N表示不同類別樣本個(gè)數(shù)?？衫斫鉃楸环謱?duì)的樣本數(shù)除以所有樣本數(shù),準(zhǔn)確度越高,對(duì)應(yīng)模型的分類效果越好。

計(jì)算機(jī)配置如下：CPU主頻3.40 GHz,i7處理器。將處理后的FDAz數(shù)據(jù)集代入RF模型進(jìn)行訓(xùn)練,為避免預(yù)測(cè)結(jié)果的偶然性,每個(gè)數(shù)據(jù)集分別進(jìn)行10次訓(xùn)練后再取均值。頻域數(shù)據(jù)集Az預(yù)測(cè)結(jié)果的混淆矩陣如圖11所示,測(cè)試集共有324個(gè)樣本,有308個(gè)樣本預(yù)測(cè)正確,對(duì)應(yīng)預(yù)測(cè)準(zhǔn)確度為95.0617%。由矩陣每行可知,新胎、半磨胎和全磨胎的樣本個(gè)數(shù)分別是110、100和114,其中新胎和半磨胎有4個(gè)樣本分別被誤分類到半磨胎和新胎,而全磨胎分別有2和6個(gè)樣本被誤分類。故決策樹數(shù)目和最小葉子數(shù)均為20的RF模型可用于估算輪胎磨損程度。

圖11 頻域數(shù)據(jù)集FDAz預(yù)測(cè)結(jié)果混淆矩陣Fig.11 Confusion matrix of FDAz prediction results for frequency domain dataset

圖12所示為4個(gè)數(shù)據(jù)集分類準(zhǔn)確度對(duì)比,可知頻域數(shù)據(jù)集預(yù)測(cè)精度高于時(shí)域數(shù)據(jù)集預(yù)測(cè)精度,其中,頻域數(shù)據(jù)集FDAz預(yù)測(cè)效果最佳,其平均預(yù)測(cè)精度為95.1543 %;而時(shí)域數(shù)據(jù)集TDAx預(yù)測(cè)準(zhǔn)確度較差,其平均預(yù)測(cè)精度為78.9709%。綜上,利用徑向加速度Az估算輪胎磨損程度要優(yōu)于周向加速度Ax,主要原因是輪胎磨損影響胎面厚度,其影響輪胎垂直剛度的程度大于影響縱向剛度的程度。同時(shí)利用徑向加速度Az頻域數(shù)據(jù)估算輪胎磨損程度優(yōu)于時(shí)域數(shù)據(jù),主要原因是頻域數(shù)據(jù)集中提取特征點(diǎn)個(gè)數(shù)大于時(shí)域數(shù)據(jù)集中提取特征點(diǎn)個(gè)數(shù)。

圖12 不同數(shù)據(jù)集預(yù)測(cè)準(zhǔn)確度對(duì)比Fig.12 Comparison of prediction accuracy for different data sets

考慮到特征頻段和特征點(diǎn)個(gè)數(shù)的選擇會(huì)影響模型預(yù)測(cè)準(zhǔn)確度和模型運(yùn)算時(shí)間,以特征頻段和特征點(diǎn)個(gè)數(shù)為自變量構(gòu)建多組頻域數(shù)據(jù)集FDAz,利用本文構(gòu)建的RF估算模型研究其對(duì)模型預(yù)測(cè)準(zhǔn)確度和模型運(yùn)算時(shí)間的影響。特征頻段選取從1 kHz開始間隔1 kHz直至增加到5 kHz,特征點(diǎn)個(gè)數(shù)從100開始間隔100直至增加到500。同理,為避免預(yù)測(cè)結(jié)果的偶然性,RF模型每次訓(xùn)練10次并取均值。

如圖13a所示,特征點(diǎn)個(gè)數(shù)和特征頻段對(duì)模型預(yù)測(cè)精度的影響較小。模型平均預(yù)測(cè)精度為94.7383%,而在特征頻段1 kHz內(nèi)且特征點(diǎn)個(gè)數(shù)為100時(shí),其模型分類準(zhǔn)確度達(dá)到96.3272%。當(dāng)特征頻段增加到5 kHz時(shí),模型分類準(zhǔn)確度降低到90.7407%。主要原因是特征點(diǎn)個(gè)數(shù)不變,特征頻段越大,則其中與輪胎磨損程度無關(guān)的特征就越多,這些特征會(huì)導(dǎo)致模型精度下降。如圖13b所示,特征點(diǎn)個(gè)數(shù)對(duì)模型運(yùn)算時(shí)間的影響顯著,而特征頻段對(duì)其影響較小。其中,模型運(yùn)算時(shí)間隨著特征點(diǎn)個(gè)數(shù)的減少而減小,如特征點(diǎn)個(gè)數(shù)100、特征頻段5 kHz時(shí),模型運(yùn)算時(shí)間為35.6 ms。當(dāng)特征點(diǎn)個(gè)數(shù)減少到100時(shí),模型運(yùn)算時(shí)間減少到22.6 ms。

(a)對(duì)模型估算精度的影響

綜上,為保證模型預(yù)測(cè)準(zhǔn)確度,且模型運(yùn)算時(shí)間盡可能少,以降低對(duì)硬件開發(fā)要求,特征頻段可選擇1 kHz內(nèi),特征點(diǎn)個(gè)數(shù)為100。

4 結(jié)論

(1)本文通過在乘用車胎氣密層中心位置布置1個(gè)三軸加速計(jì),并搭建智能輪胎測(cè)試系統(tǒng)在Flat Trac臺(tái)架上進(jìn)行純滾動(dòng)試驗(yàn),發(fā)現(xiàn)周向加速度Ax和徑向加速度Az在頻域5 kHz內(nèi),其振動(dòng)幅值與輪胎磨損程度顯著相關(guān)。

(2)基于特征頻段和特征點(diǎn)個(gè)數(shù)提取徑向加速度Az頻域振動(dòng)幅值構(gòu)建數(shù)據(jù)集,并利用RF模型預(yù)測(cè)輪胎磨損程度。分析結(jié)果表明：決策樹數(shù)目和最小葉子數(shù)均為20的RF模型模型分類效果最優(yōu),對(duì)應(yīng)的預(yù)測(cè)準(zhǔn)確度為95.1543%。同時(shí)通過Az估算輪胎磨損程度的準(zhǔn)確度要優(yōu)于Ax,其中Az的頻域數(shù)據(jù)集FDAz分類準(zhǔn)確度最高。

(3)以特征頻段和特征點(diǎn)個(gè)數(shù)為自變量構(gòu)建多組頻域數(shù)據(jù)集FDAz代入模型,結(jié)果表明特征頻段選擇1 kHz內(nèi),特征點(diǎn)個(gè)數(shù)100的Az頻域數(shù)據(jù)集的預(yù)測(cè)精度和實(shí)時(shí)性效果均最優(yōu)。研究結(jié)果為乘用車胎磨損程度的估算提供了一種新手段。