【技术实现步骤摘要】
基于BP神经网络的智能轮胎磨损寿命预估方法及装置
本专利技术涉及神经网络
，尤其涉及一种基于BP神经网络的智能轮胎磨损寿命预估方法及装置。
技术介绍
随着汽车行业的不断发展，汽车已经逐渐成为人们出门的主要代步工具，车辆的安全行驶也逐渐成为人们关注的焦点。目前，我国在高速公路上发生的交通事故有半数以上是由于轮胎磨损问题引起的，大部分表现为爆胎，而爆胎的主要由轮胎表面磨损严重及轮胎气压异常，在高速行驶或急刹车等情况下引起。轮胎作为汽车的主要部件之一，影响车辆行驶时的性能和安全，对车辆轮胎检测的重要性不言而喻，可以很大程度上提高车辆行驶的安全性。目前，汽车轮胎磨损程度的主要检测方法是人工检测，主要通过检测轮胎花纹深度及胎肩的花纹磨损来定义测量胎面花纹磨损程度，虽然能够凭借经验对汽车轮胎的磨损程度进行判断，但是精确度并不高，尤其对于新手来说较为困难。此外，日常生活中驾驶员经常会忽略对轮胎磨损程度的检查，从而引发事故。是以，一种能够准确预测出汽车轮胎磨损程度并定时提醒驾驶员的方法成为一种需求。
技术实现思路
...
【技术保护点】
1.一种基于BP神经网络的智能轮胎磨损寿命预估方法，其特征在于，包括：/n获取包含轮胎气压、车速、负载及轮胎径向2～6阶升高模态频率的数据集，并将所述数据集随机拆分为训练集、验证集及测试集；/n创建BP神经网络模型，所述网络模型的输入为所述数据集中的数据，输出为轮胎磨损量；/n基于所述训练集、验证集和预先设定的均方误差对所述BP神经网络模型训练，确定所述BP神经网络模型的结构及网络参数；/n将所述测试集中的数据输入训练好的BP神经网络模型，对其数据所属轮胎的磨损寿命进行预估。/n
【技术特征摘要】
1.一种基于BP神经网络的智能轮胎磨损寿命预估方法，其特征在于，包括：
获取包含轮胎气压、车速、负载及轮胎径向2～6阶升高模态频率的数据集，并将所述数据集随机拆分为训练集、验证集及测试集；
创建BP神经网络模型，所述网络模型的输入为所述数据集中的数据，输出为轮胎磨损量；
基于所述训练集、验证集和预先设定的均方误差对所述BP神经网络模型训练，确定所述BP神经网络模型的结构及网络参数；
将所述测试集中的数据输入训练好的BP神经网络模型，对其数据所属轮胎的磨损寿命进行预估。
2.如权利要求1所述智能轮胎磨损寿命预估方法，其特征在于，所述BP神经网络模型中包括一层隐藏层，激活函数为tansig；
所述创建BP神经网络模型中，包括：
根据隐藏层节点数、输入层节点数和输出层节点数之间的关系确定隐藏层节点数的范围：
其中，p为隐藏层节点数，n为输入层节点数，q为输出层节点数，a为1～10之间的常数；
根据所述隐藏层节点数的范围建立相应的BP神经网络模型。
3.如权利要求2所述智能轮胎磨损寿命预估方法，其特征在于，
基于所述训练集和预先设定的均方误差对所述BP神经网络模型训练，确定所述BP神经网络模型的结构及网络参数中，包括：
依次对包含不同数量隐藏层节点数的BP神经网络模型进行迭代训练，并记录每次迭代后的均方误差，所述训练方法为trainlm训练法；
比较各次迭代的均方误差，选定均方误差最小值对应的节点数作为隐藏层节点数，并以此确定所述BP神经网络模型的结构及网络参数。
4.如权利要求3所述智能轮胎磨损寿命预估方法，其特征在于，在确定的所述BP神经网络模型的结构及网络参数中，隐藏层节点数为11，隐藏层各节点的激励函数为：
其中，Oj为第j个隐藏节点的激励，j＝1,2,…,11；tansig为隐含层的传递函数；wjl为隐含层第j个隐藏节点到输出层第l个神经元的权重；xi为第i个输入参数，i＝1,2,…,8；θj为隐含层第j个隐藏节点阈值；
BP神经网络模型预测的轮胎磨损量M为：
其中，purelin函数为输出层的激励函数；wij为第i个隐藏节点到输出层第j个神经元的权值；θm为输出层的第m个神经元阈值。
5.一种基于BP神经网络的智能轮胎磨损寿命预估装置，其特征在于，包括：
数据获取模块，用于获取包含轮胎气压、车速、负载及轮胎径向2～6阶升高模态频率的数据集，并将所述数据集随机拆分为训练集、验证集及测试集；
神经网络创建模块，用于创建BP神经网...
【专利技术属性】
技术研发人员：全振强，李波，贝绍轶，张兰春，赵又群，韩霄，茅海剑，顾甜莉，魏书萌，杭陶阳，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。