本发明专利技术涉及一种测量车辆的路面输入载荷的系统及方法，其可以包括：多个应变计、存储装置和处理器，所述多个应变计安装在车辆的轮毂轴承的表面上；所述存储装置连接到所述多个应变计并配置为存储深度学习人工神经网络模型，所述深度学习人工神经网络模型根据多个应变计的输出数据的片段来学习车辆的路面输入载荷数据；所述处理器连接到存储装置和多个应变计，并配置为执行在存储装置中存储的深度学习人工神经网络模型的每一层中执行的计算，并根据多个应变计的输出数据的片段得出车辆的路面输入载荷数据。面输入载荷数据。面输入载荷数据。
【技术实现步骤摘要】
测量车辆的路面输入载荷的系统及方法
[0001]本专利技术涉及一种测量车辆的路面输入载荷的系统及方法，更具体地涉及这样一种测量车辆的路面输入载荷的系统及方法，其能够利用深度学习人工神经网络、根据从安装在车辆轮毂轴承中的多个应变计输入的数据来测量路面输入载荷。
技术介绍
[0002]通常，能够测量通过车轮从路面作用在车辆上的载荷或力矩的六分量测力传感器(6-component load cell sensor)以附接在车轮的外侧的形式而应用。由于传感器的重量以及为传感器安装而增加到车辆的轮辋和轮毂上的装置的重量，这种传统的六分量测力传感器改变了车辆悬架的几何形状，从而改变了车辆悬架的特性。此外，为了安装应变计，需要对传统的六分量测力传感器进行处理。
[0003]如上所述，在安装传统的车轮附接型六分量测力传感器时，车辆悬架的特性改变，并且需要进行单独的处理，以安装应变计。因此，即使准确地执行了车辆路面输入载荷的测量，也存在以下缺点：由于实际量产的车辆与测试车辆之间的悬架特性的差异而可能产生误差，并且需要额外的处理成本。
[0004]包括在本专利技术的背景部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
[0005]本专利技术的各个方面旨在提供一种测量车辆的路面输入载荷的系统和方法，其配置为利用深度学习人工神经网络、通过使用从多个应变计(其直接安装在车辆的轮毂轴承中)输入的数据来准确地测量车辆的路面输入载荷。
[0006]根据一个方面，提供了一种测量车辆的路面输入载荷的系统，该系统包括：多个应变计、存储装置和处理器，所述多个应变计安装在车辆的轮毂轴承的表面上；所述存储装置连接到多个应变计，并配置为存储深度学习人工神经网络模型，所述深度学习人工神经网络模型根据多个应变计的输出数据的片段来学习车辆的路面输入载荷数据；所述处理器连接到存储装置和多个应变计，并配置为执行在存储装置中存储的深度学习人工神经网络模型的每一层中执行的计算，并根据多个应变计的输出数据的片段得出车辆的路面输入载荷数据。
[0007]在本专利技术的各种示例性实施方案中，多个应变计可以以规则的间隔安装在轮毂轴承的外圈的表面上。
[0008]在本专利技术的各个示例性实施方案中，多个应变计可以安装在与一对轴承滚珠之间的应力集中点相对应的位置，所述一对轴承滚珠在轮毂轴承上沿旋转轴线方向平行安装。
[0009]在本专利技术的各种示例性实施方案中，深度学习人工神经网络模型可以包括：多个密集层和多个ReLu层，所述多个密集层配置为接收从多个应变计输出的数据片段或从前一
层输出的数据，并且将使权重值和偏置值应用于接收到的数据片段得到的值输入到激活函数，从而确定输出值；所述多个ReLu层位于多个密集层之间，并配置为通过将多个密集层的输出值应用于ReLu函数来确定输出值。
[0010]在本专利技术的各种示例性实施方案中，多个密集层可以输出的数据片段的数量小于接收到的数据片段的数量。
[0011]在本专利技术的各种示例性实施方案中，存储装置可以存储权重值和偏置值。
[0012]在本专利技术的各个示例性实施方案中，处理器可以根据预定的恒定采样周期、按时间通道的顺序来接收多个应变计的输出数据，并且将与多个顺序时间通道相对应的数据片段作为一个数据集输入到深度学习人工神经网络模型。
[0013]在本专利技术的各种示例性实施方案中，处理器可以将包括对应的时间通道的数据和多个先前时间通道的数据片段的数据集输入到深度学习人工神经网络模型，作为用于得出对于一个时间通道的路面输入载荷的输入数据。
[0014]在本专利技术的各种示例性实施方案中，处理器可以对在多个时间通道中的高优先级的预设数量的时间通道中输入到深度学习人工神经网络模型的输入数据应用过采样，并且对从最后的预设时间通道输入到深度学习人工神经网络模型的输入数据应用过采样。
[0015]根据另一方面，提供了一种测量车辆的路面输入载荷的方法，该方法包括：收集安装在车辆的轮毂轴承的表面上的多个应变计的输出数据的片段以及根据多个应变计的输出数据的片段的路面输入载荷的实际测量数据，作为用于学习的数据；使得预存储的深度学习人工神经网络模型能够利用收集到的数据进行学习，并验证预存储的深度学习人工神经网络模型；存储进行学习并经验证的深度学习人工神经网络模型；通过将多个应变计的输出数据的片段输入到进行学习并经验证的深度学习人工神经网络模型，得出车辆的路面输入载荷数据。
[0016]在本专利技术的各种示例性实施方案中，收集可以是根据预定的恒定的采样周期、按时间通道的顺序收集用于学习的数据；并且在进行学习和验证之前，所述方法可以进一步包括确定包括一个时间通道的输入数据和与多个先前时间通道相对应的输入数据的片段的数据集作为一个时间通道的用于学习的输入数据的片段的数据预处理。
[0017]在本专利技术的各种示例性实施方案中，收集可以是根据预定的恒定采样周期、按时间通道的顺序收集用于学习的数据，并且在进行学习和验证之前，所述方法可以进一步包括对从多个时间通道中的高优先级的预设数量的时间通道输入的用于学习的输入数据的片段应用过采样以及对从最后的预设时间通道输入的用于学习的输入数据应用过采样的数据预处理。
[0018]在本专利技术的各种示例性实施方案中，深度学习人工神经网络模型可以包括：多个密集层和多个ReLu层，所述多个密集层配置为接收从多个应变计输出的数据片段或从前一层输出的数据，并且将使权重值和偏置值应用于接收到的数据片段得到的值输入到激活函数，从而确定输出值；所述多个ReLu层位于多个密集层之间，并配置为通过将多个密集层的输出值应用于ReLu函数来确定输出值。
[0019]在本专利技术的各种示例性实施方案中，多个密集层可以输出的数据片段的数量小于接收到的数据片段的数量。
[0020]本专利技术的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附
图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本专利技术的特定原理。
附图说明
[0021]图1是示出根据本专利技术各种示例性实施方案的测量车辆的路面输入载荷的系统的框图；
[0022]图2是示例性地示出根据本专利技术各种示例性实施方案的测量车辆的路面输入载荷的系统的轮毂轴承和安装在轮毂轴承中的应变计的立体图；
[0023]图3是示例性地示出根据图2所示的本专利技术各种示例性实施方案的利用大数据的车辆动力控制系统的应变计安装区域的一部分的截面图；
[0024]图4是示出应用于根据本专利技术各种示例性实施方案的测量车辆的路面输入载荷的系统的深度学习人工神经网络模型的示例的框图；
[0025]图5是示出应用于深度学习人工神经网络模型的密集层的神经元(cell)的示意图，所述深度学习人工神经网络模型应用于根据本专利技术各种示例性实施方案的测本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种测量车辆的路面输入载荷的系统，所述系统包括：多个应变计，所述多个应变计安装在车辆的轮毂轴承的表面上；存储装置，其连接到所述多个应变计，并配置为存储深度学习人工神经网络模型，所述深度学习人工神经网络模型根据所述多个应变计的输出数据的片段来学习车辆的路面输入载荷数据；和处理器，其连接到所述存储装置和所述多个应变计，并配置为执行在存储装置中存储的深度学习人工神经网络模型的每一层中执行的计算，并根据所述多个应变计的输出数据的片段得出车辆的路面输入载荷数据。2.根据权利要求1所述的测量车辆的路面输入载荷的系统，其中，所述多个应变计以预定的间隔围绕轮毂轴承的外圈的表面安装在外圈的表面上。3.根据权利要求1所述的测量车辆的路面输入载荷的系统，其中，所述多个应变计安装在与一对轴承滚珠之间的应力集中点相对应的位置，所述一对轴承滚珠在轮毂轴承上沿旋转轴线方向平行安装。4.根据权利要求1所述的测量车辆的路面输入载荷的系统，其中，所述深度学习人工神经网络模型包括：多个密集层，所述多个密集层配置为接收从所述多个应变计输出的数据片段或从前一层输出的数据，并且将使权重值和偏置值应用于接收到的数据片段得到的值输入到激活函数，从而确定输出值；和多个ReLu层，所述多个ReLu层位于所述多个密集层之间，并配置为通过将所述多个密集层的输出值应用于ReLu函数来确定输出值。5.根据权利要求4所述的测量车辆的路面输入载荷的系统，其中，所述多个密集层输出的数据片段的数量小于接收到的数据片段的数量。6.根据权利要求4所述的测量车辆的路面输入载荷的系统，其中，所述存储装置存储权重值和偏置值。7.根据权利要求4所述的测量车辆的路面输入载荷的系统，其中，当ReLu函数的输入值大于或等于零时，ReLu函数形成为具有预定斜率的直线；当ReLu函数的输入值小于零时，ReLu函数形成为具有零的斜率。8.根据权利要求1所述的测量车辆的路面输入载荷的系统，其中，所述处理器配置为：根据预定的恒定采样周期、按时间通道的顺序来接收所述多个应变计的输出数据，并且将与多个顺序时间通道相对应的数据片段作为一个数据集输入到深度学习人工神经网络模型。9.根据权利要求8所述的测量车辆的路面输入载荷的系统，其中，所述处理器配置为将包括对应的时间通道的数据和多个先前时间通道的数据片段的数据集输入到深度学习人工神经网络模型，作为用于得出对于一个时间通道的路面输入载荷的输入数据。10.根据权利要求8所述的测量车辆的路面输入载荷的系统，其中，所述处理器配置为：对在多个时间通道中的高优先级的预定数量的...
【专利技术属性】
技术研发人员：李基旭，沈弘基，闵丙勋，李海淳，
申请(专利权)人：起亚自动车株式会社峩砒高，
类型：发明
国别省市：
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。