基于深度学习的汽车轮胎侧向力检测方法和系统技术方案

本发明专利技术提供了一种基于深度学习的汽车轮胎侧向力检测方法和系统，涉及汽车轮胎侧向力检测技术领域。本发明专利技术先获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；再基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；最后将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果，令深度学习应用于轮胎均匀性(侧向力)检测；解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。需要依赖高精度检测设备的问题。需要依赖高精度检测设备的问题。

【技术实现步骤摘要】
基于深度学习的汽车轮胎侧向力检测方法和系统


[0001]本专利技术涉及汽车轮胎侧向力检测
，具体涉及一种基于深度学习的汽车轮胎侧向力检测方法和系统。

技术介绍

[0002]对于汽车轮胎制造企业，轮胎产品的均匀性质量控制非常关键。侧向力(LFV)是反映轮胎均匀性的一个重要指标，均匀性差的汽车轮胎，会导致汽车行驶过程中轮胎产生噪音和左右震动，不仅影响汽车乘坐舒适性和耗油量，还影响轮胎的耐磨性，影响驾驶安全。由于轮胎生产工艺过程复杂，生产过程中易受到各种生产因素的影响，导致轮胎产品的侧向力产生波动，进而影响轮胎产品的质量。因此，轮胎生产过程中需要对轮胎侧向力进行检测来反映轮胎均匀性质量，不仅能够及时识别出不合格的汽车轮胎产品，还能辅助企业改善工艺流程参数，从而实现轮胎产品的质量控制与改善。
[0003]目前检测轮胎侧向力的常用方法以装置检测方法为主，例如通过轮胎均匀性试验机来测量。
[0004]但上述的现有方法往往依赖于高检测精度的设备，检测速度慢、效率低，同时检测装置需要人工进行维护，检测成本较高。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于深度学习的汽车轮胎侧向力检测方法和系统，解决了现有对于轮胎侧向力检测需要依赖高精度检测设备的问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，提供了一种基于深度学习的汽车轮胎侧向力检测方法，该方法包括：
[0010]获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
[0011]基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
[0012]将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。
[0013]进一步的，所述带有注意力的堆叠去噪自编码器模型包括：分层特征提取网络和特征融合网络；
[0014]所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，用于获取各个去噪自编码器中的隐藏特征；
[0015]所述特征融合网络用于通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果。
[0016]进一步的，所述分层特征提取网络的训练方法，包括：
[0017]S2.1、获取轮胎的生产过程的数据集；所述轮胎的生产过程的数据集包括：多个样本以及对应的真实侧向力数据；
[0018]S2.2、对各个样本的生产工艺参数进行归一化；
[0019]S2.3、将归一化后的生产工艺参数加上噪声；
[0020]S2.4、将加入噪声后的生产工艺参数输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征；
[0021]S2.5、第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；
[0022]S2.6、基于第一损失函数训练第一个去噪自编码器，得到第一个去噪自编码器的参数；
[0023]S2.7、在去噪自编码器训练完成后，将该去噪自编码器得到的隐藏特征作为下一个去噪自编码器的输入，重复S2.3
‑
S2.6，得到若干个堆叠的去噪自编码器的参数。
[0024]进一步的，所述特征融合网络的训练方法包括：
[0025]S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到注意力机制的键值；
[0026]S2.9、将生产工艺参数作为所述注意力机制的查询值，得到注意力权重；
[0027]S2.10、将所述注意力权重分配到相应的不同层的隐藏特征，计算得到多层隐藏特征；
[0028]S2.11、将所得的多层特征经过一层全连接层进行回归预测，得到第s个样本的轮胎侧向力预测结果；
[0029]且基于第二损失函数训练特征融合网络。
[0030]进一步的，所述生产工艺参数包括轮胎硫化和成型工序中的参数。
[0031]第二专利技术，提供了一种基于深度学习的汽车轮胎侧向力检测系统，该系统包括：
[0032]数据集获取模块，用于获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；
[0033]模型训练模块，用于基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；
[0034]检测模块，用于将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。
[0035]进一步的，所述带有注意力的堆叠去噪自编码器模型包括：分层特征提取网络和特征融合网络；
[0036]所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，用于获取各个去噪自编码器中的隐藏特征；
[0037]所述特征融合网络用于通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果。
[0038]进一步的，所述分层特征提取网络的训练方法，包括：
[0039]S2.1、获取轮胎的生产过程的数据集；所述轮胎的生产过程的数据集包括：多个样本以及对应的真实侧向力数据；
[0040]S2.2、对各个样本的生产工艺参数进行归一化；
[0041]S2.3、将归一化后的生产工艺参数加上噪声；
[0042]S2.4、将加入噪声后的生产工艺参数输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征；
[0043]S2.5、第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；
[0044]S2.6、基于第一损失函数训练第一个去噪自编码器，得到第一个去噪自编码器的参数；
[0045]S2.7、在去噪自编码器训练完成后，将该去噪自编码器得到的隐藏特征作为下一个去噪自编码器的输入，重复S2.3
‑
S2.6，得到若干个堆叠的去噪自编码器的参数。
[0046]进一步的，所述特征融合网络的训练方法包括：
[0047]S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到注意力机制的键值；
[0048]S2.9、将生产工艺参数作为所述注意力机制的查询值，得到注意力权重；
[0049]S2.10、将所述注意力权重分配到相应的不同层的隐藏特征，计算得到多层隐藏特征；
[0050]S2.11、将所得的多层特征经过一层全连接层进行回归预测，得到第s个样本的轮胎侧向力预测结果；
[0051]且基于第二损失函数训练特征融合网络。
[0052]进一步的，所述生产工艺参数包括轮胎硫化和成型工序中的参数。
[0053](三)有益效果
[0054]本专利技术提供了一种基于深度学习的汽车轮胎侧向力检测方法和系统。与现有技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，该方法包括：获取轮胎生产过程的生产工艺参数值，构建轮胎的生产过程的数据集；基于轮胎的生产过程的数据集训练带有注意力的堆叠去噪自编码器模型，得到轮胎侧向力检测模型；将待检测的生产工艺参数值作为训练好的轮胎侧向力检测模型的输入，得到轮胎侧向力检测结果。2.如权利要求1所述的一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，所述带有注意力的堆叠去噪自编码器模型包括：分层特征提取网络和特征融合网络；所述分层特征提取网络由若干个堆叠而成的去噪自编码器组成，用于获取各个去噪自编码器中的隐藏特征；所述特征融合网络用于通过注意力机制将不同去噪自编码器中的隐藏特征按照其对侧向力预测的重要性进行融合，并进行回归预测，得到轮胎侧向力检测结果。3.如权利要求2所述的一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，所述分层特征提取网络的训练方法，包括：S2.1、获取轮胎的生产过程的数据集；所述轮胎的生产过程的数据集包括：多个样本以及对应的真实侧向力数据；S2.2、对各个样本的生产工艺参数进行归一化；S2.3、将归一化后的生产工艺参数加上噪声；S2.4、将加入噪声后的生产工艺参数输入到第一个去噪自编码器中进行编码，得到该样本的生产工艺参数在第一层的隐藏特征；S2.5、第一层的隐藏特征进行解码操作，将其映射回原始的输入数据，得到重构原始输入；S2.6、基于第一损失函数训练第一个去噪自编码器，得到第一个去噪自编码器的参数；S2.7、在去噪自编码器训练完成后，将该去噪自编码器得到的隐藏特征作为下一个去噪自编码器的输入，重复S2.3
‑
S2.6，得到若干个堆叠的去噪自编码器的参数。4.如权利要求2所述的一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，所述特征融合网络的训练方法包括：S2.8、将不同层的重构原始输入经过全连接层与激活函数，得到注意力机制的键值；S2.9、将生产工艺参数作为所述注意力机制的查询值，得到注意力权重；S2.10、将所述注意力权重分配到相应的不同层的隐藏特征，计算得到多层隐藏特征；S2.11、将所得的多层特征经过一层全连接层进行回归预测，得到第s个样本的轮胎侧向力预测结果；且基于第二损失函数训练特征融合网络。5.如权利要求1所述的一种基于深度学习的汽车轮胎侧向力检测方法，其特征在于，所述生产工艺参数包括轮胎硫化和成型工序中的参数。6.一种基于深度学习的汽车轮胎侧向力检测...

【专利技术属性】
技术研发人员：高仁至，胡小建，王跃，高雅萱，高纪铭，习步青，栗洋，卢致澄，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：