基于BPNN的齿圈误差消除方法与流程

基于bpnn的齿圈误差消除方法
技术领域
1.本发明涉及汽车技术领域，尤其涉及一种基于bpnn的齿圈误差消除方法。

背景技术：

2.当今车辆所使用的轮速传感器是通过传感器检测车轮上齿圈在滚动时产生的磁场变化来检测车轮滚动速度的；车轮上的齿数个数通常在几十个之间，当车轮在滚动时，相邻的齿经过传感器时便会产生磁场的变化，通过检测磁场变化的速度，便可以得到齿经过传感器的速度，即车轮的滚动角速度(轮速)。而在实际成产过程中，由于不能将圆形的车轮等分为几十份且存在几乎不可避免的生产误差，导致同一个车轮上不同齿之间的距离可能是不同的，这也意味着当车轮以恒定速度进行转动时，由于相邻齿之间距离的不同，在使用传感器进行速度检测时会出现速度的跳变，而且由于同一个车轮的齿圈上的齿数是固定的，因此在车轮转动过程中轮速的跳变也是周期出现的。
3.有数据表明，交通事故中爆胎原因所占的比例高达60％，其中，75％的爆胎都是由胎压不足造成的。胎压监测系统可以分为两种：直接式胎压监测系统和间接式胎压监测系统，其中，间接式胎压监测系统通过轮胎的转速差和轮胎的振动频率判断轮胎是否漏气。提取轮胎振动频率需要对轮速信号进行频谱分析，但在itpms系统中对车轮转动角速度的频域特征进行分析时，由于车轮齿圈误差所产生的周期性的信号会对车轮与胎压相关的信号产生干扰，严重时会将胎压相关的频域特征全部淹没，导致itpms系统无法获取车轮胎压特征，进而无法实现报警。而传统的滤波器在抑制齿圈误差的同时也会对车轮本身的振动频谱造成抑制，这会使得从轮速信号中求得的车轮振动失真，从而影响到对胎压特征的识别。
4.bpnn是近些年才被广泛用于噪声消除的一种方法，机器学习是一种更好的解决无法得到精确的数学解析解的问题的方法，齿圈误差如果不通过拆卸车轮使用测量仪器对齿圈进行测量就无法得到准确的齿圈误差，而间接的测量方法由于受到车轮转动的振动影响，也无法测量得到准确的齿圈误差。
5.现有技术中，公开号为cn 109991438 a的专利公开了一种汽车齿圈角速度测量误差消除方法与装置，该方法包括以下步骤：1)设旋转轴上安装有含有n个齿的齿圈，读取齿圈信号，获得齿k经过的时刻tk，设齿i的误差为δi，得到消除误差的角速度；2)齿与齿之间的时间间隔δti(k)＝t
k-t
k-1
，一个完整周期时间为ti(k)＝t
k+n/2
–
t
k-n/2
，则δti/ti＝1/n+δi(+ek)，齿i的误差δi＝2πδi＝2π(δti/ti-1/n)+ek；3)使用自适应滤波器对齿i的误差进行滤波处理；4)使用齿i的误差对轮齿按对应关系对角速度进行修正。然而，该方案使用滤波器抑制齿圈误差的同时也会对车轮本身的振动频谱造成抑制，使得从轮速信号中求得的车轮振动失真。
6.有鉴于此，有必要设计一种基于bpnn的齿圈误差消除方法，以解决上述问题。

技术实现要素：

7.本发明的目的在于提供一种在不影响车轮原始振动特征的条件下，消除由于齿圈
误差产生的周期性干扰信号的基于bpnn的齿圈误差消除方法。
8.为实现上述发明目的，本发明提供了一种基于bpnn的齿圈误差消除方法，包括如下步骤：
9.s1、对齿圈数据进行归一化预处理，消除车辆速度信息对相邻两个齿的时间差
△
t的影响；
10.s2、构建bpnn架构进行所述齿圈误差的计算及消除；
11.s3、利用反归一化法对消除了齿圈误差的所述相邻两个齿的时间差进行速度信息的还原，从而获得能反映车轮原始振动特征的消除了齿圈误差的角速度信息。
12.作为本发明的进一步改进，步骤s1中，所述归一化预处理为对速度进行归一化，所述归一化计算公式如下：
13.△
ti＝t
i+1-ti14.其中，使用计时器对齿圈上的每一个齿经过传感器的时间进行记录，ti表示齿圈上第i个齿经过传感器的时间；
[0015][0016]
其中，是归一化后的相邻两个齿的时间差，i为齿数下标，n为齿圈上的齿数总数，k为归一化常量，
△
ti为第i+1个齿与第i个齿到来时间的差。
[0017]
作为本发明的进一步改进，使用变异系数cv来评估归一化前后的δt的分布特征，所述变异系数cv的计算公式如下：
[0018][0019]
其中，σ是样本的标准差，μ为样本均值。
[0020]
作为本发明的进一步改进，步骤s2中，所述bpnn架构具有输入层、隐藏层和输出层三层，所述输入层为具有n个维度的输入矩阵，所述输入矩阵是一个n乘n的矩阵，其中n为样本集数量，所述输入矩阵的计算公式如下：
[0021]
对于第m个样本xm：
[0022][0023]
按照所述输入矩阵的计算公式，分别对n个样本进行计算。
[0024]
作为本发明的进一步改进，所述隐藏层具有一个可以被调整的超参数即隐藏层的单元个数；优选的，所述隐藏层的单元个数为15。
[0025]
作为本发明的进一步改进，所述隐藏层中使用的激活函数为tanh函数，所述tanh函数在网络反向传播时梯度的范围为0至1，所述tanh函数的表达式为：
[0026][0027]
作为本发明的进一步改进，所述归一化常量k的取值范围与所述梯度的范围一致。
[0028]
作为本发明的进一步改进，所述输出层通过一个全连接层将隐藏层的输出转化为具有n个维度的输出矩阵，所述输出矩阵的计算公式如下：
[0029][0030]
第m个样本的计算结果表示当前齿与剩余所有齿的相关关系。
[0031]
作为本发明的进一步改进，经过网络的学习收敛之后，得到每一个齿与其余齿的对应关系，以此对齿圈误差进行消除；设使用学习好的网络对样本x进行预测，得到的输出值为即：
[0032][0033]
则对齿圈误差的修正为：
[0034][0035]
其中，代表消除齿圈误差之后的相邻两个齿的时间差。
[0036]
作为本发明的进一步改进，步骤s3中，所述反归一化计算公式如下：
[0037][0038]
其中，为还原了速度信息的相邻两个齿的时间差。
[0039]
本发明的有益效果是：
[0040]
1.本发明通过对相邻两个齿之间的时间差
△
t的归一化预处理，将齿圈误差计算与车辆速度之间的关联切分开，以便于后续构建bp神经网络架构进行齿圈误差的计算，一方面，避免速度信息对齿圈误差的计算造成干扰，另一方面，能降低利用bp神经网络计算齿圈误差的运算复杂度，从而在排除车轮转动本身的振动下，准确进行齿圈误差的计算及消除。
[0041]
2.本发明通过结合利用进行齿圈误差计算前的数据归一化预处理和消除齿圈误
差之后通过反归一化对
△
t进行速度信息的还原，从而获得能反映车轮原始振动特征的消除了齿圈误差的角速度信息，为itpms系统提供信噪比更高的输入信息，用于频域的分析，便于itpms系统对车轮胎压变化的识别。
[0042]
3.本发明搭建bpnn架构进行齿圈误差的计算，通过在隐藏层中设计激活函数，在一定程度上解决了网络在学习过程中的梯度消失问题，从而避免出现学习停滞导致无法得到最优解的问题。
[0043]
4.本发明设计的基于bpnn的计算方法简单，在计算过程中，只需对车轮跑过一圈时的所有齿圈进行统一计算，无需对各个齿圈单独计算，从而使计算量明显减少，同时，本发明的算法结构简单，具有较低的计算复杂度和存储空间要求，能够满足车辆控制的实时性要求。
附图说明
[0044]
图1为本发明的齿圈误差时域分布图。
[0045]
图2为本发明的齿圈误差频谱图。
[0046]
图3为本发明的相邻两个齿的时间差变化示意图。
[0047]
图4为本发明的第一个齿和第二个齿之间的时间差变化示意图。
[0048]
图5为本发明的经过归一化处理后的第一个齿和第二个齿之间的时间差变化示意图。
[0049]
图6为本发明的bpnn结构图。
[0050]
图7为本发明的齿圈误差消除前后的时域分布图。
[0051]
图8为本发明的齿圈误差消除后的信号频谱图。
具体实施方式
[0052]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0053]
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
[0054]
另外，还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0055]
如图1～图8所示，本发明提供了一种基于bpnn的齿圈误差消除方法，包括如下步骤：
[0056]
s1、对齿圈数据进行归一化预处理，消除车辆速度信息对相邻两个齿的时间差
△
t的影响；
[0057]
s2、构建bpnn架构进行所述齿圈误差的计算及消除；
[0058]
s3、利用反归一化法对消除了齿圈误差的相邻两个齿的时间差进行速度信息的还原，从而获得能反映车轮原始振动特征的消除了齿圈误差的角速度信息。
[0059]
在对轮速信号的处理中，通常使用计时器对齿圈上的每一个齿经过传感器的时间进行记录，记为ti，表示第i个齿到来的时间，而齿圈误差的特征可以由相邻两个齿到来的时间差
△
t表示，第i+1个齿与第i个齿到来时间的差为:
[0060]
△
ti＝t
i+1-ti[0061]
本实施例中，车轮轮圈具有40个齿，如图1所示，通过信号的波峰和波谷可以明显看到δt有以齿数40为周期的分布特征，这意味着随着车辆的行驶，会有周期性的信号出现在车轮的滚动角速度之中，图2为齿圈误差频谱图，可以看到有峰值极大的固定频率谐波存在，这些谐波会影响到对车轮振动的频谱分析。
[0062]
由于车辆速度越快，相邻两个齿之间的间隔时间就会越短，相反的当车辆速度越慢则相邻两个齿之间的时间间隔就会越长，所以时域上δt也会发生相应变化，结果如图3所示，这种随车速而产生的变化会导致由于齿圈误差造成的相邻齿之间的δt也会发生变化，以第一个齿和第二个齿之间的δt与一圈内所有的δt之间的差为例，第一个齿和第二个齿之间的时间差随时间变化的趋势如图4所示。从图3和图4中可以看出，同两个齿之间的时间差与车辆速度的变化趋势是一致的，因此δt中不仅包含了齿圈误差的信息，也包含了速度的信息，因此在使用bpnn消除齿圈误差之前，需要消除δt中的速度信息。
[0063]
具体的，步骤s1中，使用归一化方法对速度进行处理的计算公式为：
[0064][0065]
其中，是归一化后的相邻两个齿的时间差，i为齿数下标，k为归一化常量，所述归一化常量k的取值范围与梯度的范围一致，本实施例中k取1，
△
ti为第i+1个齿与第i个齿到来时间的差。
[0066]
该归一化方法的本质是将相邻两个齿之间的时间差与车轮滚动一周所需的时间做归一化，其中车轮滚动一周所需的时间就包含了车速信息，因此自然的就消除了速度的影响。
[0067]
经过归一化后的δt随时间变化如图5所示。通过比较图4和图5可以看到，归一化后的δt不再会随着速度的变化而变化。由于归一化前后样本大小差异巨大，因此使用变异系数cv来评估归一化前后的δt分布特征，变异系数cv的计算公式如下：
[0068][0069]
其中，σ是样本的标准差，μ为样本均值。
[0070]
变异系数可以消除不同样本之间大小的差异，而仅考虑样本的分布离散程度。
[0071]
进行归一化前样本的变异系数为：
[0072]cv1
＝0.1319
[0073]
经过归一化处理后样本的变异系数为：
[0074]cv2
＝0.0026
[0075]cv1
和c
v2
相差51倍，说明经过归一化之后的样本分布更紧凑，且趋于一个固定值，这个值就是齿圈误差。经过归一化之后，即可使用bpnn消除齿圈误差。
[0076]
具体的，步骤s2中，bpnn架构具有输入层、隐藏层和输出层三层，输入层为具有40个维度的输入矩阵，输入矩阵x是一个40乘n的矩阵，40是因为齿数总数为40，即有40个特征，n则为样本集数量，本实施例取n为1000。对于第一个样本x1，有：
[0077][0078]
对于第2个样本x2有：
[0079][0080]
之后的样本以此类推。
[0081]
具体的，隐藏层具有一个可以被调整的超参数即隐藏单元的个数，这个参数决定了在隐藏层中具有相同结构的单元个数，通过将该参数在1至30之间遍历，在不同参数设置下bpnn的学习结果中，该参数从1变为15的过程中拟合准确度越来越高，而当参数超过15个之后会出现神经网络的过拟合，因此将15作为最终隐藏层的单元个数。在隐藏层中使用的激活函数为tanh函数，所述tanh函数的表达式为：
[0082][0083]
所述tanh函数绕原点中心对称，因此均值为0，在网络反向传播时梯度的范围为0至1，更大的梯度范围一定程度上解决了网络在学习过程中的梯度消失问题。
[0084]
具体的，输出层通过一个全连接层将隐藏层的输出转化为具有40个维度的输出矩阵，所述输出矩阵的计算公式如下：
[0085][0086]
即目标矩阵表示的是当前齿与剩余所有齿的相关关系。
[0087]
经过网络的学习收敛之后，就可以得到每一个齿与其余齿的对应关系，以此可以对齿圈误差进行消除。设使用学习好的网络对样本x进行预测，得到的输出值为即：
[0088][0089]
则对齿圈误差的修正为：
[0090][0091]
其中，代表消除齿圈误差之后的相邻两个齿的时间差。
[0092]
由于δt在itpms还起到计算车速的作用，且频域的分析仍然需要δt具有原来的量纲，而归一化之后的δt去除了速度信息，也改变了量纲，因此在消除齿圈误差之后需要对δt进行还原。
[0093]
具体的，利用反归一化法对消除了齿圈误差的所述相邻两个齿的时间差
△
t进行速度信息的还原的计算公式如下：
[0094][0095]
其中，为还原了速度信息的相邻两个齿的时间差。
[0096]
经过反归一化法处理后，齿圈误差消除后的时域结果对比如图7所示，从图7中可以看出消除齿圈误差后相邻两个齿之间的时间差不再具有周期性的波动，只有由于车轮振动带来的波动，消除齿圈误差后的信号频谱表现如图8所示。从图8中可以看出，信号中的谐波分量已经被大幅度的抑制，图2中存在的高能量分量已经被消除。
[0097]
综上所述，本发明公开了一种基于bpnn的齿圈误差消除方法，通过对相邻两个齿之间的时间差
△
t的归一化预处理，将齿圈误差计算与车辆速度之间的关联切分开，以便于后续构建bp神经网络架构进行齿圈误差的计算，一方面，避免速度信息对齿圈误差的计算造成干扰，另一方面，能降低利用bp神经网络计算齿圈误差的运算复杂度，从而在排除车轮转动本身的振动下，准确进行齿圈误差的计算及消除。同时，结合反归一化对消除齿圈误差之后的
△
t的速度信息的还原，能获得能反映车轮原始振动特征的消除了车轮角速度信号中存在的周期性噪声，从而为itpms系统提供信噪比更高的输入信息，用于频域的分析，便
于itpms系统对车轮胎压变化的识别。另外，本发明搭建bpnn架构进行齿圈误差的计算，通过在隐藏层中设计激活函数，在一定程度上解决了网络在学习过程中的梯度消失问题，从而避免出现学习停滞导致无法得到最优解的问题。此外，本发明设计的基于bpnn的计算方法简单，在计算过程中，只需对车轮跑过一圈时的所有齿圈进行统一计算，无需对各个齿圈单独计算，从而使计算量明显减少，同时，本发明的算法结构简单，具有较低的计算复杂度和存储空间要求，能够满足车辆控制的实时性要求。
[0098]
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：

1.一种基于bpnn的齿圈误差消除方法，其特征在于，包括如下步骤：s1、对齿圈数据进行归一化预处理，消除车辆速度信息对相邻两个齿的时间差
△
t的影响；s2、构建bpnn架构进行所述齿圈误差的计算及消除；s3、利用反归一化法对消除了齿圈误差的所述相邻两个齿的时间差进行速度信息的还原，从而获得能反映车轮原始振动特征的消除了齿圈误差的角速度信息。2.根据权利要求1所述的基于bpnn的齿圈误差消除方法，其特征在于：步骤s1中，所述归一化预处理为对速度进行归一化，所述归一化计算公式如下：
△
t
i
＝t
i+1-t
i
其中，使用计时器对齿圈上的每一个齿经过传感器的时间进行记录，ti表示齿圈上第i个齿经过传感器的时间；其中，是归一化后的相邻两个齿的时间差，i为齿数下标，n为齿圈上的齿数总数，k为归一化常量，
△
t
i
为第i+1个齿与第i个齿到来时间的差。3.根据权利要求2所述的基于bpnn的齿圈误差消除方法，其特征在于：使用变异系数c
v
来评估归一化前后的δt的分布特征，所述变异系数c
v
的计算公式如下：其中，σ是样本的标准差，μ为样本均值。4.根据权利要求2所述的基于bpnn的齿圈误差消除方法，其特征在于：步骤s2中，所述bpnn架构具有输入层、隐藏层和输出层三层，所述输入层为具有n个维度的输入矩阵，所述输入矩阵是一个n乘n的矩阵，其中n为样本集数量，所述输入矩阵的计算公式如下：对于第m个样本x
m
：按照所述输入矩阵的计算公式，分别对n个样本进行计算。5.根据权利要求4所述的基于bpnn的齿圈误差消除方法，其特征在于：所述隐藏层具有一个可以被调整的超参数即隐藏层的单元个数；优选的，所述隐藏层的单元个数为15。6.根据权利要求5所述的基于bpnn的齿圈误差消除方法，其特征在于：所述隐藏层中使用的激活函数为tanh函数，所述tanh函数在网络反向传播时梯度的范围为0至1，所述tanh
函数的表达式为：7.根据权利要求6所述的基于bpnn的齿圈误差消除方法，其特征在于：所述归一化常量k的取值范围与所述梯度的范围一致。8.根据权利要求4所述的基于bpnn的齿圈误差消除方法，其特征在于：所述输出层通过一个全连接层将隐藏层的输出转化为具有n个维度的输出矩阵，所述输出矩阵的计算公式如下：第m个样本的计算结果表示当前齿与剩余所有齿的相关关系。9.根据权利要求8所述的基于bpnn的齿圈误差消除方法，其特征在于：经过网络的学习收敛之后，得到每一个齿与其余齿的对应关系，以此对齿圈误差进行消除；设使用学习好的网络对样本x进行预测，得到的输出值为即：则对齿圈误差的修正为：其中，代表消除齿圈误差之后的相邻两个齿的时间差。10.根据权利要求1所述的基于bpnn的齿圈误差消除方法，其特征在于：步骤s3中，所述反归一化计算公式如下：其中，为还原了速度信息的相邻两个齿的时间差。

技术总结

本发明公开了一种基于BPNN的齿圈误差消除方法，首先对相邻两个齿之间的时间差

技术研发人员：

宗培亮 高鑫 杨帆

受保护的技术使用者：

偌轮汽车科技（武汉）有限公司

技术研发日：

2022.09.07

技术公布日：

2022/12/16