胎面磨损监测系统和方法
阅读说明：本技术 胎面磨损监测系统和方法 (Tread wear monitoring system and method ) 是由 V·西亚拉瓦拉 M·A·玛吉 A·卡罗拉罗 L·艾利瓦 A·宝尔德里尼 V·博托洛托 R 于 2019-07-30 设计创作，主要内容包括：本发明涉及胎面磨损监测方法,包括预备步骤(6)和胎面磨损监测步骤(7)。预备步骤(6)包括：对一个或多个轮胎进行胎面磨损测试；测量胎面磨损相关量和第一摩擦能相关量,其中,胎面磨损相关量指示由所进行的胎面磨损测试导致的胎面磨损,第一摩擦能相关量与测试轮胎在所进行的胎面磨损测试期间受到的摩擦能相关；以及基于所测量到的胎面磨损相关量和第一摩擦能相关量来确定校准胎面磨损模型。胎面磨损监测步骤(7)包括：从配备有各自装配有轮胎的两个或更多个轮的机动运载工具(4)的运载工具总线(40)获取与机动运载工具(4)的驾驶相关的驾驶相关量；基于所获取的驾驶相关量和与机动运载工具(4)相关的预定义运载工具动力学模型来计算与机动运载工具(4)的至少一个轮胎在驾驶期间所经历的摩擦能相关的第二摩擦能相关量；基于第二摩擦能相关量和校准胎面磨损模型来估计机动运载工具(4)的至少一个轮胎在驾驶期间所经历的胎面磨损；以及基于所估计的胎面磨损来估计机动运载工具(4)的至少一个轮胎的当前平均剩余胎面材料量。另外,预备步骤(6)还包括：基于所测量到的胎面磨损相关量中的一个或多个来确定与由于轮胎特征引起的不规则胎面磨损相关的第一校正因子；以及训练人工神经网络以提供与由于轮胎使用引起的不规则胎面磨损相关的第二校正因子。最后,胎面磨损监测步骤(7)还包括：由训练后的人工神经网络基于所获取的驾驶相关量中的一个或多个来提供第二校正因子；以及基于当前平均剩余胎面材料量、第一校正因子和训练后的人工神经网络基于所获取的一个或多个驾驶相关量所提供的第二校正因子来计算校正剩余胎面材料量。(The invention relates to a tread wear monitoring method comprising a preliminary step (6) and a tread wear monitoring step (7). The preparation step (6) comprises: performing a tread wear test on one or more tires; measuring a tread wear related quantity indicative of tread wear resulting from the tread wear test being performed and a first frictional energy related quantity related to frictional energy to which the test tire is subjected during the tread wear test being performed; and determining a calibration tread wear model based on the measured tread wear related quantity and the first frictional energy related quantity. The tread wear monitoring step (7) includes: obtaining a driving-related quantity relating to driving of a motor vehicle (4) from a vehicle bus (40) of the motor vehicle (4) equipped with two or more wheels each equipped with a tire; calculating a second friction energy related quantity related to the friction energy experienced by at least one tyre of the motor vehicle (4) during driving, based on the acquired driving related quantity and a predefined vehicle dynamics model related to the motor vehicle (4); estimating the tread wear experienced by at least one tyre of the motor vehicle (4) during driving based on the second friction energy related quantity and the calibrated tread wear model; and estimating a current average amount of remaining tread material of at least one tyre of the motor vehicle (4) based on the estimated tread wear. In addition, the preliminary step (6) further includes: determining a first correction factor related to irregular tread wear due to a tire characteristic based on one or more of the measured tread wear related quantities; and training the artificial neural network to provide a second correction factor related to irregular tread wear due to tire use. Finally, the tread wear monitoring step (7) further comprises: providing, by the trained artificial neural network, a second correction factor based on one or more of the acquired driving-related quantities; and calculating a corrected remaining tread material amount based on the current average remaining tread material amount, the first correction factor, and a second correction factor provided by the trained artificial neural network based on the obtained one or more driving-related amounts.)
技术领域
本发明涉及一种用于胎面磨损监测的方法和系统，其能够估计机动运载工具(例如，装配有内燃机的运载工具、混合动力运载工具、电动运载工具等)的轮胎的胎面磨损和剩余胎面材料(Remaining Tread Material，RTM)。
背景技术
众所周知，机动运载工具的轮胎在使用时受到损坏；特别地，轮胎胎面受到磨损，这种磨损导致胎面花纹深度随时间的推移而减小。当胎面花纹深度达到一定的寿命终止胎面花纹深度时，应当更换轮胎，以免影响驾驶安全。
遗憾地，许多驾驶员没有定期检查其机动运载工具的轮胎的胎面花纹深度，随之而来的风险是即使在一个或多个轮胎的胎面花纹深度已达到(或甚至更糟的是，已变得低于)寿命终止胎面花纹深度的情况下也继续驾驶，从而存在严重的安全风险。事实上，通常，普通驾驶员没有胎面花纹深度测量工具，并且可能忘记定期在轮胎店检查他/她的机动运载工具的轮胎。
因此，在汽车行业，明显感觉到需要能够估计RTM的技术。
例如，在WO 2017/156213 A1和WO 2017/156216 A1中提供了这类已知解决方案，其分别涉及集成有预期胎面寿命指示系统的运载工具和驾驶伴侣胎面寿命指示系统。特别地，这两个国际申请公开了用于监测轮胎胎面寿命的计算机实现方法，该方法包括：
·由一个或多个处理器接收与一个或多个胎面花纹深度测量结果相关联的数据，该一个或多个胎面花纹深度测量结果由运载工具外部的测量装置进行，该一个或多个胎面花纹深度测量结果描述了运载工具的至少一个轮胎的至少一个胎面的胎面花纹深度；
·由一个或多个处理器将相应时间值或距离值与一个或多个胎面花纹深度测量结果中的各胎面花纹深度测量结果相关联；
·由一个或多个处理器访问用于将一个或多个胎面花纹深度测量结果与推断胎面花纹深度相关的模型；
·由一个或多个处理器至少部分基于该模型来确定推断胎面花纹深度预期等于或越过胎面花纹深度阈值的估计时间或估计距离；以及
·由一个或多个处理器向通知系统提供该估计时间或估计距离。
该通知系统：
·根据WO 2017/156213 A1被集成到运载工具中，而
·根据WO 2017/156216 A1被集成到用户计算装置(例如，智能手机或平板电脑)中。
另外，申请人感觉到需要开发一种用于估计机动运载工具(例如，装配有内燃机的运载工具、混合动力运载工具、电动运载工具等)的轮胎的胎面磨损和RTM的技术。在这方面，申请人于2018年6月14日提交的意大利专利申请102018000006322公开了一种胎面磨损监测方法，该胎面磨损监测方法包括：
·胎面磨损模型校准步骤，其在图1中示意性地示出(其中该胎面磨损模型校准步骤整体用1表示)；以及
·胎面磨损监测步骤，其在图2中示意性地示出(其中该胎面磨损监测步骤整体用2表示)。
特别地，如图1所示，胎面磨损模型校准步骤1包括：
·优选地通过使用一个或多个轮胎测试系统/装置/机器(诸如一个或多个室内磨损测试机等)来对一个或多个轮胎进行胎面磨损测试(框11)；
·测量由所进行的胎面磨损测试得到的指示胎面磨损的胎面磨损相关量、以及与测试轮胎在所进行的胎面磨损测试期间受到的摩擦能相关的第一摩擦能相关量(框12)；以及
·基于所测量到的胎面磨损相关量和第一摩擦能相关量来对校准胎面磨损模型(TWM)进行确定(框13)。
方便地，胎面磨损相关量指示由所进行的胎面磨损测试导致的胎面花纹深度减小。
优选地，对校准TWM进行确定(框13)包括：
·提供预定义参考TWM，其在数学上通过给定参数使(一般)轮胎沿着(一般)驾驶路线所经历的摩擦能与该摩擦能所引起的胎面磨损相关；
·基于预定义参考TWM以及所测量到的胎面磨损相关量和第一摩擦能相关量(方便地，通过将所测量到的胎面磨损相关量和第一摩擦能相关量应用到预定义参考TWM中以计算给定参数的校准值)来计算给定参数的校准值；以及
·基于预定义参考TWM和所计算出的校准值(方便地，通过在预定义参考TWM中应用所计算出的校准值)来对校准TWM进行确定。
预定义参考TWM方便地基于轮胎磨损物理学的预定义数学公式化，该预定义数学公式化的参数可以基于胎面磨损测试期间的胎面磨损和摩擦能的测量结果来计算。特别地，预定义数学公式化基于如下的观察：轮胎的胎面磨损的量与轮胎沿着驾驶路线所经历的摩擦能以及轮胎承受磨耗的内在能力成比例。例如，预定义参考TWM可以用数学术语表示为：
WT＝fn,k,…(EFR) (1)
其中，
·EFR表示(一般)轮胎沿着(一般)驾驶路线所经历的摩擦能，
·WT表示由于摩擦能EFR引起的胎面磨损(例如，用平均胎面滑行损耗(即，胎面宽度上的平均胎面花纹深度减小)表示)，以及
·fn,k,…(EFR)表示摩擦能EFR的预定义数学函数，该预定义数学函数以给定参数n,k,…的集合为特征并且允许基于摩擦能EFR来计算由于该摩擦能EFR引起的胎面磨损WT。
优选地，预定义参考TWM及由此的等式(1)可以有利地根据以下数学公式来表示：
WT＝k·(EFR)n, (2)
其中，
·n与整个轮胎的抗磨性(耐磨性)相关，以及
·k与轮胎对由于外部因素(例如，表面)的磨损的敏感性相关。
特别地，参数n和k定义对于各轮胎模型(图案、化合物、构造)特定的“磨损相对于摩擦能”函数的形状。
因而，摩擦能EFR可以用等式(1)或(2)表示为：
EFR＝g(Q1,Q2,Q3,…) (3)
其中，
·Q1,Q2,Q3,…表示通常沿着驾驶路线变化的摩擦能相关量(其中，摩擦能相关量Q1,Q2,Q3,…可以方便地包括以下量中的一个或多个：侧偏和纵向总力、滑动力、滑移角、滑移率、侧偏刚度、制动/牵引刚度等)，以及
·g(Q1,Q2,Q3,…)表示摩擦能相关量Q1,Q2,Q3,…的预定义函数，该预定义数学函数允许基于驾驶路线上的摩擦能相关量Q1,Q2,Q3,…来计算(一般)轮胎在该驾驶路线上所经历的总摩擦能EFR。
鉴于上述情况，显然，通过在所进行的胎面磨损测试(图1中的框11)期间测量第一摩擦能相关量(图1中的框12)，可以基于等式(3)来计算(图1中的框13)被测试的轮胎所经历的总摩擦能EFR。然后，可以根据等式(1)、基于等式(3)计算出的总摩擦能EFR、以及针对胎面磨损测试所测量(图1中的框12)的胎面磨损相关量来计算(再次为图1中的框13)给定参数n,k,…的集合。否则，可以根据等式(2)、基于等式(3)计算出的总摩擦能EFR、以及针对胎面磨损测试所测量(图1中的框12)的胎面磨损相关量来计算(图1中的框13)给定参数n和k。
方便地，对于胎面磨损测试(图1中的框11)，可以定义要模拟的驾驶路线、然后通过一个或多个轮胎测试系统/装置/机器(诸如一个或多个室内磨损测试机等)来模拟驾驶路线，该一个或多个轮胎测试系统/装置/机器在所进行的胎面磨损测试期间提供对第一摩擦能相关量(例如，侧偏和纵向总力、滑移角、滑移率、侧偏刚度等)的测量。作为替代，胎面磨损相关量可以在各模拟驾驶路线之后通过胎面花纹深度测量工具方便地测量。
根据上述情况，显然，胎面磨损模型校准步骤1允许针对各种轮胎类型/模型获得相应的特定校准TWM。方便地，可以执行胎面磨损模型校准步骤1，以根据轮胎在机动运载工具上的安装位置针对各种轮胎类型/模型获得多个相应的特定校准TWM，诸如安装在前轮上的轮胎的第一校准TWM和安装在后轮上的轮胎的第二校准TWM、或者甚至在四轮机动运载工具的情况下的安装在右前轮上的轮胎的第一校准TWM、安装在左前轮上的轮胎的第二校准TWM、安装在右后轮上的轮胎的第三校准TWM以及安装在左后轮上的轮胎的第四校准TWM。
另外，如图2所示，胎面磨损监测步骤2包括：
·从配备有两个或更多个轮的机动运载工具(例如，小型摩托车、摩托车、汽车、厢式货车、卡车等)的运载工具总线获取与机动运载工具的驾驶相关的驾驶相关量(例如，纵向加速度和横向加速度、速度、转向角、横摆率、运载工具侧滑、轮角速度等)(框21)，其中该两个或更多个轮各自装配有轮胎；
·基于所获取的驾驶相关量以及与机动运载工具相关的预定义运载工具动力学模型来计算与机动运载工具的轮胎在驾驶期间所经历的摩擦能相关的第二摩擦能相关量(框22)；
·估计(框23)：
-基于第二摩擦能相关量和校准TWM来估计机动运载工具的轮胎在驾驶期间所经历的胎面磨损，以及
-基于所估计的胎面磨损来估计机动运载工具的轮胎的RTM。
优选地，计算第二摩擦能相关量(框22)包括：
·提供预定义运载工具动力学模型，该预定义运载工具动力学模型与机动运载工具相关，并且该模型在数学上将如下的量进行相关：
-在驾驶期间从机动运载工具的运载工具总线获取的驾驶相关量(例如，纵向加速度和横向加速度、速度、转向角、横摆率、运载工具侧滑、轮角速度等)，
-与机动运载工具的轮胎在驾驶期间所经历的摩擦能相关的第二摩擦能相关量；以及
·基于预定义运载工具动力学模型和所获取的驾驶相关量(方便地，通过将所获取的驾驶相关量输入到预定义运载工具动力学模型中)来计算第二摩擦能相关量。
预定义运载工具动力学模型方便地基于机动运载工具的动力学的预定义数学公式化，该预定义数学公式化允许基于在运载工具上执行的测量(即，产生驾驶相关量的测量)来计算轮胎在驾驶期间所经历的力和滑移。例如，预定义运载工具动力学模型可以用数学术语表示为：
Q1,Q2,Q3,…＝h(P1,P2,P3,…) (4)
其中，
·P1,P2,P3,…表示所获取的驾驶相关量(如前所述，其可以包括纵向加速度和横向加速度、速度、转向角、横摆率、运载工具侧滑、轮角速度等)，
·Q1,Q2,Q3,…表示在这种情况下的第二摩擦能相关量(例如，侧偏和纵向总力、滑移角、滑移率、侧偏刚度等)，以及
·h(P1,P2,P3,…)表示所获取的驾驶相关量P1,P2,P3,…的预定义数学函数，该预定义数学函数允许基于所获取的驾驶相关量P1,P2,P3,…来计算第二摩擦能相关量Q1,Q2,Q3,…。
因此，一旦已经基于所获取的驾驶相关量P1,P2,P3,…和等式(4)计算出计算第二摩擦能相关量Q1,Q2,Q3,…，就可以通过将第二摩擦能相关量Q1,Q2,Q3,…输入到校准TWM中(即，通过将第二摩擦能相关量Q1,Q2,Q3,…输入到以胎面磨损模型校准步骤1中所计算出的给定参数的校准值为特征的预定义参考TWM中)来估计机动运载工具的轮胎在驾驶期间所经历的胎面磨损(图2中的框23)。
在极端合成中，在胎面磨损模型校准步骤1中，胎面磨损相关量(即，等式(1)和(2)中的WT)和第一摩擦能相关量(即，等式(3)中的Q1,Q2,Q3,…)是“已知的”，而给定参数(即，等式(1)中的n,k,…以及等式(2)中的n和k)是“未知的”，但可以使用等式(1)和(3)、或(2)和(3)来计算。
作为替代，在胎面磨损监测步骤2中，从胎面磨损模型校准步骤1中已知给定参数(即，等式(1)中的n,k,…以及等式(2)中的n和k)，另外从运载工具上的测量“已知”驾驶相关量(即，等式(4)中的P1,P2,P3,…)。因此，可以通过使用等式(1)、(3)和(4)、或者(2)、(3)和(4)来估计胎面磨损(即，等式(1)和(2)中的WT)。
方便地，对于各种机动运载工具类型/模型，在胎面磨损监测步骤2中使用相应的预定义运载工具动力学模型来计算第二摩擦能相关量(图2中的框22)。更方便地，对于各种机动运载工具类型/模型，可以使用多个相应的预定义运载工具动力学模型来考虑机动运载工具上的轮胎的不同安装位置(即，前轮和后轮、或右前轮和左前轮以及右后轮和左后轮)。
优选地，估计胎面磨损(图2中的框23)包括基于第二摩擦能相关量和校准TWM来计算指示由于机动运载工具所驾驶的距离而引起的胎面花纹深度的减小的胎面磨损值，并且估计RTM(再次为图2中的框23)包括基于胎面磨损值和初始胎面花纹深度来计算剩余胎面花纹深度。方便地，剩余胎面花纹深度用剩余胎面花纹深度相对于初始胎面花纹深度的百分比表示。
另外，估计RTM(图2中的框23)方便地包括在剩余胎面花纹深度达到预定义阈值的情况下(例如，在剩余胎面花纹深度百分比达到或低于初始胎面花纹深度的20％的情况下)检测机动运载工具的轮胎的接近寿命终止状况。
优选地，机动运载工具每驾驶N千米/英里执行胎面磨损和RTM估计(图2中的框23)，其中，N表示预定义正整数(例如，N可以等于5000或10000或甚至更小的千米/英里数)。
如果在胎面磨损监测下的机动运载工具的驾驶员/所有者前往轮胎店以测量他/她的机动运载工具的胎面花纹深度，则可以方便地增强胎面磨损和RTM估计(图2中的框23)的准确性和可靠性。事实上，基于通过胎面花纹深度测量工具进行的胎面花纹深度测量，可以有利地校正所估计的胎面磨损和RTM(因为该测量允许消除估计误差、从而重置胎面磨损和RTM估计)。
另外，102018000006322还公开了胎面监测系统，其在图3中示意性地示出(其中该胎面监测系统整体用3表示)并且包括：
·获取装置31，其：
-安装在配备有两个或更多个轮的机动运载工具上(在图3中未示出-例如，小型摩托车、摩托车、汽车、厢式货车、卡车等)，该两个或更多个轮各自装配有轮胎，以及
-耦接至机动运载工具的运载工具总线40(例如，基于控制器区域网络(CAN)总线标准)以获取驾驶相关量(图2中的框21)；
·处理装置/系统32，其以有线或无线的方式连接至获取装置31以从其接收驾驶相关量，并被编程为：
-计算第二摩擦能相关量(图2中的框22)，以及
-估计胎面磨损和RTM(图2中的框23)；以及
·通知装置33，其被配置为向与机动运载工具相关联的用户(例如，机动运载工具的驾驶员和/或所有者)通知处理装置/系统32所估计的轮胎的RTM。
方便地，通知装置33被配置为向与机动运载工具相关联的用户警告处理装置/系统32针对机动运载工具的轮胎所检测到的接近寿命终止状况。
另外，图4和图5示意性地示出根据102018000006322的胎面磨损监测系统3的两个具体优选实施例。
特别地，参考图4，在胎面磨损监测系统3的第一具体优选实施例(整体用3A表示)中：
·处理装置/系统32通过云计算系统32A实现/执行，该云计算系统32A(例如，经由一种或多种移动通信技术，诸如GSM、GPRS、EDGE、HSPA、UMTS、LTE、LTE Advanced和/或未来第五代(或甚至更远)无线通信系统等)无线地且远程地连接至获取装置31；以及
·通知装置33通过电子通信装置33A(诸如智能手机、平板电脑、膝上型计算机、台式计算机、智能TV、智能手表等)实现/执行，该电子通信装置33A同与机动运载工具(在图4中用4表示)相关联的用户(在图4中用5表示)相关联(例如，被该用户拥有和/或使用)、并且经由一个或多个有线和/或无线网络而远程连接至云计算系统32A。
优选地，云计算系统32A被编程为向电子通信装置33A发送RTM通知，该电子通信装置33A然后向用户5提供RTM通知。例如，电子通信装置33A可以方便地是安装有软件应用(即，所谓的app)的智能手机或平板电脑，该app被配置为从云计算系统32A接收指示所估计的轮胎的RTM的推送通知。还可以使用其它类型的RTM通知，诸如SMS消息、电子邮件消息或更一般的文本和/或音频和/或图像和/或视频和/或多媒体类型的消息。
值得注意的是，云计算系统32A可以有利地用于向许多机动运载工具4以及由此的许多用户5提供胎面磨损监测服务。
作为替代，参考图5，在胎面磨损监测系统3的第二具体优选实施例(整体用3B表示)中：
·处理装置/系统32通过机动运载工具4上所安装的(汽车)电子控制单元(ECU)32B实现/执行；以及
·通知装置33通过机动运载工具4上所设置的人机接口(HMI)33B实现/执行。
在第二具体优选实施例3B中，ECU 32B可以方便地经由HMI 33B(其因此可以方便地包括屏幕和/或图形指示器)所显示的图形消息来向机动运载工具4的驾驶员通知所估计的轮胎的RTM。
ECU 32B可以方便地是特定专用于胎面磨损监测的ECU、或专用于也包括胎面磨损监测的多个任务的ECU。
类似地，HMI 33B可以方便地是特定专用于胎面磨损监测的HMI、或专用于也包括胎面磨损监测的多个任务的HMI(例如，车载远程信息学和/或驾驶员辅助系统的HMI)。
鉴于上述情况，显然，通过考虑轮胎磨损物理学、运载工具动力学和驾驶方式，根据102018000006322的胎面磨损监测方法和系统允许以非常高效且可靠的方式来自动估计轮胎胎面磨损和RTM，其中，既不需要驾驶员拥有胎面花纹深度测量工具，也不需要前往轮胎店来测量他/她的机动运载工具的胎面花纹深度。
发明内容
根据102018000006322的胎面磨损监测方法允许将胎面磨损估计为沿着胎面轮廓的平均材料消耗，由此隐含地假定完全规则的胎面磨损(即，假定所有胎面花纹条以基本上相同的速度磨损)。
然而，申请人已注意到，在许多情况下，轮胎胎面不规则地磨损，其中一个或多个条由于轮胎设计和使用而磨损得相当快。
因此，本发明的目的是提供改进胎面磨损监测方法和改进胎面磨损监测系统，从而允许通过考虑不规则的胎面磨损以增强的准确性来估计剩余胎面材料(RTM)。
该目的通过本发明实现，因为本发明涉及如所附权利要求中所定义的胎面磨损监测方法和胎面磨损监测系统。
附图说明
为了更好地理解本发明，现将参考附图(所有都没有按比例)来描述仅旨在通过非限制性示例的方式的优选实施例，其中：
图1和图2示意性地分别示出根据申请人的意大利专利申请102018000006322的胎面磨损监测方法的胎面磨损模型校准步骤和胎面磨损监测步骤；
图3示意性地示出根据102018000006322的用于执行图2的胎面磨损监测步骤的胎面磨损监测系统；
图4和图5示意性地示出根据102018000006322的图3的胎面磨损监测系统的两个具体优选实施例；
图6和图7示意性地分别示出根据本发明的优选实施例的改进胎面磨损监测方法的预备步骤和改进胎面磨损监测步骤；以及
图8示意性地示出用于执行图7的改进胎面磨损监测步骤的改进胎面磨损监测系统的非限制性示例。
具体实施方式
提出以下讨论以使得本领域技术人员能够制造和使用本发明。对实施例的各种修改在不脱离所要求保护的本发明的范围的情况下，对本领域技术人员将是显而易见的。因此，本发明不旨在限于所示和所描述的实施例，而应被赋予符合在本文中公开并在所附权利要求中定义的原理和特征的最宽保护范围。
本发明涉及改进胎面磨损监测方法(特别地，相对于根据申请人的意大利专利申请102018000006322的解决方案改进)，其包括预备步骤和改进胎面磨损监测步骤。
在这方面，图6示意性地示出根据本发明的优选实施例的预备步骤(整体用6表示)。特别地，预备步骤6包括执行根据102018000006322的胎面磨损监测方法中的胎面磨损模型校准步骤1，从而确定校准胎面磨损模型(TWM)。在这方面，值得注意的是，考虑到以上对胎面磨损模型校准步骤1的详细描述，以下将不再描述该胎面磨损模型校准步骤1，除了在下文中将明确描述的相关差异/变化之外，上述内容保持有效。
另外，预备步骤6还包括：
·基于所测量到的胎面磨损相关量(其在图1中的框12处测量，并指示由在图1的框11处进行的胎面磨损测试导致的胎面磨损)中的一个或多个来确定与由于轮胎特征(例如，图案、构造等)引起的不规则胎面磨损相关的第一校正因子——图6中的框61；以及
·训练人工神经网络(ANN)以提供与由于轮胎使用(例如，由于驾驶方式、驾驶路线、运载工具特征等)引起的不规则胎面磨损相关的第二校正因子——图6中的框62。
优选地，第一校正因子指示针对由于轮胎特征引起的不规则胎面磨损的、最磨损胎面点处的剩余胎面材料(RTM)与平均RTM的第一比，并且各第二校正因子指示针对由于轮胎使用引起的不规则胎面磨损的、最磨损胎面点处的RTM与平均RTM的相应的第二比。
详细地，根据本发明的具体的非限制性优选实施例：
·进行胎面磨损测试(图1中的框11)包括：
-定义要模拟的测试驾驶路线；以及
-通过模拟测试驾驶路线的轮胎测试系统/装置/机器(诸如室内磨损测试机等)来对给定轮胎进行胎面磨损测试；
·测量胎面磨损相关量(图1中的框12)包括由胎面花纹深度测量工具测量给定轮胎的胎面花纹深度轮廓，该胎面花纹深度轮廓从所模拟的测试驾驶路线得到；以及
·确定第一校正因子(图6中的框61)包括：
-基于所测量到的胎面花纹深度轮廓来确定给定轮胎的最磨损胎面点处(例如，最磨损胎面花纹条处)的第一最差点RTM量RTM1,WP以及该给定轮胎的胎面轮廓上的第一平均RTM量RTM1,AV，以及
-计算第一校正因子CF1作为第一最差点RTM量RTM1,WP与第一平均RTM量RTM1,AV的比(即，CF1＝RTM1,WP/RTM1,AV)。
方便地，进行胎面磨损测试(图1中的框11)还包括：
·选择一个或多个运载工具模型和一个或多个轮胎模型；
·定义要模拟的一个或多个测试驾驶路线；以及
·由对所选运载工具模型的装配有给定轮胎的一个或多个机动运载工具所驾驶的测试驾驶路线进行模拟的一个或多个轮胎测试系统/装置/机器(诸如一个或多个室内磨损测试机等)来对所选轮胎模型的一个或多个给定轮胎进行一个或多个胎面磨损测试。
以这种方式，可以针对不同运载工具模型、不同轮胎模型和不同测试驾驶路线定义(图6中的框61)不同的第一校正因子。
优选地，基于包括轮胎使用相关统计数据和相应RTM相关统计数据的给定数据库(例如，磨损车队数据库)来训练(图6中的框62)ANN。
更优选地，轮胎使用相关统计数据指示与使用轮胎相关联并且导致该使用轮胎的不规则胎面磨损的记录轮胎使用相关量(例如，通常引起不规则胎面磨损的运载工具和路线参数，诸如被表示为横向加速度和纵向加速度的均方根(RMS)的路线严重度、运载工具轮对准和轮胎充气压力等)，而相应RTM相关统计数据指示针对使用轮胎确定的RTM量对，其中各个RTM量对：
·与相应使用轮胎相关，并对应于与相应使用轮胎相关联的相应记录轮胎使用相关量；以及
·包括相应使用轮胎的最磨损胎面点处的相应第二最差点RTM量RTM2,WP以及该相应使用轮胎的胎面轮廓上的相应第二平均RTM量RTM2,AV。
另外，训练AMN(图6中的框62)优选地包括：
·针对各使用轮胎，计算相应第二校正因子CF2作为相应第二最差点RTM量RTM2,WP与相应第二平均RTM量RTM2,AV的比(即，CF2＝RTM2,WP/RTM2,AV)；以及
·通过执行监督学习技术来训练ANN，该监督学习技术包括针对各使用轮胎，将与该使用轮胎相关联的记录轮胎使用相关量作为输入并将相应第二校正因子CF2作为输出应用于ANN，由此，ANN被训练为基于所输入的轮胎使用相关量来输出相应第二校正因子CF2。
值得注意的是，第一校正因子CF1和第二校正因子CF2由于不规则胎面磨损而通常小于1(而对于完全规则的胎面磨损，它们将等于1)，其中，第一最差点RTM量RTM1,WP/第二最差点RTM量RTM2,WP相对于第一平均RTM量RTM1,AV/第二平均RTM量RTM2,AV越小(例如，由于极其不规则的胎面磨损)，第一校正因子CF1/第二校正因子CF2就越小。
因此，第一校正因子CF1和第二校正因子CF2可以有利地用于改进胎面磨损监测步骤中，以改善通过执行如前面根据102018000006322所述的前述胎面磨损监测步骤2而进行的RTM估计(如前所述，该RTM估计基于胎面轮廓上的平均胎面磨损估计，由此，忽略不规则的胎面磨损)。以这种方式，可以获得还考虑了不规则胎面磨损的更准确的RTM估计(即，更准确的轮胎剩余使用寿命(RUL)估计)。采用数学术语，该RTM估计改善可以方便地表示为：
RTMrefined＝RTMaverage·CF1·CF2 (5)
其中，
·RTMaverage表示通过实现根据102018000006322的前述胎面磨损监测步骤2而估计的第三平均RTM量；以及
·RTMrefined表示考虑了由于轮胎特征(经由CF1)和轮胎使用(经由CF2)引起的不规则胎面磨损的校正RTM量。
在这方面，图7示意性地示出根据本发明的优选实施例的改进胎面磨损监测步骤(整体用7表示)。特别地，改进胎面磨损监测步骤7包括：
·执行根据102018000006322的胎面磨损监测方法中的胎面磨损监测步骤2，从而获得第三平均RTM量RTMaverage；以及
·基于第一校正因子CF1和第二校正因子CF2(方便地，通过使用式(5))来进行RTM估计改善(框71)，从而获得考虑了由于轮胎特征和轮胎使用所引起的不规则胎面磨损的校正RTM量RTMrefined。
在这方面，值得注意的是，考虑到以上对胎面磨损监测步骤2的详细描述，以下将不再描述该胎面磨损监测步骤2，除了在下文中将明确描述的相关差异/变化之外，上述内容保持有效。
更详细地，进行RTM估计改善(图7中的框71)包括：
·由训练后的ANN基于所获取(在图2中的框21处获取)的驾驶相关量中的一个或多个来提供第二校正因子CF2；以及
·根据第一校正因子CF1以及由训练后的ANN基于所获取的一个或多个驾驶相关量而提供的第二校正因子CF2来校正第三平均RTM量RTMaverage。
优选地，所获取的驾驶相关量包括指示在胎面磨损监测下的运载工具的横向加速度和纵向加速度的加速度相关量，并且由训练后的ANN提供第二校正因子CF2包括：
·基于加速度相关量来计算指示在胎面磨损监测下的运载工具的平均横向加速度和平均纵向加速度的平均加速度相关量(诸如横向加速度和纵向加速度的RMS)；以及
·将平均加速度相关量、指示与在胎面磨损监测下的轮胎相关联的轮胎充气压力的至少压力相关量、以及同与在胎面磨损监测下的轮胎和运载工具相关联的前束角、外倾角和负荷相关的量输入到训练后的ANN中，由此，训练后的ANN输出相应校正因子CF2。
方便地，压力相关量可被包括在所获取的驾驶相关量中，或者可以是存储在存储器中的预定义压力相关量，而与前束角、外倾角和负荷相关的量是存储在存储器中的预定义量。
换个角度来看，在预备步骤6中基于轮胎使用相关统计数据和RTM相关统计数据进行的ANN训练(图6中的框62)中，ANN被训练为学习改进胎面磨损监测步骤7中所要使用的以下函数(特别地，用于确定RTM估计改善中所要使用的第二校正因子CF2——图7中的框71)：
CF2＝r(RMSAy,RMSAx,Pressure,Toe,Camber,Load) (6)
其中，
·RMSAy和RMSAx表示分别指示在胎面磨损监测下的平均横向加速度和平均纵向加速度的平均加速度相关量(特别地，横向加速度和纵向加速度的RMS)；
·Pressure表示压力相关量；
·Toe、Camber和Load表示分别与前束角、外倾角和负荷相关的量；以及
·如前所述，CF2等于RTM2,WP/RTM2,AV。
根据上述情况，立刻清楚的是，可以方便地进行预备步骤6的ANN训练(图6中的框62)，以获得针对不同轮胎模型和/或不同运载工具模型而特定训练的不同ANN。
本发明还涉及改进胎面磨损监测系统，从架构观点来看，该改进胎面磨损监测系统与先前详细描述的在图3中示出的根据102018000006322的胎面磨损监测系统3具有相同的架构，其中，根据本发明的处理装置/系统32将第一校正因子CF1存储在内部存储器中，包括训练后的ANN，并且被编程为通过执行根据102018000006322的胎面磨损监测步骤2并进行RTM估计改善(图7中的框71)来执行改进胎面磨损监测步骤7。
显然，可以方便地采用先前详细描述的在图4和图5中示出的胎面磨损监测系统3的两个具体优选实施例，从而还执行根据本发明的改进胎面磨损监测系统。
在这方面，值得注意的是，还可以方便地采用混合架构(在图8中示出，并且整体用3C表示)，以执行根据本发明的改进胎面磨损监测系统，其中，云计算系统32A与(被安装在机动运载工具4上并且经由一个或多个无线网络而远程连接至云计算系统32A的)HMI 33B一起使用。
根据上述情况，本发明的技术优势和创新特征立刻对本领域技术人员是清楚的。
特别地，重要的是指出，本发明允许通过考虑与轮胎特征和轮胎使用相关的不规则轮胎磨损以极高的准确性(特别地，以相对于根据102018000006322的解决方案增强的准确性)来估计RTM。
总之，显然，可以对本发明进行许多修改和变型，所有这些修改和变型都落在如所附权利要求中所定义的本发明的范围内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：充气轮胎