一种基于轮胎耐久试验的内部损伤识别方法及系统

本发明涉及轮胎内部识别，具体为一种基于轮胎耐久试验的内部损伤识别方法及系统。

背景技术：

1、在实验室中，通常通过模拟真实使用环境对轮胎进行耐久试验，以检测其在不同应力条件下的性能表现和损伤情况，然而现有的轮胎耐久试验方法在识别轮胎内部损伤方面存在一定的局限性，一种是通过闻气味来判断轮胎是否发生损坏；另一种是使用防暴叉，当轮胎损坏时触发防暴叉停止实验，这两种方法在实践中存在以下缺陷和不足，通过闻气味来判断轮胎损坏的方法主要依赖于轮胎材料在损坏后释放出的气味，这种方法具有高度的主观性，依赖于检测人员的嗅觉敏感度，容易出现误判或漏判的情况，此外，当轮胎已经释放出气味时，往往意味着其内部已经发生了较为严重的损伤，难以及时发现初始损伤；

2、防暴叉的设计目的是在轮胎发生明显损坏时自动停止实验，以防止实验设备受到进一步的损坏，然而，这种方法也是在轮胎已经发生明显破坏的情况下才会触发停止，无法提前识别轮胎的初始内部损伤，这种滞后的检测方式不利于研发人员准确确定轮胎内部损伤发生的时间和位置，从而影响了对轮胎损伤机制的深入研究，综上所述，现有的轮胎耐久试验内部损伤识别方法存在反应滞后、检测精度低、主观性强等问题，无法满足实验室对轮胎内部损伤早期识别的需求。因此，设计提高轮胎损伤识别的及时性和准确性，促进轮胎研发和性能优的一种基于轮胎耐久试验的内部损伤识别方法及系统是很有必要的。

技术实现思路

1、本发明的目的在于提供一种基于轮胎耐久试验的内部损伤识别方法及系统，为了克服现有轮胎耐久试验内部损伤识别方法的不足，提出一个结合频谱熵、相似熵以及差值特征的自动编码器的方法，结合轮胎内部黏贴的加速度传感器采集的加速度信号，进行轮胎内部损伤识别，通过对轮胎运行过程中采集的加速度数据进行实时分析和处理，实现对轮胎内部初始损伤的及时检测。

2、为了解决上述技术问题，本发明提供如下技术方案：一种基于轮胎耐久试验的内部损伤识别方法，包括在轮胎内部黏贴加速度传感器，实时采集轮胎运行过程中的加速度信号，获取轮胎由正常到破坏的全生命周期加速度信号；

3、step1：进行数据分帧；

4、step2：进行数据筛选；

5、step3：对一帧的数据进行缩放；

6、step4：进行特征提取；

7、step5：构造特征序列；

8、step6：进行autoencoder模型构建；

9、step7：进行模型训练；

10、step8：进行模型使用。

11、根据上述技术方案，所述进行数据分帧和进行数据筛选时：

12、当轮胎内部发生破损时，加速度信号的时频域特征发生不同程度的变化，基于获取的轮胎由正常到破坏的全生命周期加速度信号进行数据分析：

13、因为加速度信号连续采集，进行内部损伤识别需要使用固定长度的数据段进行分析，设置传感器的采样频率为1600hz，为了保证内部损伤的时效性，使用每5s的数据作为一帧，用以特征识别；

14、对5s内加速度数据有效性进行判断，当满足条件，则此帧数据用以后续处理。

15、根据上述技术方案，所述筛选步骤包括：查找5s内所有的波峰数据，获得5s内所有的负峰(谷)数据，计算相邻峰间的距离和相邻谷之间的距离，将所有距离放到一起，判断有误离群值，离群值定义为比上四分位数(75％)大1.5个四分位差以上或比下四分位数(25％)小1.5个四分位差以上的元素，当有离群值时此帧数据不作丢弃处理，否则进入step3，判断是否所有峰的最小值大于谷的绝对值的最大值，当不满足时此帧丢弃，不作处理，否则进入step3。

16、根据上述技术方案，所述对一帧的数据进行缩放时，将一帧数据除以一帧数据的最大值。

17、根据上述技术方案，所述对每一帧数据分别提取以下特征：

18、频谱熵(s)：频谱熵将信号在频域中的归一化功率分布视为概率分布，并计算其香农熵，频谱熵的公式来源于信号的功率谱和概率分布的公式，具体计算过程为：频谱熵越大，代表加速度信号的能量在频域上越分散，当轮胎内部损坏时，加速度信号在频域上能量愈加分散，频谱熵越大，

19、频谱熵的公式来源于信号的功率谱和概率分布的公式，对于信号x(n)，其功率谱为s(m)＝|x(m)|2，其中x(m)是x(n)的离散傅里叶变换，概率分布p(m)为：

20、频谱h计算如下：

21、归一化后：

22、其中，n是总的频率点数。分母log2 n代表在频域中均匀分布的白噪声的最大频谱，当已知时间-频率功率谱图s(t，f)，则概率分布为：

23、频谱熵仍为：

24、近似熵(e)：表示时间序列中存在着一定的规律性和重复性，这意味着信号的模式较为预测性，较容易通过历史数据进行预测，因此，较小的近似熵值通常与较规律的、周期性的信号相关联，当轮胎内部损伤时，加速度信号愈加混乱，近似熵增大；

25、近似熵计算过程包括：选择嵌入维度m和延迟τ，需要根据具体的应用场景选择适当的嵌入维度m和延迟τ，嵌入维度m决定了每个延迟重构向量中包合的数据点数量，延迟τ决定了相邻延迟重构向量之间的时间间隔；

26、构造延迟重构序列y1:n，对于每个时间点t，根据延迟τ和嵌入维度m，构造一个延迟重构向量yt，它包含了原始序列x中从t开始的连续m个数据点，具体地，延迟重构向量y的第一个元素是x(t)，第二个元素是x(t+τ)，第三个元素是x(t+2τ)，依此类推，直到m个元素都被添加到向量中，从原始序列x中生成了延迟重构序列y1:n；

27、将嵌入维度选择2，延迟τ设为1；

28、计算

29、其中l是指示函数，如果两个数据点之间的无穷范数小于r，则＝1，否则＝0；

30、对于每个数据点i，计算在距离该点i范围内的数据点数量ni，使用了指示函数表示如果两个数据点之间的距离小于半径r，则指示函数的值为1，否为0，通过对所有的数据点k进行求和，得到距离点范围内的数据点数量ni；

31、式子中的||yi-yk||∞表示延迟重构向量yi和yk之间的欧氏距离，当这个距离小于半径r，则指示函数的值为1，表示yk在点i的范围内，通过对所有满足条件的数据点k进行求和，得到了在点i处的范围内的数据点数量ni；

32、最终，近似熵为：

33、每一帧内，相邻峰与谷的绝对值之差平均值。

34、根据上述技术方案，所述对每一帧内数据，分别计算其频谱熵(s)、近似熵(e)以及差值(d)，这样每一帧数据就转化为一个3特征的序列，当轮胎耐久试验过程中，三个特征随着试验的进行发生变化。

35、根据上述技术方案，所述模型架构包括：使用tensorflow进行模型搭建，model＝sequential()

36、model.add(dense(10，input_dim＝3，activation＝'relu'))

37、model.add(dense(3，activation＝'relu'))

38、model.add(dense(10，activation＝'relu'))

39、model.add(dense(x_good.shape[1]))

40、model.compile(loss＝'mean_squared_error'，optimizer＝'adam')

41、其中input_dim＝3对应着共有3个特征。

42、根据上述技术方案，所述将1-4个轮胎未损坏的工况的数据导入模型进行训练。

43、根据上述技术方案，所述使用轮胎正常的数据进行模型训练，当轮胎内部发生损坏，也即信号特征发生明显变化时，使用模型预报的特征将与实际特征的差异将明显变大，也即轮胎发生损坏；

44、通过模型预报误差的变化，得到前期模型预报误差很小，而到某一个时间点，预报误差突然变大，也即加速度信号的特征发生了明显的变化；

45、通过在误差明显变大的时间点停止设备运行，将轮胎拆卸，发现轮胎外表面无明显变化，通过切割轮胎断面，发现轮胎内部以发生破损，实现轮胎内部损伤的预警。

46、根据上述技术方案，所述应用于一种基于轮胎耐久试验的内部损伤识别系统，所述该系统包括：

47、接收终端，用于接收传感器信号；

48、电源插头终端，用于给接收终端供电；

49、蓝牙天线接头终端，用于连接蓝牙天线；

50、蓝牙天线终端，用于接收传感器信号并传给上位端。

51、与现有技术相比，本发明所达到的有益效果是：本发明如下有益效果：

52、1、时效性：改进了传统基于防暴叉与闻气味的方式，在轮胎外观未出现明显损失时便可发现轮胎内部损伤，并及时提醒操作人员停机，大大提交了轮胎损坏识别的时效性。

53、2、高精度：autoencoder模型，通过对实时采集的加速度信号进行深度学习分析，能够准确识别出轮胎内部的微小损伤。这种高精度的检测手段能够捕捉到传统方法难以察觉的细微变化，从而提高了轮胎损伤识别的准确性。

54、3、自动化程度高：整个识别过程高度自动化，无需人工干预，从数据采集、处理到损伤识别均由系统自动完成，减少了人为因素的干扰，提高了实验效率和检测可靠性。