(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111636179.6 (22)申请日 2021.12.27 (71)申请人 江苏理工学院 地址 213011 江苏省常州市中吴大道1801 号 (72)发明人 李波　顾甜莉　赵齐贤　周丹　 周鑫烨　高陈诚　贝绍轶　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 代理人 杭行 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/15(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 轮胎侧偏角在线估算方法、 装置、 终端及可 读存储介质 (57)摘要 本发明是一种轮胎侧偏角在线估算方法、 装 置、 终端及可读存储介质， 方法包括： 获取包括轮 胎气压、 速度、 负载、 附着系数和横向位移的数据 采集， 并通过数据采集将数据集随机拆 分为训练 集、 验证集及测试集； 创建BP神经网络模型， 网络 模型的输入为数据集中的数据， 输出为轮胎侧偏 角； 基于训练集、 验证集和预先设定的均方误差 对BP神经网络模型训练， 确定BP神经网络模型的 结构及网络参数； 将测试集中的数据输入训练好 的BP神经网络模型， 对其数据所属轮胎的侧偏角 进行预估， 装置包括数据获取模块、 神经网络创 建模块、 神经网络训练模块和轮胎侧偏角预测模 块。 本发明成本低、 轮胎侧偏角估算精确， 解决了 轮胎侧偏角预测的难题。 权利要求书2页 说明书8页 附图6页 CN 114297894 A 2022.04.08 CN 114297894 A 1.一种轮胎侧偏角在线估算方法， 其特 征在于： 所述估算方法包括如下步骤： 步骤1： 获取包括轮胎气压、 速度、 负载、 附着系数和横向位移的数据采集， 并通过数据 采集将数据集随机拆分为训练集、 验证集及测试集； 步骤2： 创建BP神经网络模型， 所述网络模型的输入为所述数据集中的数据， 输出为轮 胎侧偏角； 步骤3： 基于所述训练集、 验证集和预先设定的均方误差对所述BP神经网络模型训练， 确定所述BP神经网络模型的结构及网络参数； 步骤4： 将所述测试集中的数据输入训练好的BP神经网络模型， 对其数据 所属轮胎的侧 偏角进行 预估。 2.根据权利要求1所述轮胎侧偏角在线估算方法， 其特征在于： 所述步骤2创建的BP神 经网络模 型中包括输入层、 一层隐藏层和输出层， 激活函数为tansig， 所述BP神经网络模 型 具体包括如下步骤： 步骤2‑1： 根据隐藏层节点数、 输入层节点数和输出层节点数之间的关系确定隐藏层节 点数的范围： 其中， n1为隐藏层节点数， n 为输入节点的个数， m为输出节点的个数， a为1 ‑10的常数； 步骤2‑2： 根据所述隐藏层节点数的范围建立相应的BP神经网络模型。 3.根据权利要求2所述轮胎侧偏角在线估算方法， 其特征在于： 所述步骤3具体包括如 下步骤： 步骤3‑1： 依次对包含不同数量隐藏层节点数的BP神经网络模型进行迭代训练， 并记录 每次迭代后的均方误差， 所述训练方法为t rainlm训练法； 步骤3‑2： 比较各次迭代的均方误差， 选定均方误差最小值对应的节点数作为隐藏层节 点数， 并以此确定所述BP神经网络模型的结构及网络参数。 4.根据权利要求3所述轮胎侧偏角在线估算方法， 其特征在于： 所述步骤3 ‑2中， 在确定 的所述BP神经网络模型的结构及网络参数中， 所述隐藏层节点数为8， 隐藏层各节点的激励 函数为： 其中， Oj为第j个隐藏节点的激励， j＝1,2...,8； tansig隐含层的传递函数， wjl为隐含 层第j个隐藏节点到输出层第l个神经元的权重， xi为第i输入参数， i＝1,2,...,5； θj为隐含 层第j个隐藏节点阈值。 5.根据权利要求1所述轮胎侧偏角在线估算方法， 其特征在于： 所述步骤4中， BP神经网 络模型预测的轮胎侧偏角M为： 其中， pur elin函数为输出层的激励函数， wij为第i个隐藏节点到输出层第j个神经元的 权值， θm为输出层的第m个神经 元阈值， BP神经网络模型对测试集中的数据样本进行轮胎侧偏角SA预测之后， 对数据样本进行权　利　要　求　书 1/2 页 2 CN 114297894 A 2反归一处 理， 并根据下式对预测精度进行评价， 以此确定最终的轮胎侧偏角预估神经网络： ε＝x‑a 其中， x为轮胎侧偏角预测值， a为轮胎侧偏角， 此时假设轮胎侧偏角度为SA， 其预测模型的神经网络基本表达式为： SA＝w2*tansig(w1*in+b1)+b2 其中， b1、 b2分别代表输入层到隐含层以及隐含层到输出层的阈值,w1、 w2分别代表输入 层到隐含层以及隐含层到输出层的权值， tansig为传递函数； in为输出量， 若不考虑归一 化， 则预测模型的神经网络基本表达式进一 步写为： 其中 x1,x2,x3,x4,x5分别为轮胎的胎压、 附着系数、 速度、 负载、 横向位移。 6.根据权利要求1 ‑5任一项所述轮胎侧偏角在线估算装置， 其特征在于： 所述在线估算 装置包括： 数据获取模块， 用于获取包含气压、 速度、 负载、 附着系数和 横向位移的数据集， 并将所 述数据集随机拆分为训练集、 验证集及测试集； 神经网络创建模块， 用于创建BP神经网络模型， 所述网络模型的输入为所述数据集中 的数据， 输出为轮胎侧偏角； 神经网络训练模块， 基于所述训练集、 验证集和预先设定的均方误差对所述BP神经网 络模型训练， 确定所述BP神经网络模型的结构及网络参数； 轮胎侧偏角预测模块， 用于将所述测试集中的数据输入训练好的BP神经网络模型， 对 其数据所属轮胎的侧偏角进行 预估。 7.一种终端设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 运行的计算机程序， 其特征在于： 所述处理器运行计算机程序时实现如权利要求 1‑5任意一 项所述轮胎侧偏角预估方法的步骤。 8.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于： 所述计算机程序被处理器执行时实现如权利要求1 ‑5任意一项所述轮胎侧偏角估算方 法的步骤。权　利　要　求　书 2/2 页 3 CN 114297894 A 3