技术领域
[0001] 本
发明涉及
汽车轮胎气压监测报警系统技术领域，具体地涉及一种基于CAN总线的应用于间接式胎压监测系统的车辆行驶状态识别方法。
背景技术
[0002]
现有技术中，胎压监测系统(TPMS)主要有直接式和间接式两大类，直接式胎压监测系统使用的是内置于轮胎的压
力传感器，可直接测的轮胎压力；间接式胎压监测系统则根据
轮速传感器，对轮速
信号进行运算处理得到轮胎压力的相对关系，从而识别胎压异常
车轮。随着我国胎压监测系统即将于2019年强制装车政策的出台，间接式胎压监测系统的开发开始广泛被人们关注。
[0003] 传统间接式TPMS性能由于难以实时追踪识别车辆当前的行驶状态，导致其受车辆行驶状态变化的影响较大，使其在使用过程中
稳定性较差。车辆电
气化程度的提高使得CAN总线传播的信息越来越多，包括一些传感器的加入，提高了车辆行驶状态识别能力，使间接式TPMS性能有了新的提升空间。
[0004] 间接式胎压监测系统依据轮速脉冲的轮胎欠压判定
算法，需在中速行驶状态下的缓
加速行驶状态、缓减速行驶状态、匀速直线行驶状态进行胎压计算，对车辆行驶状态划分能修正或剔除加减速、转弯以及上下坡等非胎压因素引起轮速脉冲变化对胎压算法的影响。
发明内容
[0005] 针对采用脉冲法进行轮胎欠压判别的间接式TPMS存在的技术
缺陷，本发明的目的是提出了一种基于CAN通讯的间接式胎压监测系统的行驶状态识别方法，修正和消除由非胎压因素引起的轮速脉冲变化，有效提高间接式TPMS的性能。
[0006] 本发明的技术方案是：
[0007] 一种基于CAN总线的车辆行驶状态识别方法，应用于间接式胎压监测系统，包括三个步骤：CAN总线信息的采集与处理、车辆行驶状态的识别与储存、以及车辆行驶状态划分。
[0008] 优选的，所述的CAN总线信息的采集与处理包括CAN总线信息的侦听和CAN总线信息的筛选和存储；
[0009] 其中，所述的CAN总线信息的侦听，侦听的
采样周期T为其所使用的各传感器的信号发送周期的最小公倍数；
[0010] 其中，所述的CAN总线信息的筛选和存储，是筛选出用于识别车辆行驶方向状态的
方向盘转
角信息和节气
门开度信息、用于识别车辆的车速状态的车速信息、用于识别车辆的加减速状态的纵向加速度传感器信息，并构建数据矩阵M，将所需数据储存在数据矩阵M中。
[0011] 优选的，所述的车辆行驶状态的识别包括：一级行驶状态识别和二级行驶状态识别。
[0012] 优选的，所述的一级行驶状态包括但不限于：低速行驶状态、中速行驶状态、高速行驶状态、向左缓转弯行驶状态、向左急转弯行驶状态、向右缓转弯行驶状态、向右急转弯行驶状态、缓加速行驶状态、正常加速行驶状态、急加速行驶状态、轻微
制动行驶状态、正常制动行驶状态以及急制动行驶状态共13种行驶状态。
[0013] 优选的，所述的二级行驶状态包括：匀速直线、上坡和下坡共3种行驶状态。
[0014] 优选的，所述的低速行驶状态、中速行驶状态以及高速行驶状态选用各个样本平均车速 作为车辆车速状态判别参数；
[0015] 所述的向左缓转弯行驶状态以及向左急转弯行驶状态选用各个样本平均正方向盘转角 作为车辆左转弯状态判别参数；
[0016] 所述的向右缓转弯行驶状态以及向右急转弯行驶状态选用各个样本平均负转向盘转角 作为车辆右转弯状态判别参数；
[0017] 所述的缓加速行驶状态、正常加速行驶状态以及急加速行驶状态选用各个样本平均加速度 作为车辆加速状态判别参数；
[0018] 所述的缓减速行驶状态、正常制动行驶状态以及急制动行驶状态选用各个样本平均减速度 作为车辆减速状态判别参数。
[0019] 优选的，所述的二级行驶状态识别采用的方法为BP神经网络法。
[0020] 优选的，所述的车辆行驶状态的划分，是将识别后的车辆状态进一步划分为Ⅰ类行驶状态、Ⅱ类行驶状态、Ⅲ类行驶状态，间接式
轮胎压力监测系统的轮胎欠压判定算法根据当前行驶状态进行对应操作；
[0021] 其中，Ⅰ类行驶状态指的是可直接使用当前车辆信息进行胎压计算，此时车辆行驶状态包括中速行驶状态下的缓加速行驶状态、缓减速行驶状态、匀速直线行驶状态；
[0022] 其中，Ⅱ类行驶状态指的是当前车辆信息经修正后方可用于胎压计算，此时车辆行驶状态包括高速行驶状态、向左缓转弯行驶状态、向右缓转弯行驶状态、正常加速行驶状态；
[0023] 其中，Ⅲ类行驶状态指的是当前车辆信息不可用于胎压计算，应将其剔除，此时车辆行驶状态包括低速行驶状态、向左急转弯行驶状态、向右急转弯行驶状态、急加速行驶状态、正常减速行驶状态以及减速行驶状态。
[0024] 本发明的有益效果：
[0025] 本发明所提供的车辆行驶状态识别方法，采集和处理CAN总线信息，对车辆行驶状态的进行识别、存储和划分类别。车辆行驶状态的识别13种一级行驶状态和3种二级行驶状态。间接式胎压监测系统依据轮速脉冲的轮胎欠压判定算法，对车辆行驶状态划分能修正或剔除加减速、转弯以及上下坡等非胎压因素引起轮速脉冲变化对胎压算法的影响，提高系统准确率，同时大幅降低系统的误报率和漏报率。
附图说明
[0026] 图1为本发明所述的车辆行驶状态识别方法的系统结构示意图；
[0027] 图2为本发明所述的车辆行驶状态与分类示意图；
[0028] 图3为本发明所述的二级行驶状态识别采用的BP神经网络训练拓扑图。
具体实施方式
[0029] 如图1所示，本发明所揭示的基于CAN总线的车辆行驶状态识别方法，应用于间接式胎压监测系统，包括：CAN总线信息的采集与处理、车辆行驶状态的识别与储存、以及车辆行驶状态划分。
[0030] 其中，所述的CAN总线信息的采集与处理，根据现有间接式TPMS存在的不足，用于采集车辆不同传感器信号并对其进行筛选和存储。
[0031] 所述的CAN总线信息的采集是通过车辆OBD诊断
接口侦听CAN总线数据，CAN总线报文采样周期T为所使用的传感器的信号发送周期的最小公倍数。
[0032] 所述的CAN总线信息的处理包括CAN总线信息的筛选和存储，根据不同工况下间接式胎压监测系统对信号特性的需求不同，筛选出用于识别车辆行驶方向状态的方向盘转角信息和节气门开度信息、用于识别车辆的车速状态的车速信息、用于识别车辆的加减速状态的纵向加速度传感器信息，并构建数据矩阵M，将所需数据储存在数据矩阵M中。
[0033] 其中，假设当前CAN报文接收时间为ti，读取ti时刻CAN信息内容：车速信息为Vi、纵向加速度信息为ai、方向盘转角信息为δi、节气门开度信息为 CAN总线报文采样周期为T，则下一组发送时间为ti+1＝ti+T，构成所需数据矩阵M：
[0034]
[0035] 其中，纵向加速度信息ai由加速度 和减速度 构成，若当前ti时刻纵向加速度信息ai为 则令 反之亦然。
[0036]
[0037] 其中，方向盘转角信息δi由正转向角 和负转向角 构成，若当前ti时刻纵向加速度信息δi为 则令 反之亦然。其中，正转向角 代表向左转向，负转向角 代表向右转向。
[0038]
[0039] 即，
[0040] 所述的车辆行驶状态的识别，根据间接式TPMS应用过程中车辆行驶状态对其造成的影响，用于识别车辆当前运动状态。包括一级行驶状态识别和二级行驶状态识别。
[0041] 如图2所示，所述的一级行驶状态包括：低速行驶状态、中速行驶状态、高速行驶状态、向左缓转弯行驶状态、向左急转弯行驶状态、向右缓转弯行驶状态、向右急转弯行驶状态、缓加速行驶状态、正常加速行驶状态、急加速行驶状态、轻微制动行驶状态、正常制动行驶状态以及急制动行驶状态等共13种行驶状态。
[0042] 所述的一级行驶状态识别采用的方法为
逻辑门限值法，也可称之为
阈值法，过程如下：
[0043] 1、采集车辆行驶过程中的车辆信息，筛选并储存在所需数据矩阵M中，对车辆的行驶工况进行分段划分，每一段数据作为一个小样本，每个小样本的采样时间为tk，每个小样本的采样间隔即为CAN总线报文采样周期T，tk＝k*T，则行驶工况被划分成n+1段小样本，划分结果为0～tk为样本0，T～(tk+T)为样本1，2T～(tk+2T)为样本2，…，nT～(tk+nT)为样本n。
[0044] 2、对样本0，样本1，…，样本n采用阈值法分别进行行驶状态的判别：
[0045] a.车辆车速状态判别：
[0046] 选用各个样本平均车速 作为车辆车速状态判别参数
[0047]
[0048]
[0049] b.车辆加减速状态判别：
[0050] 选用各个样本平均加速度 作为车辆加速状态判别参数，
[0051] 选用各个样本平均减速度 作为车辆减速状态判别参数，
[0052]
[0053]
[0054] c.车辆行驶方向状态判别：
[0055] 选用各个样本平均正方向盘转角 作为车辆左转弯状态判别参数，
[0056]
[0057] 选用各个样本平均负转向盘转角 作为车辆右转弯状态判别参数，
[0058]
[0059]
[0060]
[0061] 其中ε0、ε1、ε2、ε3、ε4和ε5的值由道路试验进行阈值报警试验标定得到，针对不同的车型和轮胎型号，阈值需重新进行标定。
[0062] 3、采用Y1＝[Y1Y2…Yi…Y13]T，Y1～Y13分别低速行驶、中速行驶…急制动行驶，作为一级状态识别输出矩阵。
[0063] 如图2所示，所述的二级行驶状态包括：匀速直线、上坡和下坡等共3种行驶状态；所述的二级行驶状态识别采用的方法为BP神经网络法，过程如下：
[0064] 1、采集车辆行驶过程中的车辆信息，筛选并储存在所需数据矩阵M中。对车辆的行驶工况进行分段划分，每一段数据作为一个小样本，每个小样本的采样时间为tk，每个小样本的采样间隔即为CAN总线报文采样周期T，tk＝k*T，则行驶工况被划分成n+1段小样本，划分结果为0～tk为样本0，T～(tk+T)为样本1，2T～(tk+2T)为样本2，…，nT～(tk+nT)为样本n。
[0065] 其中，所述的数据矩阵M中，Vi、 和 量纲不同且数值差异较大，为避免输入输出数据数量级差别较大而造成网络预测误差较大，因此采用最大最小法对数据进行归一化处理：
[0066]
[0067] 式中，mimin、mimax为矩阵M第i行的最小值和最大值，依次将M各行数据代入上式，得到神经网络输入矩阵X＝[X1X2X3X4X5X6]T。
[0068] 2、采用Y2＝[Y14Y15Y16]T，Y14代表匀速直线行驶工况，Y15代表上坡行驶工况，Y16代表
下坡行驶工况，作为神经网络输出矩阵。
[0069] 3、选择BP神经网络隐含层
节点数l为5，即网络结构为6×5×3，搭建BP神经网络训练拓扑图如图3所示，
输入层、隐含层、
输出层之间关系如下：
[0070] 隐含层输出：
[0071] 输出层输出：
[0072] 其中，(1)式和(2)式中权值ωij和ωjk、阈值aj和bk、误差ek由神经网络经过不断
迭代得到：输入道路试验数据共1500组用于神经网络训练，各个行驶状态各500组，1500组试验均采用统一车型，试验道路均为柏油道路，试验数据长度统一。
[0073] 4、利用训练完成后的式(1)和式(2)对样本0，样本1，…，样本n采用BP神经网络计算分别进行行驶状态的判别。
[0074] 所述的车辆行驶状态的储存指的是将样本0，样本1，…，样本n经过一级状态识别和二级状态识别后的结果储存于数据矩阵N中，数据矩阵N为(n+1)×16阶矩阵且矩阵元素只由0和1组成，第i行代表样本i，第j列代表行驶状态Yj，若判别结果是该状态，则记为1，反之记为0。
[0075] 所述的车辆行驶状态的划分指的是将识别后的车辆状态进一步划分为Ⅰ类行驶状态、Ⅱ类行驶状态、Ⅲ类行驶状态，用于间接式TPMS胎压算法根据当前行驶状态进行对应操作。
[0076] 其中，Ⅰ类行驶状态指的是可直接使用当前车辆信息进行胎压计算，此时车辆行驶状态包括中速行驶状态下的缓加速行驶状态、缓减速行驶状态、匀速直线行驶状态。
[0077] 其中，Ⅱ类行驶状态指的是当前车辆信息经修正后方可用于胎压计算，此时车辆行驶状态包括高速行驶状态、向左缓转弯行驶状态、向右缓转弯行驶状态、正常加速行驶状态。
[0078] 其中，Ⅲ类行驶状态指的是当前车辆信息不可用于胎压计算，应将其剔除，此时车辆行驶状态包括低速行驶状态、向左急转弯行驶状态、向右急转弯行驶状态、急加速行驶状态、正常减速行驶状态以及减速行驶状态。
[0079] 应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附
权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改。
