基于機(jī)器學(xué)習(xí)的間接式胎壓監(jiān)測算法研究

于 璐，唐 亮*，魏凌濤，劉子俊

（1.北京林業(yè)大學(xué) 工學(xué)院，北京100091，中國； 2.清華大學(xué) 車輛與運(yùn)載學(xué)院，北京100084，中國）

據(jù)交通管理部門統(tǒng)計(jì)（2017 年），高速公路發(fā)生的交通事故中，42%意外交通事故和70%的重大交通事故均由爆胎造成。事故發(fā)生時(shí)，車速越快，死亡率越高，當(dāng)車輛時(shí)速達(dá)140 km/h 時(shí)，死亡率接近100%。胎壓監(jiān)測系統(tǒng)（tire pressure monitoring system, TPMS）是一種實(shí)時(shí)監(jiān)測輪胎壓力在異常出現(xiàn)時(shí)進(jìn)行報(bào)警的系統(tǒng)，其在預(yù)防爆胎事故中起著至關(guān)重要的作用。中國繼美國、歐盟、韓國之后，于2020 年1 月1 號開始執(zhí)行乘用車強(qiáng)制安裝胎壓監(jiān)測系統(tǒng)的法規(guī)，對胎壓監(jiān)測系統(tǒng)的發(fā)展起到了推動(dòng)性的作用。

目前輪胎壓力監(jiān)測系統(tǒng)主要分為2 類：直接式輪胎壓力監(jiān)測系統(tǒng)（direct TPMS, DTPMS）和間接式輪胎壓力監(jiān)測系統(tǒng)（indirect TPMS, ITPMS）。直接式輪胎壓力監(jiān)測系統(tǒng)雖然有較為準(zhǔn)確的優(yōu)點(diǎn)，但是因?yàn)樾枰~外安裝壓力傳感器，使其成本較高。間接式輪胎壓力監(jiān)測系統(tǒng)不需要加裝任何設(shè)備，通過汽車制動(dòng)防抱死系統(tǒng)（anti-lock brake system, ABS）內(nèi)的輪速傳感器獲得輪速信號，完成一系列算法即可實(shí)現(xiàn)輪胎壓力的監(jiān)測，因此得到了更為廣泛的應(yīng)用。

間接式胎壓監(jiān)測有2 種較為經(jīng)典的方法: 半徑法和頻率法。半徑法的原理一種為通過輪胎半徑值[1]、輪胎相對半徑[2]、有效滾動(dòng)半徑[3]、ABS 輪速傳感器發(fā)出的脈沖數(shù)[4]等與胎壓的關(guān)系實(shí)時(shí)監(jiān)測輪胎壓力的變化；另一種為通過估計(jì)單位里程當(dāng)量齒數(shù)[5]、比較千米脈沖數(shù)以及輪速的累積值[6]直接估計(jì)輪胎壓力的數(shù)值。頻率法的研究過程相對固定，首先建立輪胎振動(dòng)模型，其次消除輪速傳感器誤差，然后重構(gòu)輪速信號以及進(jìn)行Fourier 變換，最后估計(jì)共振頻率并進(jìn)行欠壓判斷。頻率法研究的創(chuàng)新點(diǎn)主要在于用不同的方法解決以上問題。其中消除輪速傳感器誤差使用到了Kalman 濾波[7]和彈性反向傳播 (back propagation, BP)神經(jīng)網(wǎng)絡(luò)[8]等方法；輪速信號的重構(gòu)和共振頻率的估計(jì)通常使用插值法和經(jīng)典譜估計(jì)法[9]。

機(jī)器學(xué)習(xí)在目標(biāo)識別、故障診斷以及壽命預(yù)測等方面有著較為廣泛的應(yīng)用[10]。Bayesian 估計(jì)是一種基于統(tǒng)計(jì)學(xué)理論的常見的機(jī)器學(xué)習(xí)方法，主要應(yīng)用在數(shù)據(jù)挖掘、故障診斷以及疾病預(yù)測模型等方面。近年來，在汽車領(lǐng)域也開始了一些應(yīng)用，比如：基于Bayesian估計(jì)的環(huán)境車輛感知[11]，采用的Bayesian 優(yōu)化方法對軌跡跟蹤模型預(yù)測控制器的參數(shù)進(jìn)行了優(yōu)化[12]，基于Bayesian 網(wǎng)絡(luò)的列控車載設(shè)備故障診斷[13]等。除了Bayesian 估計(jì)之外，還有一些其他的機(jī)器學(xué)習(xí)方法也被廣泛應(yīng)用。深度卷積神經(jīng)網(wǎng)絡(luò)用于檢測切割輪的缺陷[14]，深度置信網(wǎng)絡(luò)（deep belief networks, DBN）、深度Boltzmann 機(jī)（deep Boltzmann machine, DBM）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）用于機(jī)器的壽命預(yù)測和健康檢測[15]，模糊決策樹算法對癌癥數(shù)據(jù)進(jìn)行分類[16]。

本文將機(jī)器學(xué)習(xí)應(yīng)用于間接式胎壓監(jiān)測系統(tǒng)，提出了一種新的輪胎壓力監(jiān)測方法。首先建立輪胎剛性環(huán)模型，在理論上證明了輪胎壓力的變化會引起共振頻率的偏移；然后對輪速信號進(jìn)行預(yù)處理，使用最小二乘法（recursive least square, RLS）消除輪速傳感器誤差[17]，利用插值法重采樣將輪速信號均勻化，利用Fourier 變換將時(shí)域輪速信號轉(zhuǎn)化成頻率域，并提取時(shí)域及頻率域輪速信號的特征；最后進(jìn)行輪胎壓力狀態(tài)估計(jì)，利用決策樹剔除有問題的輪速信號，通過Bayesian 分類器估計(jì)輪胎壓力狀態(tài)。

1 輪胎振動(dòng)模型的建立

參考文獻(xiàn)[18]將輪胎模型簡化為如圖1 所示的四自由度彈簧阻尼系統(tǒng)，其中x和z分別表示水平和垂向位移，φ表示周向旋轉(zhuǎn)角度，cx、cφ、ct和cs分別表示水平、周向、胎面和懸架阻尼。這些參數(shù)將用于輪胎振動(dòng)模型仿真，具體定義及數(shù)值如表1 所示。

圖1 輪胎振動(dòng)模型

表1 輪胎振動(dòng)模型仿真參數(shù)

車輪由輪輞和胎體2 個(gè)部分組成，假設(shè)輪胎的輪輞是剛體，形狀不會因載荷產(chǎn)生變化，假設(shè)胎體是柔性的，在與路面接觸的過程中產(chǎn)生形變。對輪輞和胎體進(jìn)行動(dòng)力學(xué)分析。

輪輞平移：

輪輞旋轉(zhuǎn)：

帶束環(huán)平移：

帶束環(huán)旋轉(zhuǎn)：

其中：xR和xB分別表示輪輞和帶束環(huán)的位移，φR和φB分別表示輪輞和帶束環(huán)的旋轉(zhuǎn)角度。

選擇X= [xRφRxBφB]T為狀態(tài)空間矩陣，故可以將式（1）—（4）改寫成狀態(tài)空間函數(shù)，如式（5）所示。

M和K分別為質(zhì)量和剛度矩陣，如式 （6）、 （7）所示。

則固有頻率fegi為：

將表1 參數(shù)代入到式中，計(jì)算得到剛性環(huán)輪胎模型的共振頻率（f）為39.22、73.87、110.33、125.03 Hz。輪胎壓力下降時(shí)輪胎剛度會減小，這里假設(shè)由于胎壓的降低剛度減小5%，此時(shí)的共振頻率分別為38.23、72、107.54、121.86 Hz。因此，輪胎壓力的改變會導(dǎo)致其共振頻率產(chǎn)生偏移，利用共振頻率能夠有效監(jiān)測輪胎壓力的變化。

圖2所示是理想狀態(tài)下輪速信號的幅頻特性曲線，其中40 Hz 左右的共振峰由于欠壓左移了約2.5 Hz，而15 Hz 左右的共振峰并沒有因?yàn)榍穳喊l(fā)生偏移，因此本文將利用40 Hz 左右的共振峰作為欠壓判斷的依據(jù)之一。

圖2 理想狀態(tài)下輪速信號的幅頻特性曲線

2 輪速信號的預(yù)處理

基于機(jī)器學(xué)習(xí)的間接式胎壓監(jiān)測系統(tǒng)框架（如圖3 所示），該方法包括輪速信號預(yù)處理和輪胎壓力狀態(tài)估計(jì)2 個(gè)部分。在輪速信號的預(yù)處理部分中，通過最小二乘法(RLS)估計(jì)輪速傳感器誤差，計(jì)算準(zhǔn)確輪速，通過插值法重構(gòu)輪速信號使其均勻化，將時(shí)域的輪速信號通過Fourier 變換轉(zhuǎn)換到頻率域，在時(shí)域和頻率域上進(jìn)行輪速信號特征的提取。在輪胎壓力狀態(tài)估計(jì)部分中，通過決策樹剔除有問題的輪速信號，然后利用Bayesian 分類器判斷輪胎壓力狀態(tài)。

圖3 基于機(jī)器學(xué)習(xí)的間接式胎壓監(jiān)測系統(tǒng)框架

顯然，在實(shí)現(xiàn)胎壓監(jiān)測的過程中，輪速信號貫穿始終，所以準(zhǔn)確地獲取輪速信號尤為重要。輪速傳感器由于其制造工藝和磨損的原因，使得傳感器齒圈兩齒之間的實(shí)際角度和理論角度存在偏差。為了減小因角度誤差產(chǎn)生的影響，本文將利用RLS 法消除輪速傳感器誤差。

試驗(yàn)車驅(qū)動(dòng)形式為前驅(qū)，試驗(yàn)過程中分別以30～70 km/h 的速度在平坦和顛簸路面上行駛，通過制動(dòng)防抱死系統(tǒng)（ABS）分別采集左前輪正常胎壓和欠壓時(shí)的輪速信號。正常胎壓為車型制造商推薦壓力0.25 MPa，另根據(jù)乘用車輪胎氣壓監(jiān)測系統(tǒng)的性能要求和試驗(yàn)方法（GB 26149-2017）將欠壓時(shí)的壓力設(shè)置為推薦胎壓的75%，即0.19 MPa。

2.1 最小二乘法(RLS)消除輪速傳感器誤差

圖4為處理時(shí)域輪速信號示意圖，假設(shè)輪速傳感器齒圈有Nt個(gè)齒，傳感器總共采集到了齒圈旋轉(zhuǎn)k圈的輪速信號。假設(shè)Δti(k)為輪速傳感器齒圈旋轉(zhuǎn)第k圈經(jīng)過第i個(gè)齒的時(shí)間間隔，θi(k)為該齒的真實(shí)弧度，此時(shí)的旋轉(zhuǎn)角速度如式(9)所示。圖5 為輪速傳感器誤差示意圖，理論上各齒應(yīng)均勻分布于齒圈之上，相鄰兩齒弧度θ0可由式（10）計(jì)算得到。但由于制造誤差讓相鄰兩齒的弧度存在一個(gè)Δθi(k)的偏差，此時(shí)相鄰兩齒的真實(shí)弧度為θi(k)可由式（11）計(jì)算得到。

圖4 時(shí)域輪速信號示意圖

圖5 輪速傳感器誤差示意圖

如圖4 所示，第i個(gè)齒從第k-1 圈掃過傳感器到第k圈再次掃過傳感器正好旋轉(zhuǎn)360°，經(jīng)過Nt個(gè)齒。將齒圈第i個(gè)齒從k-1 圈轉(zhuǎn)到第k圈的平均角速度近似為第i個(gè)齒在第k圈時(shí)的瞬時(shí)速度ωˉi(k)，如式（12）所示。此時(shí)，相鄰兩齒的真實(shí)弧度可通過式（13）計(jì)算得到。

本文利用遞歸RLS 法消除制造誤差，RLS 過程可以表示成算式（14）和式（15），其中分別是第i個(gè)齒在第k圈和第k-1 圈的誤差估計(jì)值，p(k)是遞歸因子，為齒圈誤差估計(jì)值與齒圈誤差測量值之差。

遞歸因子p(k)計(jì)算過程如式（16）所示，其中p(k)的初始值p(1) = 1，λ為遺忘因子且λ∈(0,1]。

處理每組輪速信號的時(shí)候均進(jìn)行一次誤差的標(biāo)定。標(biāo)定原則為將每轉(zhuǎn)一圈估算的齒的誤差累加后取均值，如式（17）所示。

圖6為輪速傳感器誤差估計(jì)的結(jié)果。圖6a 為誤差網(wǎng)格曲面圖，x軸為齒數(shù)，y軸為輪速傳感器齒圈旋轉(zhuǎn)的圈數(shù)，z軸每圈齒輪誤差估計(jì)結(jié)果。圖6b 是圖6a 的遞歸結(jié)果，即齒圈誤差估計(jì)的最終結(jié)果。

圖6 輪速傳感器齒圈誤差估計(jì)結(jié)果

計(jì)算出輪速傳感器制造誤差之后，可以通過式（18）得到消除誤差后的精確旋轉(zhuǎn)速度，其中Δθi為最終的制造誤差。由于輪速信號是通過輪速傳感器上升沿激勵(lì)得到的，所以此時(shí)的輪速信號在時(shí)域上是不均勻的，需要通過線性插值法將其重采樣，獲得時(shí)域上分布均勻的輪速信號。根據(jù)Nyquist 定理，采樣頻率超過目標(biāo)頻率[0,100] Hz 最高頻率的2 倍即可，這里為了重采樣之后輪速信號盡量不失真，選擇了2 000 Hz 的采樣頻率。

由于后續(xù)需要在時(shí)域和頻率輪速信號上分別進(jìn)行特征的提取，所以時(shí)域的輪速信號需要進(jìn)行Fourier 變換，而離散Fourier 變換對數(shù)據(jù)長度是有要求的，將輪速信號按7.5 s 的長度截?cái)?，既保證了進(jìn)行Fourier 變換結(jié)果不失真又在現(xiàn)有數(shù)據(jù)基礎(chǔ)分得盡可能多的組。

2.2 提取時(shí)域、頻域輪速信號特征

利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)間接式胎壓監(jiān)測需要對輪速信號進(jìn)行特征提取。本文將提取23 個(gè)特征，包括2 個(gè)時(shí)域輪速信號特征、12 個(gè)原始頻域輪速信號特征和9個(gè)平滑頻域輪速信號特征。其中時(shí)域輪速信號 （如圖7所示）已經(jīng)得到，頻域輪速信號（如圖8 所示）需要將時(shí)域輪速信號進(jìn)行高通濾波、Fourier 變換以及平滑處理后得到。

如圖7 所示是4 種典型的時(shí)域輪速信號，包括正常輪速信號和分別存在速度過低、抖動(dòng)過大和周期性噪聲的問題輪速信號。

圖8是4 種典型輪速信號的頻譜圖。圖7a 為正常的時(shí)域輪速信號，均值為51 km/h，在0.5 km/h波動(dòng)范圍；圖8a 為正常輪速信號的頻譜圖，可以看出3 個(gè)分別在15、42、58 Hz 附近的共振峰，這3 個(gè)共振峰正是在第1 部分提到的剛性環(huán)輪胎模型的共振峰。圖7b 是一種典型的不適合做間接式胎壓監(jiān)測的輪速信號，其輪速過低且每隔一定時(shí)間發(fā)生一次突變；圖8b 為圖7b 的頻譜圖，頻域輪速信號在40 Hz 左右沒有波峰，所以不適合用于間接式胎壓監(jiān)測。圖7c 為抖動(dòng)過大的輪速信號，波動(dòng)幅度接近0.8 km/h，這部分輪速信號是由于車輛行駛于顛簸路面上所造成的；圖8c 的峰值在3 個(gè)特征頻率附近沒有圖8a 明顯，因此這類輪速信號也不適合用于間接式胎壓監(jiān)測。圖7d 的輪速信號在紅框處出現(xiàn)明顯的周期性噪聲，這部分噪聲是由于沒有完全剔除輪速傳感器誤差所造成的；圖8d 在40 Hz 左右沒有共振峰，故這種輪速信號不適合用于間接式胎壓監(jiān)測。綜上所述，不適合進(jìn)行間接式胎壓監(jiān)測的輪速信號包括速度太低的輪速信號、抖動(dòng)過大的輪速信號和存在周期噪聲的輪速信號。

從圖7 和圖8 可以看出，正常輪速信號和問題輪速信號可以通過時(shí)域輪速信號波動(dòng)的大小和頻域輪速信號的形狀區(qū)分出來。由于共振峰值與輪胎壓力相關(guān)，所以可以通過提取時(shí)域輪速信號的波動(dòng)以及頻域輪速信號的形狀特征來進(jìn)行輪胎壓力的識別。本文提取了時(shí)域及頻域輪速信號的23 個(gè)特征，包括時(shí)域輪速信號均值u和輪速波動(dòng)的均方根ΔvRMS，原始頻域輪速信號的前6 個(gè)共振峰的共振頻率fR和峰值振幅AR，平滑頻域輪速信號前3 個(gè)共振峰的共振頻率fS、峰值A(chǔ)S和峰寬δfSw。

圖7 典型時(shí)域輪速信號

圖8 典型時(shí)域輪速信號的頻譜圖

圖9 為輪胎壓力正常和欠壓25%的輪速信號的原始頻譜圖，提取前6 個(gè)共振峰fR和AR作為該頻譜圖的特征，其中共振峰值是6 個(gè)間隔大于15 Hz 的共振頻率所對應(yīng)的振幅。以圖9 正常胎壓的前3 個(gè)共振峰為例，振幅分別為AR(1)= 16.2 m/h、AR(2)= 17.0 m/h、AR(3)= 8.5 m/h，共振頻率分別為fR(1) = 14 Hz、fR(2) =38.43 Hz、fR(3) = 78.57 Hz。

圖9 原始頻域輪速信號

圖10為圖9 平滑后的頻域輪速信號，取前3 個(gè)共振峰的共振頻率fS、峰值A(chǔ)S和峰寬δfSw作為該頻譜圖的特征。

圖10 平滑頻域輪速信號

以40 Hz 左右的共振峰為例，假設(shè)[f1,f2]是一個(gè)包含期望頻率40 Hz 的區(qū)間，Amin和Amax是期望區(qū)間內(nèi)共振峰峰值的最小值和最大值，ΔA和共振頻率fS如式（19）和式（20）所示，共振峰值A(chǔ)S為區(qū)間[f1,f2]內(nèi)的最大振幅Amax，峰寬δfSw如式（21）所示。如果在區(qū)間[f1,f2]內(nèi)沒有找到期望的共振頻率，那么此時(shí)的fS、AS以及δfSw均為0。為了對應(yīng)輪胎振動(dòng)模型的3 個(gè)固有頻率，需要分別在[10, 20] Hz、[35, 45] Hz、[75,90] Hz 區(qū)間內(nèi)提取共振峰的共振頻率fS、峰值A(chǔ)S和峰寬δfSw。

3 輪胎壓力狀態(tài)估計(jì)

本文對已獲得的3 000 組數(shù)據(jù)分別進(jìn)行時(shí)域和頻域特征提取，并訓(xùn)練出一個(gè)可以將所有數(shù)據(jù)分為適合進(jìn)行胎壓監(jiān)測的正常輪速信號和不適合進(jìn)行胎壓監(jiān)測的問題輪速信號的決策樹。正常輪速信號包括正常胎壓采集的輪速信號和欠壓25%采集的輪速信號。利用正常輪速信號訓(xùn)練Bayesian 分類器進(jìn)而識別壓力狀態(tài)。

3.1 決策樹剔除問題輪速信號

決策樹具有預(yù)測速度快以及易于理解的優(yōu)點(diǎn)。本文利用決策樹將輪速信號分為2 類：其一是正常輪速信號，其二是不適合用于間接式胎壓監(jiān)測的問題輪速信號，其中問題輪速信號為第2 節(jié)提到的輪速過低、抖動(dòng)過大和存在周期性噪聲時(shí)采集的輪速信號。

在MATLAB Classification Learner 工具箱中，用3 000 個(gè)樣本訓(xùn)練一個(gè)最大分裂數(shù)為15 的決策樹，將這些樣本分為5 組進(jìn)行交叉驗(yàn)證，訓(xùn)練結(jié)果的準(zhǔn)確率為98.9%。利用提取的時(shí)域及頻域輪速信號特征訓(xùn)練的決策樹示意圖如圖11 所示，其中圓圈表示正常輪速信號，三角表示問題輪速信號。

圖11 決策樹訓(xùn)練結(jié)果

根據(jù)決策樹訓(xùn)練結(jié)果可以看出：區(qū)分正常輪速信號和問題輪速信號的主要依據(jù)為：

1） 原始頻域輪速信號和平滑后的頻域輪速信號的共振頻率和峰值在一定的范圍內(nèi)，且形狀接近正常胎壓時(shí)的理想頻域曲線；

2） 時(shí)域輪速信號不應(yīng)該太小；

3） 時(shí)域輪速信號波動(dòng)的均方根不應(yīng)該太大。

車輛在行駛過程中，轉(zhuǎn)彎、急加減速和行駛于顛簸路面時(shí)采集的輪速信號可能出現(xiàn)“問題輪速信號”的情況，但實(shí)際行駛過程中不會長時(shí)間處于這類工況，所以在實(shí)車應(yīng)用過程中，選擇在采集到這部分輪速信號的時(shí)關(guān)閉間接式胎壓監(jiān)測系統(tǒng)，防止誤報(bào)。

3.2 Bayesian 分類器進(jìn)行輪胎壓力狀態(tài)估計(jì)

由于采集的輪速信號對應(yīng)的壓力狀態(tài)已知并且只分為正常胎壓和欠壓25% 這2 種，符合進(jìn)行Bayesian 估計(jì)的先決條件，故本文決定采用此方法進(jìn)行輪胎壓力的識別。

首先，利用最大似然估計(jì)方法估計(jì)先驗(yàn)概率，假設(shè)樣本總數(shù)為N，樣本類型為Y，樣本有Ck= (k= 1,2)，則不同壓力狀態(tài)的先驗(yàn)概率P為：

然后，建立最小誤差率Bayesian 分類器。

若樣本x為d維向量，第k類樣本的均值為mk，協(xié)方差為Sk，則其服從多元Gaussian 分布的條件概率密度為：

上式中|Sk|是Sk的行列式函數(shù)，T 是轉(zhuǎn)置符號，Sk-1是Sk的逆矩陣。

如圖12 所示為Bayesian 分類器算法流程圖，利用最大似然估計(jì)方法估計(jì)先驗(yàn)概率，選正常輪速信號中的50%作為訓(xùn)練集剩余50%為測試集，依照壓力狀態(tài)將測試集中的特征分為正常胎壓的特征和欠壓25%的特征，利用Gaussian 分布計(jì)算條件概率密度，建立最小誤差Bayesian 分類器，將測試集特征輸入Bayesian 分類器，輸出為此特征對應(yīng)的壓力狀態(tài)：正常胎壓或者欠壓25%，根據(jù)預(yù)測結(jié)果計(jì)算Bayesian 分類器預(yù)測的準(zhǔn)確度，預(yù)測準(zhǔn)確度=預(yù)測正確的數(shù)量/總數(shù)量。

圖12 Bayesian 分類器算法流程圖

3.3 輪胎壓力狀態(tài)識別準(zhǔn)確率

如圖13 所示，通過2 個(gè)混淆矩陣對比2 種基于機(jī)器學(xué)習(xí)的間接式胎壓監(jiān)測方法的識別準(zhǔn)確率，其中1 代表輪胎壓力正常，2 代表輪胎欠壓25%，3 代表問題輪速信號。一種方法是直接使用Bayesian 分類器識別輪胎壓力狀態(tài)，如圖13a 所示混淆矩陣輸出2 種壓力狀態(tài)，正常胎壓和欠壓25%，此時(shí)Bayesian 分類器識別準(zhǔn)確率為60.8%，漏報(bào)比率為5.5%，誤報(bào)比率為52.4%。另外一種方法是先利用決策樹將輪速信號分為1 463 個(gè)正常輪速信號和1 537 個(gè)問題輪速信號，決策樹的準(zhǔn)確率為98.9%，然后依據(jù)正常輪速信號利用Bayesian 分類器識別輪胎壓力狀態(tài)，準(zhǔn)確率為96.36%，與直接使用Bayesian 分類器相比，該方法的準(zhǔn)確率更高。圖13b 所示為當(dāng)混淆矩陣輸出正常胎壓、欠壓25%和問題輪速信號3 種類別時(shí)，識別準(zhǔn)確率為91.6%，漏報(bào)比率為13.5%，誤報(bào)比率為6.8%。

圖13 利用Bayesian 分類器識別胎壓力狀態(tài)的結(jié)果

4 結(jié) 論

本文基于機(jī)器學(xué)習(xí)提出一種將決策樹和Bayesian分類器結(jié)合在一起的間接式胎壓監(jiān)測方法，通過實(shí)車采集的輪速信號驗(yàn)證了算法的有效性。該方法與直接式胎壓監(jiān)測系統(tǒng)以及只使用Bayesian 分類器進(jìn)行間接式胎壓監(jiān)測相比，成本較低且準(zhǔn)確率更高，其準(zhǔn)確率可達(dá)96.36%。