DE69232908T2

DE69232908T2 - Numerische Bestimmung des Reifendrucks

Info

Publication number: DE69232908T2
Application number: DE69232908T
Authority: DE
Inventors: Ronald Ellis Rosensweig
Original assignee: ExxonMobil Research and Engineering Co
Current assignee: ExxonMobil Technology and Engineering Co
Priority date: 1991-11-29
Filing date: 1992-11-27
Publication date: 2003-06-12
Anticipated expiration: 2012-11-28
Also published as: FI925454L; NO924391L; US5396817A; EP0545641A3; JPH05248980A; NO924391D0; ATE231967T1; CA2083737C; EP0545641A2; EP0545641B1; FI925454A0; CA2083737A1; JP3314280B2; SG50641A1; DE69232908D1

Description

Die vorliegende Erfindung betrifft die Bestimmung des Drucks eines an einem Fahrzeug angebrachten Druckluftreifens.
Druckluftreifen zum Tragen von Fahrzeugen sollten auf dem richtigen Druck gehalten werden, um optimale Bedingungen entweder für die Sicherheit, für den Komfort, für die Straßenlage, für den Kraftstoffverbrauch und für langsameren Reifenverschleiß oder Kombinationen davon zu erreichen.
Ein ungenügend aufgepumpter Reifen trägt seine Last an den Schultern des Reifenprofils, wobei das Straßenberührungsmuster zwischen diesen Schultern in einem solchen Fall in gewissem Umfang konkav ist. Unter solchen Bedingungen verursacht eine fortgesetzte Benutzung des Reifens auf der Straße übermäßigen Verschleiß an den Schultern, weil ein geeigneter Reibungskontakt im mittleren Bereich nicht aufrechterhalten wird. Dies führt zu einer geringeren als normalen Lebensdauer und offensichtlich zu ungleichmäßigem Verschleiß. Alternativ erfährt ein übermäßig aufgepumpter Reifen erheblichen Verschleiß im mittleren Reifenprofilbereich zwischen den Schultern und weniger als normalen Verschleiß in den Schulterbereichen. Beide Situationen führen zu Verschwendung, da das gesamte Potential des Reifens nicht ausgenutzt wird. In anderen Fällen gibt es eine Tendenz zum Rutschen oder Gleiten. Außerdem werden die Seitenwände des Reifenkörpers unangemessenen Spannungen und Beanspruchungen, insbesondere im Fall von ungenügend aufgepumpten Reifen, ausgesetzt, was vor Ablauf der Lebensdauer zu seiner Verschlechterung führt.
Reifenhersteller stellen Spezifikationen für den Betrieb von Reifen zur Verfügung. Automobilhersteller spezifizieren ebenfalls Reifenaufpumpcharakteristiken. Diese beiden Spezifikationen, selbst wenn sie streng befolgt werden, besagen jedoch nicht notwendigerweise, dass die Reifenbetriebsbedingung für den bestimmten Reifen an dem bestimmten Fahrzeug insbesondere korrekt ist. Die idealen Bedingungen werden daher dann als gegeben angesehen werden, wenn der Luftdruck in dem bestimmten Reifen gerade ausreichend ist, ein vollständigen Straßenberührungskontakt über die gesamte Breite der Lauffläche zu erzeugen, so dass das Gewicht des Autos gleichmäßig von den Straßenberührungsbereichen zwischen den Schultern und über den mittleren Bereich der Reifen getragen wird. Unter solchen Umständen ist die Abnutzung der Reifenlauffläche gleichmäßig, und die Lebensdauer der Lauffläche und eine maximale Sicherheit ergeben sich infolge eines maximalen Griffs oder einer maximalen Reibung des Reifens auf der Straße.
In der Vergangenheit haben sich Fahrzeugführer oder Tankstellenangestellte auf eine visuelle Begutachtung des unter einer Last befindlichen Reifens verlassen, um die Aufpumpung zu bewerten. Ein Reifen mit zuviel Verschleiß an den Schultern wird in diesen Bereichen aufgrund der unzureichenden Aufpumpung des Reifens abgefahren. Wenn der abgefahrene Zustand sichtbar oder beobachtbar ist, kann es jedoch bereits zu spät sein, um die Situation zu korrigieren. Demgegenüber trägt ein übermäßig aufgepumpter Reifen die Last im mittleren Bereich der Lauffläche, wo schnell Verschleiß auftritt aufgrund der Tatsache, dass der Teil der Last, die von dem bestimmten Reifen getragen wird, über ein zu kleines mittleres Straßenberührungsgebiet der Lauffläche verteilt ist, woraufhin bald ein abgefahrener Streifen um die Lauf decke herum erscheint. Wenn eine solche Situation visuell bewertet werden soll, ist es wahrscheinlich, dass ein so übermäßiger Verschleiß im mittleren Bereich der Lauffläche aufgetreten ist, dass die Lauf decke ihre Betriebslebensdauer beinahe erreicht hat. Solche Feststellungen werden natürlich durch Unterschiede in der von einem Reifen getragenen Last beeinflusst. Wenn ein Fahrzeug beispielsweise normalerweise mit einem Fahrer und einem Fahrgast betrieben wird, ist ein Zustand vorhanden. Wenn der Reifen zwei oder drei weitere Fahrgäste und möglicherweise Gepäck und andere Lasten tragen soll, verändern sich die Bedingungen signifikant und es sollte eine Anpassung der Reifendrucks vorgenommen werden.
Ein Fahrzeugführer kann alternativ eine weichere, besser gefederte Fahrt als Folge einer nicht vollständigen Aufpumpung wünschen. Der Fahrer kann auch wünschen, die Reifen stärker aufzupumpen, um eine direktere Steuerung und eine verbesserte Treibstoffwirtschaftlichkeit im Betrieb des Fahrzeugs zu erreichen. Diese Erfindung stellt Mittel bereit, um jeden Aufpumpungszustand anzuzeigen.
Im Stand der Technik offenbart US-Patent 3,973,436 (10. August 1976) von G. H. Lenderman eine Bewertungsvorrichtung für die Reifenaufpumpung, die aus einer linearen Anordnung von federbelasteten Hebelarmen besteht, die zum Abtasten und Verstärken der Profilform des auf der Anordnung stehenden Reifens vorgeschlagen worden. Es wird eine Bedienungsperson außerhalb des Fahrzeugs benötigt, um das von den Enden der gebogenen Hebel geformte visuelle Muster zu beobachten. Die vorliegende Erfindung ergibt für verschiedene Verbesserungen gegenüber dem Konzept von Lenderman: es können Daten aufgenommen werden, egal ob das Fahrzeug in Bewegung ist oder nicht; die Sensoreinrichtung ist genauer, die Einbeziehung eines Menschen oder einer menschlichen Beurteilung sind nicht erforderlich; die Rohdaten werden als elektrische Signale gesammelt, die für Datenverarbeitung und die Extraktion von Informationsgehalt unter Verwendung eines digitalen Computers gut geeignet sind; es können fortgeschrittene Mustererkennungsmethoden eingesetzt werden, z. B. ein neuronales Netzwerk, das in bequemer Weise trainiert und zur Interpretation der aufgenommenen Daten verwendet werden kann. Es kann die Fahrzeuggeschwindigkeit zusammen mit der Reifenaufpumpung gemessen werden. Die Anzeige des Auslesemuters ist bequemer, z. B. als Graphik oder in alphanummeriseher Form auf einem von einem Computer betriebenen Anzeigeschirm oder als ein gedruckter Report. Das Merkmal der Datenverarbeitung dieser Erfindung ist besonders wichtig, da das von den Rohdaten erzeugte Muster oft komplex und seine Bedeutung schwer durchschaubar ist.
In US-A-4,355,299 ist ein Doppelrad-Reifendruck-Testsystem beschrieben, das den Druck in jedem Reifen eines Paars erfasst, indem jeder Reifen des Paars in Kontakt mit zwei oder drei diskreten, in Abstand zueinander befindlichen, fluidgefüllten Schläuchen weiterbewegt werden, die parallel zur Bewegungsrichtung angeordnet sind. Der an den zwei oder drei Reifenkontaktorten erfasste Druck wird dann interpretiert, um ein Reifenaufpumpungsmuster für das Fahrzeug zu liefern, das mit einem Bezugsmuster für normalen Aufpumpdruck verglichen wird, um eine ungenügende oder zu starke Aufpumpung in Bezug auf die Norm anzuzeigen.
Gemäß der vorliegenden Erfindung wird ein System und ein Verfahren nach den unabhängigen Ansprüchen 1 und 2 angegeben.
Die vorliegende Erfindung schafft ein System, das den Druck eines Druckluftreifens bequem und schnell anzeigen kann. Die Analyse ist im Wesentlichen unabhängig von der Bauart oder dem Modell des Reifens oder des Fahrzeugs. Der bestimmte Druck kann dann angezeigt werden, z. B. auf einem Schirm oder in gedruckter Form. Der Schirm kann ein elektronischer Schirm sein, wie etwa eine Kathodenstrahlröhre.
Der Reifendruck kann durch ein Zerlegungsverfahren (siehe Beispiel 3) bestimmt werden. Der Reifendruck kann auch durch eine Analysetechnik bestimmt werden, die als Pseudodruck (siehe Beispiel 4) bezeichnet wird. Schließlich kann der Reifendruck von dem System durch Verwendung eines neuronales Netzwerkes bestimmt werden (siehe Beispiele 5 und 6).
Die Erfindung ist durch beispielhafte Bezugnahme auf die folgenden Zeichnungen besser zu verstehen, in denen:
Fig. 1 einen Reifensensor für den Fahrweg zeigt;
Fig. 2 (a) eine perspektivische Ansicht einer experimentellen linearen Anordnung von Wägezellensensoren zeigt;
Fig. 2 (b) eine Querschnittsansicht der Wägezellensensoren aus Fig. 2 (a) zeigt;
Fig. 3 zeigt, wie die Reifenform und der Kontaktdruck zum Reifenaufpumpdruck in Beziehung stehen;
Fig. 3 (a) zeigt eine zu starke Aufpumpung und Fig. 3 (b) zeigt eine zu schwache Aufpumpung;
Fig. 4 zeigt die Kontaktkraftverteilung für Daten aus Tabelle 1;
Fig. 5 zeigt die symmetrische Komponente der Kraftverteilungen aus Fig. 4;
Fig. 6 (a) zeigt eine schematische Darstellung eines Reifenabdrucks, der Streifen mit der Breite w der Wägezellensensoren illustriert; x ist die Richtung der Fahrzeugbewegung;
Fig. 6 (b) zeigt eine Darstellung der quadratischen Kontaktdruckverteilung entlang eines Streifens der Länge L; 1 ist die Länge der Sensoroberfläche;
Fig. 6 (c) zeigt eine Darstellung einer trapezförmigen Kontraktdruckverteilung aufgrund der Abtastung durch Sensoren ähnlicher Größe;
Fig. 7 (a-c) zeigen die dynamisch aufgenommenen Reifenbodenberührungskräfte bei einem Reifendruck von 29 psi (200 kPa) (Mercury Topaz); Fig. 7 (a) zeigt eine axonometrische Seitenansieht; Fig. 7 (b) zeigt eine axonometrische gedrehte Ansicht; figur 7 (c) zeigt eine Konturdarstellung;
Fig. 8 (a-c) zeigen dynamisch aufgenommene Reifenbodenberührungskräfte bei einem Reifendruck von 25 psi (170 kPa) (Mercury Topaz); Fig. 8 (a) zeigt eine axonometrische Seiten ansieht; Fig. 8 (b) zeigt eine axonometrische gedrehte Ansicht; Fig. 8 (c) zeigt eine Konturdarstellung/-
Fig. 9 den aus den dynamischen Bodenberührungsflächenmessungen bestimmten Pseudodruck gegenüber dem Reifendruck zeigt;
Fig. 10 ein neuronales Netzwerk zur Bestimmung der Reifenaufpumpung zeigt;
Fig. 11 die Leistungsfähigkeit eines neuronalen Netzwerks bei der Erkennung experimenteller Reifenaufpumpung zeigt (Abruf von 38 Trainingssets);
Fig. 12 die Leistungsfähigkeit des neuronalen Netzwerks für die Eingangsdaten in Beispiel 6 zeigt.
Der Reifen liefert den Sensoren Eingangsinformation, die wiederum dem Computer Daten liefern, der die Daten verarbeitet, um einen Ausgabedruck zu liefern. Obwohl die Daten fehlerhaft sein können (wie unten beschrieben wird), ist eine verlässliche Ausgabe wünschenswert. Das unten beschriebene System kommt dieser verlässlichen Ausgabe nahe.
Das vorliegende System wird vorzugsweise auf dem Grundstück einer Tankstelle betrieben, z. B. auf einem Fahrweg neben einer Benzinzapfsäule. Die Sensoren sind typischerweise in dem Fahrweggebiet (Fig. 1) angeordnet. Die Sensoren können in den Fahrweg (Fig. 2) eingebettet sein. Bei Verwendung von flachen Detektoren, wie etwa piezoelektrischen oder Piezowiderstands-Polymerschichten, können diese Sensoren in eine dünnen Matte eingebettet sein.
Fig. 2a und 2b zeigen Darstellung von in den Fahrweg eingebetteten Sensoren. Fig. 2a ist eine perspektivische Ansicht und Fig. 2b eine Querschnittsansicht. Die Sensoren 2 sind in einem Vertiefungseinsatz 4 angeordnet, der im Fahrweg 10 eingebettet ist. Das sensitive Gebiet 6 der Sensoren 2 ist von einer Elastomerschicht 8 bedeckt. Die Fahrzeugbewegung verläuft in Richtung des Pfeils 12.
Fig. 3a zeigt den Profilverlauf eines Reifens, der zu stark aufgepumpt ist. Fig. 3b zeigt den Profilverlauf eines Reifens, der zu wenig aufgepumpt ist. Bei richtiger Aufpumpung zur Erreichung maximaler Traktion wird angenommen, dass der Reifen mit gleichmäßiger Kraft in Kontakt mit der Horizontalen über das gesamte Profil sein sollte.

Beispiel 1. Einfluss des Reifendrucks auf die Kraftverteilung

Es wurde eine Sensoranordnung hergestellt, die acht Dehnungsmessstreifen-Wägezellen enthält, die in einer linearen Anordnung angeordnet und in einer Fahrwegvertiefung wie in Fig. 2 dargestellt installiert wurden. Die verwendeten Wägezellen waren das Modell SP Einzelpunktkompressionstyp, die von Sensotec, Colombus, Ohio bezogen wurden. Die Last wird auf die horizontale 3,65 cm · 2,94 cm (1 7/16tel Zoll · 1 5/32tel Zoll) Oberfläche eines überstehenden Aluminiumstabs aufgebracht, der mit einem Foliendehnungsmessstreifen versehen ist, welcher von -1,1 bis 54,4ºC (30ºF bis 130ºF) temperaturkompensiert ist. Die vom Hersteller angegebene Nicht-Linearität über den gesamten Auslesebereich ist ±0,03%. Der Skalenendwert ist 45,4 kg (100 Pound) mit einer zulässigen Überlastung von 50%. Die manuelle Auslese der von irgendeinem der Sensoren erfassten Kraft wurde, wenn gewünscht, unter Verwendung der Vielkanal-Elektronikeinheit Modell SA-10 ausgeführt, die vom selben Hersteller geliefert wird. Dieselbe Einheit liefert den Wägezellen eine 10 V Gleichstromanregung. Konstantgewichte von 22,7 und 45,4 kg (50 und 100 Pounds) wurden verwendet, um die Kalibration der individuellen Wägezellen von Zeit zu Zeit zu prüfen.
Die überstehenden Stäbe wurden in einer abwechselnd versetzten Weise montiert, so dass die Wägezellenoberflächen benachbart mit einem Abstand von etwa 0,16 cm (1/16tel Zoll) angeordnet sind, wobei die Länge von 3,65 cm (1 7/16tel Zoll) die Länge der Sensorfläche entlang der Richtung der Fahrzeugbewegung definiert und die 2,94 cm (1 5/32tel Zoll) Länge entlang der Querrichtung des Reifens orientiert ist. Die Gesamtbreite der Sensoranordnung hatte ein Mass von etwa 24,77 cm (9 3/4tel Zoll).
Tests wurden durchgeführt mit einem dreitürigen 1985er Saab Turbo Personenwagen, der mit Pirelli 195/60/R15 Reifen an den Vorderrädern versehen war. Bei diesen Tests waren die Wägezellen nominal bündig in einer Ebene mit dem Fahrweg angebracht. Fig. 4 zeigt die resultierende Verteilung der Kräfte in Tests, bei denen der Reifendruck auf 82,73, 137,9, 200,0, 227,5 und 262,0 kPa (12, 20, 29, 33 und 38 psi) eingestellt war. Diese Daten sind in Tabelle 1 auf gelistet. Der vom Fahrzeughersteller empfohlene Aufpumpdruck ist 186,2 bis 200,0 kPa (27 bis 29 psi). Tabelle 1 Kontaktkraftverteilung eines Pirelli 195/60 R15 Radialreifens bei verschiedenen Reifenaufpumpdrücken
Einheiten der Kraft: kg (Pound)
Aus Fig. 4 ist ersichtlich, dass die Kontaktkraft eines ungenügend aufgepumpten Reifens, 82,7 oder 137,9 kPa (12 psi oder 20 psi), in der Mitte minimal ist. Bei einem normalen Reifenaufpumpdruck von 200,0 kPa (29 psi) sind die Kräfte eher gleichmäßig über die Sensoren verteilt. Ein zu stark aufgepumpter Reifen, 227,5 oder 262,0 kPa (33 psi oder 38 psi), bietet ein komplexeres Muster das die Idealisierung eines zu stark aufgepumpten Reifens nahelegt.
Es ist davon auszugehen, dass Rauschquellen vorhanden sind, die zur Streuung der erfassten Kraftwerte führen. Darunter sind: Sensorschwellenwert- und Skalenfaktorvariationen, nicht zueinander passende Reifen- und Sensorbreiten, Variationen der Position des Reifens relativ zu den Sensoren (Phasenverschiebung), und Variationen des in Kontakt mit den Sensoren befindlichen Profilmusters, z. B. aufgrund einer Winkelverschiebung des Reifens. Beispiel 2 zeigt die Rauschreduzierung durch die Filterung des Signals.

Beispiel 2: Filterung zur Reduzierung von Rauschen

Man betrachte den Fall, wenn Profillücken des Reifens geringere Größe als die Abmessungen der Sensoroberflächen haben und demgemäß eine Quelle von Rauschen mit hoher räumlicher Frequenz sind, das tendentiell zur Verschlechterung der in der erfassten Kraftverteilung enthaltenen Information führt. Dieses Beispiel illustriert die Reduzierung von solchem Rauschen unter Verwendung einer Fourier-Filterung und ist eine Vorstufe zu Beispiel 3.
Mithin werden die diskreten Kraftwerte in den Verteilungen von Beispiel 1 unter Verwendung der diskreten Fourier-Transformation in harmonische Komponenten zerlegt. Sie hierzu z. B. Bracewell. R., "The Fourier Transform and its Applications", 2. - Auflage, 1978, McGraw-Hill, Inc., New York, Kapitel 18.
Allgemeine Ausdrücke für die transformierte und ihre Inverse können in Matrixform wie folgt geschrieben werden:
tf = W·f/n (1)
f = V·
wobei f der Vektor der durch die Anordnung der Sensoren erfassten Kräfte ist, n = N¹/&sub2;, wobei N die Anzahl der Sensoren ist, die Kraft einleitendem Kontakt mit dem Reifen stehen, und tf die diskrete Fourier-Transformierte von f ist. Die Matrizen W und V sind anhand von w definiert, der N-ten Wurzel von 1.
w = exp(27πi/N) (3)
wobei i die Quadratwurzel von Minus eins ist.
Wj,k = wj·k j = 0, 1, 2, . . ., N-1 (4)
Vj,k = w-j·k = 0, 1, 2, . . ., N-1 (5)
Für die Daten aus Beispiel 1 hat N den numerischen Wert von 5. Die entsprechenden Kräftevektoren können wie folgt beschrieben werden:
Die Transformation der Kräfte unter Verwendung von Gleichung 1 führt zu folgenden Spektren:
In den obigen Spektren repräsentiert die realwertige Amplitude die mittlere Kraft, die nächste Komponente spezifiziert Amplitude und Phase der ersten Harmonischen, und die mittlere Komponente spezifiziert Amplitude und Phase der zweiten oder höchsten Harmonischen. Die letzten Komponenten sind die komplexkonjugierten der ersten und zweiten Komponenten. Es wird angenommen, dass die höchste Harmonische am stärksten Rauschen repräsentiert und in vorteilhafter Weise gefiltert werden kann. Indem man diese Koeffizienten auf Null setzt ergeben sich die Spektren:
Die obigen Tiefpassspektren können unter Verwendung von Gleichung 2 invertiert werden, um die gefilterten Kraftdaten zu ergeben. Mit einer Neudefinition der Symbole sind diese:
Die nun gefilterten Daten sind in einem besseren Zustand, um in ein Maß der Aufpumpung zerlegt zu werden. Eine bestimmte Technik, um diese Zerlegung zu erreichen, wird in dem folgenden Beispiel illustriert.

Beispiel 3: Zerlegung zum Erhalten eines graphischen Maßes für die Aufpumpung

Die Bodenberührungsfläche eines neuen oder gleichmäßig abgenutzten Reifens wird als symmetrisch um seine Mittellinie angenommen. Jede Abweichung von der Symmetrie kann als Störkomponente des Signals angesehen werden. Jede Verteilung (repräsentiert als Vektor) f mit N Komponenten fi, wobei i = 0, 1, 2, ... (N-1), kann in die Summe eines symmetrischen oder geraden Teils fe und eines unsymmetrischen oder ungeraden Teils wie folgt zerlegt werden:
f = fe + fo (10)
wobei
fei = -¹/&sub2;(fi + fN-1-i) (11)
foi = -¹/&sub2; (fi - fN-1-i) (12)
Diese Zerlegung ist richtig, egal ob N eine gerade oder ungerade ganze Zahl ist. Der gerade Teil Fe ist der Reifenaufpumpung zugeordnet. Die gefilterten Daten, Gleichung 9 aus Beispiel 2, ergeben die nach Zerlegung die folgenden geraden und ungeraden Vektoren.
Fig. 5 zeigt, dass die individuellen geraden Kurven gut nach dem Reifenaufpumpdruck als Parameter geordnet sind. Die Abweichung der Kurven von einem flachen Verlauf in Fig. 5 bietet ein Maß für die Güte des Straßenkontakts.

Mittlerer Kontaktdruck (Pseudodruck)

Ingenieure für Autobahnen nehmen gewöhnlich an, dass der Kontaktdruck für die Bodenberührungsfläche eines Reifens gleichmäßig verteilt und von gleicher Größe mit dem Aufpumpdruck des Reifens ist (K. Marshek et al., "Experimental Determination of Pressure Distrubition of Truck Tire-Pavement Contact", Transportation Record 1070, Seiten 9 bis 14, 1987). Die tatsächliche Druckverteilung weicht von dem gleichmäßigen Druckmodell erheblich ab. Während eine ebene Anordnung von Kraftsensoren ein Mittel darstellt, um die Verteilung der Kräfte statisch oder dynamisch zu messen, d. h. wenn der Reifen in Ruhe und in Kontakt mit der ebenen Anordnung ist oder wenn sich das Fahrzeug über die Anordnung bewegt, werden wir im Folgenden die Verwendung einer linearen Anordnung diskutieren. Zweidimensionale Anordnungen können ebenfalls verwendet werden. Eine lineare Anordnung ist jedoch kostengünstiger bereitzustellen. Die lineare Anordnung von Wägezellen bietet ein Mittel, um die Verteilung des Kontaktdrucks in Realzeit zu messen, wenn das Fahrzeug über die Anordnung hinweg bewegt.
Wenn mithin ein Fahrzeug über eine lineare Anordnung hinwegfährt, erfährt jeder Sensor in der Anordnung eine zeitlich variierende einwirkende Kraft. Die zeitabhängigen Daten können wie unten diskutiert verwendet werden, um einen mittleren Kontaktdruck oder Pseudodruck zu berechnen. Der Pseudodruck kann selbst oder in Kombination mit anderen Messungen verwendet werden, um den Reifenaufpumpdruck abzuleiten.
Fig. 6c illustriert schematisch die Zeitabhängigkeit der Kraft, F(t), die für einen gegebenen Sensor für ein sich mit der Geschwindigkeit v bewegendes Fahrzeug erwartet wird, wenn der tatsächliche Kontaktdruck gleichmäßig verteilt ist, wie in Fig. 6b gezeigt. Der Zeitverlauf ist trapezförmig mit einem Plateaubereich von näherungsweise konstanter Kraft und mit Seitenflanken, die ansteigen und abfallen (siehe Fig. 7a, b und 8a, b für Beispiele experimenteller Zeitverläufe). Weil der Sensor eine endliche Länge 1 entlang der Bewegungsrichtung des Fahrzeugs hat, ist eine Zeitdauer von der Größenordnung 1/v erforderlich, damit der Reifen einen Sensor bedeckt oder wieder freigibt.
Da der Kontaktdruck an einem Punkt innerhalb einer Bodenberührungsfläche drastisch variiert und in Bereichen von Lücken in der Lauffläche verschwindet, betrachten wir einen lokalen Kontaktdruck P, der als die Gesamtkraft auf einem Gebiet mit der Größe und Form einer Sensoroberfläche dividiert durch die Fläche definiert ist. Daher ist:
wobei w die Sensorbreite und 1 die Sensorlänge ist. Zu einem gegebenen Zeitpunkt ist der Pseudodruck, bezeichnet als Ps, gegeben durch
wobei
Gesamtkraft = Σ PcdA (16)
Gesamtfläche = Σ dA (17)
worin dA = wdx mit x als Strecke entlang der Fahrzeugbewegung, angenommen senkrecht zu der linearen Anordnung, ist und die Summierung über die Anzahl der durch die Bodenberührungsfläche kontaktierten Sensoren genommen ist. Verwendung man Gleichung (14) zur Substitution von Pc in (16) und führt man dx = vdt ein, ergibt sich:
Gesamtkraft = Σ F(t)dt (18)
Ebenso ergibt sich
Gesamtstraßenberührungsfläche = wΣdx = wΣL = wvΣt&sub1; (19)
wobei L die lokale Länge eines Bodenberührungflächenabschnitts an einer gegebenen Sensorposition ist, und t&sub1; die entsprechende Zeitdauer des Durchgangs. Setzt man (18) und (19) in (15) ein und eliminiert man den gemeinsamen Faktor v, ergibt sich ein Resultat, das unabhängig von der Fahrzeuggeschwindigkeit v ist.
Die angewendete Transformation dx = vdt stellt eine vereinfachende Annahme dar. Tatsächlich bleibt der Bereich der Lauffläche, der zu Anfang eine Sensoroberfläche berührt, an dieser Stelle, während die Belastung mit der Zeit ändert. In dem speziellen Fall, in dem der Reifen profillos ist, wird die Beziehung exakt.
Gleichung (20) drückt PS ausschließlich in Abhängigkeit von messbaren Parametern aus. Die Auswahl der Zeit t&sub1;, eher als die Zeit t&sub1; (siehe Fig. 6c), zur Anwendung in der Gleichung stellt ein wichtiges Merkmal dar. Die Zeit t&sub1; misst die Zeitdauer von dem Moment, zu dem der Reifen den Sensor zuerst berührt, bis zu der Zeit, zu der der Reifen beginnt, sich von dem Sensor abzuheben.
Die Geschwindigkeit während des Zeitintervalls, wenn der Reifen den Sensor verlässt, kann aufgenommen werden. Es ist wird auf Fig. 6c Bezug genommen, wobei die Bestimmung der Zeitdauer t&sub2; - t&sub1; die Bestimmung der Fahrzeuggeschwindigkeit v mit der bekannten Länge 1 eines Sensor unter Verwendung der Beziehung v = 1/(t&sub2; - t&sub1;) erlaubt. Die Differenz der Geschwindigkeiten zusammen mit dem bekannten Zeitintervall zwischen der Aufnahme der Geschwindigkeiten kann verwendet werden, um die Beschleunigung oder Verzögerung des Fahrzeugs zu berechnen und, wenn erwünscht, um eine Korrektur der gemessenen Kräfte unter Anwendung von Newtons Gesetzen der Mechanik zu schätzen. Die Korrektur auf die gemessene Kraft kann erheblich sein, sogar bei Fahrweggeschwindigkeiten, z. B. wenn ein Fahrer plötzlich die Bremsen betätigt. Die korrigierten Kräfte können in irgendeiner der Arten der Datenreduktion verwendet werden, wie sie in dieser Patentanmeldung beschrieben sind. Alternativ kann es erwünscht sein, einfach das Vorhandensein von übermäßiger Beschleunigung oder Verzögerung zu erfassen, zu erkennen, dass die Vorhersage nachteilig beeinflusst ist, und demgemäß die Messung zurückzuweisen.
Wie diskutiert, ermöglicht die Sensoranordnung wie hier beschrieben, dass die Geschwindigkeit auf Grundlage der Zeitdauer des Signals, wenn ein Fahrzeug einen Sensor der Anordnung bedeckt oder freigibt, bestimmt werden. In Tabelle 2 sind die durch die oben beschriebene Technik bestimmte Werte der Fahrzeuggeschwindigkeit aufgelistet. Tabelle 2 Experimentelle Werte der Fahrzeuggeschwindigkeit erfasst aus Übergangskraftdaten (Sensorlänge 3,7 cm (1-7/16tel Zoll)
Das nächste Beispiel illustriert die Anwendung von Gleichung (20) bei Verwendung von Testdaten.

Beispiel 4: Dynamische Messung von Bodenberührungsflächenkräften und die Extraktion des Pseudodrucks

Die Sensoranordnung und -auslöse aus Beispiel 1 wurde mit einem digitalen Datenauf nahmesystem automatisiert, das aus einem LeCroy Modell 8212A Wellenformdigitalisierer mit einem Modell 8800A 32K · 12 Bit-Speicher mit einer maximalen Samplingrate von 100 kHz auf einem aktiven Kanal und bis zu 5 kHz simultanem Sampling auf 32 Kanälen. Die aufgenommenen Daten wurden dann über einen Modell 8901 GPIB Instrument Controller zu einer Compaq 386SX Computerstation übertragen, die mit einem Intel 80287 Mathematik-Coprozessor, einem 40 MByte Festplattenlaufwerk und Asyst Software ausgerüstet war, mit denen Wasserfalldarstellungen, axonometrische und Kontur-Darstellungen errechnet und dargestellt werden können.
Fig. 7 illustriert die dynamisch aufgenommene Reifenbodenberührungsflächenkraftverteilung für einen normal aufgepumpten Reifen. In den axonometrischen Darstellungen ist die Kraft (in willkürlichen Einheiten) auf der vertikalen Achse und die Zeit (in willkürlichen Einheiten) auf einer horizontalen Achse für jeden der acht Sensorkanäle dargestellt. Das Erscheinungsbild der Kontur-Darstellung in Fig. 7 (c) ist ganz typisch für einen normal aufgepumpten Reifen (Muster mit einer Erhebung oder Augenmuster). Fig. 8 zeigt die entsprechenden Darstellungen für einen ungenügend aufgepumpten Reifen. Das Muster mit doppelten Erhebungen (Katzenaugen) ist ganz typisch für einen ungenügend aufgepumpten Reifen.
In Tabelle 3 sind die Kraftauslesewerte der Sensoren Kanalfür-Kanal für statisch aufgenommene Daten (das Fahrzeug ist in Ruhe auf den Sensoren) gegenüber dynamisch aufgenommenen Daten (das Fahrzeug fährt über die Sensoren) verglichen. Es ist ersichtlich, dass die Auslesewerte für einen gegebenen Reifendruck vergleichbar sind, egal ob das Fahrzeug in Ruhe oder in Bewegung (bei näherungsweise konstanter Geschwindigkeit) ist.
Aus dem Vorhergehenden ist offensichtlich, dass die Reifenbodenberührungs flächendaten aufgenommen werden können, auch wenn das Fahrzeug in Bewegung ist.
Weitere Daten wurden unter Verwendung eines profillosen Rennreifens (Mickey Thompson ET Drag 26.0/8.5-15) dynamisch aufgenommen, der am rechten Hinterrad eines 1990 Pontiac Grand Prix LE Personenwagens montiert war. Das Fahrzeug wurde einige Male über die in Beispiel 1 beschriebene Sensoranordnung gefahren, jeweils bei einem von 7 Niveaus des Reifenaufpumpdrucks, wobei der Bereich von etwa 34,5 bis etwa 262,0 kPa (5 psi bis 38 psi) überspannt wurde. Die Fahrzeuggeschwindigkeit war normalerweise konstant im Bereich von 4,8 bis 8,0 km/h (3 bis 5 Meilen pro Stunde). Zeitaufgelöste Daten an den 8 Sensorkanälen wurden gesammelt und unter Verwendung von Gleichung (20) prozessiert, wobei die Resultate in Fig. 9 gezeigt sind. Die diagonale Linie 2 präsentiert die Identität unter der idealisierten Bedingung, dass der Reifenaufpumpdruck unter allen Bedingungen dieselbe Größe wie der Pseudodruck hat. Die eingezeichneten Punkte sind aus Gleichung (20) berechnet.
Es wurden keine Korrekturen für Sensorauslesewerte durchgeführt, die an die Reifenränder fielen, wo normalerweise eine unvollständige Sensorbedeckung auftritt. Es können schmalere Sensoren verwendet werden, um diese Fehlerquelle der Fläche zu reduzieren. Alternativ können Randkorrekturen durchgeführt werden. Es ist davon auszugehen, dass das vorliegende System nicht optimiert ist und weiter verbessert werde kann.
Weitere Tests unter Verwendung von Profilreifen ergaben ähnliche Resultate wie die in Fig. 9 gezeigten, außer dass eine stärkere Streuung vorhanden ist. Es können längere Sensoren verwendet werden, um über ein größeres Gebiet des Profils zu mitteln, um die Streuung zu reduzieren. Alternativ können eine oder mehrere zusätzliche Reihen von Sensoren in paralleler Anordnung zu der ersten Reihe von Sensoren für denselben Zweck eingesetzt werden. Versetzte Anordnung der zusätzlichen Sensoren erlaubt eine weitere Reduzierung der Streuung.
Zusammengefasst liefert dieses Beispiel ein anderes Mittel zur Datenreduktion, wodurch die Anordnung der Wägezellen ver wendet werden können, um den Pseudodruck als ein Maß des Reifendrucks abzuleiten.
Es ist zu bemerken, dass die Differenz des Pseudodrucks von einem Reifen zum anderen verwendet werden kann, um eine Varianz in der Reifenaufpumpung als eine Warnung zu erfassen, dass der eine oder andere Reifen eine Inspektion benötigt. Bei Verwendung in dieser Weise braucht das System nicht absolut kalibriert zu sein, um den tatsächlichen Reifendruck auszulesen. Ebenso können andere Merkmale wie auch aus dem Reifendruck abgeleitete Werte in ähnlich vergleichender Weise verwendet werden, wenn dies erwünscht ist. Diese Werte können durch irgendeine der oben oder unten beschriebenen Methoden bestimmt werden.

Erkennung von Reifenmustern mit neuronalen Netzwerken

Neuronale Netzwerke sind Rechenmethoden, die in der Lage sind, in Daten enthaltene Muster zu lernen, indem ein Prozess eines überwachten Trainings durchgeführt wird. Die trainierten Netzwerke können nachher benutzt werden, um Dateneingaben, die dem Netzwerk vorher nicht präsentiert wurden, zu klassifizieren. Siehe z. B. Parallel Distributed Processing, Vol. 1, Foundations (1988) Rummelhart, D. E. and McClelland, J. L., MIT Press, Cambridge, MA und Neural Works Professional II: users Guide. Vol. 1 Neural Computing, Oktober 1989, veröffentlicht von Neural Ware, Inc., Pittsburgh, PA.
Es ist nicht wahrscheinlich, dass der Reifen, wenn er auf die Anordnung der Wägezellen gefahren wird, exakt phasenrichtig auf den Wägezellen platziert ist. Das heißt, dass eine an den Rändern des Reifens eingeführte Fehlausrichtung aufgrund einer teilweisen Überdeckung der Wägezellen, die an den Reifenrändern liegen, auftreten kann. Die Breite der Reifenlauf fläche kann auch nicht zu der Breite der Sensoranordnung passen. Diese und andere nicht ideale Bedingungen führen tendentiell dazu, der Kraftverteilung eine komplexe Erscheinung zu geben. Das nächste Beispiel illustriert, wie komplexe Muster der Kraftverteilung unter Verwendung eines neuronalen Netzwerks erfolgreich interpretiert werden können.
Es wurde ein neuronales Netzwerk mit einer Feed Forward Architektur definiert, siehe Fig. 10. Das Netzwerk besteht aus drei Schichten von künstlichen Neuronen, die von Schicht zu Schicht durch einstellbare Gewichte verknüpft sind. Eine Bias- Zelle mit einer konstanten Einheitsausgabe ist durch einstellbare Gewichte mit den künstlichen Neuronen der verborgenen Schicht und Ausgabeschicht verbunden. Daten werden den künstlichen Neuronen der Eingabe schiebt zugeführt und repräsentieren reduzierte Kraft. Zu Beginn des Netzwerk-Trainingsprozesses sind die Gewichte in dem Netzwerk zufällig gewählte zugewiesene Werte.
Zum Beispiel ist das Gewicht, das Neuron 1 mit Neuron 8 verknüpft, als w&sub8;&sub1; bezeichnet, das Gewicht, das Neuron 6 und Neuron 9 verknüpft, als w&sub9;&sub6; bezeichnet etc. Die gewichteten Eingaben zu einem Neuron j in der verborgenen Schicht oder der Ausgabeschicht des Netzwerkes werden gemäß folgendem Ausdruck summiert, um einen als Netj bezeichneten Wert zu erhalten:
Netj = ΣiwjiOi (44)
wobei Oi die Ausgabe des i-ten Neurons in der darunterliegenden Schicht ist, wji das Gewicht ist, das Neuron i mit Neuron j verknüpft. Die Ausgabe für irgendein Neuron in der Eingabeschicht ist dieselbe wie seine Eingabe. Die Ausgabe für irgendein Neuron in der verborgenen Schicht wird in einen Bereich von 0 bis 1 nicht-linear abgebildet unter Verwendung der folgenden Sigmoid-Funktion:
Zunächst hat der Ausgabeaufpumpwert Δ des Neurons in der Ausgabe Schicht des Netzwerks in Antwort auf eine (Vektor-)Eingabe von Werten, die der Eingabeschicht eingegeben werden, einen Wert, der weit von dem korrekten Wert von Δ, der zu diesen Eingaben gehört, abweicht. Unter Verwendung eines Trainingssatzes von Eingabevektoren, jeder mit seinem zugehörigen Parameter Δ, wobei jedes Element des Satzes wie zuvor beschrieben zufällig erzeugt worden ist, werden die Gewichte des Netzwerkes eingestellt, um einen Fehler kleinster Quadrate über das Ensemble zu erhalten. Diese Optimierung kann in irgendeiner von verschiedenen Weisen, die Fachleuten bekannt sind, ausgeführt werden.

Beispiel 5: Ein neuronales Netzwerk, das an experimentellen Reifendaten trainiert ist

Die lineare Anordnung von acht Wägezellensensoren, wie in Beispiel 1 beschrieben, wurde eingesetzt, um die Kraftverteilung über die Bodenberührungsfläche für die Fahrzeug/Reifen-Kombinationen wie in Tabelle 4 auf gelistet, zu erfassen. Die Daten wurden entlang eines Meridians des Reifens bei über den Sensoren ruhendem Fahrzeug erhalten, so dass eine Auslese für die mittlere Bodenberührungsflächenkraft angezeigt wurde. Insgesamt wurden 35 Tests durchgeführt, bei denen der Reifenaufpumpdruck von weniger als 40% bis auf mehr als 130% der vom Hersteller empfohlenen normalen Aufpumpung variierten. Jeder Test resultierte in einem Satz von Kraftauslesewerten, die durch einen gleichförmig konstanten Wert normalisiert wurden und Eingabewerte für ein neuronales Netzwerk wurden, das eine Eingabeschicht von 6 Neuronen, eine verborgene Schicht von 4 Neuronen und eine einzelne Ausgabeschicht hat (siehe Fig. 10). Die Anzahl der Wägezellensensoren in Kontakt mit einem Reifen variierte von Test zu Test. Der normalisierte tatsächliche Reifenaufpumpdruck lieferte den Zielausgabewert während des Trainings des Netzwerks.
Nach dem Training wurden die Eingaben aus den Trainingssätzen dem Netzwerk zugeführt und der abgerufene Aufpumpdruck, d. h. die Netzwerkausgabe, geeigneterweise ohne Normalisierung, wurde aufgezeichnet und gedruckt, was zu der Paritätsdarstellung aus Fig. 11 führte. Es ist aus der Figur ersichtlich, dass das Netzwerk lernte, die Muster des Trainingssatzes mit hoher Präzision zu erkennen (das Verhältnis von Standardabweichung zu Mittelwert ist etwa 2%). Wenn ein neuronales Netzwerk konfiguriert wurde, das 3 Neuronen in der verborgenen Schicht verwendet, war die Lernfähigkeit etwas verschlechtert (Verhältnis von Standardabweichung zu Mittelwert von etwa 4%).
Durch Trainieren eines neuronalen Netzwerkes mit repräsentativen Anzahlen und Typen von Reifen und Fahrzeugen kann das Netzwerk dazu verwendet werden, den Druck von Reifen abzuleiten, auf die es zuvor nicht trainiert wurde. Es ist auch zu verstehen, dass das neuronale Netzwerk die Fähigkeit besitzt, Muster von Kraftverteilungen in Anwesenheit von Rauschen zu klassifizieren, das von Profil Variationen, unbekannten Ausmaßen von Phasenverschiebung, unpassende Reifenbreite in Bezug auf das Sensor-Design etc. herrührt. Das trainierte Netzwerk/Sensor-System kann zum automatischen Messen des Reifendrucks als ein Service für Fahrer verwendet werden. Tabelle 4 Testfahrzeuge und Reifen (rechtes Vorderrad)
Obwohl die vernehmliche Absicht darin besteht, ein System zu definieren, das die Fähigkeit hat, autonom zu arbeiten, ist davon auszugehen, dass das hier offenbarte System und das Verfahren in Verbindung mit extern bereitgestellter Information angewendet werden können, um ihre Funktionalität zu erreichen, z. B. Kenntnis des Reifentyps, Fahrzeugtyps, Fahrzeugbelastung oder andere Daten. Solche Information kann die Auswahl eines bestimmten neuronalen Netzwerks ermöglichen, das speziell trainiert ist, um die Entscheidungsfindungsfunktion auszuführen, die zur Ausführung der Erfindung erforderlich ist.
Eine einzelne Anordnung von Sensoren kann dazu dienen, Signale von den vorderen und hinteren Reifen des Fahrzeugs aufzunehmen, das über die Anordnung fährt.
Ein schräger Verlauf der Bodenberührungsfläche aufgrund der Bewegungsrichtung des Fahrzeuges kann dazu verwendet werden, um die Auslesewerte für die Bodenberührung zu korrigieren, wenn ein Fahrzeug schräg über die Anordnung der Sensoren fährt.
Das System und das Verfahren können auch als Zähler für die eine bestimmte Stelle passierende Fahrzeuge fungieren. Diese Funktion kann beispielsweise erreicht werden, indem ein Zähler betätigt wird, der die Anzahl von Malen aufzeichnet, zu denen ein Sensor eine Signatur des Einsetzens einer Kraft als Funktion der Zeit überträgt.

Beispiel 6: Ein neuronales Netzwerk, das an Merkmalen, die aus experimentellen Daten extrahiert sind, trainiert wurde

Die Leistungsfähigkeit eines neuronalen Netzwerks des in Beispiel 5 beschriebenen Typs bei der Vorhersage des Reifendrucks für einen Fahrzeug/Reifen, das nicht in den Trainingsdaten enthalten war, ist weniger genau als die in Fig. 11 illustrierte Erinnerungsgenauigkeit. Ich habe gefunden, dass eine genauere Vorhersage vorgenommen werden kann, indem charakteristische Merkmale aus den Kraftrohdaten extrahiert werden und diese Merkmale als Eingaben für ein neuronales Netzwerk verwendet werden. Die charakteristischen Merkmale sind wünschenswerterweise unempfindlich gegenüber Phasenverschiebung eines gege benen Reifens in Bezug auf die Sensoren. Diese Charakteristiken können bestimmt werden, indem für einen gegebenen Reifen die Bodenberührungskraftverteilung gemessen wird. Dann wird ein charakteristisches Merkmal aus der Verteilung berechnet. Das Merkmal wird dann für denselben Reifen durch Wiederholen des Tests mit einer anderen Phasenposition erneut bestimmt. Wenn das berechnete Merkmal in sinnvollem Umfang konstant bleibt über eine Anzahl von solchen Tests, dann kann dieses Merkmal verwendet werden, um das neuronale Netzwerk zu trainieren. Eine Anzahl von solchen Merkmalen wurden identifiziert, wie unten diskutiert wird.
Der zuvor definierte Pseudodruck PS (siehe Gleichung 20) stellt ein nützliches Merkmal dar. Bei Verwendung einer Anordnung von 20 Zellen von benachbarten 0,5 Zoll breiten Sensoren ist der Pseudodruck reproduzierbar mit einer mittleren Standardabweichung von 3,5% bei Profilreifen. Das Verhältnis PT/PS von Reifendruck PT zu Pseudodruck PS variiert typischerweise über einen relativ engen Bereich von etwa 0,33 bis 0,67. Ein neuronales Netzwerk kann dazu trainiert werden, eine Ausgabe von PT/PS eher als von PT anzustreben, in welchem Fall das Netzwerk einen Korrekturfaktor mit einem begrenzten Variabilitätsbereich berechnet.
Es wurde gefunden, dass SF, die Summe der Kräfte über die aktiven Sensoren am zeitlichen Mittelpunkt eines Bodenberührungsdatenpulses, als ein anderes geeignetes Merkmal dient.
Die Mittelpunktszeit wird bequemerweise in Abhängigkeit von der längsten Datenspur definiert, welche wiederum eine Spur nahe der meridionalen Mitte des Reifens entspricht. Die entsprechenden Kraftwerte werden unten als die Mittelpunktsausschnittsdaten oder Ausschnittsdaten bezeichnet.
Ein anderes charakteristisches Merkmal wird durch ein Maß des Mittelpunktsdrucks PO geliefert. PO wird bequemerweise aus den Ausschnittsdaten als ein Mittel über eine Anzahl von mittig angeordneten Sensoren extrahiert. Bei Verwendung von Sensoren von 0,5 Zoll Breite liegt die Anzahl der aktiven Sensoren typischerweise im Bereich von 8 bis 12. Indem die Auslesewerte von den drei äußersten aktiven Sensoren auf beiden Seiten der Bodenberührungsfläche zurückgewiesen werden, führt dies zu einer Mittlung über 2 bis 6 Zellen, um einen Wert von PO zu erhalten. Der Wert von PO ist von Test zu Test bequem reproduzierbar.
Ein anderes Merkmal das nützlich bei dieser Arbeit ist, ist WF oder die Kraftbreite, die folgendermaßen definiert ist.
Das durch Gleichung (22) gegebene definiert das kraftgewichtete Zentrum der individuellen Kraftwerte in den Abschnittsdaten. i&supmin; ist die Sensornummer, wobei die Numerierung sequentiell von einem Ende der S ens o ranordnung zu dem anderen definiert ist. Mithin repräsentiert die Position des Zentrums in Einheiten der Sensorbreite. Gleichung (23) für WF definiert eine Breite der Kraftverteilung und daher ein Maß für die Reifenbreite.
In Tabelle 5 sind Daten aus wiederholten Tests auf gelistet, die die relative Invarianz dieser verschiedenen Maße illustriert. Tabelle 5 Reproduzierbarkeit der Merkmale Pontiac Grand Prix - Goodrich P2O5/65R15 PT = 200,0 kPa (29,0 psi)
Die unterste Zeile der Tabelle führt das Verhältnis von Standardabweichung zu Mittelwert für jedes der vier Merkmale auf. Sowohl PO als auch PS sind auf besser als 2% oder besser (ein Sigma) reproduzierbar. WF und SF zeigen eine größere Streuung, aber tragen nichtsdestoweniger nützlich Informationen in Bezug auf den Reifendruck bei.
Es wurde eine Merkmalsdatenbank aufgestellt, indem Daten verwendet wurden, die von den Bodenberührungsflächen von vorderen und hinteren rechten Reifen von 7 Fahrzeugen aufgenommen wurden. Drei oder mehr Wiederholungsauslesungen wurden bei jedem der vier Aufpumpdrücke 260,0, 200,0, 170,3, 80,0 kPa (37,7, 29,0, 24,7, 11,6 psi) aufgenommen. Eine Liste der Fahrzeuge und Reifen ist in Tabelle 6 gegeben. Tabelle 6 Datenbank für Fahrzeuge und Reifen
Ein dreischichtiges neuronales Netzwerk mit einer gleichen Anzahl von künstlichen Neuronen in der Eingabeschicht und in der verborgenen Schicht und einem Neuron in der Ausgabeschicht wurde konfiguriert. Die Sigmoid-Übertragungsfunktion wurde in allen außer den Eingabeneuronen eingesetzt. Ein Bias-Neuron mit einer Einheitsausgabe wurde mit variablen Gewichten mit den Neuronen der verborgenen und der Ausgabeschicht verknüpft.
Die Gewichte des Netzwerks wurden dahingehend ermittelt, um den Fehler über einen Trainingssatz zu minimieren, der beispielsweise aus 136 Datenvektoren und ihren zugehörigen Zieldruckwerten (den Reifenaufpumpdruckwerten) bestanden. Die Nissan Limousine wurde aus diesem Testsatz ausgeschlossen. Die Genauigkeit des trainierten Netzwerks, die Zieldruckwerte wieder abzurufen, ist in Fig. 12 illustriert. Das Verhältnis der Wurzel der quadratischen Abweichungen zum mittleren Druck war 1,7% über den Trainingssatz.
Die Nissan Limousine, die dem Netzwerk/Sensor zuvor nicht gesehen hatte, wurde dann getestet. Die vorhergesagten Druckwerte sind in Tabelle 7 aufgelistet, wobei zu sehen ist, dass das neuronale Netzwerk eine sinnvolle Abschätzung der tatsächlichen Reifendruckwerte erzeugt. Durch Einbeziehen von mehr Fahrzeugen in die Datenbasis kann die Genauigkeit des Verfahrens weiter verbessert werden. Tabelle 7 Vorhersagen des neuronalen Netzwerks für die Vorderreifendruckwerte der Nissan Limousine

Claims

1. System zur Bestimmung des Aufpumpdrucks von Fahrzeugluftdruckreifen, die an dem Rad eines Fahrzeugs montiert sind, wobei das System die Kombination auf weist:

(a) eine Anordnung von Lastsensoren (2, 6, 8) zum Bereitstellen eines Datenmusters der Kraftverteilung, die von dem Reifen über seine ganze Bodenberührungsfläche ausgeübt wird, und die wenigstens eine Reihe von Sensoren enthält, die im Betrieb in Kontakt mit dem Reifen entlang einer Linie über die Breite des Reifens sind, und

(b) einen Computer, der dazu programmiert ist, den Aufpumpduck des Reifens aus dem Datenmuster der Kraftverteilung der Gesamtheit der Bodenberührungsfläche zu bestimmen.

2. Verfahren zum Bestimmen des Aufpumpungsdrucks eines Luftdruckfahrzeugreifens, der an dem Rad eines Fahrzeugs montiert ist, mit den Schritten:

(a) Verwenden einer Anordnung von Lastsensoren (2, 6, 8), um ein Datenmuster der Kraftverteilung zu erhalten, die von dem Reifen über seine ganze Bodenberührungsfläche ausgeübt wird, wobei die Sensoranordnung wenigstens eine Reihe von Sensoren in Kontakt mit dem Reifen entlang einer Linie quer zur Breite des Reifens enthält, und

(b) Einspeisen des Datenmusters in einen Computer, der dazu programmiert ist, den Aufpumpdruck des Reifens aus dem Datenmuster der Kraftverteilung der gesamten Bodenberührungsfläche zu bestimmen.

3. System oder Verfahren nach Anspruch 1 oder 2, wobei die Sensoranordnung (2, 6, 8) nur eine einzelne Reihe von Lastsensoren auf weist und, im Betrieb, die Sensoren die Kraft-Verteilung erfassen, während der Reifen an dem Fahrzeug sich über die Anordnung bewegt.

4. System oder Verfahren nach Anspruch 1 oder 2, wobei die Sensoranordnung zur Lieferung des Datenmusters der von dem Reifen über seine gesamte Bodenberührungsfläche ausgeübten Kraft Verteilung eine zweidimensionale Anordnung ist.

5. System oder Verfahren nach einem der vorhergehenden Ansprüche, wobei die Lastsensoren Dehnungsstreifen oder piezoelektrische und/oder Piezowiderstands-Folien sind.

6. System oder Verfahren nach einem der vorhergehenden Ansprüche, wobei der Computer dazu vorbereitet ist, die Kraftverteilungsdaten zu filtern.

7. System oder Verfahren nach einem der vorhergehenden Ansprüche, wobei der Computer dazu vorbereitet ist, die Kraftverteilung in symmetrische und unsymmetrische Teile zu zerlegen, um Maßwerte für den Reifendruck zu bestimmen.

8. System oder Verfahren nach einem der Ansprüche 1 bis 6, wobei der Computer dazu vorbereitet ist, die Kraftverteilungsdaten zu verwenden, um einen mittleren Kontaktdruck zu bestimmen.

9. System oder Verfahren nach einem der vorhergehenden Ansprüche, wobei der Computer dazu vorbereitet ist, den Reifendruck durch neuronale Netzwerkerkennung zu bestimmen.

10. System oder Verfahren nach Anspruch 9, wobei das neuronale Netzwerk dazu vorbereitet ist, mit Eingaben trainiert zu werden, die unempfindlich gegenüber der Position des Reifens auf den Sensoren sind.

11. System oder Verfahren nach Anspruch 10, wobei das neuronale Netzwerk dazu vorbereitet ist, auf den Pseudodruck, die Summe der Kräfte, den Mittelpunktsdruck und Kraftbreitendaten trainiert zu werden.

12. System oder Verfahren nach einem der vorhergehenden Ansprüche, wobei die Lastsensoren in einem Fahrweg benachbart einer Zapfsäule einer Tankstelle angeordnet sind.