用于检测车辆上的被调换的轮胎的方法和系统与流程

本发明总体上涉及用于检测车辆上的被调换的轮胎的方法和系统，且更特别地，涉及如下方法和系统：该方法和系统使用在控制单元处从安装在轮胎上的发射器接收到的信号的信号强度指示符，以便检测车辆上的轮胎何时已被调换。

背景技术：

1、机动车辆的轮胎现今配备有传感器单元，诸如例如附接到轮胎的内衬的压力传感器。传感器测量轮胎的参数(诸如，其充气压力)，并将测量值无线地传达给车辆的远程信息处理控制单元。该控制单元从车辆的轮胎中的每个接收携带测量值的信号，并被构造成监测所有被感测参数、在超出参数的预定操作值的情况下发出警报，以通知驾驶员或向车辆车队操作员发送维护警报。

2、对于这些与轮胎相关的服务，正确识别轮胎在车辆上的位置至关重要。如果在维护操作期间调换了轮胎并且未在控制单元处正确登记车辆上的新位置，则这可能会导致错误的通知，因为随时间的推移从给定位置收集的数据将对应于不同的轮胎，但将被控制单元归属于同一登记的轮胎。

3、在大型车队(例如，多轴运输车辆的车队)中，轮胎调换的次数庞大。因此，可靠地识别轮胎调换是重要的，以便相关的通知服务向车队的所有者提供轮胎的状态的可靠数据。

4、在专利文献us 9278589 b2中，已提出了将在控制单元处从轮胎接收到的信号的信号强度与先前记录的信号强度(其被称为训练数据)进行比较，以便检测轮胎的位置变化。然而，该文献并未描述关于如何在实践中获得足够的训练数据，而这对于多轴车辆是特别成问题的，这是由于轮胎的数量庞大且因此应能够检测的可能的轮胎调换次数庞大所致。

5、仍然需要提供一种可靠的对车辆上的轮胎调换或更换的自动检测系统，该自动检测系统与车辆的轴数量无关地保持稳健，并且该自动检测系统不需要出于检测轮胎调换的目的而从轮胎的传感器进行专门传输，因为这些传感器依赖于有限的电池容量。

技术实现思路

1、本发明涉及根据权利要求1所述的方法、根据权利要求10所述的系统、以及根据权利要求16所述的控制单元。

2、从属权利要求指代本发明的优选实施例。

3、根据本发明的方面，提供了用于检测车辆上的轮胎的调换的计算机实施的方法，该车辆包括安装在车辆的多个可用安装位置中的成组的轮胎。每个轮胎配置有信号发射器。该方法包括以下步骤：

4、将轮胎的成组的初始安装位置记录在车辆的控制单元的第一存储器元件中；

5、在控制单元的第二存储器元件中提供初始信号签名数据，其中，该初始信号签名数据是通过当轮胎安装在它们各自的初始安装位置处时在车辆的信号接收器处从信号发射器接收信号而获得的；

6、使用训练数据集来训练控制单元的机器学习算法，使得经训练的机器学习算法能够将输入信号签名数据分类为对应于初始信号签名数据抑或不对应于初始信号签名数据，所述输入信号签名数据通过从轮胎的信号发射器接收信号而获得；

7、在车辆的信号接收器处获得输入信号签名数据并使用经训练的机器学习算法对该输入信号签名数据进行分类，以及

8、如果输入信号签名数据被分类为不对应于初始信号签名数据，则在控制单元处生成轮胎调换检测信号；

9、训练数据集包括：匹配记录，其中初始信号签名数据与该组对应的初始安装位置相关联；以及不匹配记录，其由处理器通过将初始信号签名数据与不同于该组初始安装位置的多组安装位置相关联而生成。对具有匹配记录和不匹配记录的训练数据集的使用可被称为虚拟化。

10、优选地，获得初始信号签名数据可包括：当轮胎安装在它们各自的初始安装位置处时，随时间的推移获得接收到的信号中的每个的接收信号强度指示符(rssi)水平的统计。输入信号签名数据可优选地包括从轮胎的信号发射器接收到的信号的rssi水平的统计。

11、rssi水平的统计可优选地由成组的参数提供，该组参数描述相应地对应的rssi水平分布。

12、优选地，训练机器学习算法的步骤可包括从成组的候选机器学习算法中选择机器学习算法的初步步骤，其中，遗传算法基于候选机器学习算法在对信号签名数据进行正确分类方面提供的准确性来选择候选机器学习算法。

13、可进一步优选的是，经训练的机器学习算法提供介于0和1之间的概率，其中，极值对应于输入信号签名数据被准确地分类为对应于初始信号签名数据或不对应于初始信号签名数据。

14、如果输入信号签名数据被准确地分类为不对应于初始信号签名数据的概率高于预定阈值，则轮胎调换检测信号可优选地指示轮胎调换。

15、优选地，如果可用输入信号签名数据被准确地分类为不对应于初始信号签名数据的概率低于预定阈值，则可获得更多输入信号签名数据并对其进行分类。

16、如果在预定量的时间内获得的输入信号签名数据反复地被分类为不对应于初始信号签名数据，则轮胎调换检测信号可优选地指示轮胎调换。

17、可优选的是，车辆的可用安装位置对应于车辆的轴的位置。

18、根据本发明的进一步方面，提出了轮胎调换检测系统。轮胎调换检测系统包括控制单元和安装在车辆的多个可用安装位置中的成组的轮胎，每个轮胎配置有信号发射器。控制单元包括：信号接收器，其用于从信号发射器接收信号；第一存储器元件，其用于存储轮胎的初始安装位置；以及第二存储器元件，其用于存储初始信号签名数据，该初始信号签名数据已通过当轮胎安装在它们各自的初始安装位置处时在信号接收器处从信号发射器接收信号而获得。控制单元进一步包括经训练的机器学习算法，该经训练的机器学习算法被构造成将输入信号签名数据分类为对应于初始信号签名数据抑或不对应于初始信号签名数据，所述输入信号签名数据通过从轮胎的信号发射器接收信号而获得，并且控制单元进一步被构造成：如果输入签名数据被分类为不对应于初始信号签名数据，则生成轮胎调换检测信号。

19、优选地，机器学习算法可已使用训练数据集进行了训练，该训练数据集包括：匹配记录，其中初始信号签名数据与该组对应的初始安装位置相关联；以及不匹配记录，其由处理器通过将初始信号签名数据与不同于该组初始安装位置的多组安装位置相关联而生成。

20、控制单元可优选地布置在车辆的前轴和后轴之间的中途。

21、替代地，控制单元可布置成更靠近车辆的前轴或后轴中的任一个。

22、优选地，控制单元可布置在车辆的纵向中间轴线上。

23、根据本发明的进一步方面，提出了用于车辆的控制单元。该控制单元被构造成生成轮胎调换检测信号。该控制单元包括：信号接收器，其用于从轮胎的信号发射器接收信号；第一存储器元件，其用于存储轮胎在车辆上的初始安装位置；以及第二存储器元件，其用于存储初始信号签名数据，该初始信号签名数据已通过当轮胎安装在车辆上的它们各自的初始安装位置处时在信号接收器处从信号发射器接收信号而获得。控制单元进一步包括经训练的机器学习算法，该经训练的机器学习算法被构造成将输入信号签名数据分类为对应于初始信号签名数据抑或不对应于初始信号签名数据，所述输入信号签名数据通过从轮胎的信号发射器接收信号而获得。控制单元进一步被构造成：如果输入签名数据被分类为不对应于初始信号签名数据，则生成轮胎调换检测信号。

24、优选地，初始信号签名数据可通过以下步骤而获得：当轮胎安装在它们各自的初始安装位置处时，在控制单元处随时间的推移而生成接收到的信号中的每个的接收信号强度指示符(rssi)水平的统计，并且其中，输入信号签名数据包括从轮胎的信号发射器接收到的信号的rssi水平的统计。

25、控制单元可优选地进一步包括处理器，该处理器被构造成从成组的候选机器学习算法中选择机器学习算法，其中，遗传算法基于候选机器学习算法在对信号签名数据进行正确分类方面提供的准确性来选择候选机器学习算法。

26、定义

27、“rssi”意指接收信号强度指示符。其是对接收到的无线电信号中存在的功率的测量，而与信号中包括的信息无关。

28、“纵向”用于表示车辆的主前后轴线。

29、“信号发射器”用于表示轮胎的任何发射器或传感器，其能够向车辆的控制单元发射无线电信号。

30、“机器学习算法”表示用于对数据进行自动分类的一类算法。这可以包括人工神经网络，其中若干层节点(每层对输入信号执行检测例程)互连以便提供输出信号，该输出信号识别输入信号所属于的预定类别。

31、“训练数据”表示代表机器学习算法应进行分类的类别的数据。训练数据包括已标注的数据记录，其中，每条记录都是先验已知的并被标注为属于给定类别。

32、“训练”机器学习算法意指使用训练数据来调整机器学习算法的参数(例如，通用人工神经网络的节点的参数)，由此一旦已完成训练阶段就使得机器学习算法能够准确地对未知的输入信号进行分类。在训练阶段期间，可用训练数据的子集(被称为验证数据)被用作测试输入，以便确保机器学习算法如所希望的那样来操作。

33、“遗传算法”表示用于求解约束优化问题和无约束优化问题两者的优化算法。遗传算法基于自然选择的原则，自然选择是推动生物进化的过程。遗传算法反复地修改候选方案的群体。在每个步骤处，遗传算法通过确定应用于手头的问题的对应方案是否胜过先前确定的方案来从当前群体中选择个体作为“亲代”。所选择的“亲代”用于产生下一代的“子代”。子代候选方案继承了它们的亲代的性质或参数，并进行了有限次数的随机修改。在连续几代内，优化问题的候选方案的群体向接近最优的方案“演化”。

34、本发明至少包括如下技术方案：

35、方案1.一种用于检测车辆上的轮胎的调换的计算机实施的方法，所述车辆包括安装在所述车辆的多个可用安装位置中的成组的轮胎，每个轮胎配置有信号发射器，所述方法包括以下步骤：

36、将所述轮胎的成组的初始安装位置记录在所述车辆的控制单元的第一存储器元件中；

37、在所述控制单元的第二存储器元件中提供初始信号签名数据，其中，所述初始信号签名数据是通过当所述轮胎安装在它们各自的初始安装位置处时在所述车辆的信号接收器处从所述信号发射器接收信号而获得的；

38、使用训练数据集来训练所述控制单元的机器学习算法，使得经训练的机器学习算法能够将输入信号签名数据分类为对应于所述初始信号签名数据抑或不对应于所述初始信号签名数据，所述输入信号签名数据通过从所述轮胎的所述信号发射器接收信号而获得；

39、在所述车辆的所述信号接收器处获得输入信号签名数据并使用所述经训练的机器学习算法对所述输入信号签名数据进行分类；

40、如果所述输入信号签名数据被分类为不对应于所述初始信号签名数据，则在所述控制单元处生成轮胎调换检测信号；

41、其中，所述训练数据集包括：

42、匹配记录，其中所述初始信号签名数据与所述成组的对应的初始安装位置相关联，以及

43、不匹配记录，所述不匹配记录由处理器通过将所述初始信号签名数据与不同于所述成组的初始安装位置的多组安装位置相关联而生成。

44、方案2.根据方案1所述的计算机实施的方法，其中，获得所述初始信号签名数据包括：当所述轮胎安装在它们各自的初始安装位置处时，随时间的推移而获得接收到的信号中的每个的接收信号强度指示符(rssi)水平的统计，并且其中，所述输入信号签名数据包括从所述轮胎的所述信号发射器接收到的信号的rssi水平的统计。

45、方案3.根据方案2所述的计算机实施的方法，其中，rssi水平的统计由成组的参数提供，所述成组的参数描述相应地对应的rssi水平分布。

46、方案4.根据方案1所述的计算机实施的方法，其中，训练机器学习算法包括从成组的候选机器学习算法中选择机器学习算法的初步步骤，其中，遗传算法基于候选机器学习算法在对信号签名数据进行正确分类方面提供的准确性来选择候选机器学习算法。

47、方案5.根据方案1所述的计算机实施的方法，其中，所述经训练的机器学习算法提供介于0和1之间的概率，其中，所述极值对应于所述输入信号签名数据被准确地分类为对应于所述初始信号签名数据或不对应于所述初始信号签名数据。

48、方案6.根据方案5所述的计算机实施的方法，其中，如果所述输入信号签名数据被准确地分类为不对应于所述初始信号签名数据的概率高于预定阈值，则所述轮胎调换检测信号指示轮胎调换。

49、方案7.根据方案5所述的计算机实施的方法，其中，如果可用输入信号签名数据被准确地分类为不对应于所述初始信号签名数据的概率低于预定阈值，则获得更多输入信号签名数据并对其进行分类。

50、方案8.根据方案1所述的计算机实施的方法，其中，如果在预定量的时间内获得的输入信号签名数据反复地被分类为不对应于所述初始信号签名数据，则所述轮胎调换检测信号指示轮胎调换。

51、方案9.根据方案1所述的计算机实施的方法，其中，所述车辆的所述可用安装位置对应于所述车辆的轴位置。

52、方案10.一种轮胎调换检测系统，所述轮胎调换检测系统包括控制单元和安装在车辆的多个可用安装位置中的成组的轮胎，每个轮胎配置有信号发射器，其中，所述控制单元包括：信号接收器，所述信号接收器用于从所述信号发射器接收信号；第一存储器元件，所述第一存储器元件用于存储所述轮胎的初始安装位置；以及第二存储器元件，所述第二存储器元件用于存储初始信号签名数据，所述初始信号签名数据已通过当所述轮胎安装在它们各自的初始安装位置处时在所述信号接收器处从所述信号发射器接收信号而获得，其中，所述控制单元进一步包括经训练的机器学习算法，所述经训练的机器学习算法被构造成将输入信号签名数据分类为对应于所述初始信号签名数据抑或不对应于所述初始信号签名数据，所述输入信号签名数据通过从所述轮胎的所述信号发射器接收信号而获得，并且其中，所述控制单元进一步被构造成：如果输入签名数据被分类为不对应于所述初始信号签名数据，则生成轮胎调换检测信号。

53、方案11.根据方案10所述的轮胎调换检测系统，其中，所述机器学习算法已使用训练数据集进行了训练，所述训练数据集包括：

54、匹配记录，其中所述初始信号签名数据与所述成组的对应的初始安装位置相关联，以及

55、不匹配记录，其由处理器通过将所述初始信号签名数据与不同于所述成组的初始安装位置的多组安装位置相关联而生成。

56、方案12.根据方案10所述的轮胎调换检测系统，其中，所述车辆的所述可用安装位置对应于所述车辆的轴位置。

57、方案13.根据方案10所述的轮胎调换检测系统，其中，所述控制单元布置在所述车辆的前轴和后轴之间的中途。

58、方案14.根据方案10所述的轮胎调换检测系统，其中，所述控制单元布置成更靠近所述车辆的所述前轴或后轴中的任一个。

59、方案15.根据方案10所述的轮胎调换检测系统，其中，所述控制单元布置在所述车辆的纵向中间轴线上。

60、方案16.一种用于车辆的控制单元，所述控制单元被构造成生成轮胎调换检测信号，其中，所述控制单元包括：信号接收器，所述信号接收器用于从轮胎的信号发射器接收信号；第一存储器元件，所述第一存储器元件用于存储所述轮胎在所述车辆上的初始安装位置；以及第二存储器元件，所述第二存储器元件用于存储初始信号签名数据，所述初始信号签名数据已通过当所述轮胎安装在所述车辆上的它们各自的初始安装位置处时在所述信号接收器处从所述信号发射器接收信号而获得，其中，所述控制单元进一步包括经训练的机器学习算法，所述经训练的机器学习算法被构造成将输入信号签名数据分类为对应于所述初始信号签名数据抑或不对应于所述初始信号签名数据，所述输入信号签名数据通过从所述轮胎的所述信号发射器接收信号而获得，并且其中，所述控制单元进一步被构造成：如果输入签名数据被分类为不对应于所述初始信号签名数据，则生成轮胎调换检测信号。

61、方案17.根据方案16所述的控制单元，其中，所述机器学习算法已使用训练数据集进行了训练，所述训练数据集包括：

62、匹配记录，其中所述初始信号签名数据与所述成组的对应的初始安装位置相关联，以及

63、不匹配记录，所述不匹配记录由处理器通过将所述初始信号签名数据与不同于所述成组的初始安装位置的多组安装位置相关联而生成。

64、方案18.根据方案16所述的控制单元，所述初始信号签名数据是通过以下步骤而获得的：当所述轮胎安装在它们各自的初始安装位置处时，在所述控制单元处随时间的推移生成所述接收到的信号中的每个的接收信号强度指示符(rssi)水平的统计，并且其中，所述输入信号签名数据包括从所述轮胎的所述信号发射器接收到的所述信号的rssi水平的统计。

65、方案19.根据方案18所述的控制单元，其中，所生成的rssi水平的统计由成组的参数提供，所述成组的参数描述相应地对应的rssi水平分布。

66、方案20.根据方案16所述的控制单元，其中，所述控制单元进一步包括处理器，所述处理器被构造成从成组的候选机器学习算法中选择机器学习算法，其中，遗传算法基于候选机器学习算法在对信号签名数据进行正确分类方面提供的准确性来候选机器学习算法。