【摘" 要】輪胎胎壓不足的狀況一旦發(fā)生，易導致行車過程中車輛的失控并帶來不可逆的交通傷亡事故。而輪胎的慢漏氣故障是一種常見的交通事故誘因，且該誘因不易察覺。因此，為了及時預測到輪胎的慢漏氣故障，本研究以某型純電動車的輪胎胎壓時間序列變化數(shù)據(jù)為基準數(shù)據(jù)，實現(xiàn)改進的長短期記憶網(wǎng)絡，建構(gòu)基于神經(jīng)網(wǎng)絡的輪胎慢漏氣時間序列預測模型。首先，分別進行原始時間序列的正常胎壓變化趨勢與異常胎壓變化趨勢的數(shù)據(jù)篩選與清洗等工作；其次，分別基于變分模態(tài)分解及自適應差分進化算法，實現(xiàn)長短期記憶網(wǎng)絡的模型訓練；最終，分別基于慢漏氣時間序列校驗集，進行消融實驗的預測結(jié)果評估與可視化樣例的對比分析。消融實驗結(jié)果相較于基礎的長短期記憶網(wǎng)絡提升了15%左右的性能，可視化樣例中大部分的慢漏氣時間預測差值波動范圍在6h內(nèi)。綜合實驗結(jié)果可驗證本研究所實現(xiàn)的基于神經(jīng)網(wǎng)絡的輪胎慢漏氣時間序列預測模型的優(yōu)越性。

【關鍵詞】輪胎慢漏氣預測；時間序列預測；神經(jīng)網(wǎng)絡；長短期記憶網(wǎng)絡；變分模態(tài)分解；自適應差分進化算法

中圖分類號：U463.6" " 文獻標志碼：A" " 文章編號：1003-8639（ 2022 ）12-0026-03

A Neural Network-based Method for Predicting Tire Slow Leak Time Series

REN Qiang，SHI Rui-hao

（Network Technology Research and Development Center of Automotive Engineering Research Institute，Guangzhou Automotive Group Co.，Ltd.，Guangzhou 511400，China）

【Abstract】Once a tire pressure deficiency occurs，it will easily lead to loss of control of the vehicle during driving and bring irreversible traffic injuries and fatalities. The slow air leakage failure of tires is a common cause of traffic accidents，and this cause is not easily detectable. Therefore，in order to predict the slow air leakage failure of tires in time，a time series of tire pressure variation data of a pure electric vehicle is used as the benchmark data in this study. An improved long and short-term memory network is implemented to construct a neural network-based time series prediction model of tire slow air leakage. Firstly，the data filtering and cleaning of the normal and abnormal tire pressure trends of the original time series are carried out respectively；secondly，the model training of the long and short-term memory network is realized based on the variational modal decomposition and adaptive differential evolution algorithm respectively；finally，the evaluation of the prediction results of the ablation experiment and the comparison analysis of the visualized samples based on the calibration set of the slow air leakage time series are performed respectively. The results of the ablation experiment improved the performance by about 15% compared with the basic long- and short-term memory network；most of the slow air leakage time prediction differences in the visualization samples fluctuated within 6 hours. The comprehensive experimental results can verify the superiority of the neural network-based tire slow air leak time series prediction model implemented in this study.

【Key words】tire slow air leak prediction；time series prediction；neural network；long and short-term memory network；variational modal decomposition；adaptive differential evolutionary algorithm

汽車行駛過程中最基礎的驅(qū)動組件是輪胎。而一旦在行駛途中發(fā)生輪胎胎壓不足狀況時，輪胎與路面之間的摩擦剮蹭易引發(fā)輪胎的磨損甚至爆胎，對用車人員的安全帶來巨大隱患，對主機廠的品牌也造成負面效應。目前雖然業(yè)內(nèi)胎壓檢測機制比較普及，但大多數(shù)胎壓告警是基于傳感器固定閾值告警，只能做到及時發(fā)現(xiàn)問題，并不能提前預警問題。

在實時監(jiān)測輪胎狀態(tài)的過程中發(fā)現(xiàn)，汽車輪胎胎壓的慢漏氣故障較為普遍。慢漏氣是指輪胎胎壓緩慢持續(xù)下降至警報閾值胎壓的過程。因此，依據(jù)歷史胎壓變化數(shù)據(jù)預測未來胎壓的變化趨勢則可提前發(fā)現(xiàn)輪胎的慢漏氣故障，從而向售后人員及車主發(fā)起慢漏氣警示以保障車主的售后服務品質(zhì)及駕駛安全。

本研究以某整車企業(yè)純電動汽車的T-BOX[1]終端實時采集的胎壓狀態(tài)隨時間序列變化的數(shù)據(jù)為研究基礎，實現(xiàn)改進的長短期記憶網(wǎng)絡，建構(gòu)輪胎慢漏氣時間序列預測模型。此外，依據(jù)所采集的胎壓狀態(tài)數(shù)據(jù)集評估預測模型的準確率，從而驗證本文所提出方法的有效性。

1" 輪胎慢漏氣時間序列預測模型

1.1" 數(shù)據(jù)預處理方法

本研究的數(shù)據(jù)采集來源于車載傳感器的T-BOX終端，通過終端以1min為周期實時上報至企業(yè)的數(shù)據(jù)云平臺中予以存儲。本研究以某整車企業(yè)63輛純電動車于2021年6～7月內(nèi)的胎壓隨時間序列變化的數(shù)據(jù)作為基準數(shù)據(jù)集[2]。其數(shù)據(jù)樣例如圖1所示。

接下來，從如圖1所示等數(shù)據(jù)分布中篩選出了198組正常胎壓范圍內(nèi)波動的正常胎壓序列與66組胎壓值從一定胎壓值緩慢下降至胎壓閾值左右的故障胎壓序列。其中，將胎壓值處于10左右波動的輪胎作為正常胎壓序列，另以前5個時刻的胎壓值與倒數(shù)5個時刻胎壓值之差大于20為規(guī)則篩選出慢漏氣故障胎壓序列。另外，展示了某車某一段時間內(nèi)4個輪胎胎壓值的變化趨勢，如圖2所示。圖中“p25fr”、“p25fl”、“p25rr”及“p25rl”分別表示前右輪胎壓、前左輪胎壓、后右輪胎壓及后左輪胎壓的變化曲線。

在完成胎壓序列數(shù)據(jù)的篩選后，需進一步檢查數(shù)據(jù)品質(zhì)以確保慢漏氣時間序列預測模型的準確率，而數(shù)據(jù)品質(zhì)常常會受到通信信號上報的影響，該影響可能來自于不同的道路及天氣，如隧道、偏遠鄉(xiāng)村、雷雨冰雹天等。因此，一旦上報信號遇到通信網(wǎng)絡傳輸不通暢時，其上報的胎壓值中則會出現(xiàn)某些異常值或缺失值。在數(shù)據(jù)品質(zhì)的檢查過程中，本研究利用機器學習聚類算法剔除了胎壓數(shù)據(jù)的離群值點，并利用前后時刻的胎壓值填補當前胎壓的缺失值。

最終，將數(shù)據(jù)預處理完成后的時間序列數(shù)據(jù)以7：3的比例劃分為訓練集與校驗集，分別用于基于神經(jīng)網(wǎng)絡的慢漏氣時間序列預測模型的訓練與測試。

1.2" 基于神經(jīng)網(wǎng)絡的慢漏氣時間序列預測模型

在基于神經(jīng)網(wǎng)絡的慢漏氣時間序列預測模型中，首先通過VMD[3]算法將歷史的輪胎胎壓數(shù)據(jù)分解為若干個子模態(tài)序列；其次再通過JADE算法優(yōu)化長短期記憶網(wǎng)絡訓練過程中的收斂權(quán)值；最終將各個子模態(tài)序列傳入至訓練好的長短期記憶網(wǎng)絡權(quán)重中預測出未來的胎壓值變化趨勢。其預測模型的框架圖如圖3所示。

1.2.1" 變分模態(tài)分解

變分模態(tài)分解（Variational Mode Decomposition，VMD）是一種自適應、完全非遞歸的模態(tài)變分和信號處理方法。其分解示意圖如圖4所示。該方法被廣泛應用于分解非線性平穩(wěn)的信號以完成子序列的劃分。這種分解子序列的思想也可遷移至慢漏氣胎壓值的時間序列處理之中，實現(xiàn)時間序列數(shù)據(jù)噪聲及波動的過濾等。此外，VMD可依據(jù)實際的序列情況自適應找出子模態(tài)分解的最佳個數(shù)。而這些子模態(tài)之內(nèi)的胎壓信號均是圍繞著對應的中心頻率分布的。依據(jù)此思想，可通過歷史胎壓時間序列數(shù)據(jù)的子模態(tài)分解分別獲得不同中心頻率分布的子模態(tài)，從而在一定程度上剔除了子序列中無用的干擾信息。隨后，再將各個子模態(tài)傳入至長短期記憶網(wǎng)絡中。

1.2.2" 自適應差分進化算法

自適應差分進化算法（Adaptive differential evolution with optional external archive，JADE）是一種常用的群智能優(yōu)化算法[4]。其算法流程圖如圖5所示。該算法旨在求解多維空間中的整體最優(yōu)解。具體來說，首先進行種群的初始化，然后利用兩個不同個體向量之差縮放后與待變異個體向量合成的差分策略實現(xiàn)個體的變異操作，再進一步隨機選擇個體實現(xiàn)個體交叉，最終利用貪婪選擇策略擇優(yōu)出新的個體。該算法通過變異與交叉兩個過程驅(qū)動算法的選擇過程，在該過程中進行空間的全局搜索以確保搜索出最佳的新個體?；贘ADE的群智能進化能力，搜索出長短期記憶網(wǎng)絡訓練過程中的最優(yōu)參數(shù)。其中主要包括迭代次數(shù)、批量大小、學習率、時間序列的步長、隱藏層神經(jīng)元的個數(shù)等參數(shù)。

1.2.3" 長短期記憶網(wǎng)絡

長短期記憶網(wǎng)絡（Long Short Term Memory，LSTM）是一種被廣泛應用于處理時間序列數(shù)據(jù)的神經(jīng)網(wǎng)絡。其具體的網(wǎng)絡結(jié)構(gòu)如圖6所示。該網(wǎng)絡包括記憶細胞Ct、隱藏狀態(tài)Ht以及3個控制信息傳遞的輸入門It、遺忘門Ft及輸出門Ot。其中，tanh為相對應門的激活函數(shù)。其記憶細胞Ct與隱藏狀態(tài)Ht分別用于記錄附加的輸入信息Xt與隱藏狀態(tài)信息。而輸入門It則控制當前時刻的輸入信息與前一時刻的隱藏狀態(tài)信息中的哪部分信息會被記錄于記憶細胞Ct中；遺忘門Ft則控制記憶細胞Ct應該忘記哪一部分的信息；輸出門Ot則控制記憶細胞Ct的哪一部分信息輸出至當前隱藏狀態(tài)中。

LSTM如圖6可知，首先將前一時刻的隱藏狀態(tài)信息Ht-1與當前時刻輸入的時間序列信息Xt一起分別傳入至候選記憶細胞、輸入門It、遺忘門Ft及輸出門Ot中；隨后結(jié)合候選記憶細胞、輸入門It、遺忘門Ft及前一時刻的記憶細胞信息求得當前時刻的記憶細胞信息；再通過輸出門Ot與當前時刻記憶細胞信息的結(jié)合求得當前時刻的隱藏狀態(tài)信息；最終通過全連接層得出LSTM的時序預測結(jié)果。

2" 預測模型評價及結(jié)果分析

本研究分別采用平均絕對差（Mean Absolute Error，MAE）、平均絕對比例差（Mean Absolute Percentage Error，MAPE）以及均方根差（Root Mean Square Error，RMSE）作為預測模型的評價指標[5]。其中，MAE與RMSE用于衡量真實值與預測值之間誤差的絕對大小，而MAPE值在評估兩值誤差的相對大小。另外，RMSE的誤差平方會在一定程度上放大誤差值，使得模型對于離群數(shù)據(jù)更敏感，能進一步突出影響較大的誤差值。其分別對應的計算公式為：

式中：n——時間序列樣本的數(shù)量；yi——模型的預測值；yi表示——模型的真實值。

基于慢漏氣時間序列的校驗集，依據(jù)基于神經(jīng)網(wǎng)絡的慢漏氣時間序列預測模型的結(jié)果分別計算MAE、RMSE以及MAPE這3項指標。其指標結(jié)果如表1所示。其中，“LSTM”、“VMD”與“JADE”分別表示長短期記憶網(wǎng)絡、變分模態(tài)分解以及自適應差分進化算法；“VMD+LSTM”表示結(jié)合了變分模態(tài)分解方法的長短期記憶網(wǎng)絡；“JADE+LSTM”表示結(jié)合了自適應差分進化算法的長短期記憶網(wǎng)絡；“VMD+JADE+LSTM”則為結(jié)合了變分模態(tài)分解與自適應差分進化算法的長短期記憶網(wǎng)絡。

由表1可知，在LSTM分別結(jié)合了VMD或JADE優(yōu)化方法之后，其各項評價指標值均高出基礎的LSTM，這表明VMD的子模態(tài)序列分解輔助剔除了某些無用的干擾時序信息，且也能驗證JADE全局搜索最優(yōu)參數(shù)的有效性。而“JADE+LSTM”相比“VMD+LSTM”的性能更優(yōu)越表明僅僅剔除了干擾時序信息的優(yōu)化效果遠不及進化算法的最優(yōu)參數(shù)搜索。另外，在綜合了兩種優(yōu)化方法后的“VMD+JADE+LSTM”模型指標相較于“JADE+LSTM”提升了7%左右。該結(jié)果驗證了本研究的基于神經(jīng)網(wǎng)絡的慢漏氣時間序列預測模型的有效性。

在完成預測模型的性能評估之后，進一步從校驗集的慢漏氣輪胎時序數(shù)據(jù)中隨機抽取10組數(shù)據(jù)，并記錄了如表2所示中模型預測與實際胎壓值分別下降至最低閾值之間的時間差。其中，“+”與“-”分別表示模型預測與實際胎壓分別下降至最低值時刻之間提前與延后的時間。

由表2可知，10組數(shù)據(jù)中第2組、第8組及第9組的提前或延后時間偏差大于6個小時。而另外的7組數(shù)據(jù)僅僅存在較小的時間序列預測偏差。因此，該校驗集的樣例結(jié)果同樣可以表明本研究基于神經(jīng)網(wǎng)絡的慢漏氣時間序列預測模型的有效性。

3" 總結(jié)與展望

本研究基于某型純電動車兩個月內(nèi)的胎壓時間序列數(shù)據(jù)，實現(xiàn)了基于神經(jīng)網(wǎng)絡的慢漏氣時間序列預測模型，并分別進行了模型的消融實驗評價與樣例可視化分析。在消融實驗的3項評價指標中，預測模型的性能遠遠超出基礎的長短期記憶網(wǎng)絡，達到約15%的百分比提升，在樣例可視化分析中，預測值與實際值之間的預測時間差距大部分在6h以內(nèi)。綜合兩項實驗的比對分析可驗證本研究的預測模型是十分有效的，并且對于慢漏氣的提前預警，具有廣泛的市場應用前景。

在未來工作中，可通過改進注意力機制變體至長短期記憶網(wǎng)絡中進一步優(yōu)化未來時間序列的預測準確率。

參考文獻：

[1] 高風. 《智能網(wǎng)聯(lián)汽車技術路線圖2.0》解讀[J]. 物聯(lián)網(wǎng)技術，2020，1（11）：3-4.

[2] 黃少堂，楊毅. Tbox的一種實現(xiàn)方案［C］//中國汽車工程學會年會論文集，2014：375-380.

[3] 檀麗麗. 管道泄漏檢測中的VMD算法研究[D]. 黑龍江：東北石油大學，2017.

[4] 閤大海. 差分進化算法的改進及在約束優(yōu)化中的應用[D]. 武漢：武漢大學，2017.

[5] 耿嘉安. Spark Internals Core Design and Source Code Analysis[M]. 北京：機械工業(yè)出版社，2017.

（編輯" 凌" 波）