智能轮胎磨损敏感区域信号特征及估算方法

doi:10.19562/j.chinasae.qcgc.2025.10.017

摘要/Abstract

摘要：

轮胎磨损不仅关乎车辆行驶安全，还对轮胎物理模型参数优化具有重要影响。本文提出了一种可应用于应变型智能轮胎的轮胎磨损状态估算方法。首先，借助有限元技术获取运动轮胎内衬层周向应变，并分析磨损对其影响机理，提出4个与轮胎磨损密切相关的信号特征指标。接着，基于全局灵敏度理论，探究了这些磨损特征指标对轮胎使用状态（磨损、胎压、车速和载荷）的敏感程度及内衬层敏感区域。结果表明，轮胎内衬层中心点对周向应变1阶导数的磨损特征指标最为敏感，而中心点两侧17~27 mm处对周向应变的磨损特征指标最为敏感，此结论可用于指导传感器安装。在此基础上利用高斯过程回归建立轮胎磨损状态估算模型，考虑轮胎使用状态开发的模型估算结果的平均RMSE为0.166 mm，此方法不仅确保了估算精度，还充分利用了车辆行驶过程中的既有数据资源，实现了对轮胎磨损状态的有效监控与管理。

关键词: 智能轮胎, 轮胎磨损, 全局灵敏度分析, 轮胎应变, 高斯过程回归

Abstract:

Tire wear not only affects vehicle driving safety， but also has an important impact on the optimization of tire physical model parameters. In this paper， a tire wear state estimation method that can be applied to strain type intelligent tires is proposed. Firstly， the circumferential strain of the inner liner of the moving tire is obtained by using finite element technology and the impact mechanism of wear on it is analyzed. Four feature indicators closely related to tire wear are proposed. Then， based on the global sensitivity indicator theory， the sensitivity of these wear features to tire using conditions （wear， tire pressure， vehicle speed， and load） and the inner liner sensitive area are explored. The results show that the first derivative of the circumferential strain at the center point of the tire inner liner is the most sensitive to wear features， while the circumferential strain at 17-27 mm on either side of the center point is the most sensitive to wear features， which can be used to guide the sensor installation position. Finally， the Gaussian process regression is used to develop the wear state estimation model， and the average RMSE of the model estimation results considering the tire use conditions is only 0.166 mm. This method not only ensures the estimation accuracy， but also makes full use of the established data resources during the vehicle driving process， ensuring effective monitoring and management of tire wear state.

Key words: intelligent tire, tire wear, global sensitivity analysis, tire strain, Gaussian process regression

王国林,王鑫,荆哲铖,李相良,张宇. 智能轮胎磨损敏感区域信号特征及估算方法[J]. 汽车工程, 2025, 47(10): 2016-2026.

Guolin Wang,Xin Wang,Zhecheng Jin,Xiangliang Li,Yu Zhang. Sensitive Area of Tire Wear Signal Characteristics and Wear Estimation Method for Intelligent Tire[J]. Automotive Engineering, 2025, 47(10): 2016-2026.

图/表 17

图 1

图 2

图 3

图 4

表 1

图 5

图 6

图 7

图 8

图 9

图 10

图 11

表 2

五节点Guass-Legendre型高斯积分表"

节点数 $t$	权重 $W t$	节点 $Z t$
1	0.236 93	-0.906 17
2	0.478 62	-0.538 46
3	0.568 89	0
4	0.478 62	0.538 46
5	0.236 93	0.906 17

表 2

表 3

图 12

图 13

图 14

参考文献 31

[1]	乔英俊，赵世佳，施敏，等.汽车智能化技术革命及体系构建［J］.汽车工程学报，2022，12（3）：228-235.
	QIAO Y J， ZHAO S J，SHI M， et al. Automobile intellectualization technology revolution and its systemic development ［J］.Chinese Journal of Automotive Engineering， 2022，12（3）：228-235.
[2]	ZHU B， HAN J， ZHAO J. Tire-pressure identification using intelligent tire with three-axis accelerometer［J］. Sensors， 2019， 19 （11）： 2560-2573.
[3]	KIM H J， HAN J Y， LEE S，et al. A road condition classification algorithm for a tire acceleration sensor using an artificial neural network［J］.Electronics，2020，9（3）：404-412.
[4]	XU N， ASKARI H， HUANG Y，et al. Tire force estimation in intelligent tires using machine learning［J］. IEEE Transactions on Intelligent Transportation Systems， 2021，23（4）：3565-3574.
[5]	ZHOU H C， LI H Y， YANG J， et al. A strain-based method to estimate longitudinal force for intelligent tires by using a physics-based model［J］.Journal of Mechanical Engineering， 2021， 67（4）：153-166.
[6]	MIN D， WEI Y， WANG F， et al. A new lateral force estimator for intelligent tires based on three-dimensional ring model［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering. 2024，12（238）：3680-3691.
[7]	卢荡，卢磊，吴海东，等.磨损对轮胎侧偏刚度和回正刚度影响的研究［J］.机械工程学报， 2020， 56（12）：174-183.
	LU D， LU L， WU H D，et al. Study on influence of wear on tire cornering stiffness and aligning stiffness［J］.Journal of Mechanical Engineering， 2020， 56（12）：174-183.
[8]	HASSAN A， EHSAN H， AMIR K，et al. Tire condition monitoring and intelligent tires using nanogenerators based on piezoelectric， electromagnetic， and triboelectric effects［J］. Advanced Materials Technologies， 2018，4（1）：1-19.
[9]	HAN J Y， KWON J H， LEE S， et al. Experimental evaluation of tire tread wear detection using machine learning in real-road driving conditions［J］. IEEE Access，2023， 11：32996-33004.
[10]	KIM K， PARK H， KIM T. Comparison of performance of predicting the wear amount of tire tread depending on sensing information［J］.Sensors， 2023， 23（1）：459-484.
[11]	LI B， QUAN Z Q， BEI S， et al. An estimation algorithm for tire wear using intelligent tire concept［J］. Proceedings of the Institution of Mechanical Engineers，2021，235：2712-2725.
[12]	陶亮，唐钰，戚文杰，等.基于轮内加速度的乘用车胎面磨损程度分类试验［J］.中国机械工程， 2023， 34（22）：2737-2745.
	TAO L， TANG Y， QI W J，et al. Classification test of tire tread wear of passenger car based on in-wheel acceleration［J］. China Mechanical Engineering， 2023， 34（22）：2737-2745.
[13]	XIONG Y， YANG X. A review on in-tire sensor systems for tire-road interaction studies［J］. Sensor Review， 2018， 38（2）： 231-238.
[14]	DONG H， WANG Z H， YANG C， et al. Liquid metal-based flexible sensing and wireless charging system for smart tire strain monitoring［J］. IEEE Sensors Journal， 2024，24（2）：1304-1312.
[15]	MASAHIRO H， YOSUKE S， TOMOHIKO S， et al. Measurement of road friction coefficient using strain on tire sidewall［J］. Precision Engineering，2023，84：28-36.
[16]	LU D， YANG W H， WU H D， et al. Research on simplified tire finite element modeling and simulation method［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering，2025，239（2-3）：447-463.
[17]	黄海波，靳晓雄，丁玉兰.轮胎偏磨损机理及数值解析方法研究［J］. 同济大学学报（自然科学版）， 2006， 34（2）：234-238.
	HUANG H B， JIN X， DING Y L. Mechanism of uneven wear and its numerical methods evaluation［J］. Journal of Tongji University（Natural Science），2006， 34（2）： 234-238.
[18]	机动车运行安全技术条件： GB 7258—2017［S］. 北京：中国标准出版社， 2017： 32.
	Technical specifications for safety of power-driven vehicles operating on roads： GB 7258—2017［S］. Beijing： Standards Press of China，2017：32.
[19]	王国林，丁俊杰，周海超，等.智能轮胎力的敏感响应区域及变量［J］.吉林大学学报（工学版）， 2020，50（6）：1983-1990.
	WANG G L， DING J J， ZHOU H C， et al. Force sensitive response area and variable of intelligent tire［J］. Journal of Jilin University （Engineering and Technology Edition）， 2020， 50（6）： 1983-1990.
[20]	王岩. 基于刚柔耦合运动学模型的智能轮胎算法研究［D］.北京：清华大学， 2020.
	WANG Y. Research on the algorithm of intelligent tire based on rigid flexible coupling kinematics model［D］. Beijing： Tsinghua University， 2020.
[21]	YANG X， OLATUNBOSUN O， RAMOS D G， et al. Experimental investigation of tire dynamic strain characteristics for developing strain-based intelligent tire system［J］.SAE International Journal of Passenger Cars - Mechanical Systems， 2013， 6（1）：97-108.
[22]	MATSUZAKI R， HIRAOKA N， TODOROKI A， et al. Analysis of applied load estimation using strain for intelligent tires［J］. Journal of Solid Mechanics and Materials Engineering， 2010， 4（10）：1496-1510.
[23]	NISHIYAMA K， ISHIZUKI M， MORI T. Strain measurement-based self-diagnosis of tire wear conditions in slow driving vehicles［C］. 2022 IEEE Intelligent Vehicles Symposium （IV）， Aachen， Germany， 2022：159-166.
[24]	刘钇汛，刘志浩，高钦和，等.基于周向应变分析的重载轮胎垂向力估计算法［J］.上海交通大学学报， 2023， 57（10）：1273-1281.
	LIU Y X， LIU Z H， GAO Q H， et al. Vertical force estimation of heavy-loaded radial tire based on circumferential strain analysis［J］. Journal of Shanghai Jiao Tong University， 2023， 57（10）：1273-1281.
[25]	SOBOL I M. Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates［J］. Mathematics & Computers in Simulation， 2001， 55（1-3）：271-280.
[26]	ZHANG X F， PANDEY M D. An effective approximation for variance-based global sensitivity analysis［J］. Reliability Engineering & System Safety， 2014， 121：164-174.
[27]	冯凯旋，吕震宙，蒋献.基于偏导数的全局灵敏度指标的高效求解方法［J］.航空学报， 2018， 39（3）：145-154.
	FENG K X， LUV Z， JIANG X. Efficient algorithm for estimation derivative-based global sensitivity index［J］. Acta Aeronautica et Astronautica Sinica， 2018， 39（3）： 145-154.
[28]	SUN X Q， QUAN Z Q， CAI Y F， et al. Intelligent tire slip angle estimation based on sensor targeting configuration［J］. IEEE Transactions on Instrumentation and Measurement，2024，73：1-16.
[29]	BARBOSA B H G， XU N， ASKARI H， et al. Lateral force prediction using gaussian process regression for intelligent tire systems［J］.IEEE Transactions on Systems， Man， and Cybernetics. Systems， 2022， 52（8）：5332-5343.
[30]	SUN X Q， QUAN Z Q， CAI Y F， et al. Direct tire slip angle estimation using intelligent tire equipped with PVDF sensors［J］. IEEE/ASME Transactions on Mechatronics，2024： 1-11.
[31]	SHENG H，XIAO J，WANG P.Lithium iron phosphate battery electric vehicle state-of-charge estimation based on evolutionary gaussian mixture regression［J］. IEEE Transactions on Industrial Electronics， 2017， 64（1）：544-551.

项目	接地印痕长度/mm	接地印痕宽度/mm
试验值	122	162
仿真值	125	161
误差	2.5%	0.62%

仿真组号	输入变量
仿真组号	磨损/mm	胎压/kPa	车速/（km·h^-1）	载荷/N
1	3	210	40	3 800
2	0	210	40	3 800
3	1	210	40	3 800
4	5	210	40	3 800
5	6	210	40	3 800
6	3	190	40	3 800
7	3	200	40	3 800
8	3	220	40	3 800
9	3	230	40	3 800
10	3	210	10	3 800
11	3	210	22	3 800
12	3	210	58	3 800
13	3	210	70	3 800
14	3	210	40	1 700
15	3	210	40	2 552
16	3	210	40	5 047
17	3	210	40	5 900