پرداختن به موضوع مهم سایش تایر برای افزایش ایمنی، عملکرد و نگهداری خودرو موضوعی بسیار ضروری است. تایر‌های فرسوده اغلب منجر به تصادف می‌شوند و لذا نیاز به سیستم‌های نظارتی مؤثر را گوشزد می کنند. این مطالعه که در وبسایت springer منتشر شده، به چند دلیل حیاتی است: ایمنی: زیرا تایرهای فرسوده خطر تصادفات را به دلیل کاهش کشش و افزایش خط ترمز بیشتر می کنند. عملکرد: زیرا سایش ناهموار تایر بر جابجایی خودرو و بهره وری سوخت تأثیر می گذارد. هزینه های تعمیر و نگهداری: زیرا تشخیص زودهنگام می تواند از آسیب شدیدتر به سیستم های تعلیق و تراز جلوگیری کند. انطباق با مقررات: زیرا اطمینان از یکپارچگی تایر به رعایت مقررات ایمنی حمل و نقل کمک می کند.

این مطالعه به طور سیستماتیک شرایط تایر را در 25٪، 50٪، 75٪ و 100٪ سایش، با یک تایر سالم به عنوان مرجع، با استفاده از سیگنال های ارتعاش به عنوان سنجش داده اولیه ارزیابی می کند. این تجزیه و تحلیل از تکنیک‌های استخراج آماری، هیستوگرام و میانگین متحرک اتورگرسیو (ARMA) و به دنبال آن انتخاب ویژگی برای شناسایی پارامترهای کلیدی مؤثر بر سایش تایر استفاده می‌کند.

علاوه بر این، این مطالعه ترکیب انواع ویژگی‌ها را برای تجزیه و تحلیل جامع‌تر در نظر می گیرد و روش پیشنهادی نه تنها یک چارچوب قوی برای طبقه‌بندی دقیق سطوح فرسودگی تایر ارائه می‌کند، بلکه پتانسیل قابل‌توجهی برای پیاده‌سازی در زمان واقعی، کمک به شیوه‌های تعمیر و نگهداری پیشگیرانه، طول عمر بیشتر تایر و ایمنی کلی خودرو دارد.

مقدمه

تصادفات جاده ای، یک نگرانی جهانی است که سالانه بیش از 1.35 میلیون تلفات را به همراه دارد؛ به ویژه در میان جوانان. علی‌رغم تلاش‌ها برای کاهش تلفات، یک عامل مهم، فرسودگی تایر است که اغلب نادیده گرفته می‌شود، اما به طور قابل توجهی در تصادفات نقش دارد. حوادث مربوط به چالش های های حوزه تایر منجر به صدمات شدیدی می شود که بر نیاز به برنامه های بازرسی جامع در سطح کشورها تأکید می کند.

سازمان ملی ایمنی ترافیک بزرگراه ها (NHTSA) گزارش می دهد که 3.5 تا 5.9 درصد از تصادفات مربوط به تایر است که 26.2 درصد این آمار به دلیل وسایل نقلیه با عمق آج کمتر از 2 میلی متر رخ داده است. با وجود تجهیزات الکترونیکی پیشرفته وسایل نقلیه، تایرها، به عنوان حلقه اصلی جاده، کمتر مورد توجه قرار می گیرند. این در حالی است که نقش مهمی در ایمنی خودرو و سرنشینان آن ایفا می کنند، لغزش ها را تعدیل می کنند و بر مانور خودرو تأثیر می گذارند. بی توجهی به تایر ها عملکرد ایمنی خودرو را به خطر می اندازد.

در ایالات متحده، جایی که تصادفات جاده ای به عنوان سومین علت مرگ و میر رتبه بندی می شود، مسائل مربوط به تایر به طور قابل توجهی اهمیت دارد. تقریباً 11 هزار تصادف سالانه که باعث حدود 200 مرگ می‌شود که ناشی از بی توجهی به تایر، فشار باد ناکافی و … بوده و منجر به پنچر شدن تایر‌ها، انفجار و تصادف می‌شود.

این وضعیت مستلزم افزایش آگاهی است و رانندگان مراقبت از تایر را از طریق بررسی منظم، تنظیم باد مناسب و تعویض به موقع را در اولویت قرار دهند. پرداختن به فرسودگی تایر‌ها جزء محوری طرح‌های ایمنی جاده‌ای است که تلاش‌های جهانی هماهنگی را برای کاهش خطرات و تضمین امنیت برای همه تضمین می‌کند.

تنظیم فشار باد برای بهینه سازی عملکرد خودرو و افزایش عمر تایر حیاتی است، زیرا باد کردن نامناسب می تواند به طور قابل توجهی بر سایش تایر تأثیر بگذارد. هم تورم بیش از حد و هم تورم کم می تواند منجر به سایش سریع، به خطر انداختن عملکرد ترمز و ایمنی کلی خودرو شود. تشخیص به موقع مشکلات احتمالی مرتبط با تایر برای تعمیر و نگهداری فعال و بهبود ایمنی بسیار مهم است.

نظارت بر سایش آج بصورت دستی مستعد خطا است و نیاز به راه حل های مقیاس پذیر و خودکار را برجسته می کند. یکپارچه‌سازی فناوری‌های پردازش سیگنال و هوش مصنوعی (AI) دقت، کارایی و اثربخشی کلی ارزیابی‌های سایش تایر را افزایش می‌دهد و به شرایط رانندگی ایمن‌تر و بهبود شیوه‌های تعمیر و نگهداری خودرو کمک می‌کند. علیرغم تحقیقات گسترده در زمینه نظارت بر فشار باد تایرها، تمرکز محدودی بر نظارت بر فرسودگی تایرها صورت گرفته است که بر نیاز به افزایش توجه در این جنبه حیاتی ایمنی خودرو تاکید می کند. NHTSA  بر اهمیت نظارت بر فشار، دما و عمق آج تایر برای جلوگیری از تصادفات و نقش حیاتی سایش تایر در ایمنی خودرو تاکید می کند.

علاوه بر ایمنی، عملکرد خودرو ارتباط تنگاتنگی با وضعیت تایر دارد. فرسودگی ناهموار یا بیش از حد تایر می تواند بر روی هندلینگ و پایداری خودرو تأثیر منفی بگذارد و کنترل آن را دشوارتر کند. این نه تنها ایمنی را به خطر می اندازد، بلکه بر تجربه کلی رانندگی نیز تأثیر می گذارد. علاوه بر این، تایرهایی که به درستی نگهداری می شوند به بهره وری بهتر سوخت کمک می کنند. تایر هایی که در شرایط خوب هستند مقاومت غلتشی کمتری دارند، به این معنی که موتور مجبور نیست برای حرکت دادن خودرو به سختی کار کند و در نتیجه باعث صرفه جویی در سوخت می شود. نظارت بر فرسودگی تایر و اطمینان از تعمیر و نگهداری به موقع می تواند عملکرد خودرو را بهینه کند و مصرف سوخت کارآمدتری را به دست آورد.

ملاحظات اقتصادی نیز در انگیزه مطالعه ساییدگی تایر نقش بسزایی دارد. نظارت منظم و تشخیص زودهنگام ساییدگی تایر می تواند از آسیب شدیدتر به سایر اجزای خودرو مانند سیستم تعلیق جلوگیری کند. این رویکرد پیشگیرانه برای تعمیر و نگهداری می تواند منجر به صرفه جویی قابل توجهی در هزینه ها در طول زمان شود. رانندگان به جای مواجهه با تعمیرات یا تعویض پرهزینه به دلیل بی توجهی، می توانند مشکلات تایر را زودتر برطرف کنند و در نتیجه طول عمر تایر ها و اجزای مربوطه خود را افزایش دهند. این نه تنها دفعات تعویض تایر را کاهش می دهد، بلکه هزینه های کلی تعمیر و نگهداری خودرو را نیز کاهش می دهد.

انطباق با مقررات یکی دیگر از عوامل حیاتی است که مطالعه ساییدگی تایر ها را ضروری می نماید. مقررات ایمنی شامل استانداردهایی برای وضعیت تایر هستند و اطمینان از مطابقت تایر ها از این استانداردها برای رعایت قوانین و اجتناب از مجازات ضروری است.

مطالعات متعددی در زمینه سایش تایر انجام شده است. هان و همکاران، یک سیستم تشخیص سایش آج تایر را با استفاده از یادگیری ماشینی پیشنهاد کرده اند که دارای یک تایر هوشمند برای نمونه‌گیری سیگنال شتاب، یک جزء پیش پردازش برای استخراج ویژگی و یک جزء تشخیص مبتنی بر شبکه عصبی عمیق است.

لی و همکاران، با ایجاد یک الگوریتم تخمین مبتنی بر شبکه عصبی بر اساس تجزیه و تحلیل مودال المان محدود و اصول هوشمند تایر، پیشرفت قابل توجهی در نظارت بر فرسودگی تایر در زمان مناسب ایجاد کرده اند. روش آنها که با استفاده از شبیه‌سازی‌های ABAQUS اعتبارسنجی شده است، دقت قابل توجهی در پیش‌بینی سایش تایر با میانگین خطای 0.0874 میلی‌متر (2.78 درصد) را نشان می‌دهد.

ژانگ و همکاران، با پیشنهاد یک سیستم اطلاعات هوشمند تایر که قادر به تخمین عمق ساییدگی تایر با استفاده از داده‌های شتاب‌سنج سه محوری و گیج فشار است، به محدودیت‌های سیستم‌های پایش فشار تایرهای موجود پرداخته اند. رویکرد آنها، که دارای یک مدل شبکه عصبی BP آموزش دیده در MATLAB است، کارایی و قابلیت اطمینان بالایی را با خطاهای مطلق در محدوده ± 0.5 میلی متر برای موارد آزمایشی انتخاب شده به طور تصادفی نشان داد و کارایی سیستم ها را در نظارت جامع تایر تایید کرده است. با این حال، تحقیقات گسترده ای در مورد ادغام سیگنال های ارتعاش و یادگیری ماشین در سیستم های نظارت بر سایش تایر وجود ندارد.

تازه ترین مطالعه:

این مطالعه با تجزیه و تحلیل سیگنال‌های ارتعاشی با استفاده از ویژگی‌های منحصربه‌فرد و تکنیک‌های استخراج ویژگی‌های پیشرفته مانند آمار، هیستوگرام و  ARMA، یک رویکرد جدید برای نظارت بر سایش تایر ارائه می‌کند. برخلاف روش‌های سنتی، از الگوریتم یادگیری ماشینی CatBoost استفاده می‌کند که به ندرت در این زمینه استفاده می‌شود، اما مزایای بالقوه‌ای را از نظر سازگاری ارائه می‌دهد.

فرآیند انتخاب ویژگی، انجام شده با استفاده از الگوریتم درخت تصمیم  J48، این رویکرد را از روش‌های قبلی متمایز می‌کند. علاوه بر این، این مطالعه ترکیب ویژگی‌ها، ترکیب جنبه‌های مرتبط برای بهبود فرآیند طبقه‌بندی کلی را در بر می‌گیرد. این رویکرد جامع، همراه با قابلیت‌های  CatBoosts، لایه‌ای از پیچیدگی را به سیستم نظارت بر سایش تایر اضافه می‌کند.

• Catboost، مخفف Categorical Boosting، یک الگوریتم یادگیری ماشین است که به طور خاص برای کار با داده‌های دسته‌ای (Categorical data) طراحی شده است. این الگوریتم بر پایه‌ی تکنیک‌های Boosting  استوار است و به گونه‌ای طراحی شده که با حداقل نیاز به پیش‌پردازش داده‌ها کار کند. Boosting  یکی از روش‌های اصلی برای بهبود دقت مدل‌های یادگیری ماشین است که با ترکیب چندین مدل ضعیف به یک مدل قوی‌تر انجام می‌شود.

با مقایسه اثربخشی این ویژگی‌ها با طبقه‌بندی  CatBoost، این مطالعه بینش‌های ارزشمندی را در مورد مناسب بودن آنها برای نظارت بر سایش تایر ارائه می‌کند و راه را برای سیستم‌های نظارت دقیق‌تر و انعطاف‌پذیرتر هموار می‌کند. این تحقیق پتانسیل بهبود ایمنی تایر، بهینه سازی عملکرد و کمک به کاهش اثرات زیست محیطی را دارد.

چارچوب مطالعه:

مؤلفه‌های راه‌اندازی آزمایشی: این مطالعه با هدف شبیه‌سازی شرایط برای نظارت دقیق بر سایش تایر است. برای این منظور چرخ با سرعت ثابت روی غلتک ها، توسط یک موتور با سیستم محرک تسمه و اتصالات سرعت ثابت به حرکت در می آید. داده‌ها با استفاده از یک شتاب‌سنج پیزوالکتریک (NI-PCB 352C03) که روی بازوی پایینی سیستم تعلیق قرار دارد، جمع‌آوری می‌شود و از طریق نرم‌افزار NI LabVIEW به سیستم NI9234 منتقل می‌شود.

شرایط آزمایشی: سایش تایر در سطوح 25%، 50%، 75% و 100% سایش ارزیابی می‌شود و تایر سالم به عنوان مرجع عمل می‌کند.

تکنیک‌های استخراج ویژگی: ویژگی‌های آماری انتخاب و با ویژگی‌های هیستوگرام با انتخاب بهینه bin تکمیل می‌شوند.

فیچر فیوژن: ویژگی‌های آماری، هیستوگرام و ARMA در یک مجموعه داده یکپارچه ادغام شده‌اند تا الگوهای سایش تایر را به طور جامع تجزیه و تحلیل کنند.

الگوریتم های یادگیری ماشین: الگوریتم درخت تصمیم J48 برای انتخاب ویژگی، شناسایی پارامترهای کلیدی موثر بر سایش تایر استفاده می شود، در حالی که الگوریتم CatBoost به طور موثر سطوح سایش تایر را طبقه بندی می کند.

ارزیابی و معیارها: اعتبارسنجی متقابل، با معیارهای عملکرد از جمله میزان دقت و مقایسه در مجموعه‌های ویژگی‌های مختلف، استحکام مدل‌ها را تضمین می‌کند.

رویه آزمایشی

این بخش یک تجزیه و تحلیل جامع و عمیق از راه‌اندازی و رویه آزمایشی ارائه می‌کند و یک توضیح کامل از روش مورد استفاده در مطالعه ارائه می‌کند.

پیکربندی آزمایشی نشان‌داده‌شده در شکل شامل اجزای حیاتی مانند موتور با کارایی بالا، قاب مقاوم، چرخ بادوام، میل محرک محکم، غلتک بی‌حرکت با سیستم بارگذاری کارآمد و سیستم تعلیق متشکل از میله اتصال، کمک فنر و بازو است. توپی چرخ این تنظیمات شبیه یک مدل خودرو است که چرخ سرعت آن را روی سطح صاف حفظ می کند.

برای اطمینان از این پایداری، چرخ توسط غلتک هایی با طراحی خوب و مجهز به یاتاقان های با کیفیت بالا پشتیبانی می شود که مقاومت را به حداقل می رساند و چرخش صاف را تضمین می کند. موتور قدرتمند از سیستم محرک تسمه و اتصالات سرعت ثابت برای کاهش انتقال ارتعاش استفاده می کند و نتایج آزمایش دقیق و قابل اطمینان را تضمین می کند. علاوه بر این، یک سیستم هیدرولیک بار را تنظیم و تنظیم آسان ارتفاع غلتک های با سرعت بالا را تسهیل می کند.

2.2 جمع آوری داده ها

این مطالعه شامل یک روش دقیق برای ارزیابی ارتعاشات تایربا استفاده از تنظیمات آزمایشگاهی است. در این پیکربندی، تایر توسط یک تسمه می چرخد و غلتک ها شرایط جاده را شبیه سازی می کنند. یکی از اجزای مهم در این تنظیم، شتاب سنج پیزوالکتریک، به ویژه NI-PCB 352C03 است که دارای حساسیت 10.26 میلی ولت بر گرم است. این شتاب سنج روی یک سطح صاف در نزدیکی محور چرخ قرار گرفته تا سیگنال‌های لرزش را از تایربه طور بهینه دریافت کند. قرارگیری استراتژیک آن در بازوی پایینی سیستم تعلیق، با استفاده از یک چسب ایمن، جمع آوری دقیق داده های ارتعاش را تضمین می کند.

سیگنال های ارتعاشی گرفته شده توسط شتاب سنج به یک مبدل آنالوگ به دیجیتال منتقل می شوند و در آنجا دیجیتالی و در رایانه ذخیره و سپس این سیگنال ها از طریق USB به سیستم جمع آوری داده NI9234  وارد می شوند. کل فرآیند جمع آوری داده ها با استفاده از نرم افزار NI LabVIEW که یکپارچه سازی و تجزیه و تحلیل یکپارچه را تسهیل می کند، مدیریت می گردد. در طول جمع‌آوری داده‌ها، پارامترهای حیاتی به دقت حفظ شده اند، از جمله فرکانس نمونه‌برداری 25 کیلوهرتز، طول نمونه 10 هزار مرحله و 100 نمونه برای هر دسته.پس از ثبت سیگنال‌های ارتعاش اولیه، آزمایش برای به دست آوردن سیگنال های اضافی تکرار شد.

هدف این روش گردآوری یک مجموعه داده جامع است که طیف وسیعی از شرایط عملیاتی را منعکس می کند. سازگاری شتاب‌سنج‌ها بسیار مهم بود، زیرا می‌توانستند ارتعاشات را در شدت‌های مختلف تشخیص دهند. تبدیل این ارتعاشات به داده های قابل اندازه گیری تضمین می کند که سیگنال های به دست آمده به طور دقیق وضعیت تایرها را به تصویر می کشند. ولتاژ خروجی از شتاب‌سنج‌ها مستقیماً ارتعاشات تایر‌ها را منعکس می‌کند و در نتیجه دقت و قابلیت اطمینان سیستم تشخیص عیب را افزایش می‌دهد.

2.3 روش آزمایشی

این مطالعه به طور سیستماتیک داده های ارتعاش تایرها را در پنج سناریو مجزا جمع آوری کرد؛ یک مجموعه داده ایجاد شد که شامل 100 نمونه سیگنال بود. هر نمونه شامل 10 هزار نقطه داده ثبت شده از حسگر شتاب سنج بود. تنظیمات آزمایشی سطوح مختلفی از سایش تایر را شامل می‌شود: 25%، 50%، 75% و 100%، به همراه تایر مرجعی که وضعیت نرمال را نشان می‌دهد؛ همانطور که در شکل 3 نشان داده شده است.

روش برای سیستم نظارت بر سایش تایر شامل تبدیل سیگنال، استخراج ویژگی، ترکیب ویژگی، انتخاب ویژگی و توسعه مدل‌های یادگیری ماشین است، همانطور که در شکل 4 نشان داده شده است.

3.1 استخراج ویژگی های آماری

فرآیند استخراج ویژگی های آماری، نقش مهمی در تبدیل داده های خام به تحلیل مختصر و مفید ایفا می کند. این معیارها بینش‌های اساسی را در مورد ویژگی‌های ذاتی داده‌ها ارائه می‌دهند. جدول 2 ویژگی های آماری، توضیحات مربوط به آنها و ارتباط آنها را نشان می دهد.

در اصل، این ویژگی‌های آماری نقش مهمی در تبدیل داده‌های پیچیده ساییدگی تایر به ویژگی‌های معنی‌دار دارند که بینش‌های ارزشمندی را در مورد سلامت تایر ارائه می‌دهند. با استخراج و تجزیه و تحلیل این ویژگی‌ها، سیستم‌های مانیتورینگ می‌توانند انحرافات از الگوهای سایش مورد انتظار را تشخیص دهند و مداخلات به موقع را برای رفع بی‌نظمی‌ها و افزایش عملکرد کلی و طول عمر تایر ممکن می‌سازند.

3.2 استخراج ویژگی هیستوگرام

استخراج هیستوگرام شامل تقسیم محدوده مقادیر داده سایش تایر به فواصل گسسته است که هر یک مجموعه خاصی از شرایط سایش را نشان می دهد. پس از آن، فراوانی یا تعداد نقاط داده در هر بازه به دقت محاسبه می شود. از طریق این فرآیند، توزیع ذاتی سطوح سایش به طور موثر کمی و بصری به تصویر کشیده می شود.

در طول استفاده منظم از تایر، داده های سایش به طور مداوم یک الگوی قابل تشخیص را نشان می دهند و یک شکل متمایز در هیستوگرام ایجاد می کنند. به طور معمول، نقاط داده در اطراف محدوده‌های سایش خاص جمع می‌شوند که به وضوح رفتار سایش پیش‌بینی‌شده را منعکس می‌کنند. در موارد سایش غیرعادی تایر، اختلال در الگوی سایش مشخص آشکار می شود. این اختلال به صورت انحراف در توزیع سایش نشان‌ داده ‌شده در هیستوگرام ظاهر می‌شود که ممکن است جابجایی‌ها، قله‌های غیرمعمول یا فرورفتگی را نشان دهد که نشان‌دهنده بی‌نظمی‌های احتمالی در سایش تایر است.

به طور قابل توجهی، ساختار هیستوگرام دارای قابلیت آشکارسازی انحرافات از توزیع سایش استاندارد است که امکان شناسایی الگوهای سایش غیرعادی را فراهم می کند. این بررسی تحلیلی هیستوگرام به عنوان یک ابزار ارزشمند در تشخیص ناسازگاری‌هایی که ممکن است نشان‌دهنده رخدادهای سایش نامنظم باشد، عمل می‌کند و فرآیند تحقیق عمیق‌تری را تحریک می‌کند.

اساسا، استخراج ویژگی هیستوگرام نه تنها توزیع مقادیر داده‌های سایش تایر را کمّی می‌کند، بلکه به عنوان یک ابزار پویا برای شناسایی و بررسی رویدادهای سایش غیرعادی عمل می‌کند. در این مطالعه، یک مجموعه داده شامل 100 فایل bin برای پایش سایش تایر استفاده شده است. با استفاده از یک رویکرد اعتبار سنجی متقابل، پیکربندی bin بهینه تعیین شده که انتخاب مناسب ترین سبد را برای تجزیه و تحلیل بیشتر تسهیل می کند.

3.3 استخراج ویژگی ARMA

در این مطالعه یک رویکرد پیچیده به نام استخراج ویژگی ARMA برای درک دینامیک پیچیده ذاتی داده‌های سری زمانی، مانند سیگنال‌های ناشی از ارتعاشات تایر، استفاده می‌شود. این روش دو مؤلفه اساسی -AutoRegressive (AR) و Moving Average (MA) را ادغام می کند تا وابستگی های زمانی را که بر تکامل داده ها در طول زمان تأثیر می گذارند، آشکار کند.

مؤلفه AR که با AR (p) مشخص می شود، مقدار سیگنال فعلی را با در نظر گرفتن مقادیر p گذشته آن رمزگشایی می کند و حافظه و روندهای تاریخی سیگنال ها را ضبط می کند. از سوی دیگر، مؤلفه میانگین متحرک، که به صورت MA(q) نشان داده می‌شود، تأثیر عبارات خطای گذشته را بر مقدار کنونی محصور می‌کند و تأثیر اختلافات قبلی را بر مسیر سیگنال‌ها آشکار می‌کند.

در زمینه نظارت بر سایش تایرها، ویژگی های ARMA نقش مهمی ایفا می کنند. انحراف در ضرایب ARMA از هنجارهای تعیین شده می تواند به عنوان شاخص اولیه سایش تایر یا سایر ناهنجاری ها در عملکرد تایرها باشد. این توانایی روش‌شناسی برای ثبت الگوهای چرخه‌ای و بی‌نظمی‌ها در سیگنال‌های ارتعاش، درک عمیق‌تری از رفتار تایر را تقویت می‌کند، امکان تشخیص دقیق ناهنجاری و افزایش کارایی کلی در نظارت بر سایش تایر و استراتژی‌های نگهداری را افزایش می‌دهد.

برای این مطالعه، یک مجموعه داده شامل 50 فایل سفارش مورد استفاده قرار گرفت و از طریق یک فرآیند اعتبار سنجی متقابل کامل، پیکربندی بهینه این فایل‌های سفارش تعیین شد که امکان انتخاب مناسب‌ترین مجموعه داده برای تجزیه و تحلیل سایش تایر‌های بعدی را فراهم می‌کند. مرتبه 8 به‌ویژه به‌عنوان انتخاب بهینه قابل‌توجه است و توانایی برتر آن را در به تصویر کشیدن ظرافت‌های وضعیت تایر در چارچوب ARMA همانطور که در شکل 6 نشان داده شده است، برجسته می‌کند.

3.4 ادغام ویژگی

در زمینه تجزیه و تحلیل سایش تایر، این مطالعه یک رویکرد پیشگام را با محوریت همجوشی ویژگی‌ها پیشنهاد می‌کند که سه نوع مشخصه متمایز را در هم می‌آمیزد: ویژگی‌های آماری، هیستوگرام و ARMA . ادغام ویژگی‌های آماری، تغییرات در سایش تایر با ویژگی‌های هیستوگرام و ارائه بینش‌هایی در مورد توزیع سایش، منجر به بررسی چندوجهی سلامت تایر می‌شود. این ویژگی ها در یک مجموعه منسجم یکپارچه می شوند و عناصر اساسی را برای بررسی سایش تایرها تجزیه و تحلیل می کنند.

علاوه بر این، ادغام سینرژیک ویژگی های هیستوگرام، بینش هایی را در مورد توزیع سایش ارائه می دهد. ویژگی‌های ARMA، وابستگی‌های زمانی در سیگنال‌های ارتعاشی را به تصویر می‌کشد که به دنبال افزایش درک دینامیک سایش تایر است. با استفاده از تکنیک های مختلف در این روش دقت عمل نیز افزایش یافته و انحرافات ظریف و الگوهای چرخه‌ای شناسایی می شوند.

در نهایت، این مطالعه به یک ادغام جامع می پردازد و ویژگی های آماری، هیستوگرام و ARMA را برای ایجاد یک چارچوب یکپارچه برای تجزیه و تحلیل سایش تایرها گرد هم می آورد. از طریق یک رویکرد ترکیبی، این ویژگی‌های متنوع نمایش دقیقی از داده‌های سایش تایر را ارائه می‌دهند. این رویکرد ویژگی جامع پتانسیل تشخیص ناهنجاری دقیق‌تر و استراتژی‌های تعمیر و نگهداری پیشرفته را دارد که در نهایت به بهبود عملکرد کلی تایر و طول عمر در سیستم‌های خودرو کمک می‌کند.

4.2 اثر تغییر نرخ یادگیری

نرخ یادگیری در ماشین، از جمله CatBoost، یک فراپارامتر است که اندازه گام را در هر تکرار در طول فرآیند بهینه‌سازی تعیین می‌کند. نقش مهمی در تأثیرگذاری بر همگرایی و عملکرد مدل دارد. نرخ یادگیری بالاتر به مدل اجازه می دهد تا سریعتر یاد بگیرد، با این حال ممکن است منجر به نوعی بی ثباتی شود. نرخ یادگیری پایین تر، همگرایی پایدارتری را تضمین می کند، با این حال ممکن است به تکرارهای بیشتری نیاز داشته باشد.

تغییر نرخ یادگیری می تواند به طور قابل توجهی بر دقت و توانایی تعمیم مدل تأثیر بگذارد. در جدول 5، تأثیر نرخ های مختلف یادگیری بر عملکرد طبقه بندی ویژگی های آماری، هیستوگرام و ARMA با استفاده از CatBoost بررسی شده است. جداول 5 و 6 نشان می دهد که چگونه تغییرات در نرخ یادگیری بر دقت مدل تأثیر می گذارد و بینش هایی را برای یافتن نرخ یادگیری بهینه برای این نوع ویژگی های خاص ارائه می دهد.

به‌علاوه، جدول 6 تأثیر نرخ‌های یادگیری متفاوت را بر عملکرد طبقه‌بندی در زمینه موارد فیوژن ویژگی، با استفاده از CatBoost نشان می‌دهد. پارامترهای بهینه به‌دست‌آمده از تجزیه و تحلیل قبلی ثابت نگه داشته شدند و فقط نرخ یادگیری به طور سیستماتیک متفاوت بود. هدف این تجزیه و تحلیل نشان دادن حساسیت مدل به نرخ های مختلف یادگیری و هدایت انتخاب یک مقدار مناسب برای عملکرد بهینه در سناریوهای فیوژن ویژگی است.

با بررسی نتایج ارائه شده در جداول 5 و 6 روند قابل توجهی ظاهر می شود که عملکرد برتر ویژگی هیستوگرام را نسبت به همتایان خود برجسته می کند. با کمال تعجب، ویژگی‌های آماری و هیستوگرام، زمانی که همراه با CatBoost به کار می‌روند، دقت نسبتاً پایین‌تری از خود نشان می‌دهند. به طرز جالبی، هر ویژگی دیگری میزان دقت 100٪ قابل توجهی را به نمایش گذاشت. با استفاده از بینش به‌دست‌آمده از این تحلیل، فراپارامترهای بهینه شناسایی‌شده در این مطالعه متعاقباً در تحلیل‌های بیشتر مورد استفاده قرار می‌گیرند و از استحکام و قابلیت اطمینان ارزیابی‌های مدل بعدی اطمینان می‌دهند.

4.3 اثر عمق متغیر

در CatBoost، پارامتر “عمق” به حداکثر عمق هر درخت در مجموعه اشاره دارد. ایجاد تعادل مناسب در انتخاب عمق برای دستیابی به عملکرد مطلوب بسیار مهم است. جدول 7 بینش هایی را در مورد تأثیر عمق متغیر بر عملکرد طبقه بندی با استفاده از CatBoost برای ویژگی های آماری، هیستوگرام و ARMA ارائه می دهد. این نشان می دهد که چگونه اعماق مختلف بر توانایی مدل ها برای تشخیص الگوها در این مجموعه ویژگی های متمایز تأثیر می گذارد.

در همین حال، جدول 8 به بررسی اثر تغییر عمق به طور خاص برای طبقه‌بندی شامل ترکیب ویژگی‌ها می‌پردازد. این جدول رابطه بین عمق و قابلیت مدل‌ها را برای یکپارچه‌سازی و بهره‌برداری از اطلاعات از منابع ویژگی‌های متنوع روشن می‌کند و دید جامعی از اهمیت پارامترهای عمق در سناریوهای طبقه‌بندی مختلف ارائه می‌دهد.

در تجزیه و تحلیل نتایج جداول 7 و 8، بدیهی است که دقت آزمایش صد در صد قابل توجهی برای اکثر ویژگی ها به دست آمده است؛ به استثنای ترکیب ویژگی شامل داده های آماری و هیستوگرام. قابل ذکر است که ادغام ویژگی‌های هیستوگرام و ARMA عملکرد برتری را نشان می‌دهد و به دقت چشمگیر 99.250% در طول تمرین و 99.000% در اعتبارسنجی متقاطع دست می‌یابد. این دقت‌های استثنایی از ترکیب ویژگی‌های دیگر، به ویژه در مقایسه با ادغام ویژگی‌ها با catboost، بهتر است.

یافته‌ها بر اثربخشی استفاده از ویژگی‌های هیستوگرام و ARMA در افزایش دقت کلی مدل تأکید می‌کنند و بر اهمیت آن‌ها در دستیابی به عملکرد قوی در هر دو مرحله آموزشی و اعتبارسنجی متقابل تأکید می‌کنند.

4.4  تحلیل مقایسه ای مدل آموزش دیده

در ارزیابی مدل‌های پیش‌بینی سایش تایر، کارایی الگوریتم Catboost به طور سیستماتیک در ترکیب با ویژگی‌های مختلف ارزیابی شده است. قابل ذکر است که ترکیب ویژگی هیستوگرام + ARMA با 100٪ دقت مجموعه تست موثرترین روش است و به طور مداوم از سایر ویژگی ها و ترکیبات در طیف وسیعی از معیارها بهتر عمل می کند. این ترکیب، عملکرد بهینه ای را از نظر دقت طبقه بندی و در عین حال حفظ زمان اجرا از خود نشان می دهد. یافته‌های مرتبط که در جدول 9 خلاصه شده‌اند، بینشی در مورد پارامترهای فوق بهینه برای ویژگی‌های مختلف و دقت طبقه‌بندی متناظر آنها ارائه می‌دهند.

علاوه بر این، شکل 17 ماتریس سردرگمی بهترین عملکرد مدل ترکیبی ویژگی + Catboost را نشان می دهد. ماتریس سردرگمی یک ابزار ارزیابی استاندارد در یادگیری ماشینی است که تفکیک دقیقی از پیش‌بینی‌های مثبت، منفی درست، مثبت کاذب و منفی کاذب ارائه می‌دهد و تصویری واضح از عملکرد مدل‌ها ارائه می‌کند. ادغام Catboost با ترکیب ویژگی هیستوگرام  + ARMA رویکرد متعادل و موثری را برای پیش‌بینی سایش تایر نشان می‌دهد.

5 نتیجه گیری

این مطالعه به موضوع حیاتی سایش تایر می پردازد و تأثیر قابل توجه آن بر ایمنی، عملکرد و نگهداری خودرو را تأیید می کند. این مطالعه شرایط تایر را در مراحل مختلف سایش با تجزیه و تحلیل سیگنال‌های ارتعاشی به عنوان منبع داده کلیدی ارزیابی می‌کند. این تجزیه و تحلیل شامل تکنیک های آماری، هیستوگرام و استخراج ویژگی ARMA برای ارائه یک ارزیابی جامع است. استفاده از الگوریتم یادگیری ماشین CatBoost برای طبقه بندی ویژگی ها به دلیل سازگاری و اثربخشی آن در طبقه بندی الگوهای مختلف سایش برجسته شده است.

به عنوان یک روش جدید برای نظارت بر سایش تایر، با تمرکز بر ترکیب ویژگی ها برای ارائه یک تجزیه و تحلیل جامع، نه تنها یک چارچوب قوی برای تعیین دقیق سطوح فرسودگی تایر ایجاد می‌کند، بلکه پتانسیلی را برای پیاده‌سازی در زمان واقعی، ترویج شیوه‌های تعمیر و نگهداری پیشگیرانه، افزایش طول عمر تایر و بهبود ایمنی خودرو ارائه می‌دهد.