Лабораторный стенд для диагностирования шин автомобилей

Введение. Автомобильное транспортное средство состоит из большого количества деталей, по-разному влияющих на безопасность движения. К элементам, критически влияющим на безопасность транспортного средства, относятся автомобильные пневматические шины. Их техническое состояние в настоящее время оценивается визуально, без применения специального оборудования. Такой способ диагностики не обеспечивает выявления скрытых повреждений шин. В данной статье приводится описание предлагаемого способа диагностирования пневматических шин легковых автомобилей, а также схема стенда для его реализации.
Материалы и методы. На основании предыдущих исследований было предложено использовать статическую жесткость автомобильных шин в качестве диагностического параметра при оценке их технического состояния. Для реализации использования данного диагностического параметра был предложен новый метод оценки технического состояния шин. Он заключается в определении и сравнении значений статической жесткости шины в различных ее точках с усредненным значением жесткости во всех точках измерения. Для реализации данного метода в лабораторных условиях была предложена принципиальная схема стенда.
Результаты. В соответствии с предложенной схемой стенда была разработана объемная модель стенда для реализации предлагаемого метода в лабораторных условиях, а также изготовлена рама стенда и подобраны основные его элементы. В качестве преобразователя вращательных движений ручки потенциометра в электронный сигнал было решено использовать аналого-цифровой преобразователь Arduino Uno R3. Также была осуществлена разработка программного обеспечения для автоматизации считывания и обработки результатов диагностирования шин.
Обсуждение и заключение. Предложенный метод диагностирования шин и стенд, его реализующий, могут повысить оперативность и простоту оценки технического состояния пневматических шин легковых автомобилей. Для оценки эффективности предложенных решений необходимы дальнейшие исследования.

1. Mohan P., Pahinkar A., Karajgi A., Kumar L., Kasera R., Gupta A., Narayanan S. Multi-Contrast Convolution Neural Network and Fast Feature Embedding for Multi-Class Tyre Defect Detection// 4th International Conference on Electronics, Communication and Aerospace Technology (ICECA). November 2020: 1397-1405.: htpps://10.1109/ICECA49313.2020.9297615

2. Трефилов М.А., Дамзен В.А. Коэффициент затухания колебаний шины как диагностический параметр // Автомобильная промышленность. 2010. № 9. С. 32–33.

3. Zhang H., Zhang S., Zhang Y., Huang X., Dai Y. Abrasion Status Prediction with BP Neural Network Based on an Intelligent Tire System// 4th CAA International Conference on Vehicular Control and Intelligence (CVCI). December 2020. pp. 619-622. [Электронный ресурс]: htpps://doi.org/10.1109/CVCI51460.2020.9338547

4. Li Y., Zuo S., Lei L., Yang X., Wu X. Analysis of impact factors of tire wear// Journal of Vibration and Control. May 2012. Vol.18 (6): 833-840.: htpps://doi.org/10.1177/1077546311411756

5. Abdulaev E., Makharatkin P., Pumpur E. A priori ranking and an analysis of factors affecting tire wear// IOP Conference Series: Earth and Environmental Science. November 2019. Vol.378: 012001.: htpps://doi.org/10.1088/1755-1315/378/1/012001

6. Todoroki A., Matsuzaki R. Wireless Monitoring of Automobile Tires for Intelligent Tires// Sensors. December 2008. Vol.8.: 8123-8138.: htpps://doi.org/10.3390/s8128123

7. Yunta J., García-Pozuelo D., Diaz V., Olatunbosun O. Influence of camber angle on tire tread behavior by an on-board strain-based system for intelligent tires// Measurement. October 2019. Vol.145.: 631-639.: htpps://doi.org/10.1016/j.measurement.2019.05.105

8. Zhu B., Han J., Zhao J. Tire-Pressure Identification Using Intelligent Tire with Three-Axis Accelerometer// Sensors. June 2019. Vol.19(11):2560.: htpps://doi.org/10.3390/s19112560

9. Jinyin C., Li Y., Zhao J. X-ray of Tire Defects Detection via Modified Faster R-CNN// 2nd International Conference on Safety Produce Informatization (IICSPI). November 2019.: 257-260.: htpps://doi.org/10.1109/IICSPI48186.2019.9095873

10. Zhang Y., Lefebvre D. Automatic, Li Q. Detection of Defects in Tire Radiographic Images// IEEE Transactions on Automation Science and Engineering. Septembr 2015. Vol.14.: 1-9.: htpps://doi.org/10.1109/TASE.2015.2469594

11. Zhang Y., Cui X., Liu Y., Yu B. TireNet: A high recall rate method for practical application of tire defect type classification// International Journal of Computational Intelligence Systems. May 2018. Vol.11.: 1056-1066.: htpps://doi.org/10.2991/ijcis.11.1.80

12. Cui X., Liu Y. Defect automatic detection for tire X-ray images using inverse transformation of principal component residual// Third International Conference on Artificial Intelligence and Pattern Recognition (AIPR). September 2016.: 1-8.: htpps://doi.org/10.1109/ICAIPR.2016.7585205

13. Wang R., Guo Q., Lu S., Zhang C. Tire Defect Detection Using Fully Convolutional Network// IEEE Access. January 2019. Vol.7.: 43502-43510.: htpps://doi.org/10.1109/ACCESS.2019.2908483

14. Tada H., Sugiura A. Defect Classification on Automobile Tire Inner Surfaces with Functional Classifiers// Transactions of the Institute of Systems, Control and Information Engineers. January 2021. Vol.34.: 1-10.: htpps://doi.org/10.5687/iscie.34.1

15. Chang C.-Y., Srinivasan K., Wang W.-C., Ganapathy G., Vincent P M D., Deepa, N. Quality Assessment of Tire Shearography Images via Ensemble Hybrid Faster Region-Based ConvNets// Electronics. December 2019. Vol.9.: 1-13.: htpps://10.3390/electronics9010045

16. Weyssenhoff A., Opala M., Koziak S., Melnik R. Characteristics and investigation of selected manufacturing defects of passenger car tires// Transportation Research Procedia. May 2019. Vol.40.: 119-126.: htpps://doi.org/10.1016/j.trpro.2019.07.020

17. Massaro A., Dipierro G., Cannella E., Galiano A. Comparative Analysis among Discrete Fourier Transform, K-Means and Artificial Neural Networks Image Processing Techniques Oriented on Quality Control of Assembled Tires // Information (Switzerland). May 2020. Vol.11.: 257-277.: htpps://doi.org/10.3390/info11050257

18. Дамзен В.А., Трефилов М.А. Разработка метода оценки скрытых дефектов автомобильных шин по параметрам динамической жесткости // Автотранспортное предприятие. 2009. № 1. С. 48–50.

19. Хольшев Н.В., Лавренченко А.А., Коновалов Д.Н., Минаев П.С. Обоснование диагностического параметра для определения скрытых повреждений шин автомобилей // Вестник гражданских инженеров. 2020. № 3(80). С. 191–196.