编辑推荐：
车轮（Wheel）失准是影响车辆安全性、轮胎磨损及能量效率的关键因素之一。尽管汽车维修车间已建立完善的定位程序，但近年来传感技术、网联化及数据驱动方法的进步重新激发了学术界的关注。这与现有研究形成对比，因其在车辆类型和研究方法上仍呈碎片化状态。本研究开展了一项
车轮（Wheel）失准是影响车辆安全性、轮胎磨损及能量效率的关键因素之一。尽管汽车维修车间已建立完善的定位程序，但近年来传感技术、网联化及数据驱动方法的进步重新激发了学术界的关注。这与现有研究形成对比，因其在车辆类型和研究方法上仍呈碎片化状态。本研究开展了一项关于车轮定位监测与检测方法的范围综述（Scoping Review），聚焦于乘用车。依据PRISMA-ScR（系统综述与元分析优先报告条目—范围综述）指南，共识别453篇文献，排除386篇，去除13篇重复文献，最终少数文献纳入主题分析。研究呈现出三种主导性方法论方法：（i）传统测量方法，（ii）基于传感器的车辆动力学分析，以及（iii）采用机器学习（Machine Learning, ML）与车辆遥测的数据驱动方法。研究发现，针对车辆应用的研究有限，尤其是智能、集成化及可扩展的定位技术以及实时在役监测应用方面。其他挑战包括数据质量、校准及成本效益问题。因此，本研究提出开发一种基于系统工程与企业架构原则的集成化实时车轮失准检测与报告框架。
车辆车轮失准检测技术是保障道路交通安全与提升车辆运行效率的重要研究领域，近年来随着智能交通与自动驾驶技术的发展而受到越来越多的学术关注。
**研究背景与问题**
车轮失准（Wheel Misalignment）是车辆维护中的常见问题，指车轮相对于底盘和路面的倾角偏离标准状态，主要由路面冲击、悬架退化及制造公差等因素引起。前轮束角（Toe）、外倾角（Camber）和后倾角（Caster）等参数失准会显著加剧轮胎磨损、降低燃油效率并危及操控稳定性，对重型商用车（Heavy Commercial Vehicles, HCVs）和高速系统尤为危险。传统车轮定位评估依赖维修车间环境下的静态测量工具，如激光定位系统和机械量规。虽然这些系统在静态条件下精度较高，但需要熟练劳动力和定期检查，且本质上属于被动式检测，仅在车辆已出现明显磨损或跑偏症状后才能识别失准。随着智能出行和自动驾驶系统对预测性维护需求的增长，传统方法已显不足。
尽管具有重要实践意义，针对乘用车车轮定位的学术研究仍相对有限。现有研究分散于铁路工程、商用车和智能交通等多个领域。近年来，惯性传感器、计算机视觉和物联网（Internet of Things, IoT）等新兴技术为连续自动化定位监测提供了新可能，包括车载惯性测量单元（Inertial Measurement Units, IMUs）、转向角传感器和车辆遥测数据的应用。此外，基于仿真的方法如动态粘附仪（Dynamic Adhesor）也被用于测量车轮滚动时的附着力与行为特征，IPG TruckMaker
?仿真平台则被用于训练支持向量机（Support Vector Machines, SVMs）等分类器以区分正常与失准状态。然而，这些新兴方法常受限于公开数据缺乏、真实工况验证不足以及与车队级监控系统集成困难等问题。当前研究在机械、电气和数据科学领域呈分散状态，缺乏标准化尝试，这一差距在网联与自动驾驶车辆（Connected and Autonomous Vehicles, CAVs）及车队管理情境中尤为突出。鉴于此，研究人员开展了此项范围综述，以绘制现有研究的全貌并识别关键发展趋势。
**研究方法与主要技术路径**
研究人员采用混合方法的PRISMA范围综述方法，结合Biblioshiny（bibliometrix R包4.3.0版本的网络接口）进行文献计量分析。依据PRISMA 2020框架，研究涵盖数据库选择、检索式构建、文献筛选和资格评估四个主要阶段。研究检索了Scopus、IEEE Xplore、Web of Science和Emerald Insight四个数据库，使用("wheel alignment" OR "wheel misalignment") AND ("toe angle" OR "camber" OR "caster") AND ("vehicle dynamics" OR "sensor" OR "fault detection" OR "monitoring")的检索式，限定为近15年发表的英文学术期刊或会议论文。初始检索获得453条记录，经去重、题目摘要筛选和全文评估后，最终54篇文献纳入详细分析。研究未使用特定样本队列来源，而是基于公开发表的学术文献进行系统性回顾。
**研究结果**
研究人员将54项研究按方法论分为三大类，系统梳理了各类别的发展脉络、应用场景与局限性。
**传统检测技术**：传统车轮定位技术仍在维修车间广泛使用，包括外倾角/后倾角/束角量规、光学定位装置和激光系统等。Lee和Choi提出了基于递归最小二乘法的实时束角失准检测方法，通过车辆仿真建模侧向轮胎力和回正力矩，无需额外传感器。Blagojevi?, ?ivkovi?等展示了摄影测量标定系统在提升机械定位线精度中的应用，使用坐标测量机（Coordinate Measuring Machine, CMM）和参考底盘对标定定位线进行认证。Cheng, Chen等采用激光位移传感器（2D/1D）构建了三角测量系统，配合工业个人计算机（Industrial Personal Computer, IPC）测量轮对轮廓。Young, Hsu等则使用固定光学工具或测角仪进行外倾角测量。另有研究者设计了动态粘附仪用于模拟路面条件下的液压控制轮头，以调整车辆车轮的束角和外倾角，但该装置仅为数字仿真，未考虑真实车轮滚动条件。传统方法在受控条件下可靠，但本质上是静态的、劳动密集型的、非连续的，不适合实时应用，且校准误差、人为疏忽和定位平台 Variability 导致测量不确定性。
**基于传感器的失准检测**：嵌入式车载传感器的发展催生了实时失准检测系统。Broderick, Britt等利用高斯过程（Gaussian Process）模型，基于转向修正数据估计束角失准引起的横向漂移。Hong, Hussin等在列车转向架上应用IMU监测检测动态轨道失准。Yongxu, Tan等采用轴扭矩和振动传感器进行动态测试评估失准，结合IMU和全球定位系统（Global Positioning System, GPS）衍生的曲率模式增强漂移检测。Bohari, Hafiz等提出了嵌入式IMU与控制器局域网（Controller Area Network, CAN）总线智能定位监测系统，利用车载传感器网络检测偏离正常车轮姿态的情况，实现了测试车辆中的实时失准趋势检测。视觉系统方面，研究者开发了基于视觉的无线充电线圈失准定位系统，利用摄像头和失准线圈实现毫米级精确定位。Wang, Li等报告了基于机器视觉的轮胎螺纹测量方法，绝对误差小于0.2 mm。Huber, Preindl等提出了基于车载轮井摄像头和Canny边缘检测的光学方法，通过胎面横截面图像实现自适应标定，平均绝对误差小于0.6 mm。Müller和Voegtle则使用基于图像分析的方向盘角度检测方法。传感器方法具有非侵入性、实时监测和易于与CAN总线集成等优势，但性能受传感器漂移、路面纹理、载荷和环境噪声影响，需要鲁棒的信号滤波和多传感器融合算法。
**数据驱动与基于仿真的方法**：越来越多的研究应用机器学习和仿真环境检测失准模式。研究使用IPG TruckMaker
?、CarSim和Simulink等平台仿真束角、外倾角或后倾角故障并训练分类模型。Burande, Grandhe等开发了基于曲率和转向扭矩特征的监督学习模型，在束角失准检测中表现出高准确率。Chandran, Grandhe等扩展了该工作，考察推力角失准下卡车的侧倾行为，强调了仿真环境中数据多样性和真实载荷建模的必要性。Tang, Shi等提出了嵌入式IMU与纠错输出编码（Error-Correcting Output Codes, ECOC）SVM分类器结合的节能无线车轮监测系统（Wireless Active Wheel Misalignment System, WAWMS），具有双唤醒、IMU自校准、基于主成分分析（Principal Component Analysis, PCA）的特征提取和支持向量分类功能，在真实世界束角变化检测中达到约93.2%的准确率。Grandhe, Kumar等使用仿真和基于模型的分类器训练仿真数据。Alrejjal和Ksaibati等使用动力学仿真或传感器量化侧翻风险。然而，机器学习模型高度依赖数据质量、仿真保真度和标注准确性，向真实世界部署的可转移性受模型过拟合和公开验证数据集缺乏的限制。
**讨论与结论**
研究人员识别出四大关键研究缺口：实时检测与报告系统缺乏；传感、数据处理和报告系统整合不足；人工智能、物联网和多传感器融合未充分利用；可扩展数据和监测框架尚付阙如。研究发现乘用车领域研究尤为匮乏，仅识别约25篇汽车专用论文，反映了铁路和重型车辆研究的历史主导地位以及汽车制造商和维修企业的专有数据壁垒。研究还指出，传统方法无法预测车轮定位何时超出规范，传感器未与车辆遥测、维修车间和云平台集成，且过度依赖原始数据传输而无法执行复杂实时任务。仿真器难以复现轮胎磨损引起的混沌振动等真实事件，数据驱动方法则面临高质量失准数据难以获取的困境。
为此，研究人员提出基于设计科学研究（Design Science Research, DSR）、系统工程原则和联邦企业架构框架（Federal Enterprise Architecture Framework, FEAF）开发集成化实时车轮失准检测与报告框架。该框架由传感子系统、学习子系统和基础设施子系统组成：传感层采集与车轮行为和车辆运动相关的动态运行数据；学习子系统应用智能分析方法基于提取特征和学习行为模式识别和分类失准状况；基础设施层通过互联平台和智能交通系统实现实时通信、报告和维护支持。该框架还纳入数据治理架构以确保安全、可追溯和合规运行。未来研究应继续将自动化传感、人工智能驱动诊断和先进材料系统集成到铁路和车辆定位技术中，以推动该领域的持续进步。
