CN106740829A - 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 - Google Patents
基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 Download PDFInfo
- Publication number
- CN106740829A CN106740829A CN201710177689.9A CN201710177689A CN106740829A CN 106740829 A CN106740829 A CN 106740829A CN 201710177689 A CN201710177689 A CN 201710177689A CN 106740829 A CN106740829 A CN 106740829A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- clustering
- vehicle
- cluster analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,包括试验数据采集模块、数据预处理模块、离线聚类分析模块、在线识别模块、车辆实时数据采集模块和决策执行模块。试验数据采集模块的输出端通过试验数据预处理模块连接到离线聚类分析模块的输入端,离线聚类分析模块的一个输出端与在线识别模块输入端连接,另一输出端与决策执行模块连接。车辆实时数据采集模块的输出端通过实时数据预处理模块与在线识别模块输入端连接,在线识别模块的输出端与决策执行模块输入端连接。系统对试验采集的数据通过数据预处理后进行离线聚类分析,通过K‑Means聚类分析实现对车辆的行驶状态进行分类,然后根据分类结果采取相应的安全措施。
Description
技术领域
本发明属于汽车列车行驶安全技术领域,涉及一种基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统。
背景技术
双半挂汽车列车由牵引车和两节半挂车组合而成,在汽车行驶过程中,一方面,汽车列车运输生产率高、载重量大、质量利用系数大,挂车制造成本低、发动机燃油消耗率低、维修方便,适合长距离运输,可方便地实现区段运输、甩挂运输、滚装运输。另一方面,随着经济贸易全球化,各地区之间货物的频繁运输加大了对长距离运输车辆的需求,双半挂汽车列车以其拖挂多个挂车,载重质量大、燃油消耗率低且适合长距离运输,说明双半挂汽车列车在我国未来将会有一个很大的发展时期。
汽车列车由于其结构的特殊性,车辆各个单元之间是通过铰接方式连接,行驶稳定性差,双半挂汽车列车的失稳形式主要表现为挂车侧翻、折叠、甩尾、蛇形运动等危险形式,一旦发生交通事故,生命财产损失严重,有些危险情境仅靠驾驶员来识别和动作远远不够,因此提前预知汽车列车行驶状态并提醒驾驶员强制采取相应措施意义重大。
传统的车辆行驶稳定性仅仅依靠车辆行驶状态参数的实际输出值与理想值之差,当差值超过一定阈值之后对车辆发出报警,该方法对经验的依赖性较大,缺乏理论指导和依据。申请号为“CN201110143729.0”的中国发明专利,通过安装在牵引车和挂车底部的两个摄像头,采集汽车列车下方直线标志线的图像信息,通过机器视觉检测算法分别计算牵引车和挂车底部固定连接点相对于直线标志线的距离,同时利用GPS获得汽车列车沿直线标志线的行驶速度,计算得到牵引车和挂车之间的最大横向摆动量,根据横向摆动量来判断汽车列车横向行驶稳定性。该专利技术存在的缺陷在于:一、对道路标志线要求较高且依赖性强,交通标志线消失则该系统不起作用,二、仅依靠牵引车与挂车之间的横向摆动量参数判断汽车列车横向行驶稳定性的依据少,可靠性差。
发明内容
本发明的目的是提供一种基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,对其所处的状态进行分类,当车辆处于危险工况时,系统将对驾驶员提醒、警告或对车辆主动实施制动,以提高车辆行驶稳定性和安全性。
本发明的技术方案是:基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,包括试验数据采集模块、试验数据预处理模块、离线聚类分析模块、在线识别模块、车辆实时数据采集模块、实时数据预处理模块和决策执行模块。试验数据采集模块的输出端通过试验数据预处理模块连接到离线聚类分析模块的输入端,离线聚类分析模块的一个输出端与在线识别模块输入端连接,另一输出端与决策执行模块连接。车辆实时数据采集模块的输出端通过实时数据预处理模块与在线识别模块输入端连接,在线识别模块的输出端与决策执行模块输入端连接。系统对试验采集的数据通过数据预处理后进行离线聚类分析,通过K-Means聚类分析实现对车辆的行驶状态进行分类,然后根据分类结果采取相应的措施。
试验数据采集模块包括有设计试验和试验数据的采集两部分,设计试验为根据双半挂汽车列车高速行驶中的典型行驶工况确定试验时的载重、车速和前轮转角,车速和前轮转角为恒定或变化状态。试验数据采集为通过GPS、VBOX和陀螺仪采集车辆的行驶速度、角速度、加速度、横摆角速度、质心侧偏角、侧向加速度和后部放大率RWA状态变量。车辆实时数据采集模块与试验数据采集模块相同,车辆实时数据采集模块只需采集离线分析出的不相关的状态变量。
试验数据预处理模块包括有数据读入、数据清洗和聚类参数相关性分析;所述试验数据预处理的过程为:①读入数据,②判定是否>,如果≯,结束,如果>进行下一步;③去冗余、去干扰、归一化处理;④进行聚类参数相关性分析;⑤输出聚类参数;其中:为设定的某一速度阈值,为传感器采集的车辆实时数据。实时数据预处理模块包括有数据读入和数据清洗,实时数据预处理的过程为:①读入数据,②判定是否>,如果≯,结束,如果>进行下一步;③去冗余、去干扰、归一化处理。归一化的公式:
其中:为车辆状态参数数据,
为车辆状态参数数据中的最小值,
为车辆状态参数数据中的最大值,
为归一化后的参数值。
离线聚类分析模块包括有离线聚类和聚类结果分析并制定相应的措施;离线聚类过程为:①确定聚类的个数K、聚类簇的质心和最大的迭代次数,聚类个数可指定或让聚类算法根据数据的分布情况自动确定聚类个数;②计算数据点到质心的欧氏距离并分配到最近的质心中,③均值函数求聚类簇新的质心,④计算聚类簇质心的偏移量,⑤判断质心偏移量<阈值/迭代次数是否达到上限,如果为是聚类结束,如果为否进行下一步骤,⑥确定聚类簇新的聚类质心,返回步骤②。在离线聚类的数据点分配过程中:
⑴为聚类簇的质心, 代表质心编号,为某一时刻的试验数据所对应的n维数据点,通过欧氏距离公式 计算每一时刻的数据点到聚类质心的距离;
⑵在计算质心偏移量 时用到的欧氏距离,表示新旧质心之间的距离。
聚类结果分析并制定相应的措施为根据聚类各簇所有点的均值及其方差对各类别命名,对各类别的特征进行描述,判断处于该类别下的危险程度,进而制定相应的措施提高车辆行驶安全性,如果聚类结果满足要求,离线数据即可删除,只保留各簇的质心和方差,减少数据的存储量,提高效率。在线识别模块为当双半挂汽车列车实时数据经过数据预处理输入到在线识别模块,以离线聚类最终聚类簇的均值为质心,计算实时数据与聚类质心之间的欧氏距离。在线识别的实质为以离线聚类最终聚类质心为质心进行数据点分配的过程。决策、执行模块根据在线识别结果危险程度给予驾驶员预警或车辆主动制动控制。决策、执行包括:①当车辆行驶状态被聚类到安全驾驶模式时,车辆行驶稳定,系统不做任何动作;②当车辆行驶状态被聚类到存在安全隐患驾驶模式时,系统对驾驶员提醒,③当车辆行驶状态被聚类到典型潜在危险驾驶模式时,系统对驾驶员灯光和声音警告;④当车辆行驶状态被聚类到高危险驾驶模式时,系统对车轮实施制动,防止交通事故的发生,以提高车辆行驶稳定性。
每个传感器测量的参数是独立存在于指定的txt文档里,先将每个文件独立的读入MATLAB中,然后通过合并语句来合并所有的数据到一个矩阵中生成Data.mat文件,以供聚类分析所用。该Data.mat矩阵的每一行代表某一时刻采集的双半挂汽车列车各车辆单元的参数值,行与行之间是按时间顺序排列,该矩阵的每一列分别代表车辆某个传感器测量的参数。由于传感器在测量和传输过程中存在噪声的干扰,容易出现错误数据,Data.mat矩阵是需要进行数据清洗工作,该矩阵中存在缺失数据的行要删除,为了减小离散点,需要剔除小概率事件,保留每条属性3σ内的数据。
双半挂汽车列车车辆试验时每个车辆单元都要安装多个传感器,需要测量的参数量多,带来的计算量增加,每个变量参数为一个维度,维度之间相互独立。高维欧氏空间将会导致纬数灾难,聚类之前需要对各个变量进行降维处理。采用相似性来测度,度量标准选用pearson系数。聚类方法选最远元素法,涉及到相关变量做标准化处理,相似性矩阵里的数字为相关系数,如果两个变量的相关系数接近1或-1,表明两个变量可互相替代,相互替代的变量选一个聚类即可。实际应用时只需测量相互独立的变量,以减少传感器的数量、数据存储和运算量,节约成本、提高运算速度。
本发明基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统的工作过程和原理为:聚类分析按照个体或样品的特征将它们分类,使同一类别内的个体具有尽可能高的同质性,而类别之间则应具有尽可能高的异质性。聚类分析常用的指标为“距离”和“相似系数”,假定研究对象均用所谓的“点”来表示。在聚类分析中,一般的规则是将“距离”较小的点或“相似系数”较大的点归为同一类,将“距离”较大的点或“相似系数”较小的点归为不同的类,聚类的结果,需要研究者的主观判断和后续的分析。首先根据双半挂汽车列车高速行驶的典型工况设计并进行实车试验,通过GPS、VBOX、陀螺仪等传感器采集车辆行驶参数,然后通过K-Means聚类方法对车辆行驶状态进行离线聚类分析,当聚类结果达到要求时,保存聚类质心、权重和方差,并对各类别进行描述后即可用来对双半挂汽车列车实时的行驶状态进行在线识别,当检测到车辆行驶状态有危险时,该系统将对驾驶员进行提醒、报警,当危险等级继续上升时,将按照预先设定的规则对车辆实施制动,防止发生交通事故,提高车辆行驶安全性。
本发明基于聚类分析的双半挂汽车列车横向行驶稳定性识别与预警系统的有益效果是:采用K-Means聚类算法,根据双半挂汽车列车实时数据即可对双半挂汽车列车横向行驶稳定性进行分类,并根据分类结果采取预警或制动等措施,防止交通事故的发生。本发明结构合理、所需传感器数量少、运算该程序所占用内存少,及时删除历史数据,计算速度快、实时性好、准确度高。
附图说明
图1为本发明基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统的整体结构流程图;
图2为数据预处理示意图;
图3为聚类过程示意图;
图4为聚类结果分析、制定相应措施示意图;
图5为在线识别、决策执行示意图;
图6为数据点离线K-Means聚类过程示意图;
图7为K-Means聚类过程中聚类质心偏移量随迭代次数的变化MATLAB仿真图。
其中:1—试验数据采集模块、2—试验数据预处理模块、3—离线聚类分析模块、4—在线识别模块、5—决策执行模块、6—车辆实时数据采集模块、7—实时数据预处理模块。
具体实施方式
下面结合实施例和附图对本发明进行详细说明。本发明保护范围不限于实施例,本领域技术人员在权利要求限定的范围内做出任何改动也属于本发明保护的范围。
本发明基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,如图1所示,包括数据采集模块1、试验数据预处理模块2、离线聚类分析模块3、在线识别模块4、车辆实时数据采集模块6、实时数据预处理模块7和决策执行模块5。试验数据采集模块的输出端通过试验数据预处理模块连接到离线聚类分析模块的输入端,离线聚类分析模块的一个输出端与在线识别模块输入端连接,另一输出端与决策执行模块连接。车辆实时数据采集模块的输出端通过实时数据预处理模块与在线识别模块输入端连接,在线识别模块的输出端与决策执行模块输入端连接。双半挂汽车列车由牵引车、第一半挂车和第二半挂车组成。数据采集系统为GPS、VBOX和陀螺仪,VBOX、陀螺仪和GPS接收-发射器分别安装在牵引车、第一半挂车和第二半挂车上。VBOX、陀螺仪要放在车辆的质心处,本发明将其放在各车辆单元车架中心处。为防止GPS信号的接收受到阻挡,将GPS布置在车辆的顶部中央位置。车辆实时数据采集模块与试验数据采集模块相同,车辆实时数据采集模块只需采集离线分析出的不相关的状态变量。
试验数据采集模块1包括有设计试验和试验数据采集两部分,其中设计试验是根据双半挂汽车列车高速行驶时的典型工况,设定车辆载荷、车速和前轮转角,通过GPS、VBOX、陀螺仪来采集双半挂汽车列车各车辆单元的状态参数,参数包括行驶速度、角速度、加速度、横摆角速度、质心侧偏角、侧向加速度和后部放大率RWA状态变量,以实车试验采集的数据进行离线聚类分析。
试验数据预处理模块2包括有数据读入、数据清洗和聚类参数相关性分析。根据传感器输出格式的不同,需要进行格式转换,对各个数据项进行合并,删除冗余项。数据预处理是实车试验数据采集模块和车辆状态参数数据聚类分析的衔接部分,实车试验采集的数据会由于噪声、信号干扰等因素造成数据缺失、GPS数据漂移等问题,要删除无效、错误数据。实车试验时车辆的速度是渐变的过程,双半挂汽列车高速典型行驶工况,需要对实车试验采集的数据进行速度条件的筛选,速度筛选条件为>,根据实际意义以及聚类结果进行相应的调整。如图2所示,离线试验数据预处理的过程为:①读入数据,②判定是否>,如果,结束,如果>进行下一步;③去冗余、去干扰、归一化处理。归一化的公式为:
其中:为车辆状态参数数据,
为车辆状态参数数据中的最小值,
为车辆状态参数数据中的最大值,
为归一化后的参数值。
④进行聚类参数相关性分析;⑤输出聚类参数;其中:为设定速度,为采集速度。车辆的实时数据预处理模块7与试验数据预处理模块2的不同是实时数据预处理模块不包含④进行聚类参数相关性分析和⑤输出聚类参数步骤。
离线聚类分析模块3包括有离线聚类和聚类结果分析并制定相应的措施。如图3所示,聚类过程首先根据实际需要确定所要聚类的个数K,本实施例聚类个数,K=4,是根据车辆危险工况的严重程度划分为四个等级。下一步寻找K个质心,首先随机选择一个点,然后选择另外K-1个点,每个后续点在选择时都要尽可能远离前面选出的点,选定K个初始质心后,点将被一个个地考察并分配到最近的质心中去,分配完之后,对属于同一质心的所有点的属性求均值重新确定质心,再计算质心偏移量,其中, 为当前聚类质心(新质心), 为前一次迭代质心(旧质心), 为迭代次数,然后判断各偏移量是否小于设定阈值(本发明实施例中取0.0001)、迭代次数是否达到上限,二者满足其一,聚类结束,否则用均值函数计算新的质心,以新的质心为质心重复迭代聚类,直到达到迭代次数或者偏移量小于阈值时为止,输出并保存最终的聚类结果,即各簇的均值(质心)、各类所占的权重和方差。
在确定阈值时,首先考虑特征数据的数量级,并抽样选取部分数据计算不同数据点之间的距离,确定一个待选阈值,然后根据几次聚类后聚类中心的距离对阈值进行调整。在确定阈值后,如果迭代达到上限值仍没有收敛,阈值应适当调整。阈值的确定依赖于经验,当特征的选取不同时,阈值的确定也不同。
聚类结果分析、制定相应的措施如图4所示,根据离线聚类的质心、权重和方差,分析各类所代表双半挂汽车列车横向行驶稳定性,为每个类别命名,对各类别的特征进行描述,并制定相应的安全措施,当在线识别模块将车辆实时行驶状态分类后系统将执行离线预设的相应措施。
在线识别、决策执行如图5所示,双半挂汽车列车实时数据经预处理后传输过来,以离线聚类质心的个数K为聚类的个数,以离线聚类最终质心为在线识别的质心,计算当前数据点到质心的欧氏距离,并将点分配到最近的质心中,该点属于该质心所在的类别,输出车辆实时数据所属类别并执行相应的措施。聚类结果分为四类,即安全驾驶模式、存在安全隐患驾驶模式、典型潜在危险驾驶模式和高危险驾驶模式。车辆当前状态被聚类到安全驾驶模式时,系统不作任何动作。车辆当前状态被聚类到存在安全隐患驾驶模式时,系统将对驾驶员提醒,车辆当前状态被聚类到典型潜在危险驾驶模式时,系统将对驾驶员警告。车辆当前状态被聚类到高危险驾驶模式时,系统将按照预先设定好的规则对车轮实施制动,防止发生交通事故,提高车辆行驶安全性。
数据点离线K-Means聚类过程如图6所示,以聚两类为例,其中圆圈代表数据点,叉×代表聚类质心,黑色填充的代表一类,无填充的代表另一类,数据散点图如图6(a)所示,初始化聚类质心如图6(b)所示,即随机选择第一个质心,另外的K-1个质心点选择时要尽可能远离前面选出的点,确定了聚类质心之后,进行数据点的分配如图6(c)所示。以这K个点为簇的质心计算所有数据点到质心的欧氏距离,将数据点分配到最近的质心所在的类别中,确定新的质心如图6(d)所示。用均值函数求属于同一类中所有点的均值作为新的质心,判断质心偏移条件、迭代次数条件是否满足要求,如果没满足要求则继续进行点的分配并更新质心点,直到满足设定条件聚类结束,最终聚类结果如图6(f)所示;
任意两个点 和 之间的欧氏距离 。用欧氏距离公式计算当前聚类质心与前一次迭代质心之间的距离,,其中, 为当前聚类质心(新质心), 为前一次迭代质心(旧质心), 为迭代次数,理想情况下,当质心偏移量无限接近于零,即聚类质心不再变化,也即聚类质心将不再变化,实际上,只要质心偏移量小于某阈值(阈值表示聚类的程度,本发明实施例中阈值取0.0001)时,聚类结束,由图7所示,聚类质心偏移量随着迭代次数 的增加而减小,最终在迭代了14步时小于设定阈值0.0001,即认为质心偏移量为零,聚类结束。
本发明基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统的聚类分析方法也可用于聚类分析车辆行驶平顺性、舒适性领域,用于聚类分析车辆行驶平顺性、舒适性时需要更换聚类参数和结果分析。本发明通过对离线数据的相关性分析,筛选出评价双半挂汽车列车横向行驶稳定性的重要参数,在实车应用时可减少冗余传感器的数量,减少需处理的数据量,计算速度快,离线训练结果达标后,离线数据即可删除,占用内存少,可靠性高,实时性好。
Claims (9)
1.一种基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述系统包括试验数据采集模块(1)、试验数据预处理模块(2)、离线聚类分析模块(3)、在线识别模块(4)、车辆实时数据采集模块(6)、实时试验数据预处理模块(7)和决策执行模块(5);所述试验数据采集模块的输出端通过试验数据预处理模块连接到离线聚类分析模块的输入端,所述离线聚类分析模块的一个输出端与在线识别模块输入端连接,另一输出端与决策执行模块连接;所述车辆实时数据采集模块的输出端通过实时数据预处理模块与在线识别模块输入端连接,在线识别模块的输出端与决策执行模块输入端连接;所述系统对试验采集的数据通过数据预处理后进行离线聚类分析,通过K-Means聚类分析实现对车辆的行驶状态进行分类,然后根据分类结果采取相应的措施。
2.根据权利要求1所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述试验数据采集模块(1)包括有设计试验和试验数据的采集两部分,所述设计试验为根据双半挂汽车列车高速行驶中的典型行驶工况确定试验时的载重、车速和前轮转角,所述车速和前轮转角为恒定或变化状态;所述试验数据采集为通过GPS、VBOX和陀螺仪采集车辆的行驶速度、角速度、加速度、横摆角速度、质心侧偏角、侧向加速度和后部放大率RWA状态变量。
3.根据权利要求1所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述试验数据预处理模块(2)包括有数据读入、数据清洗和聚类参数相关性分析;所述试验数据预处理的过程为:①读入数据,②判定是否>,如果≯,结束,如果>进行下一步;③去冗余、去干扰、归一化处理;④进行聚类参数相关性分析;⑤输出聚类参数;其中:为设定的某一速度阈值,为传感器采集的车辆实时数据。
4.据权利要求1所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述实时数据预处理模块(7)包括有数据读入和数据清洗,实时数据预处理的过程为:①读入数据,②判定是否>,如果≯,结束,如果>进行下一步;③去冗余、去干扰、归一化处理。
5.根据权利要求3或4所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述归一化的公式为:
其中,为车辆状态参数数据,
为车辆状态参数数据中的最小值,
为车辆状态参数数据中的最大值,
为归一化后的参数值。
6.根据权利要求1所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述离线聚类分析模块(3)包括有离线聚类和聚类结果分析并制定相应的措施;所述离线聚类过程为:①确定聚类的个数K、初始聚类簇质心和最大的迭代次数,②计算数据点到质心的欧氏距离并分配到最近的质心中,③均值函数求聚类簇新的质心,④计算聚类簇质心的偏移量,⑤判断质心偏移量<阈值/迭代次数是否达到上限,如果为是聚类结束,如果为否进行下一步骤,⑥确定聚类簇新的聚类质心,返回步骤②。
7.根据权利要求6所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述聚类结果分析并制定相应的措施为根据聚类各簇所有点的均值及其方差对各类别命名,对各类别的特征进行描述,判断处于该类别下的危险程度,进而制定相应的措施提高车辆行驶安全性,如果聚类结果满足要求,离线数据即可删除,只保留各簇的质心和方差;减少数据的存储量,提高效率。
8.根据权利要求1所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述在线识别模块(4)为当双半挂汽车列车实时数据经过数据预处理输入到在线识别模块,以离线聚类最终聚类簇的均值为质心,计算实时数据与聚类质心之间的欧氏距离;所述在线识别的实质为以离线聚类最终聚类质心为质心进行数据点分配的过程。
9.根据权利要求1所述的基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统,其特征是:所述决策、执行模块(5)根据在线识别结果危险程度给予驾驶员预警或车辆主动制动控制;所述决策、执行包括:①当车辆行驶状态被聚类到安全驾驶模式时,车辆行驶稳定,系统不做任何动作;②当车辆行驶状态被聚类到存在安全隐患驾驶模式时,系统对驾驶员提醒,③当车辆行驶状态被聚类到典型潜在危险驾驶模式时,系统对驾驶员灯光和声音警告;④当车辆行驶状态被聚类到高危险驾驶模式时,系统对车轮实施制动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710177689.9A CN106740829B (zh) | 2017-03-23 | 2017-03-23 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710177689.9A CN106740829B (zh) | 2017-03-23 | 2017-03-23 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106740829A true CN106740829A (zh) | 2017-05-31 |
CN106740829B CN106740829B (zh) | 2018-04-10 |
Family
ID=58966594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710177689.9A Expired - Fee Related CN106740829B (zh) | 2017-03-23 | 2017-03-23 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106740829B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
CN107585164A (zh) * | 2017-09-04 | 2018-01-16 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN108346196A (zh) * | 2018-02-02 | 2018-07-31 | 杭州鸿泉物联网技术股份有限公司 | 一种车辆重载和空载的判断方法及装置 |
CN108489735A (zh) * | 2018-03-28 | 2018-09-04 | 吉林大学 | 基于相似理论的双挂汽车列车模型稳定性试验装置及方法 |
CN108711204A (zh) * | 2018-05-18 | 2018-10-26 | 长安大学 | 一种综合人-车-路多源信息的行车异常检测系统及方法 |
CN109189771A (zh) * | 2018-08-17 | 2019-01-11 | 浙江捷尚视觉科技股份有限公司 | 一种基于离线和在线聚类的车型数据库清洗方法 |
CN109677508A (zh) * | 2019-01-29 | 2019-04-26 | 上海华测导航技术股份有限公司 | 一种车辆运动数据获取方法、装置、设备和存储介质 |
CN110033528A (zh) * | 2019-04-17 | 2019-07-19 | 洛阳智能农业装备研究院有限公司 | 一种基于gps和发动机数据的农机作业状态判断方法 |
CN110228413A (zh) * | 2019-06-10 | 2019-09-13 | 吉林大学 | 大型车辆转弯时避免行人卷入车下的安全预警系统 |
CN110968616A (zh) * | 2019-08-01 | 2020-04-07 | 吉旗物联科技(上海)有限公司 | 一种基于dbscan的侧翻点识别系统及其工作方法 |
CN111210181A (zh) * | 2020-01-02 | 2020-05-29 | 深圳市汉德网络科技有限公司 | 一种货物流向管控方法及系统 |
CN111724599A (zh) * | 2020-06-30 | 2020-09-29 | 暨南大学 | 安全驾驶行为评价数据的获取方法、装置、设备和介质 |
CN112061028A (zh) * | 2020-09-15 | 2020-12-11 | 黑龙江风声水起科技有限公司 | 一种用于观光车辆的监测预警装置 |
CN112560351A (zh) * | 2020-12-22 | 2021-03-26 | 合肥工业大学 | 一种准确度更高的车辆横向稳定状态判定方法 |
CN112699924A (zh) * | 2020-12-22 | 2021-04-23 | 安徽卡思普智能科技有限公司 | 一种车辆横向稳定性的识别方法 |
CN114841285A (zh) * | 2022-05-19 | 2022-08-02 | 中国电信股份有限公司 | 数据聚类方法及装置、电子设备、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070090676A1 (en) * | 2005-10-24 | 2007-04-26 | White Tracy M | Grain transport trailer |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN103958313A (zh) * | 2011-10-31 | 2014-07-30 | 沃尔沃拉斯特瓦格纳公司 | 用于车辆稳定的方法和设备 |
CN104951764A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 |
CN105620489A (zh) * | 2015-12-23 | 2016-06-01 | 深圳佑驾创新科技有限公司 | 驾驶辅助系统及车辆实时预警提醒方法 |
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
-
2017
- 2017-03-23 CN CN201710177689.9A patent/CN106740829B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070090676A1 (en) * | 2005-10-24 | 2007-04-26 | White Tracy M | Grain transport trailer |
CN103958313A (zh) * | 2011-10-31 | 2014-07-30 | 沃尔沃拉斯特瓦格纳公司 | 用于车辆稳定的方法和设备 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN104951764A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 |
CN105620489A (zh) * | 2015-12-23 | 2016-06-01 | 深圳佑驾创新科技有限公司 | 驾驶辅助系统及车辆实时预警提醒方法 |
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
CN107585164B (zh) * | 2017-09-04 | 2019-11-22 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN107585164A (zh) * | 2017-09-04 | 2018-01-16 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN108346196A (zh) * | 2018-02-02 | 2018-07-31 | 杭州鸿泉物联网技术股份有限公司 | 一种车辆重载和空载的判断方法及装置 |
CN108346196B (zh) * | 2018-02-02 | 2021-01-08 | 杭州鸿泉物联网技术股份有限公司 | 一种车辆重载和空载的判断方法及装置 |
CN108489735A (zh) * | 2018-03-28 | 2018-09-04 | 吉林大学 | 基于相似理论的双挂汽车列车模型稳定性试验装置及方法 |
CN108711204A (zh) * | 2018-05-18 | 2018-10-26 | 长安大学 | 一种综合人-车-路多源信息的行车异常检测系统及方法 |
CN109189771A (zh) * | 2018-08-17 | 2019-01-11 | 浙江捷尚视觉科技股份有限公司 | 一种基于离线和在线聚类的车型数据库清洗方法 |
CN109677508A (zh) * | 2019-01-29 | 2019-04-26 | 上海华测导航技术股份有限公司 | 一种车辆运动数据获取方法、装置、设备和存储介质 |
CN110033528A (zh) * | 2019-04-17 | 2019-07-19 | 洛阳智能农业装备研究院有限公司 | 一种基于gps和发动机数据的农机作业状态判断方法 |
CN110228413B (zh) * | 2019-06-10 | 2020-07-14 | 吉林大学 | 大型车辆转弯时避免行人卷入车下的安全预警系统 |
CN110228413A (zh) * | 2019-06-10 | 2019-09-13 | 吉林大学 | 大型车辆转弯时避免行人卷入车下的安全预警系统 |
CN110968616A (zh) * | 2019-08-01 | 2020-04-07 | 吉旗物联科技(上海)有限公司 | 一种基于dbscan的侧翻点识别系统及其工作方法 |
CN111210181A (zh) * | 2020-01-02 | 2020-05-29 | 深圳市汉德网络科技有限公司 | 一种货物流向管控方法及系统 |
CN111724599B (zh) * | 2020-06-30 | 2021-07-16 | 暨南大学 | 安全驾驶行为评价数据的获取方法、装置、设备和介质 |
CN111724599A (zh) * | 2020-06-30 | 2020-09-29 | 暨南大学 | 安全驾驶行为评价数据的获取方法、装置、设备和介质 |
CN112061028A (zh) * | 2020-09-15 | 2020-12-11 | 黑龙江风声水起科技有限公司 | 一种用于观光车辆的监测预警装置 |
CN112699924A (zh) * | 2020-12-22 | 2021-04-23 | 安徽卡思普智能科技有限公司 | 一种车辆横向稳定性的识别方法 |
CN112560351A (zh) * | 2020-12-22 | 2021-03-26 | 合肥工业大学 | 一种准确度更高的车辆横向稳定状态判定方法 |
CN112560351B (zh) * | 2020-12-22 | 2023-08-29 | 合肥工业大学 | 一种准确度更高的车辆横向稳定状态判定方法 |
CN114841285A (zh) * | 2022-05-19 | 2022-08-02 | 中国电信股份有限公司 | 数据聚类方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106740829B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106740829A (zh) | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 | |
CN108622105B (zh) | 基于多元回归分析的车辆弯道安全车速预测及预警系统 | |
JP2022521836A (ja) | 車両タイヤ性能モデリング及びフィードバックのためのシステム及び方法 | |
CN111696387B (zh) | 一种基于前向障碍物识别的自适应防撞分级预警方法 | |
CN105416294B (zh) | 一种重型汽车列车参数估计方法 | |
CN105946860B (zh) | 一种考虑驾驶风格的弯道车速预测方法 | |
WO2015139709A1 (en) | Method and system for monitoring a vehicle | |
CN112896178B (zh) | 一种计算车辆总质量的方法和系统 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN114715158B (zh) | 一种基于路面纹理特征的路面附着系数的测定装置及方法 | |
Fan et al. | Road grade estimation based on Large-scale fuel consumption data of connected vehicles | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
CN117972488A (zh) | 一种面向作业区的全类型交通冲突检验方法 | |
CN113989534A (zh) | 一种基于多源运行数据的公交车站间载重识别方法和系统 | |
CN111105616B (zh) | 一种道路表面信息采集系统 | |
CN109190153A (zh) | 一种能耗计算方法及其系统 | |
CN113156913A (zh) | 一种abs故障诊断系统及方法 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
KR102389160B1 (ko) | 기계학습을 이용한 스마트휠센서 기반의 노면상태추정 방법 및 장치 | |
CN109421679A (zh) | 一种车辆自适应主动刹车方法 | |
KR20200075918A (ko) | 차량 및 그 제어 방법 | |
Gelmini et al. | A data-driven, vehicle-independent usage monitoring system for shared fleets: assessing vertical and longitudinal wear | |
CN205239485U (zh) | 一种重型汽车列车参数估计系统 | |
CN118349802A (zh) | 一种基于车联网环境下的驾驶员个性化纵向避险行为预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20190323 |
|
CF01 | Termination of patent right due to non-payment of annual fee |