CN106774088B - 基于云计算的机动车监控系统 - Google Patents

Abstract

本发明提供了基于云计算的机动车监控系统，包括现场控制器、机电设备能耗参数采集器、云计算中心和机电设备故障检测器；该现场控制器用于根据用户设定参数对机动车的各个机电设备进行现场控制并将所述用户设定参数传送给云计算中心；该机电设备能耗参数采集器用于采集与各个机电设备的能耗有关的参数并传送给云计算中心；该机电设备故障检测器用于对机电设备进行故障检测，并将故障检测结果传送给云计算中心；所述云计算中心用于根据采集到的与各个机电设备的能耗有关的参数和用户设定参数调整所述现场控制器对所述各个机电设备的现场控制模式，并根据故障检测结果进行相应的报警。本发明能够实现能源的最优化配置，达到更好的节能效果。

Description

基于云计算的机动车监控系统

技术领域

本发明涉及监控控制领域，具体涉及基于云计算的机动车监控系统。

背景技术

机动车作为现代社会的一种交通工具，其数量越来越大，消耗能源越来越多，机动车作为一种“物”，是完全可以被纳入“物联网”的范围的。虽然各大机动车制造商都在机动车自身设计上进行研发以节约能源，如设计能效更高的发动机，新能源机动车等等，但机动车进入市场后就不再进行能耗方面的监控。如果能够对投入运行的各个机动车进行综合监控，从整体上进行能耗监控，将极大地节约能源，意义重大。

发明内容

针对上述问题，本发明提供基于云计算的机动车监控系统。

本发明的目的采用以下技术方案来实现：

基于云计算的机动车监控系统，包括现场控制器、机电设备能耗参数采集器、云计算中心和机电设备故障检测器；该现场控制器用于根据用户设定参数对机动车的各个机电设备进行现场控制并将所述用户设定参数传送给云计算中心；该机电设备能耗参数采集器用于采集与所述各个机电设备的能耗有关的参数并传送给云计算中心；该机电设备故障检测器用于对机电设备进行故障检测，并将故障检测结果传送给云计算中心；所述云计算中心用于根据所述采集到的与所述各个机电设备的能耗有关的参数和所述用户设定参数调整所述现场控制器对所述各个机电设备的现场控制模式，并根据故障检测结果进行相应的报警；所述现场控制器与所述云计算中心之间、所述机电设备能耗参数采集器与所述云计算中心之间、所述机电设备故障检测器与云计算中心之间均通过无线通讯网络相互通信。

本发明的有益效果为：在云计算中心下对机动车的各个机电设备集中进行监控，实现了最大限度的节能降耗管理和网络化自动控制，从而实现能源的最优化配置，达到更好的节能效果。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构连接示意图；

图2是机电设备故障检测器的结构框图。

附图标记：

现场控制器1、机电设备能耗参数采集器2、云计算中心3、机电设备故障检测器4、样本数据采集模块11、振动信号数据预处理模块12、历史故障特征提取模块13、实时故障诊断特征向量采集模块14、故障诊断模型建立模块15、故障诊断识别模块16。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供了基于云计算的机动车监控系统，包括现场控制器1、机电设备能耗参数采集器2、云计算中心3和机电设备故障检测器4；该现场控制器1用于根据用户设定参数对机动车的各个机电设备进行现场控制并将所述用户设定参数传送给云计算中心3；该机电设备能耗参数采集器2用于采集与所述各个机电设备的能耗有关的参数并传送给云计算中心3；该机电设备故障检测器4用于对机电设备进行故障检测，并将故障检测结果传送给云计算中心3；所述云计算中心3用于根据所述采集到的与所述各个机电设备的能耗有关的参数和所述用户设定参数调整所述现场控制器1对所述各个机电设备的现场控制模式，并根据故障检测结果进行相应的报警；所述现场控制器1与所述云计算中心3之间、所述机电设备能耗参数采集器2与所述云计算中心3之间、所述机电设备故障检测器4与云计算中心3之间均通过无线通讯网络相互通信。

优选地，所述无线通讯网络为SPRS系统、3S网络、北斗星系统或者下一代互联网中的任一种。

优选地，所述现场控制器1和机电设备能耗参数采集器2均为带有IP地址的设备。

本发明上述实施例在云计算中心3下对机动车的各个机电设备集中进行监控，实现了最大限度的节能降耗管理和网络化自动控制，从而实现能源的最优化配置，达到更好的节能效果。

优选地，所述机电设备故障检测器4包括依次连接的样本数据采集模块11、振动信号数据预处理模块12、历史故障特征提取模块13、实时故障诊断特征向量采集模块14、故障诊断模型建立模块15和故障诊断识别模块16；所述样本数据采集模块11用于通过传感器采集机电设备在正常状态下及各种故障状态下运行时多个测点的历史振动信号数据；所述振动信号数据预处理模块12用于对采集到的原始历史振动信号数据进行预处理；所述历史故障特征提取模块13用于从过滤后的历史振动信号数据中提取小波包奇异值特征，并将提取的小波包奇异值特征作为故障诊断特征向量样本；所述实时故障诊断特征向量采集模块14用于获取机电设备的实时故障诊断特征向量；所述故障诊断模型建立模块15用于建立基于改进的支持向量机的故障诊断模型，并使用故障诊断特征向量样本对故障诊断模型进行训练，计算出故障诊断模型参数的最优解，得到训练完成的故障诊断模型；所述故障诊断识别模块16用于将该机电设备的实时故障诊断特征向量输入到训练完成的故障诊断模型中，完成故障的诊断识别。

优选地，所述振动信号数据预处理模块12具体执行：设采集到的原始历史振动信号数据为W′，利用FIR数字滤波器按下式滤除W′的带外分量：

其中，W为滤波后得到的历史振动信号数据，B为测点的个数，δ＝1，2，3…B-1；τ为由数字滤波器自身特性决定的常数，f₀为所用传感器的固有采集频率。

本优选实施例采用上述方式进行振动信号滤波，能够自适应不同的振动信号，消除原始历史振动信号数据中的时域波形畸变，提高对采集到的原始历史振动信号数据进行预处理的精度，从而有益于提高对机电设备的故障诊断的精确性。

优选地，所述历史故障特征提取模块13具体执行：

(1)设机电设备处于状态H时从测点L测量到的固定时刻的历史振动信号为H_L(W)，L＝1,…,B，B为测点的个数，对H_L(W)进行β层离散小波包分解，提取第β层中的2^β个分解系数，对所有的分解系数进行重构，以X_j(j＝0,1,…,2^β-1)表示第β层各节点的重构信号，构建特征矩阵其中β的值根据历史经验和实际情况结合确定；

(2)对特征矩阵T[H_L(W)]进行奇异值分解，获得该特征矩阵T[H_L(W)]的特征向量：

其中η₁,η2,…,η_v为由特征矩阵T[H_L(W)]分解的奇异值，v为由特征矩阵T[H_L(W)]分解的奇异值的个数；

(3)定义H_L(W)对应的故障诊断特征向量为：

式中，为特征向量中的最大奇异值值，为特征向量中的最小奇异值；

(4)对计算得到的故障诊断特征向量进行筛选，排除不合格的故障诊断特征向量，则该机电设备处于状态H时在该固定时刻的故障诊断特征向量样本为：

式中，B′为排除的不合格的故障诊断特征向量的数量。

本优选实施例中，提取小波包奇异值特征作为故障诊断特征向量，有效降低了数据噪音的影响，准确率高且计算时间短，提高了对机电设备进行诊断的容错性。

优选地，所述对计算得到的故障诊断特征向量进行筛选，具体包括：将机电设备处于状态H时在该时刻的所有计算得到的故障诊断特征向量作为该时刻的特征向量筛选样本集，计算该特征向量筛选样本集的标准差σ_H和期望值μ_H，若计算得到的故障诊断特征向量不满足下列公式，则剔除该故障诊断特征向量：

式中，为期望值μ_H的最大似然估计，为标准差σ_H的最大似然估计

本优选实施例中，采用上述方式对计算得到的故障诊断特征向量进行筛选，排除不合格的故障诊断特征向量，客观科学，提高了对机动车的机电设备进行故障诊断的精确度。

优选地，所述历史故障特征提取模块13还将剔除的不合格的故障诊断特征向量储存到一个临时数据储存器中，当满足时，对历史故障特征提取模块13中的β值进行进一步修正，具体如下：

(1)若满足下式，则β的值在根据原有历史经验和实际情况结合确定的基础上修改为β+1：

(2)若满足下式，则β的值在根据原有历史经验和实际情况结合确定的基础上修改为β+2：

其中，B为测点的个数，B′为不合格的故障诊断特征向量的数量，Δ为人为设定的整数阀值。

本优选实施例中，能够根据不合格的故障诊断特征向量占测点个数的比例，自动调节β值，进一步减小了不合格的故障诊断特征向量对机电设备进行故障诊断的影响，提高了故障诊断的精确度，从而能够在机电设备发生故障时及时维修，进一步确保机动车的正常运行。

优选地，采用下述方式建立基于改进的支持向量机的故障诊断模型：

(1)采用径向基函数作为核函数，利用该核函数将该故障诊断特征向量样本从原空间映射到高维空间，在高维空间构造最优决策函数实现故障诊断特征向量样本分类，构造最优决策函数为：

式中，x为输入的故障诊断特征向量样本，R(x)为输入的故障诊断特征向量样本对应的输出，J(x)表示径向基函数，G为权重向量，d为偏差；

此外，为引入的优化因子，其中B为测点的个数，B′为不合格的故障诊断特征向量的数量；

(2)定义支持向量机的目标函数为：

支持向量机的约束条件为：

S.t y_i(Gx_i+d)≥1-λ_i,λ_i≥0,i＝1,…,M

式中，min Z(G,d,λ_i)为支持向量机的目标函数，ξ^*为优化后的惩罚因子，M为故障诊断特征向量样本的数量；x_i为输入的第i个故障诊断特征向量样本，y_i(Gx_i+d)为输入的第i个故障诊断特征向量样本对应的输出，G为权重向量，d为偏差，λ_i为引入的误差变量；

(3)求解该支持向量机的目标函数，得到权重向量G和偏差d；

(4)将计算得到的权重向量和偏差代入最优决策函数即为所建立的故障诊断模型。

本优选实施例中，通过引入优化因子，减小了不合格的故障诊断特征向量对机电设备进行故障诊断的影响，进一步提高了该最优决策函数的实际精确度，为故障诊断模型的建立提供良好的函数基础，从而构建更为精确的故障诊断模型，提高对机电设备进行故障诊断的精度。

其中通过下述方式进行惩罚因子和所述核函数的半径参数的值的优化：

(1)将所有故障诊断特征向量样本平均分成互不包含的子集，设定惩罚因子和所述核函数的半径参数的值的取值范围，对每个粒子的位置向量进行二维编码，产生初始粒子群；

(2)对各粒子对应的参数选定训练集进行交叉验证，得到的预测模型分类准确率作为粒子对应的目标函数值，对粒子群中的粒子进行迭代；

(3)用目标函数值评价所有粒子，当某个粒子的当前评价值优于其历史评价值时，将其作为该粒子的最优历史评价，记录当前粒子最优位置向量；

(4)寻找全局最优解，如果其值优于当前历史最优解，则更新，达到设定的终止准则时，则停止搜索，输出最优的惩罚因子和所述核函数的半径参数的值，否则返回去重新搜索。

本实施例采用上述方式对惩罚因子和所述核函数的半径参数的值进行优化，优化时间相对较短，优化效果好，从而能够得到性能较好的支持向量机，进一步提高对机电设备进行故障诊断的精度。

根据上述实施例，发明人进行了一系列测试，以下是进行测试得到的实验数据，该实验数据表明，本发明能够节约能耗，实现了最大限度的节能降耗管理，且能精确、快速地对机电设备进行故障检测和维修，由此可见，本发明的机动车监控系统在能耗节约和故障检测方面产生了非常显著的有益效果：

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (2)

1.基于云计算的机动车监控系统，其特征是，包括现场控制器、机电设备能耗参数采集器、云计算中心和机电设备故障检测器；该现场控制器用于根据用户设定参数对机动车的各个机电设备进行现场控制并将所述用户设定参数传送给云计算中心；该机电设备能耗参数采集器用于采集与所述各个机电设备的能耗有关的参数并传送给云计算中心；该机电设备故障检测器用于对机电设备进行故障检测，并将故障检测结果传送给云计算中心；所述云计算中心用于根据所述采集到的与所述各个机电设备的能耗有关的参数和所述用户设定参数调整所述现场控制器对所述各个机电设备的现场控制模式，并根据故障检测结果进行相应的报警；所述现场控制器与所述云计算中心之间、所述机电设备能耗参数采集器与所述云计算中心之间、所述机电设备故障检测器与云计算中心之间均通过无线通讯网络相互通信；所述无线通讯网络为SPRS系统、3S网络、北斗星系统或者下一代互联网中的任一种；所述现场控制器和机电设备能耗参数采集器均为带有IP地址的设备；所述机电设备故障检测器包括依次连接的样本数据采集模块、振动信号数据预处理模块、历史故障特征提取模块、实时故障诊断特征向量采集模块、故障诊断模型建立模块和故障诊断识别模块；所述样本数据采集模块用于通过传感器采集机电设备在正常状态下及各种故障状态下运行时多个测点的历史振动信号数据；所述振动信号数据预处理模块用于对采集到的原始历史振动信号数据进行预处理；所述历史故障特征提取模块用于从过滤后的历史振动信号数据中提取小波包奇异值特征，并将提取的小波包奇异值特征作为故障诊断特征向量样本；所述实时故障诊断特征向量采集模块用于获取机电设备的实时故障诊断特征向量；所述故障诊断模型建立模块用于建立基于改进的支持向量机的故障诊断模型，并使用故障诊断特征向量样本对故障诊断模型进行训练，计算出故障诊断模型参数的最优解，得到训练完成的故障诊断模型；所述故障诊断识别模块用于将该机电设备的实时故障诊断特征向量输入到训练完成的故障诊断模型中，完成故障的诊断识别；所述历史故障特征提取模块具体执行：

(1)设机电设备处于状态H时从测点L测量到的固定时刻的历史振动信号为H_L(W)，L＝1,…,B，B为测点的个数，对H_L(W)进行β层离散小波包分解，提取第β层中的2^β个分解系数，对所有的分解系数进行重构，以X_j(j＝0,1,…,2^β-1)表示第β层各节点的重构信号，构建特征矩阵其中β的值根据历史经验和实际情况结合确定；

(2)对特征矩阵T[H_L(W)]进行奇异值分解，获得该特征矩阵T[H_L(W)]的特征向量：

其中η₁,η₂,…,η_v为由特征矩阵T[H_L(W)]分解的奇异值，v为由特征矩阵T[H_L(W)]分解的奇异值的个数；

(3)定义H_L(W)对应的故障诊断特征向量为：

式中，为特征向量中的最大奇异值，为特征向量中的最小奇异值；

(4)对计算得到的故障诊断特征向量进行筛选，排除不合格的故障诊断特征向量，则该机电设备处于状态H时在该固定时刻的故障诊断特征向量样本为：

式中，B′为排除的不合格的故障诊断特征向量的数量。

2.根据权利要求1所述的基于云计算的机动车监控系统，其特征是，所述振动信号数据预处理模块具体执行：设采集到的原始历史振动信号数据为W′，利用FIR数字滤波器按下式滤除W′的带外分量：

其中，W为滤波后得到的历史振动信号数据，B为测点的个数，δ＝1，2，3…B-1；τ为由数字滤波器自身特性决定的常数，f₀为所用传感器的固有采集频率。