CN111507488B - 一种基于vr的车辆维修保养辅助系统 - Google Patents

一种基于vr的车辆维修保养辅助系统 Download PDF

Info

Publication number
CN111507488B
CN111507488B CN202010292587.3A CN202010292587A CN111507488B CN 111507488 B CN111507488 B CN 111507488B CN 202010292587 A CN202010292587 A CN 202010292587A CN 111507488 B CN111507488 B CN 111507488B
Authority
CN
China
Prior art keywords
particle
updating
iteration
vehicle
update
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.)
Active
Application number
CN202010292587.3A
Other languages
English (en)
Other versions
CN111507488A (zh
Inventor
李松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Li Song
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010292587.3A priority Critical patent/CN111507488B/zh
Priority to CN202011277112.3A priority patent/CN112465160A/zh
Publication of CN111507488A publication Critical patent/CN111507488A/zh
Application granted granted Critical
Publication of CN111507488B publication Critical patent/CN111507488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于VR的车辆维修保养辅助系统，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块。本发明的有益效果：将BP神经网络应用于车辆故障诊断中，采用车辆的故障类型和其对应的车辆运行数据对所述BP神经网络进行训练，从而建立起车辆运行数据和故障类型之间的映射，即可根据获得的车辆运行数据对车辆的故障类型进行实时的诊断；将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程进行了解，为车辆维修奠定了基础。

Description

一种基于VR的车辆维修保养辅助系统
技术领域
本发明创造涉及车辆维修保养领域，具体涉及一种基于VR的车辆维修保养辅助系统。
背景技术
经济的高速发展使人们的生活水平得到了显著提高，对于车辆的需求也越来越大，而这一需求推动了我国汽车行业的较快发展。尤其近几年，随着科技水平的日新月异，汽车的架构越来越复杂，因此，对于车辆维修的要求也越来越严格，正是由于新技术的不断向前发展，也促进了车辆故障诊断技术的不断更新和完善。如今，人工智能已经成为一个具有众多实际应用与活跃研究课题的领域，并且发展迅速，通过人工智能方法来改进现有的车辆故障诊断技术，对于汽车故障诊断技术水平的提升具有重要意义。
此外，车辆的内部结构复杂，在车辆维修过程中涉及较多的维修步骤和维修工具等，将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程中涉及的安全条件和维修工具使用情况以及维修步骤进行了解，为车辆维修奠定了基础。
发明内容
针对上述问题，本发明旨在提供一种基于VR的车辆维修保养辅助系统。
本发明创造的目的通过以下技术方案实现：
一种基于VR的车辆维修保养辅助系统，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块，所述车辆数据获取模块用于获取能够反映车辆状态的车辆运行数据，所述车辆故障数据库中存储有车辆的故障类型和所述故障类型对应的车辆运行数据，所述虚拟故障维修数据库中存储有车辆的故障类型和所述故障类型对应的维修方式，所述数据处理模块用于对车辆数据获取模块和车辆故障数据库中的数据进行归一化处理，所述车辆故障诊断模块采用归一化处理后的车辆故障数据库中的数据训练BP神经网络诊断模型，并将归一化处理后的车辆数据获取模块的车辆运行数据输入到训练好的BP神经网络诊断模型进行车辆故障诊断，BP神经网络诊断模型的输出结果即为车辆的故障类型，所述虚拟现实演示模块用于根据车辆故障诊断模块诊断所得的故障类型调取虚拟故障维修数据库中存储的所述故障类型对应的维修方式，并以虚拟现实技术演示所述维修方式。
本发明创造的有益效果：将BP神经网络应用于车辆故障诊断中，采用车辆的故障类型和其对应的车辆运行数据对所述BP神经网络进行训练，从而建立起车辆运行数据和故障类型之间的映射，即可根据获得的车辆运行数据对车辆的故障类型进行实时的诊断；将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程进行了解，为车辆维修奠定了基础。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，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是本发明结构示意图。
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，本实施例的一种基于VR的车辆维修保养辅助系统，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块，所述车辆数据获取模块用于获取能够反映车辆状态的车辆运行数据，所述车辆故障数据库中存储有车辆的故障类型和所述故障类型对应的车辆运行数据，所述虚拟故障维修数据库中存储有车辆的故障类型和所述故障类型对应的维修方式，所述数据处理模块用于对车辆数据获取模块和车辆故障数据库中的数据进行归一化处理，所述车辆故障诊断模块采用归一化处理后的车辆故障数据库中的数据训练BP神经网络诊断模型，并将归一化处理后的车辆数据获取模块的车辆运行数据输入到训练好的BP神经网络诊断模型进行车辆故障诊断，BP神经网络诊断模型的输出结果即为车辆的故障类型，所述虚拟现实演示模块用于根据车辆故障诊断模块诊断所得的故障类型调取虚拟故障维修数据库中存储的所述故障类型对应的维修方式，并以虚拟现实技术演示所述维修方式。
本优选实施例将BP神经网络应用于车辆故障诊断中，采用车辆的故障类型和其对应的车辆运行数据对所述BP神经网络进行训练，从而建立起车辆运行数据和故障类型之间的映射，即可根据获得的车辆运行数据对车辆的故障类型进行实时的诊断；将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程进行了解，为车辆维修奠定了基础。
优选地，采用粒子群算法优化车辆故障诊断模块中采用的BP神经网络的权重和阈值，定义粒子群算法的适应度函数f的表达式为：
Figure BDA0002450479400000031
式中，n表示样本个数，Yij表示第i个样本的第j个理想输出值，yij表示第i个样本的第j个实际输出值，p代表输出节点个数。
本优选实施例将粒子群算法和BP神经网络进行结合，利用粒子群算法优化BP神经网络的权值和阈值，粒子群算法优化有助于BP神经网络跳出局部极小值，较好的改善了故障诊断的性能；定义的适应度函数值越小，表明粒子的寻优结果越好。
优选地，在粒子群算法中定义三种不同的粒子更新模式，第一种粒子更新模式为：
Figure BDA0002450479400000032
Xi(t+1)＝Xi(t)+Vi(t+1)
第二种粒子更新模式为：
Figure BDA0002450479400000033
Xi(t+1)＝Xi(t)+Vi(t+1)
第三种粒子更新模式为：
Figure BDA0002450479400000034
Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Xi(t)和Vi(t)分别表示粒子i在第t次迭代更新后的位置和步长，Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代更新后的位置和步长，
Figure BDA0002450479400000035
表示粒子i在第t次迭代更新后采用第一种更新模式进行更新对应的惯性权重因子，
Figure BDA0002450479400000036
表示粒子i在第t次迭代更新后采用第二种更新模式进行更新对应的惯性权重因子，
Figure BDA0002450479400000037
表示粒子i在第t次迭代更新后采用第三种更新模式进行更新对应的惯性权重因子，rand()表示产生0到1之间的随机数，c1、c2、c3、c4、c5和c6分别为学习因子，且c1、c2、c3、c4、c5、c6的值设置为2，B(t)表示粒子群在第t次迭代更新后的全局最优解，Pi(t)表示粒子i在第t次迭代更新后的个体最优解，Li(t)表示粒子i在第t次迭代更新后的局部参考解，且
Figure BDA0002450479400000041
θ(Xi(t)，Xl(t))为判断函数，且
Figure BDA0002450479400000042
其中，Xl(t)表示粒子l在第t次迭代更新后的位置，fi(t)表示粒子i在第t次迭代更新后对应的适应度函数值，fl(t)表示粒子l在第t次迭代更新后对应的适应度函数值，d(Xi(t)，Xl(t))表示粒子i在第t次迭代更新后的位置Xi(t)和粒子l在第t次迭代更新后的位置Xl(t)之间的距离，Ri(t)为粒子i在第t次迭代更新后对应的局部参考半径，且
Figure BDA0002450479400000043
Figure BDA0002450479400000044
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的最小值，且
Figure BDA0002450479400000045
Figure BDA0002450479400000046
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的中值，且
Figure BDA0002450479400000047
Ki(t)表示粒子i在第t次迭代更新后的全局参考解，且
Figure BDA0002450479400000048
d(Pi(t)，B(t))表示粒子i在第t次迭代更新后的个体最优解Pi(t)和全局最优解B(t)之间的距离，
Figure BDA0002450479400000049
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的最大值，且
Figure BDA00024504794000000410
本优选实施例对粒子群定义了三种不同的粒子更新模式，提高了粒子群算法的多样性，避免算法陷入局部极值，第一种粒子更新模式中令粒子向粒子群的全局最优解进行学习，提高了粒子群算法的全局搜索能力，第二种粒子更新模式中令粒子向其个体最优解和其局部参考半径内适应度函数值优于其适应度值的粒子学习，提高了粒子群算法的局部搜索能力，第三种更新模式中引入了粒子的个体最优解和粒子群的全局最优解，兼顾了粒子群算法的全局搜索能力和局部搜索能力，同时，第三种更新模式中引入了全局参考解，当粒子的个体最优解和全局最优解相差较大时，在第三种更新模式中添加的全局参考解能够有效的增大Vi(t+1)的值，从而能够有效的提升粒子的收敛速度并且有利于全局搜索。
优选地，定文
Figure BDA00024504794000000411
表示粒子i选取第j种更新模式进行第(t+1)次迭代更新的优先级，且
Figure BDA00024504794000000412
的表达式为：
Figure BDA0002450479400000051
式中，
Figure BDA0002450479400000052
表示粒子i从初始化到第t次迭代更新后采用第j种更新模式进行更新的迭代总次数，
Figure BDA0002450479400000053
表示粒子i第l次采用第j种更新模式进行更新对应的迭代次数，
Figure BDA0002450479400000054
表示粒子i在第
Figure BDA0002450479400000055
次迭代更新后对应的适应度函数值，
Figure BDA0002450479400000056
表示粒子i在第
Figure BDA0002450479400000057
次迭代更新后对应的适应度函数值，
Figure BDA0002450479400000058
为比较函数，当
Figure BDA0002450479400000059
Figure BDA00024504794000000510
时，则
Figure BDA00024504794000000511
当
Figure BDA00024504794000000512
时，则
Figure BDA00024504794000000513
Figure BDA00024504794000000514
表示粒子i最近一次采用第j种更新模式进行更新对应的迭代次数，
Figure BDA00024504794000000515
表示粒子i在第
Figure BDA00024504794000000516
次迭代更新后对应的适应度函数值，
Figure BDA00024504794000000517
表示粒子i在第
Figure BDA00024504794000000518
次迭代更新后对应的适应度函数值，fi max(t)和fi min(t)分别表示粒子i从初始化到第t次迭代更新后的最大适应度函数值和最小适应度函数值，
Figure BDA00024504794000000519
为粒子i在第t次迭代更新后采用第j种更新模式进行更新的优先级的修正因子，当fi(t)≤H1(f)时，则
Figure BDA00024504794000000520
当H1(f)＜fi(t)≤H2(f)时，则
Figure BDA00024504794000000521
当fi(t)＞H2(f)时，则
Figure BDA00024504794000000522
其中，H1(f)和H2(f)为给定的第一适应度函数阈值和第二适应度函数阈值，且
Figure BDA00024504794000000523
其中，N为粒子群中粒子的总数，
Figure BDA00024504794000000524
为粒子群在第t次迭代更新后的平均适应度函数值，
Figure BDA00024504794000000525
为比较函数，当
Figure BDA00024504794000000526
时，则
Figure BDA00024504794000000530
当
Figure BDA00024504794000000528
时，则
Figure BDA00024504794000000529
粒子i最终选取具有最大优先级的更新模式进行第(t+1)次的迭代更新。
本优选实施例通过计算粒子选取第一、第二和第三种更新模式进行更新的优先级确定粒子选取哪种更新模式进行迭代更新，在粒子进行迭代更新时，首先计算粒子选取第一、第二和第三种更新模式进行更新的优先级，所述优先级的计算公式中包括了指数函数部分和修正因子部分，所述指数函数部分的值由该粒子最近一次采用该种更新模式进行更新后的适应度函数值的变化情况和该粒子采用该种更新模式进行更新的成功率共同决定，当所述粒子最近一次采用该种更新模式进行更新后，所述粒子的适应度函数值相较于前一次迭代更新后的适应度函数值越小，表明该粒子采用该种更新模式的寻优结果越好，指数函数部分的值也就越大，当所述粒子采用该种更新模式进行更新的成功率越高，表明该粒子采用该种更新模式进行更新的寻优结果越好，指数函数部分的值也就越大，即所述粒子采用该种更新模式的优先级也就越大；优先级公式中的修正因子从粒子当前的适应度函数值进行考虑，粒子当前迭代更新后的适应度函数值较小，表明该粒子的寻优能力较好，令寻优能力较好的粒子从全局去探索更好搜索区域，从而带动其他粒子的搜索，因此，修正因子增加了寻优能力较好的粒子选取第一种更新模式进行更新的优先级，粒子当前迭代更新后的适应度函数值较大，表明该粒子的寻优能力较差，令寻优能力较差的粒子加强局部搜索，即修正因子增加了寻优能力较差的粒子选取第二种更新模式进行更新的优先级，当粒子当前迭代更新后的适应度函数值处于第一适应度函数阈值和第二适应度函数阈值之间，表明该粒子是粒子群中寻优能力一般的粒子，具有较好的全局搜索能力和局部搜索能力，因此，修正因子增加了寻优能力一般的粒子选取第三种更新模式进行更新的优先级；最后，粒子选取优先级最大的更新模式进行更新，选取的更新模式更加的适应粒子的自身特性，提高了粒子的寻优能力。
优选地，设
Figure BDA0002450479400000061
表示粒子i在第t次迭代更新后采用第j种更新模式进行更新对应的惯性权重因子，且j＝1，2，3，
Figure BDA0002450479400000062
的值采用下列方式进行确定：
(1)将粒子群中在第t次迭代更新后选取第j种更新模式进行第(t+1)次迭代更新的粒子按其适应度值由小到大进行排列组成集合J(t)，得到粒子i在集合J(t)中的排序
Figure BDA0002450479400000063
(2)给定理想适应度函数值F(X)，定义粒子群在第t次迭代更新后的种群寻优度检测因子为β(t)，则β(t)的表达式为：
Figure BDA0002450479400000064
其中，f(Pi(t))表示粒子i在第t次迭代更新后的个体最优解Pi(t)对应的适应度函数值，fmax(t)表示粒子群在第t次迭代更新后的最大适应度函数值，fmin(t)表示粒子群在第t次迭代更新后的最小适应度函数值，F(X)为给定的理想适应度函数值，F(X)的值可以取0.0001，将理想适应度函数值F(X)对应的位置X视为理想最优解；
则
Figure BDA0002450479400000071
的值为：
Figure BDA0002450479400000072
式中，ωmax和ωmin为给定的最大惯性权重因子和最小惯性权重因子，
Figure BDA0002450479400000073
为采用第j种更新模式进行更新对应的最大惯性权重因子，且
Figure BDA0002450479400000074
Nj为集合J(t)中的粒子数。
本优选实施例用于确定粒子群中在第t次迭代更新后选取第j种更新模式进行更新的粒子对应的惯性权重因子，设置的惯性权重因子值由粒子的适应度函数值和粒子群的种群寻优度检测因子共同决定，首先，将选取相同更新模式的粒子按其适应度值由小到大进行排序组成集合J(t)，获取粒子适应度值的排序，所述排序反应了粒子的寻优结果相较于其他选取相同更新模式的粒子的寻优结果的好坏，排序越靠前其适应度函数值越小，表明该粒子相较于其他选取相同跟新模式的粒子的寻优能力较好，对于该种粒子，设置其较大的惯性权重因子，使其可以从全局去探索更好的搜索区域，而排序较后的粒子其适应度值较大，表明该粒子相较于其他选取相同更新模式的粒子的寻优能力较差，对于该种粒子，设置其较小的惯性权重因子，使其可以较快的收敛到比较好的区域，加强该区域的局部搜索；粒子的适应度值排序仅仅能够反映粒子自身的寻优状态，并不能反映粒子群整体的寻优状态，当粒子群整体已经收敛到理想最优解附近时，如果对寻优能力较好的粒子采用较大的惯性权重值，则该寻优能力较好的粒子很有可能会逃离理想最优解，从而降低该粒子的寻优性能，为了避免这种现象，本优选实施例引入了种群寻优度检测因子，所述种群寻优检测因子通过将粒子群中各粒子的适应度函数值和给定的理想适应度函数值进行比较，从而判断粒子群整体的寻优状态，β(t)的值越大，表明粒子群整体距离理想最优解越近，β(t)的值越小，表明粒子群整体距离理想最优解越远，根据种群寻优度检测因子对粒子的惯性权重因子进行约束，从而避免了对寻优能力较好的粒子设置较大的惯性权重因子而使得该粒子逃离理想最优解的现象，增加了粒子群算法的寻优性能。
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)

1.一种基于VR的车辆维修保养辅助系统，其特征是，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块，所述车辆数据获取模块用于获取能够反映车辆状态的车辆运行数据，所述车辆故障数据库中存储有车辆的故障类型和所述故障类型对应的车辆运行数据，所述虚拟故障维修数据库中存储有车辆的故障类型和所述故障类型对应的维修方式，所述数据处理模块用于对车辆数据获取模块和车辆故障数据库中的数据进行归一化处理，所述车辆故障诊断模块采用归一化处理后的车辆故障数据库中的数据训练BP神经网络诊断模型，并将归一化处理后的车辆数据获取模块的车辆运行数据输入到训练好的BP神经网络诊断模型进行车辆故障诊断，BP神经网络诊断模型的输出结果即为车辆的故障类型，所述虚拟现实演示模块用于根据车辆故障诊断模块诊断所得的故障类型调取虚拟故障维修数据库中存储的所述故障类型对应的维修方式，并以虚拟现实技术演示所述维修方式；
采用粒子群算法优化车辆故障诊断模块中采用的BP神经网络的权重和阈值，定义粒子群算法的适应度函数f的表达式为：
Figure FDA0002777663440000011
式中，n表示样本个数，Yij表示第i个样本的第j个理想输出值，yij表示第i个样本的第j个实际输出值，p代表输出节点个数；
在所述粒子群算法中定义三种不同的粒子更新模式，第一种粒子更新模式为：
Figure FDA0002777663440000012
Xi(t+1)＝Xi(t)+Vi(t+1)
第二种粒子更新模式为：
Figure FDA0002777663440000013
Xi(t+1)＝Xi(t)+Vi(t+1)
第三种粒子更新模式为：
Figure FDA0002777663440000021
Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Xi(t)和Vi(t)分别表示粒子i在第t次迭代更新后的位置和步长，Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代更新后的位置和步长，
Figure FDA0002777663440000022
表示粒子i在第t次迭代更新后采用第一种更新模式进行更新对应的惯性权重因子，
Figure FDA0002777663440000023
表示粒子i在第t次迭代更新后采用第二种更新模式进行更新对应的惯性权重因子，
Figure FDA0002777663440000024
表示粒子i在第t次迭代更新后采用第三种更新模式进行更新对应的惯性权重因子，rand()表示产生0到1之间的随机数，c1、c2、c3、c4、c5和c6分别为学习因子，且c1、c2、c3、c4、c5、c6的值设置为2，B(t)表示粒子群在第t次迭代更新后的全局最优解，Pi(t)表示粒子i在第t次迭代更新后的个体最优解，Li(t)表示粒子i在第t次迭代更新后的局部参考解，且
Figure FDA0002777663440000025
θ(Xi(t),Xl(t))为判断函数，且
Figure FDA0002777663440000026
其中，Xl(t)表示粒子l在第t次迭代更新后的位置，fi(t)表示粒子i在第t次迭代更新后对应的适应度函数值，fl(t)表示粒子l在第t次迭代更新后对应的适应度函数值，d(Xi(t),Xl(t))表示粒子i在第t次迭代更新后的位置Xi(t)和粒子l在第t次迭代更新后的位置Xl(t)之间的距离，Ri(t)为粒子i在第t次迭代更新后对应的局部参考半径，且
Figure FDA0002777663440000027
Figure FDA0002777663440000028
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的最小值，且
Figure FDA0002777663440000029
Figure FDA00027776634400000210
Figure FDA00027776634400000211
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的中值，且
Figure FDA00027776634400000212
Ki(t)表示粒子i在第t次迭代更新后的全局参考解，且
Figure FDA00027776634400000213
d(Pi(t),B(t))表示粒子i在第t次迭代更新后的个体最优解Pi(t)和全局最优解B(t)之间的距离，
Figure FDA00027776634400000214
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的最大值，且
Figure FDA00027776634400000215
2.根据权利要求1所述的一种基于VR的车辆维修保养辅助系统，其特征是，定义
Figure FDA0002777663440000031
表示粒子i选取第j种更新模式进行第(t+1)次迭代更新的优先级，且
Figure FDA0002777663440000032
的表达式为：
Figure FDA0002777663440000033
式中，
Figure FDA0002777663440000034
表示粒子i从初始化到第t次迭代更新后采用第j种更新模式进行更新的迭代总次数，
Figure FDA0002777663440000035
表示粒子i第l次采用第j种更新模式进行更新对应的迭代次数，
Figure FDA0002777663440000036
表示粒子i在第
Figure FDA0002777663440000037
次迭代更新后对应的适应度函数值，
Figure FDA0002777663440000038
表示粒子i在第
Figure FDA0002777663440000039
次迭代更新后对应的适应度函数值，
Figure FDA00027776634400000310
为比较函数，当
Figure FDA00027776634400000311
时，则
Figure FDA00027776634400000312
当
Figure FDA00027776634400000313
时，则
Figure FDA00027776634400000314
Figure FDA00027776634400000315
表示粒子i最近一次采用第j种更新模式进行更新对应的迭代次数，
Figure FDA00027776634400000316
表示粒子i在第
Figure FDA00027776634400000317
次迭代更新后对应的适应度函数值，
Figure FDA00027776634400000318
表示粒子i在第
Figure FDA00027776634400000319
次迭代更新后对应的适应度函数值，fi max(t)和fi min(t)分别表示粒子i从初始化到第t次迭代更新后的最大适应度函数值和最小适应度函数值，
Figure FDA00027776634400000320
为粒子i在第t次迭代更新后采用第j种更新模式进行更新的优先级的修正因子，当fi(t)≤H1(f)时，则
Figure FDA00027776634400000321
当H1(f)<fi(t)≤H2(f)时，则
Figure FDA00027776634400000322
当fi(t)>H2(f)时，则
Figure FDA00027776634400000323
其中，H1(f)和H2(f)为给定的第一适应度函数阈值和第二适应度函数阈值，且
Figure FDA0002777663440000041
其中，N为粒子群中粒子的总数，
Figure FDA0002777663440000042
为粒子群在第t次迭代更新后的平均适应度函数值，
Figure FDA0002777663440000043
为比较函数，当
Figure FDA0002777663440000044
时，则
Figure FDA0002777663440000045
当
Figure FDA0002777663440000046
时，则
Figure FDA0002777663440000047
粒子i最终选取具有最大优先级的更新模式进行第(t+1)次的迭代更新。
CN202010292587.3A 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统 Active CN111507488B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010292587.3A CN111507488B (zh) 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统
CN202011277112.3A CN112465160A (zh) 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010292587.3A CN111507488B (zh) 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202011277112.3A Division CN112465160A (zh) 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统

Publications (2)

Publication Number Publication Date
CN111507488A CN111507488A (zh) 2020-08-07
CN111507488B true CN111507488B (zh) 2021-01-01

Family

ID=71876116

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011277112.3A Pending CN112465160A (zh) 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统
CN202010292587.3A Active CN111507488B (zh) 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011277112.3A Pending CN112465160A (zh) 2020-04-14 2020-04-14 一种基于vr的车辆维修保养辅助系统

Country Status (1)

Country Link
CN (2) CN112465160A (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232235B (zh) * 2020-10-20 2021-06-04 徐向峰 基于5g和算法的智慧工厂远程监控方法及系统
CN113408755A (zh) * 2021-06-16 2021-09-17 深圳市道通科技股份有限公司 汽修资源获取方法、云平台及电子设备
CN114707675A (zh) * 2022-03-29 2022-07-05 中车南京浦镇车辆有限公司 一种基于车辆健康诊断的车辆维修计划管理方法及系统
CN115407874B (zh) * 2022-08-18 2023-07-28 中国兵器工业标准化研究所 一种基于神经网络的vr维修训练操作熟练度预测方法
CN116224977B (zh) * 2023-05-10 2023-09-05 长城汽车股份有限公司 车辆故障的诊断方法、装置、车辆及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589037A (zh) * 2016-03-16 2016-05-18 合肥工业大学 基于集成学习的电力电子开关器件网络故障诊断方法
CN107369210A (zh) * 2017-08-16 2017-11-21 李松 一种车辆维修及保养企业vr全景规划设计方法
CN108334059A (zh) * 2018-02-26 2018-07-27 上海理工大学 基于粒子群算法优化bp神经网络模型故障诊断方法
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN110222452A (zh) * 2019-06-14 2019-09-10 国网上海市电力公司 基于大数据关联挖掘的油浸式变压器故障推演可视化系统
CN110288100A (zh) * 2019-06-10 2019-09-27 广州思创科技发展有限公司 一种根据车辆故障自动匹配维修项目方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10885446B2 (en) * 2017-07-24 2021-01-05 Sap Se Big-data driven telematics with AR/VR user interfaces

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589037A (zh) * 2016-03-16 2016-05-18 合肥工业大学 基于集成学习的电力电子开关器件网络故障诊断方法
CN107369210A (zh) * 2017-08-16 2017-11-21 李松 一种车辆维修及保养企业vr全景规划设计方法
CN108334059A (zh) * 2018-02-26 2018-07-27 上海理工大学 基于粒子群算法优化bp神经网络模型故障诊断方法
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN110288100A (zh) * 2019-06-10 2019-09-27 广州思创科技发展有限公司 一种根据车辆故障自动匹配维修项目方法及系统
CN110222452A (zh) * 2019-06-14 2019-09-10 国网上海市电力公司 基于大数据关联挖掘的油浸式变压器故障推演可视化系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
VR技术在车辆虚拟维修中的应用;陈小双，赵云峰;《内燃机与配件》;20180312;第115-116页 *

Also Published As

Publication number Publication date
CN111507488A (zh) 2020-08-07
CN112465160A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN111507488B (zh) 一种基于vr的车辆维修保养辅助系统
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN111489358B (zh) 一种基于深度学习的三维点云语义分割方法
CN108399428B (zh) 一种基于迹比准则的三元组损失函数设计方法
WO2022121289A1 (en) Methods and systems for mining minority-class data samples for training neural network
CN115167442A (zh) 一种输电线路巡检路径规划方法及系统
CN114721402B (zh) 一种基于改进蚁群算法的泊车路径规划方法及系统
CN111352419B (zh) 基于时序差分更新经验回放缓存的路径规划方法及系统
CN114170789A (zh) 基于时空图神经网络的智能网联车换道决策建模方法
CN112686376A (zh) 一种基于时序图神经网络的节点表示方法及增量学习方法
CN114566277B (zh) 一种基于联邦元学习的罕见疾病分类方法
CN112581264A (zh) 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法
CN113379536A (zh) 一种基于引力搜索算法优化递归神经网络的违约概率预测方法
CN115526316A (zh) 一种结合图神经网络的知识表示和预测方法
CN113987236A (zh) 基于图卷积网络的视觉检索模型的无监督训练方法和装置
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN116011691A (zh) 一种针对最优路径规划的分布式反馈混联注意力网络模型
CN117519244B (zh) 无人机集群协同探测多目标的路径规划方法及系统
CN112528556B (zh) 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法
CN113191450B (zh) 一种基于动态标签调整的弱监督目标检测算法
CN113299079B (zh) 一种基于ppo和图卷积神经网络区域交叉口信号控制方法
CN111598620A (zh) 二手车远程精准定价系统
CN111401527B (zh) 基于ga-bp网络的机器人行为校验识别方法
CN113420706B (zh) 一种基于多层特征融合的车辆检测方法
CN115587616A (zh) 网络模型训练方法、装置、存储介质及计算机设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201217

Address after: No.4, building 21, Yujing garden, Hongta East Road, Xishan District, Kunming City, Yunnan Province

Applicant after: Li Song

Address before: 571700 government affairs center, No.8 Yantian Road, xinyingwan District, Yangpu Economic Development Zone, Danzhou City, Hainan Province

Applicant before: Yangpu Minoan Electronic Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant