CN113053054A - 一种基于车联网的火情预警系统及预警方法 - Google Patents

一种基于车联网的火情预警系统及预警方法 Download PDF

Info

Publication number
CN113053054A
CN113053054A CN202110206179.6A CN202110206179A CN113053054A CN 113053054 A CN113053054 A CN 113053054A CN 202110206179 A CN202110206179 A CN 202110206179A CN 113053054 A CN113053054 A CN 113053054A
Authority
CN
China
Prior art keywords
fire
vehicle
early warning
module
vehicles
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
Application number
CN202110206179.6A
Other languages
English (en)
Other versions
CN113053054B (zh
Inventor
夏长高
张凡
杨鹏程
冒志恒
孙陈曦
张演
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202110206179.6A priority Critical patent/CN113053054B/zh
Publication of CN113053054A publication Critical patent/CN113053054A/zh
Application granted granted Critical
Publication of CN113053054B publication Critical patent/CN113053054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L12/40006—Architecture of a communication node
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40267—Bus for use in transportation systems
    • H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车联网的火情预警系统及预警方法，涉及汽车主动预警领域，传感器检测模块用于将采集到的信息传递给数据融合处理模块；数据融合处理模块用于预处理传感器信号，并将处理后的数据传输给火情判定模块；火情判定模块用于特征融合与决策判断，并将决策结果发送给网关控制器和车联网模块；网关控制器用于将火情判定结果路由，执行各控制器火情下的控制策略；车联网模块将起火车辆的数据发送到主机厂云端，同时将旁车信息发送给旁车安全风险判别模块；主机厂云端模块根据车联网发送的数据，训练修正火情预测模型；旁车安全风险判断模块根据车联网传输的旁车信息进行旁车安全风险判别，并将判别结果发送回车联网模块进行旁车预警。

Description

一种基于车联网的火情预警系统及预警方法
技术领域
本发明涉及到一种汽车主动预警系统，具体涉及一种基于车联网的火情预警系统及预警方法。
背景技术
车辆在行驶过程中，由于电线短路、易燃液体泄漏、车内失火、高温照射、冷却系统失效等极易引起车辆燃烧，对乘客的生命安全及行驶车辆的安全有极大威胁，易引发严重的交通事故。所以有必要在车辆失火的情况下尽早提醒驾驶员及周边车辆，提高驾驶的安全性。
目前，市场上车辆还没有相关火情预警功能的配置。中国专利公开号为CN209490403U、CN206537213U的文献中提出的几种自燃预警系统主要是通过传感器模块安装在易燃部位、检测到起火通过给蜂鸣器传递信号传递给驾驶员进行预警。该系统能够进行一定程度的预警，功能单一易误报且只能将预警信息传递给本车，具有一定的局限性。
发明内容
本发明的目的是针对现有车辆火情预警系统的不足，提供一种基于车联网的火情预警系统及预警方法。能在预警本车的同时，利用车联网获取旁车的位置、行驶信息，对旁车进行分级预警，从而避免交通事故的发生与交通的拥堵。且能够实时上传车辆传感、行驶、ECU故障码信息到云端，便于故障跟踪与排查，同时进行分布式云端训练，更新火情样本数据，训练样本调整权值，及时修正火情预测模型。
本发明采用的技术方案如下：
基于车联网的火情预警系统包括：传感器检测模块、数据融合处理模块、火情判定模块、车联网模块、旁车安全风险判别模块、主机厂云端、网关控制器及车辆总线各路CAN下控制器单元；
所述的传感器检测模块包括IFC智能前置摄像头、GPS定位模块、车速传感器、加速度传感器、温度传感器、烟雾传感器、CO气体传感器、毫米波雷达和陀螺仪；
所述传感器检测模块用于检测车辆位置信息、本车行驶状态信息、温度、烟雾、气体信息和旁车车辆行驶状态等信息，并将采集到的数据传输给数据融合处理模块；
所述的数据融合处理模块用于分析处理传感器采集的数据，进行预处理、归一化，并将处理后的数据传输给火情判定模块，作为输入；
所述火情判定模块根据上层的输入，进行特征融合与决策判断，并将决策结果发送给网关控制器和车联网模块；
所述网关控制器将根据火情判定结果，通过车辆总线，发送相应的功能禁止管理信号，执行各控制器火情下的控制策略；
所述车联网模块将车辆的传感器数据、车辆行驶数据、软件版本及ECU诊断故障码等数据发送到主机厂云端；同时将旁车位置、行驶信息发送给旁车安全风险判别模块；
所述的旁车安全风险判断模块根据车联网传输的旁车位置、行驶信息进行旁车行驶的风险判别，并将判别结果发送回车联网模块，进行旁车行驶预警或旁车位置更新；
所述主机厂云端模块，根据车联网发送至主机厂云端的起火车辆的传感、行驶、软件版本及ECU故障码等数据，进行故障跟踪与排查，同时进行分布式云端训练，训练样本调整权值，修正火情预测模型。
进一步，车辆总线包括Body CAN、PT CAN、Chassis CAN和Infomercial CAN。
进一步，所述Body CAN下连接车身控制器BCM，PT CAN下连接电池管理系统BMS，Chassis CAN下连接车身电子稳定系统ESP，Infomercial CAN下连接组合仪表IPK。
基于车联网的火情预警系统的预警方法，包括以下步骤：
步骤1：利用车联网模块向云端发出火情预测模型更新请求；
步骤2：判断本车的模型是否有更新。若有，将云端的模型更新至车端；若没有更新，则进入下一步骤；
步骤3：传感器检测模块采集所需的车辆位置信息、本车行驶状态信息、温度、烟雾、气体信息和旁车车辆行驶状态等信息；
步骤4：数据融合处理模块对传感器检测模块采集的温度、烟雾、气体信号进行预处理与归一化；
进一步，所述预处理算法为防止烟雾、温度等传感器的误报，先进行局部决策，预处理算法为速率检测法，数学描述为：
Figure BDA0002950773090000021
Figure BDA0002950773090000022
其中，xi(n)为内第n个采样时刻的传感器信号，i为1，2，3...分别表示温度、烟雾、CO传感器；Ui为传感器采集的相邻信号差的累加；Ri为局部决策结果；
Figure BDA0002950773090000023
为传感器的门限值；f(x)为单位阶跃函数；
若某一传感器在某个采样时刻内局部决策结果Ri为1，则该信号出现异常，存在发生火灾的可能性，将采集的传感器信号传递给下一层。若Ri全为0，则信号无异常，数据不进行传递；
所述的归一化处理将经过预处理的不同量纲的传感器数据进行线性变换，将其映射到[0，1]之间，使其转化为无量纲的表达式，其数学描述为：
Figure BDA0002950773090000031
其中，xi为传感器未处理的原始值，xmax为样本数据的最大值，xmin为样本数据的最小值，x′i为归一化之后的值，i为1，2，3...分别表示各传感器；
步骤5：利用数据融合处理模块的输出作为火情判定模块的输入，进行火情判定，火情判定方法基于改进的RBF-BP混合神经网络，输出有火、无火和阴燃的概率；根据判定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正；
步骤6：若发生火情，网关控制器通过车辆总线向各路CAN下的控制器发送相应的功能禁止信号，执行火情下的控制策略进行本车预警；
步骤7：同时，利用车联网模块及传感器检测模块获取旁车的行驶状态、位置等信息，将信息发送给旁车安全风险判断模块，根据判定结果进行主动预警或常规旁车信息更新。旁车安全风险判断方法为：
步骤7.1：本车通过车速、加速度传感器、GPS定位模块分别获得自身的车速信号、加速度信号、位置信号；
步骤7.2：旁车安全风险模块通过车联网模块获取旁车的车速、加速度、位置信号；
步骤7.3：旁车安全风险模块根据本车和旁车的行驶、位置信息，计算当前时刻位置本车与旁车的相对位置信息，本车与旁车坐标分别为(x1，y1)、(x2，y2)并设定车辆两级预警阈值距离L0和L1，其中L0为一级预警阈值，L1为二级预警阈值；
其中两车相对位置Lre大小为：
Figure BDA0002950773090000032
步骤7.4：将两车相对位置大小Lre和车辆两级预警阈值距离L0和L1进行比较，若Lre≤L0，则受火情影响安全风险的程度较大，发出一级预警；若L0＜Lre≤L1，则受火情影响安全风险的程度不大，但仍需提前预警，发出二级预警；若Lre＞L1，则没有安全风险，不进行预警；
详细的：L0的确定基于旁车行驶的安全性，公式为：
Figure BDA0002950773090000041
其中，va为旁车车速，t1为驾驶员反应时间，t2为制动响应时间，vb为本车车速，a为旁车的加速度，d为发生火情后，两车静止时的最小安全距离；
L1的确定基于旁车行驶的交通拥堵性，根据不同的交通路段选择不同的二级预警距离；
步骤8：车端发送火情车辆相关传感、行驶数据及ECU故障码到主机厂云端，所述传感器数据为数据融合处理模块输出的数据；
步骤9：云端样本数据更新，训练样本调整模型权重，火情判定模型基于改进的RBF-BP混合神经网络，具体的：
步骤9.1：将车端上传的温度x1、烟雾浓度x2、CO浓度x3作为RBF子网络的输入，RBF子网络包含一个隐藏层，该隐藏层节点传递函数选择为Gaussian径向基函数，数学描述为：
Figure BDA0002950773090000042
其中，
Figure BDA0002950773090000043
是输入样本x与高斯函数中心向量x′的平方欧几里得距离，σ是函数的宽度参数；
步骤9.2：将RBF子网络的输出作为BP子网络的输入，BP子网络包含一个隐藏层，三个输出层，输出为有火，无火和阴燃的概率。隐藏层节点传递函数选择为Sigmoid函数；
步骤9.3：计算BP子网络正向传播的输入xink；
步骤9.4：计算BP子网络正向传播的输出youtk＝f(xink)；
步骤9.5：计算误差性能指标函数
Figure BDA0002950773090000044
其中d为期望输出；
步骤9.6：利用连续感知器学习规则，调整权值ω，使梯度的变化方向为负，使得e达到理想值；
步骤10：云端火情判定模型修正，等待车端请求更新。
本发明有以下有益效果：
(1)本发明设计了一种基于车联网的火情预警控制系统，能够快速准确地对本车进行火情判定，执行火情下的车辆控制策略，便于乘客开展自救。
(2)在车辆发生火情后，利用车联网技术获取旁车的位置、行驶信息，对旁车进行分级预警，从而极大降低交通事故的发生率与交通拥堵程度。
(3)利用车联网技术，实时上传火情车辆传感、行驶、ECU故障码等信息到云端，便于故障跟踪与排查，同时更新火情样本数据，训练样本调整权值，及时修正预测模型，进一步提高了火情预测模型的准确性。
(4)本发明综合考虑了发生火情时预警本车的同时对旁车进行预警，突破了目前仅对本车进行预警的研究局限；利用车联网技术及时上传火情数据，修正火情判定模型，进一步提高了车辆火情预警模型的准确性。
附图说明
图1为本发明一种基于车联网的火情预警系统组成结构图；
图2为本发明一种基于车联网的火情预警系统的控制流程图；
图3为本发明改进的RBF-BP混合神经网络模型结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
结合附图1所示，本发明所提出的基于车联网的火情预警系统，包括传感器检测模块、数据融合处理模块、火情判定模块、车联网模块、主机厂云端、旁车安全风险判别模块、网关控制器及车辆总线各路CAN下控制器单元；传感器模块包括IFC智能前置摄像头、GPS定位模块、车速传感器、加速度传感器、温度传感器、烟雾传感器、CO气体传感器、毫米波雷达和陀螺仪；
传感器检测模块用于检测车辆位置信息、本车行驶状态信息、温度、烟雾、气体信息和旁车车辆行驶状态等信息，并将采集到的数据传输给数据融合处理模块；
数据融合处理模块用于分析处理传感器采集的数据，进行预处理、归一化，并将处理后的数据传输给火情判定模块，作为输入；
火情判定模块根据数据融合处理模块传递的数据，进行特征融合与决策判断，并将决策结果发送给网关控制器和车联网模块；
网关控制器将根据火情判定结果，通过车辆总线，发送相应的功能禁止管理信号，执行各控制器火情下的控制策略。车辆总线包括Body CAN、PT CAN、Chassis CAN和Infomercial CAN；
优选的，Body CAN下连接车身控制器BCM，PT CAN下连接电池管理系统BMS，Chassis CAN下连接车身电子稳定系统ESP，Infomercial CAN下连接组合仪表IPK。
车联网模块将车辆的传感器数据、车辆行驶数据、软件版本及ECU诊断故障码等数据发送到主机厂云端；同时将旁车位置、行驶信息发送给旁车安全风险判别模块。
旁车安全风险判断模块根据车联网传输的旁车位置、行驶信息进行旁车行驶的风险判别，并将判别结果发送回车联网模块，进行旁车行驶预警或旁车位置更新。
主机厂云端模块，根据车联网发送至主机厂云端的起火车辆的传感、行驶、软件版本及ECU故障码等数据，进行故障跟踪与排查，同时进行分布式云端训练，训练样本调整权值，修正火情预测模型。
结合附图2所示，基于上述基于车联网的火情预警系统，本发明还提出了一种基于车联网的火情预警系统的预警方法，包括一下步骤：
步骤1：利用车联网模块向云端发出火情预测模型更新请求；
步骤2：判断本车的模型是否有更新。若有，将云端的模型更新至车端；若没有更新，则进入下一步骤；
步骤3：传感器检测模块采集所需的车辆位置信息、本车行驶状态信息、温度、烟雾、气体信息和旁车车辆行驶状态等信息；
步骤4：数据融合处理模块对传感器检测模块采集的温度、烟雾、气体信号进行预处理与归一化；
进一步，所述预处理算法为防止烟雾、温度等传感器的误报，先进行局部决策，预处理算法为速率检测法，数学描述为：
Figure BDA0002950773090000061
Figure BDA0002950773090000072
其中，xi(n)为内第n个采样时刻的传感器信号，i为1，2，3...分别表示温度、烟雾、CO传感器；Ui为传感器采集的相邻信号差的累加；Ri为局部决策结果；
Figure BDA0002950773090000073
为传感器的门限值；f(x)为单位阶跃函数。
若某一传感器在某个采样时刻内局部决策结果Ri为1，则该信号出现异常，存在发生火灾的可能性，将采集的传感器信号传递给下一层。若Ri全为0，则信号无异常，数据不进行传递。
进一步，所述的归一化处理将经过预处理的不同量纲的传感器数据进行线性变换，将其映射到[0，1]之间，使其转化为无量纲的表达式，其数学描述为：
Figure BDA0002950773090000071
其中，xi为传感器未处理的原始值，xmax为样本数据的最大值，xmin为样本数据的最小值，x′i为归一化之后的值，i为1，2，3...分别表示各传感器；
步骤5：利用数据融合处理模块的输出作为火情判定模块的输入，进行火情判定，火情判定方法基于改进的RBF-BP混合神经网络模型，输出有火、无火和阴燃的概率。根据判定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正；
步骤6：若发生火情，网关控制器通过车辆总线向各路CAN下的控制器发送相应的功能禁止信号，执行火情下的控制策略进行本车预警。
优选的，Body CAN下连接车身控制器BCM，解锁车门，打开危险警报闪光灯。
优选的，PT CAN下连接电池管理系统BMS，降低电池组的输出功率，持续监测电池包的温度、压力数据。
优选的，Chassis CAN下连接车身电子稳定系统ESP，检测车辆的运行状态，降低驾驶员过度反应造成的危险。
优选的，Infomercia1 CAN下连接组合仪表IPK，显示车辆危险预警数据。
步骤7：同时，利用车联网模块及传感器检测模块获取旁车的行驶状态、位置等信息，将信息发送给旁车安全风险判断模块，根据判定结果进行主动预警或常规旁车信息更新。旁车安全风险判断方法为：
步骤7.1：本车通过车速、加速度传感器、GPS定位模块分别获得自身的车速信号、加速度信号、位置信号；
步骤7.2：旁车安全风险模块通过车联网模块获取旁车的车速、加速度、位置信号；
步骤7.3：旁车安全风险模块根据本车和旁车的行驶、位置信息，计算当前时刻位置本车与旁车的相对距离，本车与旁车坐标分别为(x1，y1)、(x2，y2)并设定车辆两级预警阈值距离L0和L1，其中L0为一级预警阈值，L1为二级预警阈值；
其中两车相对距离Lre大小为：
Figure BDA0002950773090000081
步骤7.4：将两车相对距离大小Lre和车辆两级预警阈值距离L0和L1进行比较；
详细的：L0的确定基于旁车行驶的安全性，公式为：
Figure BDA0002950773090000082
其中，va为旁车车速，t1为驾驶员反应时间，t2为制动响应时间，vb为本车车速，a为旁车的加速度，d为发生火情后，两车静止时的最小安全距离。
L1的确定基于旁车行驶的交通拥堵性，根据不同的交通路段选择不同的二级预警距离。
若Lre≤L0，则受火情影响安全风险的程度较大，发出一级预警；若L0＜Lre≤L1，则受火情影响安全风险的程度不大，但仍需提前预警，发出二级预警；若Lre＞L1，则没有安全风险，不进行预警。
步骤8：车端发送火情车辆相关传感、行驶数据及ECU故障码到主机厂云端，所述传感器数据为数据融合处理模块输出的数据。
步骤9：云端样本数据更新，训练样本调整模型权重，火情判定模型基于改进的RBF-BP混合神经网络，其结构图如图3，具体的：
步骤9.1：将车端上传的温度x1、烟雾浓度x2、CO浓度x3作为RBF子网络的输入，RBF子网络包含一个隐藏层，该隐藏层节点传递函数选择为Gaussian径向基函数，数学描述为：
Figure BDA0002950773090000083
其中，
Figure BDA0002950773090000091
是输入样本x与高斯函数中心向量x′的平方欧几里得距离，σ是函数的宽度参数；
步骤9.2：将RBF子网络的输出作为BP子网络的输入，BP子网络包含一个隐藏层，三个输出层，输出为有火，无火和阴燃的概率。隐藏层节点传递函数选择为Sigmoid函数；
步骤9.3：计算BP子网络正向传播的输入xink；
步骤9.4：计算BP子网络正向传播的输出youtk＝f(xink)；
步骤9.5：计算误差性能指标函数
Figure BDA0002950773090000092
其中d为期望输出；
步骤9.6：利用连续感知器学习规则，调整权值ω，使梯度的变化方向为负，使得e达到理想值；
优选的，e取10-3。
进一步：引入动量因子α，α∈[0，1]，来滤除权值调整中的高频震荡，加快学习的进度，改进混合神经网络模型。
步骤10：云端火情判定模型修正，等待车端请求更新。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于车联网的火情预警系统，其特征在于，包括传感器检测模块、数据融合处理模块、火情判定模块、车联网模块、主机厂云端、旁车安全风险判别模块、网关控制器和车辆总线各路CAN下控制器单元；
所述传感器检测模块用于将采集到的信息传递给数据融合处理模块；
所述数据融合处理模块用于预处理、归一化传感器信号，并将处理后的数据传输给火情判定模块；
所述火情判定模块根据上层的输入，进行特征融合与决策判断，并将决策结果发送给网关控制器和车联网模块；
所述网关控制器用于将火情判定结果路由到车辆总线各路CAN下控制器单元，执行各控制器火情下的控制策略；
所述车联网模块将起火车辆的数据发送到主机厂云端；同时将旁车信息发送给旁车安全风险判别模块；
所述旁车安全风险判别模块根据车联网传输的旁车信息进行旁车安全风险判别，并将判别结果发送回车联网模块，进行旁车预警；
所述主机厂云端，根据车联网发送的数据进行分布式云端训练，训练样本调整权值，修正火情预测模型。
2.根据权利要求1所述的基于车联网的火情预警系统，其特征在于，所述传感器检测模块包括IFC智能前置摄像头、GPS定位模块、车速传感器、加速度传感器、温度传感器、烟雾传感器、CO气体传感器、毫米波雷达和陀螺仪。
3.根据权利要求1所述的基于车联网的火情预警系统，其特征在于，车辆总线包括BodyCAN、PT CAN、Chassis CAN和Infomercial CAN；其中，所述Body CAN下连接车身控制器BCM，PT CAN下连接电池管理系统BMS，Chassis CAN下连接车身电子稳定系统ESP，InfomercialCAN下连接组合仪表IPK。
4.根据权利要求1所述的基于车联网的火情预警系统的预警方法，其特征在于，包括以下步骤：
步骤1：利用车联网模块向云端发出火情预测模型更新请求；
步骤2：判断本车的模型是否有更新；若有，将云端的模型更新至车端；若没有更新，则进入下一步骤；
步骤3：传感器检测模块采集所需的车辆位置信息、本车行驶状态信息、温度、烟雾、气体信息和旁车车辆行驶状态信息；
步骤4：数据融合处理模块对传感器检测模块采集的温度、烟雾、气体信号进行预处理与归一化；
步骤5：利用数据融合处理模块的输出作为火情判定模块的输入，进行火情判定，火情判定方法基于改进的RBF-BP混合神经网络，输出有火、无火和阴燃的概率；根据判定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正；
步骤6：若发生火情，网关控制器通过车辆总线向各路CAN下的控制器发送相应的功能禁止信号，执行火情下的控制策略进行本车预警；
步骤7：同时，利用车联网模块及传感器检测模块获取旁车的行驶状态、位置等信息，将信息发送给旁车安全风险判断模块，根据判定结果进行主动预警或常规旁车信息更新；
步骤8：车端发送火情车辆相关传感、行驶数据及ECU故障码到主机厂云端，传感器数据为数据融合处理模块输出的数据；
步骤9：云端样本数据更新，训练样本调整模型权重，火情判定模型基于改进的RBF-BP混合神经网络；
步骤10：云端火情判定模型修正，等待车端请求更新。
5.根据权利要求4所述的基于车联网的火情预警系统的预警方法，其特征在于，所述数据融合处理模块的用于预处理、归一化传感器信号，预处理方法为：
Figure FDA0002950773080000021
Figure FDA0002950773080000022
其中，xi(n)为第n个采样时刻的传感器信号，i为1，2，3...分别表示温度、烟雾、CO传感器；Ui为传感器采集的相邻信号差的累加；Ri为局部决策结果；
Figure FDA0002950773080000023
为传感器的门限值；f(x)为单位阶跃函数；
归一化方法为：
Figure FDA0002950773080000024
其中，xi为传感器未处理的原始值，xmax为样本数据的最大值，xmin为样本数据的最小值，x′i为归一化之后的值，i为1，2，3...分别表示各传感器。
6.根据权利要求5所述的基于车联网的火情预警系统的预警方法，其特征在于，所述的数据融合处理模块对传感信号进行预处理，若某一传感器在某个采样时刻内局部决策结果Ri为1，则该信号出现异常，存在发生火灾的可能性，将采集的传感器信号传递给下一层；若Ri全为0，则信号无异常，数据不进行传递。
7.根据权利要求4所述的基于车联网的火情预警系统的预警方法，其特征在于，火情判定模块的的判定方法基于改进的RBF-BP混合神经网络，输出有火、无火和阴燃的概率；根据判定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正。
8.根据权利要求7所述的基于车联网的火情预警系统的预警方法，其特征在于，旁车安全风险判别模块的判断方法为：
步骤7.1：本车通过车速、加速度传感器、GPS定位模块分别获得自身的车速信号、加速度信号、位置信号；
步骤7.2：旁车安全风险模块通过车联网模块获取旁车的车速、加速度、位置信号；
步骤7.3：旁车安全风险模块根据本车和旁车的行驶、位置信息，计算当前时刻位置本车与旁车的相对距离，本车与旁车坐标分别为(x1，y1)、(x2，y2)并设定车辆两级预警阈值距离L0和L1，其中L0为一级预警阈值，L1为二级预警阈值；
其中两车相对距离Lre大小为：
Figure FDA0002950773080000031
步骤7.4：将两车相对距离大小Lre和车辆两级预警阈值距离L0和L1进行比较；
详细的：L0的确定基于旁车行驶的安全性，公式为：
Figure FDA0002950773080000032
其中，va为旁车车速，t1为驾驶员反应时间，t2为制动响应时间，vb为本车车速，a为旁车的加速度，d为发生火情后，两车静止时的最小安全距离；
L1的确定基于旁车行驶的交通拥堵性，根据不同的交通路段选择不同的二级预警距离；
若Lre≤L0，则受火情影响安全风险的程度较大，发出一级预警；若L0＜Lre≤L1，则受火情影响安全风险的程度不大，但仍需提前预警，发出二级预警；若Lre＞L1，则没有安全风险，不进行预警。
9.根据权利要求7所述的基于车联网的火情预警系统的预警方法，其特征在于，主机厂云端根据车端发送的数据进行样本数据更新，训练样本调整权重，火情判定模型基于RBF-BP混合神经网络，具体的：
步骤9.1：将车端上传的温度x1、烟雾浓度x2、CO浓度x3作为RBF子网络的输入，RBF子网络包含一个隐藏层，该隐藏层节点传递函数选择为Gaussian径向基函数，数学描述为：
Figure FDA0002950773080000041
其中，
Figure FDA0002950773080000042
是输入样本x与高斯函数中心向量x′的平方欧几里得距离，σ是函数的宽度参数；
步骤9.2：将RBF子网络的输出作为BP子网络的输入，BP子网络包含一个隐藏层，三个输出层，输出为有火，无火和阴燃的概率。隐藏层节点传递函数选择为Sigmoid函数；
步骤9.3：计算BP子网络正向传播的输入xink；
步骤9.4：计算BP子网络正向传播的输出youtk＝f(xink)；
步骤9.5：计算误差性能指标函数
Figure FDA0002950773080000043
其中d为期望输出；
步骤9.6：利用连续感知器学习规则，调整权值ω，使梯度的变化方向为负，使得e达到理想值。
10.基于权利要求9所述的基于车联网的火情预警系统的预警方法，其特征在于，火情判定模块的的判断方法基于改进的RBF-BP混合神经网络，引入动量因子α，α∈[0，1]，来滤除权值调整中的高频震荡，加快学习的进度，改进混合神经网络模型。
CN202110206179.6A 2021-02-24 2021-02-24 一种基于车联网的火情预警系统及预警方法 Active CN113053054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110206179.6A CN113053054B (zh) 2021-02-24 2021-02-24 一种基于车联网的火情预警系统及预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110206179.6A CN113053054B (zh) 2021-02-24 2021-02-24 一种基于车联网的火情预警系统及预警方法

Publications (2)

Publication Number Publication Date
CN113053054A true CN113053054A (zh) 2021-06-29
CN113053054B CN113053054B (zh) 2022-07-22

Family

ID=76509382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110206179.6A Active CN113053054B (zh) 2021-02-24 2021-02-24 一种基于车联网的火情预警系统及预警方法

Country Status (1)

Country Link
CN (1) CN113053054B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570798A (zh) * 2021-08-04 2021-10-29 吉林建筑大学 一种无线火灾探测器及火灾人员定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170270797A1 (en) * 2013-12-09 2017-09-21 Lg Electronics Inc. Device enabling exchange of abnormal signal among vehicles via wi-fi direct network, and control method therefor
CN109876331A (zh) * 2019-03-21 2019-06-14 应急管理部上海消防研究所 一种车辆消防安全智能灭火系统及车辆
CN110281862A (zh) * 2019-05-23 2019-09-27 东风柳州汽车有限公司 燃油车辆及电动车辆火情监控预警系统
CN110648265A (zh) * 2018-06-26 2020-01-03 上海博泰悦臻网络技术服务有限公司 车辆、车机设备及其车载火情信息处理方法
CN111669708A (zh) * 2019-03-07 2020-09-15 上海博泰悦臻网络技术服务有限公司 车辆、车机设备及其基于车联网紧急情况的应急导航方法
CN112261127A (zh) * 2020-10-21 2021-01-22 江苏聚欣科技股份有限公司 一种车联网相关网络分析处理控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170270797A1 (en) * 2013-12-09 2017-09-21 Lg Electronics Inc. Device enabling exchange of abnormal signal among vehicles via wi-fi direct network, and control method therefor
CN110648265A (zh) * 2018-06-26 2020-01-03 上海博泰悦臻网络技术服务有限公司 车辆、车机设备及其车载火情信息处理方法
CN111669708A (zh) * 2019-03-07 2020-09-15 上海博泰悦臻网络技术服务有限公司 车辆、车机设备及其基于车联网紧急情况的应急导航方法
CN109876331A (zh) * 2019-03-21 2019-06-14 应急管理部上海消防研究所 一种车辆消防安全智能灭火系统及车辆
CN110281862A (zh) * 2019-05-23 2019-09-27 东风柳州汽车有限公司 燃油车辆及电动车辆火情监控预警系统
CN112261127A (zh) * 2020-10-21 2021-01-22 江苏聚欣科技股份有限公司 一种车联网相关网络分析处理控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570798A (zh) * 2021-08-04 2021-10-29 吉林建筑大学 一种无线火灾探测器及火灾人员定位方法

Also Published As

Publication number Publication date
CN113053054B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
US11755012B2 (en) Alerting predicted accidents between driverless cars
US8841994B2 (en) Intelligent traffic safety system based on comprehensive state detection and decision method thereof
US11546353B2 (en) Detection of malicious activity on CAN bus
CN109910879B (zh) 一种结合安全距离与碰撞时间的车辆安全防撞控制方法
CN111427041A (zh) 一种矿区无人驾驶车辆的紧急停车系统
CN109849919B (zh) 自动驾驶接管的安全警示系统及其方法
CN108961473A (zh) 一种基于智能网联汽车控制中心的车辆状态评估预警方法
CN110329249A (zh) 一种循环神经网络的汽车前向碰撞预警控制系统及方法
CN111127920A (zh) 基于车载通信的防后车追尾预警与控制方法及系统
CN113176096A (zh) 车辆工况的检测
CN108583584A (zh) 一种车道偏离报警方法及系统
CN113053054B (zh) 一种基于车联网的火情预警系统及预警方法
CN114475613A (zh) 通过自主车辆的阵风检测
KR102107466B1 (ko) 자율주행차량 기반의 주행제어장치 및 방법
US20210327173A1 (en) Autonomous vehicle system and autonomous driving method for vehicle
CN109572594A (zh) 一种基于车辆网动态对比检测车辆行驶异常的方法
CN117644880B (zh) 一种面向智能网联汽车的融合安全防护系统及控制方法
CN111800508B (zh) 基于大数据的自动驾驶故障监测方法
CN111800314B (zh) 自动驾驶故障监测系统
CN114056346A (zh) 一种自动驾驶行车控制方法及装置
KR102228559B1 (ko) 운전자 피로 감지 방법 및 시스템
CN113891280B (zh) 一种汽车爆胎应急辅助安全行车控制及5g通信预警系统
CN115796726A (zh) 车辆异常处理方法、车辆异常检测方法、装置、系统和部件
CN109572692A (zh) 一种电控车辆防冲撞系统及其控制方法
TWI699662B (zh) 偵測系統及其偵測方法

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