CN113937893A - 一种基于机器学习的轨道车辆运行状态感知系统及方法 - Google Patents

一种基于机器学习的轨道车辆运行状态感知系统及方法 Download PDF

Info

Publication number
CN113937893A
CN113937893A CN202111233628.2A CN202111233628A CN113937893A CN 113937893 A CN113937893 A CN 113937893A CN 202111233628 A CN202111233628 A CN 202111233628A CN 113937893 A CN113937893 A CN 113937893A
Authority
CN
China
Prior art keywords
machine learning
rail vehicle
module
acceleration
acceleration data
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.)
Pending
Application number
CN202111233628.2A
Other languages
English (en)
Inventor
周韶泽
杜勇昌
陈秉智
杨世新
兆文忠
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.)
Dalian Jiaotong University
Original Assignee
Dalian Jiaotong 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 Dalian Jiaotong University filed Critical Dalian Jiaotong University
Priority to CN202111233628.2A priority Critical patent/CN113937893A/zh
Publication of CN113937893A publication Critical patent/CN113937893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • H02J13/00026—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission involving a local wireless network, e.g. Wi-Fi, ZigBee or Bluetooth
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or vehicle train for signalling purposes ; On-board control or communication systems
    • B61L15/0072—On-board train data handling
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00028—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment involving the use of Internet protocols
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]

Abstract

一种基于机器学习的轨道车辆运行状态感知系统及方法，包括机器学习模块、主模块、加速度信息采集模块和供电模块，通过加速度传感器收集轨道车辆不同运行状态的加速度数据；构建预测车辆运行状态的人工神经网络，输入轨道车辆不同运行状态的加速度数据进行训练，输出用于部署在单片机上的机器学习模型；将装置学习模型部署到单片机上，进行停车、运行、加速、减速加速度数据的采集，接收到加速度数据信息后，将加速度信息传入神经网络模型进行智能识别，将最终的轨道车辆的运行状态发送给外部设备。装置体积小，结构简单，识别精度高，能源消耗少，采用太阳能绿色能源，适合部署到空间狭小位置，能够很方便地布置在各个需要测量的位置。

Description

一种基于机器学习的轨道车辆运行状态感知系统及方法
技术领域
本发明涉及轨道车辆运行状态智能识别领域。
背景技术
随着我国城市化，工业化进程不断加快，轨道交通正向智能化、绿色化、环保化方向高速发展。如何识别轨道车辆的运行状态，是智能车辆的关键技术之一。车辆运行状态的感知不光是识别出车辆的停止和运行，还包括加速、减速、急加速、急刹车、缓刹车等细致的运行状态的识别。传统运行状态识别系统需要使用大量的传感器对车辆运行进行实时监测，然后经过系统复杂的算法，消耗系统CPU大量计算能力才能识别车辆的各种运行状态，有成本高、功耗大、体积大、软硬件系统庞杂和不方便部署等缺点。
在运载车辆领域，经检索，现有技术大部分是对汽车车辆运行状态的判别，轨道车辆运行状态识别系统和方法很少。对汽车运行状态感知系统大部分通过检测车辆ECU数据或者加速度数据对比来检测车辆运行状态是否正常。这些传统的现有技术具有需要额外电源供电，功耗大，成本高，体积大，系统大不方便部署的缺点，难以适用于未来智能轨道车辆的需要。实际上，能以环保、低成本、低功耗、设备小型化和方便部署的方法实现轨道车辆智能运行状态识别和监测是一件非常困难的事情。
发明内容
为了克服上述传统状态识别系统的缺点和解决相关问题，本发明提出了基于机器学习的轨道车辆运行状态感知系统。
本发明为实现上述目的所采用的技术方案是：一种基于机器学习的轨道车辆运行状态感知系统，包括机器学习模块1、主模块2、加速度信息采集模块3和供电模块5，
机器学习模块，用于将轨道车辆加速度数据进行训练，得到可部署在单片机开发板的机器学习结果模型文件；
主模块2的PCB电路板15上安装具有装载机器训练学习结果的单片机开发板16，主模块2用于将加速度信号采集模块3采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后给出判别结果；
加速度信息采集模块3包括加速度传感器13，加速度传感器13安装于PCB电路板15上并与单片机连接，用于采集轨道车辆运行的加速度数据；
供电模块5连接PCB电路板15，用于给PCB电路板15和单片机开发板16供电。
还包括网络通信模块4，网络通信模块4连接单片机；网络通信模块4为WiFi或蓝牙模块，用于将车辆状态信息实时发送给其它设备。
所述单片机开发板16为ESP-32开发板。
所述供电模块5包括电源模块18和太阳能板6，电源模块18连接PCB电路板15，电源模块18通过连接线7连接太阳能板6。
所述供电模块5包括电源接头17，电源接头17一端连接PCB电路板15，电源接头17另一端连接外部电源。
一种基于机器学习的轨道车辆运行状态感知方法，包括以下步骤：
S1、系统准备，将加速度传感器放置在轨道车辆上，通过加速度传感器收集车辆加速、减速、停止、运行不同运行状态加速度数据；
S2、处理和应用数据，将不同运行状态的加速度数据导入开源机器学习框架，训练出可部署在单片机开发板的机器学习结果模型文件；
S3、将含机器学习结果模型文件上传至主模块2的单片机；
S4、部署系统，根据监测加速度数据的需要，将系统布置在轨道车辆上采集轨道车辆运行的加速度数据信号并上传至主模块2；
S5、将加速度信号采集模块3采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后给出判别结果。
所述步骤S2中，包括以下步骤：
步骤一：机器学习模块1利用加速度传感器收集轨道车辆加速、减速、停止、运行、转弯、刹车、碰撞、出轨、轮轨磨耗、振动、倒车、摆动十二种运行状态的加速度数据作为训练样本集；
步骤二：将收集的各个运动状态加速度数据进行整理分类，分割成训练集和验证集，分割比例为N1:N2,定义每组加速度数据样本和标签值；
步骤三：建立人工神经网络进行训练；
步骤四：将在步骤二中的训练集导入开源机器学习框架进行模型训练，最终计算损失值或者准确率，根据损失值或者准确率，通过调整参数对人工神经网络进行最终优化，使得最终优化后的人工神经网络对于所有输入层神经元都能达到全局最优；
步骤五：将步骤四训练好的人工神经网络以模型文件导出，部署到单片机上进行轨道车辆运行状态的识别。
所述步骤二中，分割比例为N1:N2,N1＝8,N2＝2。
所述步骤三中，人工神经网络有三层：分为输入层、隐含层、输出层，隐含层的激活函数采用relu函数，输出层激活函数采用softmax函数。
所述加速度传感器为MEMS六轴加速度传感器。
本发明的基于机器学习的轨道车辆运行状态感知系统和方法，装置体积小，结构简单，识别精度高，能源消耗少，采用太阳能绿色能源，适合部署到空间狭小位置，能够很方便地布置在各个需要测量的位置。
附图说明
图1是本发明基于机器学习的轨道车辆运行状态感知系统原理框图。
图2是本发明基于机器学习的轨道车辆运行状态感知系统整体结构图。
图3是本发明基于机器学习的轨道车辆运行状态感知系统分解结构图。
图4是本发明基于机器学习的轨道车辆运行状态感知系统流程图。
图中：1、机器学习模块，2、主模块，3、加速度信号采集模块，4、网络通信模块，5、供电模块，6、太阳能板，7、连接线，8、上壳体，9、下壳体，10、电池仓，11、螺栓孔，12、散热孔，13、加速度传感器，14、LED指示灯，15、PCB电路板，16、单片机开发板，17、电源接头，18、电源模块。
具体实施方式
本发明的基于机器学习的轨道车辆运行状态感知系统如图1所示，包括机器学习模块1、主模块2、加速度信号采集模块3，供电模块5和网络通信模块4。
机器学习模块采用开源机器学习框架进行机器学习，采用开源框架Tensorflow进行机器学习，通过构建人工神经网络对不同运动状态的加速度数据训练得到用于判别车辆运行状态的模型文件，将模型文件部署到单片机上运行来判别车辆运行状态。机器学习模块1中所用的模型是通过前期通过加速度传感器采集大量不同运行状态的加速度数据，使用开源框架Tensorflow进行机器学习，采用Keras、numpy等库函数、sparse_categorical_crossentropy损失函数、Adam优化器进行模型等人工智能计算库进行模型训练得到用于判别车辆运行状态的机器学习模型文件。
如图2和图3所示，主模块2主要包括外部壳体、PCB电路板，外部壳体包括上壳体8和下壳体9，通过螺栓连接后，扣合后形成中置容纳空间，内部留有放置PCB电路板15的空间，PCB电路板15安装有单片机开发板16、LED指示灯14，单片机可采用ESP-32系列、ArduinoNano系列的这种体积小、具有装载机器训练学习结果的单片机，但不仅限于这些单片机；主模块1根据加速度传感器采集的加速度信号判别车辆运行状态，通过网络通信模块4将状态信息实时发送给向其它设备。ESP-32开发板采用的为ESP-32-WROOM-32开发板，此开发板可以提供WIFI模块和人工智能模块，可以用于低功耗传感器网络和要求极高的任务，其核心为ESP32芯片，该开发板可以利用低功耗协处理器来不断检测外设的状态变化，还集成了I2C和I2S丰富的外设。
加速度信号采集模块3主要包括加速度传感器，加速度传感器放置在PCB电路板上，通过内部电路与单片机连接，将加速度信号传输给主模块1用于车辆运行状态判别。
供电模块5主要包括电池、太阳能板6和连接线7，采用太阳能板6和电池组合进行供电,太阳能板6使用连接线7通过接线端子连接到PCB电路板15上，PCB电路板15上放置电源模块用来连接太阳能板6，单片机板16以及电池三部分，实现太阳能板6对整个系统的供电。供电模块单独放在充电仓10，电池方便拆卸，实现了供电的灵活性。外部壳体设置有散热孔12或密封式散热铝壳用来散热。太阳能板6通过连接线和接线端子连接电路板，放置装置外部，连接线的长度可以根据需要自行调整，这样的设计适合于获得长期供电以及灵活取得太阳能源。电源模块18的可充电电池可以用诸如18650电池，26650锂电池等，但不仅限于这几种电池。
供电模块也可采用为系统供电方式，见图3，系统可以通过电源接头17连接外部电源进行供电，当外部电源进行供电时，不需要储能电池和太阳能板，减少了系统体积。阳能板通过连接线设置于装置外部，可灵活改变连接线长度以改变太阳能板安装位置以便获取太阳能源。
网络通信模块4采用WiFi或蓝牙模块对数据进行实时的传输,优选WiFi传输模块，WIFI模块通常采用AT指令，或者进行WEB配置等方式对其参数进行配置，使其接入网络热点，并通过TCP/IP协议进行数据无线传输，而且，WIFI传输模块具有传输速率高的特性，适用于无线传输领域。
轨道车辆运行状态感知的方法，基于上述系统实现，本方法具体过程参见图4，包括以下步骤：
S1、系统准备，将加速度传感器放置在轨道车辆不妨碍车辆其它组件工作的合适位置，连接加速度传感器与单片机开发板，通过串口通讯方式收集车辆加速、减速、停止、运行、转弯、刹车、碰撞、出轨、轮轨磨耗、振动、倒车、摆动十二种运行状态加速度数据；
S2、处理和应用数据，将不同运行状态的加速度数据进行进一步处理，导入开源机器学习框架，训练出可部署在单片机开发板的机器学习结果模型文件，具体步骤如下：具体步骤如下：
步骤一：利用轨道车辆不同运行状态的加速度数据，加速度数据的获取可以在前期将加速度传感器放置在轨道车辆下方合适位置，收集轨道车辆加速、减速、停止、运行四种运行状态的加速度数据作为训练样本集；加速度传感器为低功耗的MEMS六轴加速度传感器，可提供六轴加速度数据，每种运行状态由N3(优选地N3＝100)组加速度数据进行确定，本发明取输入层神经元个数为N4(优选的N4＝600)，本发明输出结果有四个，设置输出层神经元个数为N5(优选地N5＝4)，中间层神经元个数可暂时由经验公式确定，其经验公式如下：
Figure BDA0003316772400000051
其中Nmid为隐含层神经元个数，Nin为输入层神经元个数，Nout为输出层神经元个数；
步骤二：将收集来的各个运动状态加速度数据进行整理分类，分割成训练集和验证集，分割比例为N1:N2,优选的N1＝8,N2＝2，定义每组加速度数据样本和标签值,训练集用于人工神经网络模型的训练，验证集用来对人工神经网络模型泛化能力的验证，为了方便机器学习，本发明将不同运行状态的标签定义采用独热编码0、1、2、3的形式；
步骤三：建立人工神经网络，设置权重、偏置、激活函数、训练轮数等基本参数。人工神经网络有三层，分为输入层、隐含层、输出层，输入层的神经元个数以可代表车辆运行状态最小加速度数据组个数确定，神经网络输出层个数根据所需输出结果种类个数确定，轨道车俩运行状态识别问题属于多变量线性回归的分类问题，优选地，隐含层的激活函数采用relu函数，输出层激活函数采用softmax函数。在训练过程中，通过有标签样本来学习训练权重和偏差的理想值，在监督学习过程中，检查大量有标签样本并尝试找出最优参数来得到最大限度减少损失的模型，人工神经网络可以通过反向优化算法对基本参数进行自动修正，直至训练结束；
步骤四：将在步骤二中的训练集导入开源机器学习框架进行模型训练，最终计算损失值或者准确率，根据损失值或者准确率，通过调整参数对人工神经网络进行最终优化，使得最终优化后的人工神经网络对于所有输入层神经元都能达到全局最优；
步骤五：将步骤四训练好的人工神经网络以模型文件导出，此模型文件可以部署到单片机上进行轨道车辆运行状态的识别。
S3、将含机器学习结果模型文件的预编译好的程序上传至主模块的单片机单片机，使主模块能够使加速度传感器采集功能和通信功能生效；
S4、部署系统，根据监测加速度数据的需要，将系统布置在轨道车辆不妨碍车辆其它组件工作的合适位置采集轨道车辆运行的加速度数据信号并上传至主模块，太阳能板放置在轨道车辆上方便于采集太阳能源为系统供电；
S5、将加速度信号采集模块采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后，将判别通过网络通信模块传输给远端其它设备。
工作原理：通过将加速度传感器放置在轨道车辆下方，收集轨道车辆不同运行状态的加速度数据，对数据进行标签分类，归一化处理；构建预测车辆运行状态的人工神经网络，在Tensorflow框架进行机器学习，输入轨道车辆不同运行状态的加速度数据进行训练，利用反向传播算法不断修正各个参数，使人工神经网络判断准确率达到最优，输出用于部署在单片机上的机器学习模型；将机器学习模型部署到单片机上，将该系统放置在轨道车辆下方，太阳能板放置在车体合适位置，以便获得太阳能源，进行停车、运行、加速、减速加速度数据的采集，接收到加速度数据信息后，将加速度信息传入神经网络模型进行智能识别，将最终的轨道车辆的运行状态发送给外部设备。此过程中，太阳能模块通过TP-4056电源模块与电池对系统实施供电。
若该识别系统需要升级、硬件更换和功能扩展时，可以采用以下方式：当加速度数据采集模块需要升级更新时，可以更改不同的加速度传感器，如果传感器的电路改变，可以通过重新设计改变PCB电路板实现；当太阳能板需要改变放置位置时，只需更改连接线长度即可；当原来模块不能满足新的功能需求时，外壳不变，内部硬件改变，卸载其内部硬件，更新硬件后重新安装即可；当需要进行功能扩展时，无需改变整体壳体结构，重新更新ESP-32开发板内部程序即可。
本发明的基于机器学习的轨道车辆运行状态感知系统，体积小，实现了三个一元硬币大小的低价单片机上实现机器学习的运行状态检测，系统整体尺寸为：90mm×50mm×30mm，体积很小，易于携带和在狭窄空间部署；准确度高，可精确识别多种运行状态类型，该轨道车辆运行状态监测装置融合了人工智能模块，通过机器学习对收集到的海量加速度数据进行处理训练，将训练得到的模型文件部署到单片机上，其准确率可以通过多次训练进行提高；能耗低，续航能力强，绿色能源自我供电。加上合适的电池组合，就可以不需要外部电源，长期自我供电，例如使用三节3.7V，1200mah的电池组合，可以给系统供电一年以上，如果加上电池供电，则不需要外部电源供电；供电方式灵活，可以使用太阳能和储能电池组自我供电，也可以使用外部电源进行供电。当外部电源进行供电时，不需要储能电池和太阳能板，减少了系统体积；易于连接其他模块，网络通信模块可以选用WIFI模块或蓝牙模块，实现数据与其他设备的实时传输，防止了数据延迟；成本低，结构组成少，可靠性高，装置简单，易于维护，主要花费为微控制器开发板；微处理器性能可升级，主模块内置微处理器，随着微处理器的更新换代，其运算速度，功耗水平等性能指标都会有所改善。
本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。

Claims (10)

1.一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：包括机器学习模块(1)、主模块(2)、加速度信息采集模块(3)和供电模块(5)，
机器学习模块，用于将轨道车辆加速度数据进行训练，得到可部署在单片机开发板的机器学习结果模型文件；
主模块(2)的PCB电路板(15)上安装具有装载机器训练学习结果的单片机开发板(16)，主模块(2)用于将加速度信号采集模块(3)采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后给出判别结果；
加速度信息采集模块(3)包括加速度传感器(13)，加速度传感器(13)安装于PCB电路板(15)上并与单片机连接，用于采集轨道车辆运行的加速度数据；
供电模块(5)连接PCB电路板(15)，用于给PCB电路板(15)和单片机开发板(16)供电。
2.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：还包括网络通信模块(4)，网络通信模块(4)连接单片机；网络通信模块(4)为WiFi或蓝牙模块，用于将车辆状态信息实时发送给其它设备。
3.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：所述单片机开发板(16)为ESP-32开发板。
4.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：所述供电模块(5)包括电源模块(18)和太阳能板(6)，电源模块(18)连接PCB电路板(15)，电源模块(18)通过连接线(7)连接太阳能板(6)。
5.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：所述供电模块(5)包括电源接头(17)，电源接头(17)一端连接PCB电路板(15)，电源接头(17)另一端连接外部电源。
6.一种基于机器学习的轨道车辆运行状态感知方法，其特征在于：包括以下步骤：
S1、系统准备，将加速度传感器放置在轨道车辆上，通过加速度传感器收集车辆加速、减速、停止、运行不同运行状态加速度数据；
S2、处理和应用数据，将不同运行状态的加速度数据导入开源机器学习框架，训练出可部署在单片机开发板的机器学习结果模型文件；
S3、将含机器学习结果模型文件上传至主模块(2)的单片机；
S4、部署系统，根据监测加速度数据的需要，将系统布置在轨道车辆上采集轨道车辆运行的加速度数据信号并上传至主模块(2)；
S5、将加速度信号采集模块(3)采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后给出判别结果。
7.根据权利要求6所述的一种基于机器学习的轨道车辆运行状态感知方法，其特征在于：所述步骤S2中，包括以下步骤：
步骤一：机器学习模块(1)利用加速度传感器收集轨道车辆的加速度数据作为训练样本集；
步骤二：将收集的各个运动状态加速度数据进行整理分类，分割成训练集和验证集，分割比例为N1:N2,定义每组加速度数据样本和标签值；
步骤三：建立人工神经网络进行训练；
步骤四：将在步骤二中的训练集导入开源机器学习框架进行模型训练，最终计算损失值或者准确率，根据损失值或者准确率，通过调整参数对人工神经网络进行最终优化，使得最终优化后的人工神经网络对于所有输入层神经元都能达到全局最优；
步骤五：将步骤四训练好的人工神经网络以模型文件导出，部署到单片机上进行轨道车辆运行状态的识别。
8.根据权利要求7所述的一种基于机器学习的轨道车辆运行状态感知方法，其特征在于：所述步骤二中，分割比例为N1:N2,N1＝8,N2＝2。
9.根据权利要求7所述的一种基于机器学习的轨道车辆运行状态感知方法，其特征在于：所述步骤三中，人工神经网络有三层：分为输入层、隐含层、输出层，隐含层的激活函数采用relu函数，输出层激活函数采用softmax函数。
10.根据权利要求7所述的一种基于机器学习的轨道车辆运行状态感知方法，其特征在于：所述加速度传感器为MEMS六轴加速度传感器。
CN202111233628.2A 2021-10-22 2021-10-22 一种基于机器学习的轨道车辆运行状态感知系统及方法 Pending CN113937893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111233628.2A CN113937893A (zh) 2021-10-22 2021-10-22 一种基于机器学习的轨道车辆运行状态感知系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111233628.2A CN113937893A (zh) 2021-10-22 2021-10-22 一种基于机器学习的轨道车辆运行状态感知系统及方法

Publications (1)

Publication Number Publication Date
CN113937893A true CN113937893A (zh) 2022-01-14

Family

ID=79283783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111233628.2A Pending CN113937893A (zh) 2021-10-22 2021-10-22 一种基于机器学习的轨道车辆运行状态感知系统及方法

Country Status (1)

Country Link
CN (1) CN113937893A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105657029A (zh) * 2016-01-28 2016-06-08 北京交通大学 一种面向车联网应用的车载状态信息采集与传输系统
CN112417598A (zh) * 2020-11-20 2021-02-26 福建工程学院 一种多源融合的车辆状态并联估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105657029A (zh) * 2016-01-28 2016-06-08 北京交通大学 一种面向车联网应用的车载状态信息采集与传输系统
CN112417598A (zh) * 2020-11-20 2021-02-26 福建工程学院 一种多源融合的车辆状态并联估计方法

Similar Documents

Publication Publication Date Title
Lynch et al. Embedding damage detection algorithms in a wireless sensing unit for operational power efficiency
CN102072829B (zh) 一种面向钢铁连铸设备的故障预测方法及装置
CN101902831B (zh) 适用于机械设备振动检测的无线传感器网络节点
CN2886711Y (zh) 基于ZigBee模式的开放式无线智能传感器
CN105823484B (zh) 一种集成式惯性导航测量单元及相应测量方法
CN202472410U (zh) 一种基于无线技术的汽车obd故障诊断仪
CN201804238U (zh) 车辆性能远程监控系统
CN101857028A (zh) 车辆性能远程监控系统
CN106772086A (zh) 一种车载蓄电池状态检测装置及检测方法
CN211642076U (zh) 一种车辆状态采集传输装置及其管理系统
CN103092164A (zh) 基于物联网的城市固废收运智能监控装置及方法
CN101266189A (zh) 一种结构低频振动无线巡查星形网络的构建方法
CN114753994B (zh) 一种小型集成式液压泵状态监测装置及监测方法
CN201003997Y (zh) 列车车辆制动试验监测装置
CN1643463A (zh) 用于配备了机器控制系统并包括旋转机器单元的机器的状态监控系统
CN109979205A (zh) 一种基于nfc通信的无线智能车位终端及其应用方法
CN113937893A (zh) 一种基于机器学习的轨道车辆运行状态感知系统及方法
CN203179107U (zh) 设备巡检管理系统用的智能巡检仪
CN206788336U (zh) 一种直接从电池包取电的动力电池全生命周期监测装置
CN110376608A (zh) 一种基于功率平衡的车辆总质量动态测量方法
CN204007634U (zh) 用于路基垂直管道倾斜度的检测装置
CN203689543U (zh) 工程结构的病害检查电子化系统
CN209087123U (zh) 一种无线电参数采集终端
CN102590749A (zh) 一种电池荷电状态预测内核设计方法
CN114384606A (zh) 无人机环境参数获取装置、无人机设备及系统

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