CN116001579A - 新能源车紧急断电方法及系统 - Google Patents
新能源车紧急断电方法及系统 Download PDFInfo
- Publication number
- CN116001579A CN116001579A CN202310085717.XA CN202310085717A CN116001579A CN 116001579 A CN116001579 A CN 116001579A CN 202310085717 A CN202310085717 A CN 202310085717A CN 116001579 A CN116001579 A CN 116001579A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- vector
- vibration
- power
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 333
- 238000000605 extraction Methods 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种新能源车紧急断电方法及系统,其获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值,以及,所述预定时间段的车身振动信号;采用基于深度学习的人工智能技术,挖掘生成振动信号和车身振动信号的高维局部振动隐含模式特征,以获取生成振动信号和车身振动信号的振动特征在高维特征空间中的特征分布差异,并基于差异确认是否产生紧急断电警示信号。这样,可以提高对于新能源车是否进行紧急断电的判断的准确性,以避免影响汽车的正常运转。
Description
技术领域
本申请涉及智能化控制技术领域,且更为具体地,涉及一种新能源车紧急断电方法及系统。
背景技术
新能源车在行驶过程中出现重大故障或紧急事故时,往往采用紧急断电的方式来强制停止车辆电机的运转。市面上大多数新能源车实现这一目的的做法是安装紧急断电开关来手动控制当前时间点是否需要开启紧急断电。
但在实际运行过程中,由路面工况不佳等原因而引起的车辆振动易造成紧急断电开关自动提起造成电源断开,导致汽车不能正常运转,严重者会产生重大的安全事故。
因此,期待一种优化的新能源车紧急断电方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种新能源车紧急断电方法及系统,其获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值,以及,所述预定时间段的车身振动信号;采用基于深度学习的人工智能技术,挖掘生成振动信号和车身振动信号的高维局部振动隐含模式特征,以获取生成振动信号和车身振动信号的振动特征在高维特征空间中的特征分布差异,并基于差异确认是否产生紧急断电警示信号。这样,可以提高对于新能源车是否进行紧急断电的判断的准确性,以避免影响汽车的正常运转。
根据本申请的一个方面,提供了一种新能源车紧急断电方法,其包括:
获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;
将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;
将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;
将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;
对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及
将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
在上述新能源车紧急断电方法中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述新能源车紧急断电方法中,所述将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一尺度功率特征向量;其中,所述公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述功率输入向量;使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第二尺度功率特征向量;其中,所述公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述功率;以及,使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率特征向量。
在上述新能源车紧急断电方法中,所述对抗生成网络包括鉴别器和生成器,所述生成器包括多个反卷积层。
在上述新能源车紧急断电方法中,所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型。
在上述新能源车紧急断电方法中,所述计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量,包括:使用以下公式计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;其中,所述公式为:
在上述新能源车紧急断电方法中,所述对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量,包括:以如下公式对所述生成振动特征向量和所述检测振动特征向量进行向量模基的希尔伯特空间约束以获得校正特征向量;其中,所述公式为:
其中,V′表示所述校正特征向量,V1表示所述生成振动特征向量,V2表示所述检测振动特征向量,V2 T表示所述检测振动特征向量的转置向量,||V1||2表示所述生成振动特征向量的二范数,||V2||2表示所述检测振动特征向量的二范数,α和β表示权重超参数,表示按位置加法,Cov1D表示一维卷积运算;以及,将所述校正特征向量与所述差分特征向量进行按位置点乘以得到所述优化后差分特征向量。
在上述新能源车紧急断电方法中,所述将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号,包括:使用所述分类器的多个全连接层对所述优化后差分特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种新能源车紧急断电系统,其包括:
数据获取模块,用于获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;
多尺度特征提取模块,用于将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;
振动生成模块,用于将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;
孪生网络模块,用于将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
差分特征计算模块,用于计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;
优化模块,用于对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及
紧急断电警示信号生成模块,用于将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
在上述新能源车紧急断电系统中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
与现有技术相比,本申请提供的新能源车紧急断电方法及系统,其获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值,以及,所述预定时间段的车身振动信号;采用基于深度学习的人工智能技术,挖掘生成振动信号和车身振动信号的高维局部振动隐含模式特征,以获取生成振动信号和车身振动信号的振动特征在高维特征空间中的特征分布差异,并基于差异确认是否产生紧急断电警示信号。这样,可以提高对于新能源车是否进行紧急断电的判断的准确性,以避免影响汽车的正常运转。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的新能源车紧急断电方法的场景示意图。
图2为根据本申请实施例的新能源车紧急断电方法的流程图。
图3为根据本申请实施例的新能源车紧急断电方法的架构示意图。
图4为根据本申请实施例的新能源车紧急断电方法中步骤S170的子步骤的流程图。
图5为根据本申请实施例的新能源车紧急断电系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,在实际运行过程中,由路面工况不佳等原因而引起的车辆振动易造成紧急断电开关自动提起造成电源断开,导致汽车不能正常运转,严重者会产生重大的安全事故。因此,期待一种优化的新能源车紧急断电方案。
相应地,在本申请的技术方案中,期待构建方案来分辨振动异常时由于重大故障或者紧急事件引起,还是因其他因素引起。在基于振动信号来进行事件类型分析时,如果仅继续振动特征来进行事件类型分析,会产生较大的偏差,其原因为车辆自身在行驶过程中也会产生振动,如果忽略车辆自身因素,而仅基于振动特征的绝度量来进行紧急断电控制,会产生误判的情况,反而引入新的安全隐患。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为新能源车紧急断电方案的构建提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号。这里,通过部署于车辆的振动传感器来采集所述车身振动信号,用于表示车身振动的绝对量。而所述多个预定时间点的发动机功率值则用于表示待监控新能源车的正常工作状态。应可以理解,在本申请的技术方案中,所述待监控新能源车在正常工作状态下也会产生振动,为了便于理解,将此部分振动定义为自动振动,而这可以通过基于对抗生成网络的振动生成器来实现。
相应地,首先将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量。也就是,先对所述发动机功率值的时序向量进行特征编码以捕捉所述预定时间段内的所述待监控新能源车的工作功率模式特征。在本申请的技术方案中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。在所述多尺度邻域特征提取模块的数据处理过程中,其首先使用具有不同尺度的一维卷积核对所述功率输入向量进行不同尺度的一维卷积编码以捕捉所述发动机功率值的时序分布中不同时间窗口内功率分布的局部模式关联特征,进而使用所述多尺度特征融合层来融合所述不同时间窗口内功率分布的局部模式关联特征以得到所述功率特征向量。
接着,将所述功率特征向量通过基于对抗生成的振动生成器以得到生成振动信号。也就是,基于对抗生成思想来生成所述功率特征向量对应的天然振动信号,即所述生成振动信号。具体地,所述对抗生成网络包括鉴别器和生成器,其中,所述生成器用于对所述功率特征向量进行特征解码以得到生成振动信号,所述鉴别器用于度量所述生成振动信号和真实天然振动信号之间的差异以得到鉴别器损失函数值,进而以所述鉴别器损失函数值作为损失函数值并通过梯度下降的反向传播来更新所述生成器以使得所述生成器通过特征解码生成的生成振动信号能够逼近真实的天然振动信号。
在得到所述生成振动信号后,将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。也就是,使用具有相同网络结构的图像编码器分别对所述生成振动信号和所述车身振动信号的波形图进行图像编码以捕捉所述生成振动信号和所述车身振动信号的波形图中的高维局部振动隐含模式特征,以得到所述生成振动特征向量和检测振动特征向量。在本申请一个具体的示例中,所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型,例如,深度残差网络模型。
接着,计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量。所述差分特征向量用于表示所述生成振动信号和所述车身振动信号的振动特征在高维特征空间中的特征分布差异。应可以理解,在本申请的技术方案中,所述生成振动特征向量用于表示因新能源车的工作状态引入的天然振动特征,而所述检测振动特征向量用于表示新能源车的绝对振动特征。因此,在本申请的技术方案中,所述差分特征向量用于表示外界事件或要素所引起的振动模式特征。
进而,将所述差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。也就是,使用所述分类器来确定所述差分特征向量所属的类概率标签,所述类概率标签包括产生紧急断电警示信号(第一标签),以及,不产生紧急断电警示信号(第二标签)。
特别地,在本申请的技术方案中,计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量之间的差分特征向量,考虑到所述生成振动特征向量通过对生成振动信号进行特征编码得到,所述生成振动信号本身并非真实的传感器信号,而是通过神经网络所生成的具有深度特性的特征表示,因此可能存在所述差分特征向量的整体特征分布的收敛性差的问题,这会导致分类器的拟合效果差。而另一方面,在对所述差分特征向量进行分类时,如果所述差分特征向量的各特征值之间的相关度高,则会降低分类准确性。
因此,对所述生成振动特征向量V1和所述检测振动特征向量V2进行向量模基的希尔伯特空间约束以获得校正特征向量,表示为:
也就是,通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对融合的特征向量进行约束,来将融合后的向量的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中,并提升了融合向量的特征分布的高维流形的各个基维度之间的正交性,从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样,通过将所述校正特征向量V′与所述差分特征向量进行点乘,就对所述差分特征向量进行了校正。
基于此,本申请提供了一种新能源车紧急断电方法,其包括:获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及,将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
图1为根据本申请实施例的新能源车紧急断电方法的场景示意图。如图1所示,在该应用场景中,首先,首先获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值(例如,如图1中所示意的C1)和所述预定时间段的车身振动信号(例如,如图1中所示意的C2);然后,将获取的发动机功率值和车身振动信号输入至部署有新能源车紧急断电算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于新能源车紧急断电算法对所述发动机功率值和所述车身振动信号进行处理,以生成用于表示是否产生紧急断电警示信号的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的新能源车紧急断电方法的流程图。如图2所示,根据本申请实施例的新能源车紧急断电方法,包括步骤:S110,获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;S120,将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;S130,将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;S140,将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;S150,计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;S160,对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及,S170,将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
图3为根据本申请实施例的新能源车紧急断电方法的架构示意图。如图3所示,在该网络架构中,首先,获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;然后,将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;接着,将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;然后,将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;接着,计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;然后,对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及,最后,将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
具体地,在步骤S110中,获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号。如前所述,在实际运行过程中,由路面工况不佳等原因而引起的车辆振动易造成紧急断电开关自动提起造成电源断开,导致汽车不能正常运转,严重者会产生重大的安全事故。因此,期待一种优化的新能源车紧急断电方案。
相应地,在本申请的技术方案中,期待构建方案来分辨振动异常时由于重大故障或者紧急事件引起,还是因其他因素引起。在基于振动信号来进行事件类型分析时,如果仅继续振动特征来进行事件类型分析,会产生较大的偏差,其原因为车辆自身在行驶过程中也会产生振动,如果忽略车辆自身因素,而仅基于振动特征的绝度量来进行紧急断电控制,会产生误判的情况,反而引入新的安全隐患。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为新能源车紧急断电方案的构建提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号。这里,通过部署于车辆的振动传感器来采集所述车身振动信号,用于表示车身振动的绝对量。而所述多个预定时间点的发动机功率值则用于表示待监控新能源车的正常工作状态。应可以理解,在本申请的技术方案中,所述待监控新能源车在正常工作状态下也会产生振动,为了便于理解,将此部分振动定义为自动振动,而这可以通过基于对抗生成网络的振动生成器来实现。
具体地,在步骤S120中,将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量。相应地,首先将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量。也就是,先对所述发动机功率值的时序向量进行特征编码以捕捉所述预定时间段内的所述待监控新能源车的工作功率模式特征。
在本申请的技术方案中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在所述多尺度邻域特征提取模块的数据处理过程中,其首先使用具有不同尺度的一维卷积核对所述功率输入向量进行不同尺度的一维卷积编码以捕捉所述发动机功率值的时序分布中不同时间窗口内功率分布的局部模式关联特征,进而使用所述多尺度特征融合层来融合所述不同时间窗口内功率分布的局部模式关联特征以得到所述功率特征向量。
进一步地,所述将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一尺度功率特征向量;其中,所述公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述功率输入向量;
使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第二尺度功率特征向量;其中,所述公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述功率;以及,使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率特征向量。
具体地,在步骤S130中,将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号。接着,将所述功率特征向量通过基于对抗生成的振动生成器以得到生成振动信号。也就是,基于对抗生成思想来生成所述功率特征向量对应的天然振动信号,即所述生成振动信号。
具体地,所述对抗生成网络包括鉴别器和生成器,其中,所述生成器用于对所述功率特征向量进行特征解码以得到生成振动信号,所述鉴别器用于度量所述生成振动信号和真实天然振动信号之间的差异以得到鉴别器损失函数值,进而以所述鉴别器损失函数值作为损失函数值并通过梯度下降的反向传播来更新所述生成器以使得所述生成器通过特征解码生成的生成振动信号能够逼近真实的天然振动信号。
具体地,在步骤S140中,将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。在得到所述生成振动信号后,将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
也就是,使用具有相同网络结构的图像编码器分别对所述生成振动信号和所述车身振动信号的波形图进行图像编码以捕捉所述生成振动信号和所述车身振动信号的波形图中的高维局部振动隐含模式特征,以得到所述生成振动特征向量和检测振动特征向量。在本申请一个具体的示例中,所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型,例如,深度残差网络模型。
具体地,在步骤S150中,计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量。接着,计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量。所述差分特征向量用于表示所述生成振动信号和所述车身振动信号的振动特征在高维特征空间中的特征分布差异。
应可以理解,在本申请的技术方案中,所述生成振动特征向量用于表示因新能源车的工作状态引入的天然振动特征,而所述检测振动特征向量用于表示新能源车的绝对振动特征。因此,在本申请的技术方案中,所述差分特征向量用于表示外界事件或要素所引起的振动模式特征。
其中,所述计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量,包括:使用以下公式计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;其中,所述公式为:
具体地,在步骤S160中,对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量。特别地,在本申请的技术方案中,计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量之间的差分特征向量,考虑到所述生成振动特征向量通过对生成振动信号进行特征编码得到,所述生成振动信号本身并非真实的传感器信号,而是通过神经网络所生成的具有深度特性的特征表示,因此可能存在所述差分特征向量的整体特征分布的收敛性差的问题,这会导致分类器的拟合效果差。而另一方面,在对所述差分特征向量进行分类时,如果所述差分特征向量的各特征值之间的相关度高,则会降低分类准确性。
因此,对所述生成振动特征向量V1和所述检测振动特征向量V2进行向量模基的希尔伯特空间约束以获得校正特征向量,也就是,在本申请的实施例中,所述对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量,包括:以如下公式对所述生成振动特征向量和所述检测振动特征向量进行向量模基的希尔伯特空间约束以获得校正特征向量;其中,所述公式为:
其中,V′表示所述校正特征向量,V1表示所述生成振动特征向量,V2表示所述检测振动特征向量,V2 T表示所述检测振动特征向量的转置向量,||V1||2表示所述生成振动特征向量的二范数,||V2||2表示所述检测振动特征向量的二范数,α和β表示权重超参数,表示按位置加法,Cov1D表示一维卷积运算;以及,将所述校正特征向量与所述差分特征向量进行按位置点乘以得到所述优化后差分特征向量。
也就是,通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对融合的特征向量进行约束,来将融合后的向量的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中,并提升了融合向量的特征分布的高维流形的各个基维度之间的正交性,从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样,通过将所述校正特征向量V′与所述差分特征向量进行点乘,就对所述差分特征向量进行了校正。
具体地,在步骤S170中,将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。进而,将所述差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。也就是,使用所述分类器来确定所述差分特征向量所属的类概率标签,所述类概率标签包括产生紧急断电警示信号(第一标签),以及,不产生紧急断电警示信号(第二标签)。
图4为根据本申请实施例的新能源车紧急断电方法中步骤S170的子步骤的流程图,如图4所示,所述将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号,包括:S210,使用所述分类器的多个全连接层对所述优化后差分特征向量进行全连接编码以得到编码分类特征向量;以及,S220,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中,使用所述分类器以如下公式对所述优化后差分特征向量进行处理以获得所述分类结果,其中,所述公式为:
softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述优化后差分特征向量。
综上,基于本申请实施例的新能源车紧急断电方法及系统,其获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值,以及,所述预定时间段的车身振动信号;采用基于深度学习的人工智能技术,挖掘生成振动信号和车身振动信号的高维局部振动隐含模式特征,以获取生成振动信号和车身振动信号的振动特征在高维特征空间中的特征分布差异,并基于差异确认是否产生紧急断电警示信号。这样,可以提高对于新能源车是否进行紧急断电的判断的准确性,以避免影响汽车的正常运转。
示例性系统
图5为根据本申请实施例的新能源车紧急断电系统的框图。如图5所示,根据本申请实施例的新能源车紧急断电系统100,包括:数据获取模块110,用于获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;多尺度特征提取模块120,用于将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;振动生成模块130,用于将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;孪生网络模块140,用于将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;差分特征计算模块150,用于计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;优化模块160,用于对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及,紧急断电警示信号生成模块170,用于将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
在一个示例中,在上述新能源车紧急断电系统100中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在一个示例中,在上述新能源车紧急断电系统100中,所述多尺度特征提取模块,包括:第一尺度特征提取单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一尺度功率特征向量;其中,所述公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述功率输入向量;第二尺度特征提取单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第二尺度功率特征向量;其中,所述公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述功率;以及,融合单元,用于使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率特征向量。
在一个示例中,在上述新能源车紧急断电系统100中,所述对抗生成网络包括鉴别器和生成器,所述生成器包括多个反卷积层。
在一个示例中,在上述新能源车紧急断电系统100中,所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型。
在一个示例中,在上述新能源车紧急断电系统100中,所述差分特征计算模块,进一步用于:使用以下公式计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;其中,所述公式为:
在一个示例中,在上述新能源车紧急断电系统100中,所述优化模块,进一步用于:以如下公式对所述生成振动特征向量和所述检测振动特征向量进行向量模基的希尔伯特空间约束以获得校正特征向量;其中,所述公式为:
其中,V′表示所述校正特征向量,V1表示所述生成振动特征向量,V2表示所述检测振动特征向量,V2 T表示所述检测振动特征向量的转置向量,||V1||2表示所述生成振动特征向量的二范数,||V2||2表示所述检测振动特征向量的二范数,α和β表示权重超参数,表示按位置加法,Cov1D表示一维卷积运算;以及,将所述校正特征向量与所述差分特征向量进行按位置点乘以得到所述优化后差分特征向量。
在一个示例中,在上述新能源车紧急断电系统100中,所述紧急断电警示信号生成模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述优化后差分特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述新能源车紧急断电系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的新能源车紧急断电方法的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种新能源车紧急断电方法,其特征在于,包括:
获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;
将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;
将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;
将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;
对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及
将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
2.根据权利要求1所述的新能源车紧急断电方法,其特征在于,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的新能源车紧急断电方法,其特征在于,所述将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量,包括:
使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一尺度功率特征向量;
其中,所述公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述功率输入向量;
使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第二尺度功率特征向量;
其中,所述公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述功率;以及
使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率特征向量。
4.根据权利要求3所述的新能源车紧急断电方法,其特征在于,所述对抗生成网络包括鉴别器和生成器,所述生成器包括多个反卷积层。
5.根据权利要求4所述的新能源车紧急断电方法,其特征在于,所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型。
7.根据权利要求6所述的新能源车紧急断电方法,其特征在于,所述对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量,包括:
以如下公式对所述生成振动特征向量和所述检测振动特征向量进行向量模基的希尔伯特空间约束以获得校正特征向量;
其中,所述公式为:
其中,V′表示所述校正特征向量,V1表示所述生成振动特征向量,V2表示所述检测振动特征向量,V2 T表示所述检测振动特征向量的转置向量,||V1||2表示所述生成振动特征向量的二范数,||V2||2表示所述检测振动特征向量的二范数,α和β表示权重超参数,表示按位置加法,Cov1D表示一维卷积运算;以及
将所述校正特征向量与所述差分特征向量进行按位置点乘以得到所述优化后差分特征向量。
8.根据权利要求7所述的新能源车紧急断电方法,其特征在于,所述将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号,包括:
使用所述分类器的多个全连接层对所述优化后差分特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种新能源车紧急断电系统,其特征在于,包括:
数据获取模块,用于获取待监控新能源车在预定时间段内多个预定时间点的发动机功率值和所述预定时间段的车身振动信号;
多尺度特征提取模块,用于将所述多个预定时间点的发动机功率值按照时间维度排列为功率输入向量后通过多尺度邻域特征提取模块以得到功率特征向量;
振动生成模块,用于将所述功率特征向量通过基于对抗生成网络的振动生成器以得到生成振动信号;
孪生网络模块,用于将所述生成振动信号和所述车身振动信号通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到生成振动特征向量和检测振动特征向量,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
差分特征计算模块,用于计算所述生成振动特征向量和所述检测振动特征向量之间的差分特征向量;
优化模块,用于对所述差分特征向量进行特征分布结构优化以得到优化后差分特征向量;以及
紧急断电警示信号生成模块,用于将所述优化后差分特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生紧急断电警示信号。
10.根据权利要求9所述的新能源车紧急断电系统,其特征在于,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085717.XA CN116001579A (zh) | 2023-02-02 | 2023-02-02 | 新能源车紧急断电方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085717.XA CN116001579A (zh) | 2023-02-02 | 2023-02-02 | 新能源车紧急断电方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116001579A true CN116001579A (zh) | 2023-04-25 |
Family
ID=86026889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310085717.XA Pending CN116001579A (zh) | 2023-02-02 | 2023-02-02 | 新能源车紧急断电方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116001579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116111906A (zh) * | 2022-11-17 | 2023-05-12 | 浙江精盾科技股份有限公司 | 带液压制动车铣复合专用电机及其控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102506995A (zh) * | 2011-11-22 | 2012-06-20 | 中国建筑材料科学研究总院 | 一种基于hht变换和相关分析的振动信号处理方法 |
US20120293313A1 (en) * | 2011-05-20 | 2012-11-22 | Ford Global Technologies, Llc | Method and Apparatus for Generating Vehicle Vibration to Alert Vehicle User of Warning |
CN204161132U (zh) * | 2014-09-26 | 2015-02-18 | 北汽福田汽车股份有限公司 | 电动汽车紧急断电装置和系统 |
CN105890742A (zh) * | 2016-04-15 | 2016-08-24 | 潍柴动力股份有限公司 | 一种车辆共振检测警报方法、装置及系统 |
CN111076808A (zh) * | 2019-12-20 | 2020-04-28 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
CN115456047A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 基于人工智能的海上风机结构状态监测系统及其方法 |
CN115577248A (zh) * | 2022-08-27 | 2023-01-06 | 华能新能源股份有限公司 | 风力发电机组的故障诊断系统及其方法 |
-
2023
- 2023-02-02 CN CN202310085717.XA patent/CN116001579A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120293313A1 (en) * | 2011-05-20 | 2012-11-22 | Ford Global Technologies, Llc | Method and Apparatus for Generating Vehicle Vibration to Alert Vehicle User of Warning |
CN102506995A (zh) * | 2011-11-22 | 2012-06-20 | 中国建筑材料科学研究总院 | 一种基于hht变换和相关分析的振动信号处理方法 |
CN204161132U (zh) * | 2014-09-26 | 2015-02-18 | 北汽福田汽车股份有限公司 | 电动汽车紧急断电装置和系统 |
CN105890742A (zh) * | 2016-04-15 | 2016-08-24 | 潍柴动力股份有限公司 | 一种车辆共振检测警报方法、装置及系统 |
CN111076808A (zh) * | 2019-12-20 | 2020-04-28 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
CN115456047A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 基于人工智能的海上风机结构状态监测系统及其方法 |
CN115577248A (zh) * | 2022-08-27 | 2023-01-06 | 华能新能源股份有限公司 | 风力发电机组的故障诊断系统及其方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116111906A (zh) * | 2022-11-17 | 2023-05-12 | 浙江精盾科技股份有限公司 | 带液压制动车铣复合专用电机及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116639010A (zh) | 充电桩的智能控制系统及其方法 | |
CN115909260A (zh) | 基于机器视觉的作业场所入侵预警方法及其系统 | |
CN116025319A (zh) | 多介质热流体作业监测系统及其方法 | |
CN116001579A (zh) | 新能源车紧急断电方法及系统 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
Huang et al. | Improved Kalman filter damage detection approach based on lp regularization | |
CN116683648A (zh) | 一种智能型配电柜及其控制系统 | |
CN116373732A (zh) | 车辆指示灯的控制方法及系统 | |
CN115783923A (zh) | 基于大数据的电梯故障模式识别系统 | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
CN116374645A (zh) | 用于斗轮机的运行状态监控系统及其方法 | |
CN115456789A (zh) | 基于交易模式识别的异常交易检测方法及其系统 | |
CN115128663A (zh) | 基于物联网的矿山安全生产检测系统及其检测方法 | |
CN115248355A (zh) | 机械设备故障检测系统及其检测方法 | |
CN114708451A (zh) | 引线框架塑封集成电路冲切成型的检测方法及其系统 | |
CN114993710B (zh) | 遥控式电驱折叠叉车轮毂快速维修装置及其方法 | |
CN116223075B (zh) | 用于轨道交通车辆的振动稳定性检测系统及方法 | |
CN116204821A (zh) | 用于轨道交通车辆的振动评估方法及系统 | |
CN116612431A (zh) | 用于作业场所的安防监控系统及其方法 | |
CN116206265A (zh) | 用于轨道交通运营维护的防护报警装置及方法 | |
CN116343513A (zh) | 农村公路超视距风险点安全监测预警方法及其系统 | |
Li et al. | Fast robust eigen-background updating for foreground detection | |
CN116797814A (zh) | 智慧工地安全管理系统 | |
US20180136641A1 (en) | Fault signal recovery apparatus and method |
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 |