CN116714437B - 基于大数据的氢燃料电池汽车安全监控系统及监控方法 - Google Patents
基于大数据的氢燃料电池汽车安全监控系统及监控方法 Download PDFInfo
- Publication number
- CN116714437B CN116714437B CN202310664613.4A CN202310664613A CN116714437B CN 116714437 B CN116714437 B CN 116714437B CN 202310664613 A CN202310664613 A CN 202310664613A CN 116714437 B CN116714437 B CN 116714437B
- Authority
- CN
- China
- Prior art keywords
- data
- fuel cell
- hydrogen fuel
- cell automobile
- model
- 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
Links
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 239000001257 hydrogen Substances 0.000 title claims abstract description 117
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 117
- 239000000446 fuel Substances 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 31
- 238000012706 support-vector machine Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明公开了一种基于大数据的氢燃料电池汽车安全监控系统及监控方法,属于氢燃料电池汽车技术领域,该系统包括用于实时采集氢燃料电池汽车的运行数据,得到原始数据的数据采集子系统;用于对原始数据进行预处理,得到并存储实时数据和历史数据的数据处理与存储子系统;用于利用LSTM‑SVC组合模型对实时数据和历史数据进行分析,得到分析结果的数据分析子系统;用于根据分析结果,得到实时预警信息并展示给驾驶员的安全预警子系统;以及用于根据分析结果,对氢燃料电池汽车设备进行实时控制的安全控制子系统。本发明提高了氢燃料电池汽车安全性能,降低了氢燃料电池汽车事故发生风险。
Description
技术领域
本发明属于氢燃料电池汽车技术领域,尤其涉及一种基于大数据的氢燃料电池汽车安全监控系统及监控方法。
背景技术
氢燃料电池汽车作为一种具有环保优势和可持续发展潜力的新能源汽车,正逐渐成为未来汽车产业的发展趋势。然而,由于氢燃料电池汽车涉及高压氢气的储存、输送和使用等方面的安全问题,其安全性能的保障尤为重要。目前,氢燃料电池汽车的安全监控技术仍存在一定的局限性,包括数据采集、处理、分析和控制等方面的技术瓶颈,亟需研发更加高效、准确和实时的安全监控系统。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于大数据的氢燃料电池汽车安全监控系统提高了氢燃料电池汽车安全性能,降低了氢燃料电池汽车事故发生风险。
为了达到上述发明目的,本发明采用的技术方案为:一种基于大数据的氢燃料电池汽车安全监控系统,包括数据采集子系统、数据处理与存储子系统、数据分析子系统、安全预警子系统和安全控制子系统;
所述数据采集子系统,用于实时采集氢燃料电池汽车的运行数据,得到原始数据;
所述数据处理与存储子系统,用于对原始数据进行预处理,得到并存储实时数据和历史数据;
所述数据分析子系统,用于利用LSTM-SVC组合模型对实时数据和历史数据进行分析,得到分析结果;
所述安全预警子系统,用于根据分析结果,得到实时预警信息并展示给驾驶员;
所述安全控制子系统,用于根据分析结果,对氢燃料电池汽车设备进行实时控制。
本发明的有益效果为:该系统基于大数据、机器学习和深度学习技术,能够实时监控汽车运行状态,发现潜在安全隐患并及时预警,提高汽车安全性能,降低事故发生的风险。同时,系统具有模型再学习功能,可持续适应汽车运行环境变化,具有良好的数据安全与隐私保护措施,以及可扩展性。
本发明提供了一种安全监控方法,包括以下步骤:
S1、利用数据采集子系统实时采集氢燃料电池汽车的运行数据,得到实时数据和历史数据;
S2、利用数据处理与存储子系统对历史数据进行预处理,得到氢燃料电池汽车历史运行数据;
S3、根据氢燃料电池汽车历史运行数据,得到LSTM-SVC组合模型;
S4、根据实时数据和数据分析子系统,利用LSTM-SVC组合模型,得到氢燃料电池汽车分析结果,并根据氢燃料电池汽车分析结果发出预警,完成安全监控。
本发明的有益效果为:本发明基于氢燃料电池汽车历史运行数据,得到LSTM-SVC组合模型;所述LSTM-SVC组合模型结合了LSTM和SVM的优点,在处理复杂的多标签预测任务时表现出色;能捕捉到氢燃料电池汽车历史运行数据中的时间依赖性,还可以让每个分类器专注于区分一个类别与其他所有类别,从而提高预测准确性;此外,LSTM-SVC组合模型首先通过使用LSTM学习到标签之间的复杂关系,然后在此基础上使用SVM进行精确分类,更好地利用了标签之间的关联性;并且,LSTM-SVC组合模型对氢燃料电池汽车历史运行数据的小扰动具有很强的鲁棒性,防止了过拟合,提高了泛化能力。
进一步地,所述步骤S2具体为:
S201、对历史数据进行归一化,得到第一过程数据:
x_scaled=(x-min(x))/(max(x)-min(x))
其中,x_scaled为第一过程数据;x为历史数据;min(x)为历史数据最小值;max(x)为历史数据最大值;min(·)为最小值函数;max(·)为最大值函数;
S202、使用均值插补法处理第一过程数据中的缺失值,得到氢燃料电池汽车历史运行数据,计算均值的公式如下:
其中,mean为均值;Xi为第一过程数据中第i列数据列的值;n为数据列总数;i为数据列编号。
上述进一步方案的有益效果为:通过归一化和均值插补法进行数据预处理,可以有效地改善数据的质量,在一定程度上简化计算,加快模型的训练速度,并提高模型的性能;归一化可以把所有的特征值都转换到一个固定的范围内,减小了极端值或者离群值对模型的影响;归一化和均值插补都可以提高模型的稳定性和性能,归一化可以使不同规模或量纲的特征在模型训练中具有相等的权重,均值插补则可以避免因数据缺失导致的模型训练问题。
进一步地,所述步骤S3具体为:
S301、利用LSTM模型提取氢燃料电池汽车历史运行数据的数据特征;
S302、根据氢燃料电池汽车历史运行数据的数据特征,利用SVM模型进行分类预测,得到训练分析结果;
S303、根据氢燃料电池汽车历史运行数据,判断训练分析结果是否满足指标,若是,得到LSTM-SVC组合模型,否则,调整SVM模型的超参数,返回步骤S301。
上述进一步方案的有益效果为:LSTM模型有能力从时间序列数据中提取有效的特征;SVM模型具有良好的泛化能力和处理高维数据的能力。在LSTM提取出的特征上使用SVM进行预测,能够提高模型精准度;如果预测结果不满足指标,还可以通过调整SVM的超参数来改进模型,提高了LSTM-SVC组合模型的灵活性。
进一步地,所述步骤S301具体为:
S3011、将氢燃料电池汽车历史运行数据馈入LSTM模型的第一LSTM层的输入门,得到输入门输出:
it=σ(Wi·[ht-1,xt]+bi)
其中,it为输入门输出;σ(·)为sigmoid激活函数;Wi为输入门的权重参数;ht-1为上一个时间步的隐藏状态;xt为当前时间步输入的氢燃料电池汽车历史运行数据;bi为输入门的偏置参数;
S3012、根据氢燃料电池汽车历史运行数据,利用LSTM模型的第一LSTM层的遗忘门,得到遗忘门输出:
ft=σ(Wf[ht-1,xt]+bf)
其中,ft为遗忘门输出;Wf为遗忘门的权重矩阵;bf为遗忘门的偏置项;
S3013、根据遗忘门输出和输入门输出,得到单元状态:
其中,Ct为时间步t的单元状态;Ct-1为时间步t-1的输入门单元状态;为新的单元状态候选值;tanh(·)为双曲正切激活函数;WC为候选单元状态的权重参数;bC为候选单元状态的偏置参数;
S3014、根据时间步t的单元状态和氢燃料电池汽车历史运行数据,利用LSTM层的输出门,得到输出门输出和当前时间步的隐藏状态:
ht=Ot×tanh(Ct)
Ot=σ(WO[ht-1,xt]+bO)
其中,ht为当前时间步的隐藏状态;Ot为输出门输出;WO为输出门的权重参数;bO为输出门的偏置项;
S3015、将输出门输出馈入LSTM模型的第二LSTM层,得到氢燃料电池汽车历史运行数据的数据特征。
上述进一步方案的有益效果为:LSTM模型在处理氢燃料电池汽车历史运行数据时,经过了两个LSTM层。每一层都有自己的输出门来确定输入信息的重要性。通过这样的方法,模型能够捕获更深层次的时间序列信息,从而得到更有效的数据特征;通过使用两层LSTM,可以进行更深度的特征提取,从而获得更丰富、更复杂的特征表示,这可以提高模型的预测准确性;在每一层,输出门会根据输入数据和自身的权重参数以及偏置项,来决定哪些信息是重要的,应该被保留下来,这样的设计能有效的过滤掉不重要的信息,只保留对于预测任务有用的信息;多层LSTM模型的表达能力更强,可以捕获数据中的复杂模式和趋势;多层结构可以帮助模型捕捉到数据中更抽象的特征,从而提高模型的泛化能力,使得模型在面对新的、未见过的数据时也能做出准确的预测。
进一步地,所述步骤S301中LSTM模型的损失函数为:
其中,Loss(θ)为LSTM模型的损失函数;θ为LSTM模型的模型参数;m为氢燃料电池汽车历史运行数据的样本数;i为氢燃料电池汽车历史运行数据的样本编号;yi为氢燃料电池汽车历史运行数据的样本真实标签;为氢燃料电池汽车历史运行数据的样本预测标签。
上述进一步方案的有益效果为:LSTM模型的损失函数的主要作用是为模型提供一个衡量其预测结果与真实结果差距的指标,进而指导模型的优化和调整;确保了LSTM模型能有效地学习到有用的特征;LSTM模型的损失函数对于异常值具有较好的鲁棒性,这对于特征提取过程中可能遇到的一些异常数据是有利的;LSTM模型的损失函数是连续的并且光滑的,这使得优化过程更加稳定,对于大规模的氢燃料电池汽车历史运行数据的特征提取任务来说能有效提高优化的效率。
进一步地,所述步骤S302中SVM模型具体为基于RBF核的SVM模型,所述RBF核的表达式为:
K(X1,X2)=exp(-γ×||X1-X2||2)
其中,K(X1,X2)为RBF核;γ为RBF核参数;exp(·)为以自然常数为底的指数函数;||X1-X2||为氢燃料电池汽车历史运行数据中样本X1和样本X2的欧氏距离。
上述进一步方案的有益效果为:RBF核可以将氢燃料电池汽车历史运行数据映射到一个无限维的特征空间,因此可以处理非线性的、复杂的分类边界问题;RBF核只有RBF核参数和正则化参数需要调节,这大大减少了调参的复杂性;由于RBF核SVM可以在高维空间找到最优的分类边界,因此它具有良好的泛化能力,能够对氢燃料电池汽车的实时数据给出准确的预测。
进一步地,所述步骤S302中利用SVM模型进行分类预测的预测公式为:
其中,f(x)为利用SVM模型进行分类预测的预测公式;ω为特征权重向量;为输入特征向量;x'为输入特征向量;b为偏置项。
上述进一步方案的有益效果为:该预测公式中使用了这是一个将输入数据x映射到高维特征空间的函数,在高维空间中,数据可能更容易被线性分类器分隔,提高了模型的分类效果;SVM模型试图找到最大化分类间隔的超平面,这就是预测公式的作用,通过最大化分类间隔,SVM模型能够提供良好的泛化性能;公式中的ω和b是通过学习得到的,可以通过优化算法进行调整,以适应不同的数据集和问题;在某些情况下,数据并不能在原始空间中被线性分类器正确分类,通过使用RBF核函数将数据映射到高维空间,SVM能够处理非线性问题;由于SVM模型试图最大化分类间隔,因此预测公式对异常值和噪声具有较强的稳健性。
附图说明
图1为本发明的系统结构图。
图2为本发明的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示,在本发明的一个实施例中,一种基于大数据的氢燃料电池汽车安全监控系统,包括数据采集子系统、数据处理与存储子系统、数据分析子系统、安全预警子系统和安全控制子系统;
所述数据采集子系统,用于实时采集氢燃料电池汽车的运行数据,得到原始数据;
所述数据处理与存储子系统,用于对原始数据进行预处理,得到并存储实时数据和历史数据;
所述数据分析子系统,用于利用LSTM-SVC组合模型对实时数据和历史数据进行分析,得到分析结果;
所述安全预警子系统,用于根据分析结果,得到实时预警信息并展示给驾驶员;
所述安全控制子系统,用于根据分析结果,对氢燃料电池汽车设备进行实时控制。
本发明提供了一种基于大数据的氢燃料电池汽车安全监控系统,通过分析氢燃料电池汽车历史运行的海量数据,采用机器学习/人工智能算法训练出能够准确预测各种运行状态的安全监控模型,并将其部署到车载系统端或云端,实现对氢燃料电池汽车运行状态的实时安全监控。该系统包括数据采集子系统、数据处理与存储子系统、数据分析子系统、安全预警子系统和安全控制子系统。该系统实时收集氢燃料电池汽车的运行参数和分析氢燃料电池汽车的运行状况特征,发现潜在安全隐患,及时向驾驶员提供预警信息。数据分析子系统利用机器学习/深度学习对安全监控模型进行训练和部署,训练成功的安全监控模型对行驶数据进行实时分析,进一步提高预警准确性。为确保模型能够持续适应氢燃料电池汽车的运行环境变化,本发明还提供模型再学习功能,在保留原始模型学到的知识的基础上,模型在云端继续学习新数据并周期性地通过OTA(Over-the-Air)技术下载到车载系统端行部署和更新。安全控制子系统根据分析结果实时调整各安全控制设备,确保汽车安全运行。本发明的氢燃料电池汽车安全监控系统有助于提高车辆安全性能,降低事故发生风险。
本实施例中,模型再学习具体为:为了确保模型能够持续适应氢燃料电池汽车的运行环境变化,本发明还提供模型再学习功能。通过实时收集新的运行数据并与已有数据集合并,在云端周期性地对模型进行再训练和调优,提高模型的预测准确性和适应性,然后通过OTA技术部署到车载系统端。这样,模型能够更好地识别新的潜在安全隐患,并及时为驾驶员提供有效的预警信息。(再学习过程中,可以采用在线学习、增量学习或迁移学习等方法,以减少计算资源的消耗和训练时间。这些方法可以实现模型的动态更新,使其能够快速响应不断变化的汽车运行环境)。
本实施例中,一种基于大数据的氢燃料电池汽车安全监控系统,包括:
数据采集子系统:包括多个传感器和数据采集模块,数据采集模块优选的使用高性能的数据采集卡,例如NI公司的PCIe-6353数据采集卡,可以满足高速数据采集和多种信号类型的输入需求。用于实时采集氢燃料电池汽车的运行数据;
数据处理与存储子系统:包括数据处理模块和数据存储模块,优选的使用高性能的服务器,例如戴尔公司的PowerEdge服务器,可以提供强大的存储和计算能力,支持大规模数据处理和分析。数据处理模块用于对原始数据进行预处理,包括去噪和异常值处理,并将预处理后的数据分为实时数据和历史数据,数据存储模块负责将实时数据和历史数据存储在云服务器中;
数据分析子系统:包括数据分析模块,运用LSTM-SVC组合模型对云服务器中的实时数据和历史数据进行综合分析,首先利用LSTM捕捉数据中的时序信息并提取特征,然后将这些特征输入到SVC模型中进行分类。这种方法结合了深度学习的长短时记忆网络(LSTM)在处理时序数据方面的优势,以及支持向量机(SVC)在高维特征空间中进行精确分类的能力,从而实现了对复杂数据的高效处理和准确预测。训练好的LSTM-SVC模型作为安全监控模型部署到车载系统端,优选的使用高性能的CPU和GPU,例如英特尔公司的Core i9处理器和英伟达公司的Tesla GPU,可以加速数据处理和分析过程,提高算法的执行效率。实现性能评估、异常检测和故障预测功能;周期性地在云端利用新收集的运行数据对模型进行训练和优化,然后通过OTA技术下载到车载系统以实现模型再学习功能,从而提高模型预测准确性和适应性;
安全预警子系统:包括安全预警模块、驾驶员提示界面和操作员提示界面,安全预警模块优选的使用数字信号处理器(DSP),例如德州仪器公司的TMS320系列,它具有高速的运算能力和丰富的算法库,可以实现对数据的高效处理和分析,同时也支持多种接口和通信协议,方便与其他模块的数据交互。根据数据分析子系统的分析结果生成实时预警信息并展示给驾驶员;
安全控制子系统:包括安全控制模块,安全控制模块优选的使用可编程逻辑控制器(PLC),例如西门子公司的S7系列PLC,可以实现高精度和可靠的控制和监测功能。根据数据分析子系统的异常检测和故障预测结果,对氢气安全阀门控制、氢气泄漏检测传感器控制和燃料电池系统故障控制等相关设备进行实时控制。
本实施例中,所述数据采集子系统包括多个传感器,分别用于测量氢燃料电池汽车各部件的运行参数。
所述数据处理与存储子系统采用分布式存储技术,实现大规模数据的高效存储和快速检索。
所述数据分析子系统利用先进的机器学习和深度学习算法,实现对各种监控状态的实时预测,提高数据分析的准确性和实时性;通过在线学习和增量学习策略,在云端周期性地更新和优化模型,然后通过OTA(Over-the-Air)技术下载到车载系统进行部署和更新,以适应系统的变化和新数据特征。
所述安全预警子系统的驾驶员提示界面可通过多种形式(如文字、图形、语音等)将安全预警信息传达给驾驶员,以提高驾驶员的安全意识和采取措施的迅速性。
所述安全控制子系统可实时根据氢气泄漏检测传感器的信号进行氢气泄漏的定位和泄漏速率的估计,为防止事故发生提供关键数据支持。
本实施例中,训练好的LSTM-SVC组合模型将被部署到氢燃料电池汽车的安全监控系统硬件上。通常采用嵌入式处理器(如ARM Cortex系列)、边缘计算设备(如NVIDIAJetson系列)或专用AI芯片(如Google Edge TPU)等硬件平台。这些硬件平台具有较高的计算性能和能效,可以实现模型的实时运行和低功耗需求。部署过程中,需要将模型转换为适用于目标硬件平台的格式(如TensorRT、TFLite等),并进行性能优化以适应硬件资源的限制。部署完成后,安全监控系统将能够实时处理来自传感器(102)的数据,通过模型分析预测出潜在的安全隐患,并在检测到异常或故障时及时发出预警,引导驾驶员采取相应的安全措施。
实时监控氢燃料电池汽车行驶状态:部署好的LSTM-SVC组合模型将实时接收来自数据采集子系统的运行参数,并进行实时分析。模型会根据输入的参数识别出潜在的安全隐患,如氢气泄漏、过热等问题。一旦检测到异常情况,安全预警子系统会立即生成预警信息,并通过多种形式(如文字、图形、语音等)将预警信息传达给驾驶员。同时,安全控制子系统根据分析结果实时调整各安全控制设备,如氢气安全阀门、氢气泄漏检测传感器和燃料电池系统故障控制,以确保汽车的安全运行。
实施例2
如图2所示,本发明提供了一种安全监控方法,其特征在于,包括以下步骤:
S1、利用数据采集子系统实时采集氢燃料电池汽车的运行数据,得到实时数据和历史数据;
S2、利用数据处理与存储子系统对历史数据进行预处理,得到氢燃料电池汽车历史运行数据;
S3、根据氢燃料电池汽车历史运行数据,得到LSTM-SVC组合模型;
S4、根据实时数据和数据分析子系统,利用LSTM-SVC组合模型,得到氢燃料电池汽车分析结果,并根据氢燃料电池汽车分析结果发出预警,完成安全监控。
所述步骤S2具体为:
S201、对历史数据进行归一化,得到第一过程数据:
x_scaled=(x-min(x))/(max(x)-min(x))
其中,x_scaled为第一过程数据;x为历史数据;min(x)为历史数据最小值;max(x)为历史数据最大值;min(·)为最小值函数;max(·)为最大值函数;
S202、使用均值插补法处理第一过程数据中的缺失值,得到氢燃料电池汽车历史运行数据,计算均值的公式如下:
其中,mean为均值;Xi为第一过程数据中第i列数据列的值;n为数据列总数;i为数据列编号。
本实施例中,假定需要预测12个指标状态,安全监控模型的训练与部署具体步骤和流程如下所示。
数据采集:利用数据采集子系统采集到的氢燃料电池汽车运行数据,如氢气泄漏、压力、温度等多种参数,形成数据集。
数据预处理:a.数据归一化,将数据范围缩放到[0,1]之间;b.处理NaN值。
数据划分:
将数据集分为训练集(80%)和测试集(20%)。训练集用于训练LSTM和SVM模型,测试集用于评估模型的性能。
云服务器:将预处理后的数据上传至云服务器,便于实时数据和历史数据的存储和分析。
数据分析模块:通过LSTM-SVC模型对实时数据和历史数据进行分析。主要包括性能分析、异常检测和故障预测。
所述步骤S3具体为:
S301、利用LSTM模型提取氢燃料电池汽车历史运行数据的数据特征;
S302、根据氢燃料电池汽车历史运行数据的数据特征,利用SVM模型进行分类预测,得到训练分析结果;
S303、根据氢燃料电池汽车历史运行数据,判断训练分析结果是否满足指标,若是,得到LSTM-SVC组合模型,否则,调整SVM模型的超参数,返回步骤S301。
所述步骤S301具体为:
S3011、将氢燃料电池汽车历史运行数据馈入LSTM模型的第一LSTM层的输入门,得到输入门输出:
it=σ(Wi·[ht-1,xt]+bi)
其中,it为输入门输出;σ(·)为sigmoid激活函数;Wi为输入门的权重参数;ht-1为上一个时间步的隐藏状态;xt为当前时间步输入的氢燃料电池汽车历史运行数据;bi为输入门的偏置参数;
S3012、根据氢燃料电池汽车历史运行数据,利用LSTM模型的第一LSTM层的遗忘门,得到遗忘门输出:
ft=σ(Wf[ht-1,xt]+bf)
其中,ft为遗忘门输出;Wf为遗忘门的权重矩阵;bf为遗忘门的偏置项;
S3013、根据遗忘门输出和输入门输出,得到单元状态:
其中,Ct为时间步t的单元状态;Ct-1为时间步t-1的输入门单元状态;为新的单元状态候选值;tanh(·)为双曲正切激活函数;WC为候选单元状态的权重参数;bC为候选单元状态的偏置参数;
S3014、根据时间步t的单元状态和氢燃料电池汽车历史运行数据,利用LSTM层的输出门,得到输出门输出和当前时间步的隐藏状态:
ht=Ot×tanh(Ct)
Ot=σ(WO[ht-1,xt]+bO)
其中,ht为当前时间步的隐藏状态;Ot为输出门输出;WO为输出门的权重参数;bO为输出门的偏置项;
S3015、将输出门输出馈入LSTM模型的第二LSTM层,得到氢燃料电池汽车历史运行数据的数据特征。
本实施例中,通过LSTM-SVC,在数据分析子系统中,首先收集大量氢燃料电池汽车的历史运行数据,这些数据包括正常和异常情况下的各种参数。接下来,对这些数据进行预处理等操作。然后,将处理后的数据划分为分为训练集(80%)和测试集(20%)。训练集用于训练LSTM和SVM模型,测试集用于评估模型的性能。将训练集馈入模型进行训练,模型训练分为LSTM和SVC模型训练两部分。
LSTM模型训练:LSTM(长短时记忆)模型是一种特殊的循环神经网络(RNN),它包含有输入门、遗忘门和输出门,这些门有助于模型更好地捕获长时间序列的依赖关系。在本发明中使用LSTM层捕捉时间特征。
a.将数据重塑为适合LSTM模型的形状(samples,timesteps,features)。
samples:这个维度表示训练数据中的样本数量。
timesteps:这个维度表示时间步长,用于描述每个输入样本的时间序列长度。
features:这个维度表示每个输入样本的特征数量。
b.训练LSTM模型时,模型通过两个LSTM层学习输入数据的时间特征。模型输出的维度为12,对应12个目标指标。
c.特征提取:
在LSTM模型中,训练数据首先通过输入门、遗忘门和输出门进行处理,具体操作如下:
1.输入门(Input Gate):LSTM首先通过输入门决定哪些信息需要更新或者修改。这个步骤涉及到将输入数据与上一时间步的隐藏状态进行特定的操作来得到输入门的状态。
2.遗忘门(Forget Gate):然后,遗忘门决定了单元状态中哪些信息需要被遗忘或者丢弃。同样,这个步骤涉及到将输入数据与上一时间步的隐藏状态进行特定的操作来得到遗忘门的状态。
3.单元状态(Cell State):根据输入门和遗忘门的状态,当前的单元状态会被更新。遗忘门的状态会决定丢弃单元状态中的哪些信息,而输入门的状态会决定加入哪些新的信息。
4.输出门(Output Gate):最后,输出门会决定下一个隐藏状态(也就是输出)应该是什么。这也是通过将输入数据与更新后的单元状态进行特定的操作来实现的。
上述步骤在每一个LSTM层中都会进行。本发明有两个LSTM层,那么数据首先通过第一层LSTM进行处理,然后第一层的输出会作为第二层的输入进行进一步处理。每一层都会有自己独立的输入门、遗忘门、输出门和单元状态,而且都会进行相同的操作。每一层都有自己的参数(权重和偏置),这些参数在训练过程中会被单独学习和更新。
通过LSTM模型的第二个LSTM层提取时间特征,这些特征将用于训练SVM模型。所提取的特征维度为24。
在上述过程中,数据首先经过预处理、划分、重塑,然后输入到LSTM模型中学习时间特征(n x 24矩阵,其中n为样本数)。接下来,使用这些特征训练SVM模型进行分类预测。
所述步骤S301中LSTM模型的损失函数为:
其中,Loss(θ)为LSTM模型的损失函数;θ为LSTM模型的模型参数;m为氢燃料电池汽车历史运行数据的样本数;i为氢燃料电池汽车历史运行数据的样本编号;yi为氢燃料电池汽车历史运行数据的样本真实标签;为氢燃料电池汽车历史运行数据的样本预测标签。
所述步骤S302中SVM模型具体为基于RBF核的SVM模型,所述RBF核的表达式为:
K(X1,X2)=exp(-γ×||X1-X2||2)
其中,K(X1,X2)为RBF核;γ为RBF核参数;exp(·)为以自然常数为底的指数函数;||X1-X2||为氢燃料电池汽车历史运行数据中样本X1和样本X2的欧氏距离。
本实施例中,SVM模型训练:
a.使用LSTM提取的特征(例如24维)作为输入数据。设输入数据为X(n x 24矩阵,其中n为样本数)。
b.将标签数据转换为类别索引。例如,有12个指标需要预测,每个指标可以是正常或故障。这里的Y是一个n x 12的矩阵。
c.训练SVC模型。SVC是一种基于最大间隔原理的分类器。它试图找到一个超平面,使得正负样本之间的距离最大化。在这个过程中,使用带有核函数(例如径向基核函数)的SVC。核函数用于将数据映射到更高维的空间,以便在这个空间中找到更好的分类边界。将LSTM提取的特征(n x 24维)输入到基于RBF核的SVM模型中。RBF核函数公式如下:
K(X1,X2)=exp(-γ×||X1-X2||2)
其中,γ是RBF核的参数,||X1-X2||是样本之间的欧氏距离。
d.为了训练SVC模型,还需要求解以下优化问题:
其中,ω为特征权重向量;为将xi映射到更高维空间的函数;x为输入特征向量;b为偏置项;ξi是松弛变量,C是一个超参数。
e.对于每个指标,都训练一个单独的SVC模型。最后得到12个SVC模型。
f.使用训练好的SVC模型进行预测。预测过程就是使用模型对输入特征进行分类。计算方法为:
h.通过以上步骤,可以得到12个指标的预测结果。这些预测结果可以用于评估模型的性能,本发明使用AUC-ROC评估SVM模型的性能。
计算AUC:AUC是ROC曲线下的面积,ROC曲线表示了在不同分类阈值下真正例率(TPR)和假正例率(FPR)之间的关系。TPR和FPR的计算公式如下:
TPR=TP/(TP+FN)
FPR=FP/(FP+TN)
其中TP、FP、TN、FN分别表示真正例、假正例、真负例、假负例的数量。
在整个过程中,数据经过归一化、填充NaN值等预处理步骤,并被输入到LSTM模型中学习时间特征。接下来,使用提取的特征训练SVM模型进行分类预测。最后,计算模型的性能指标,如AUC值,评估模型的预测能力。
所述步骤S302中利用SVM模型进行分类预测的预测公式为:
其中,f(x)为利用SVM模型进行分类预测的预测公式;ω为特征权重向量;为输入特征向量;x'为输入特征向量;b为偏置项。/>
Claims (5)
1.一种基于大数据的氢燃料电池汽车安全监控系统,其特征在于,包括数据采集子系统、数据处理与存储子系统、数据分析子系统、安全预警子系统和安全控制子系统;
所述数据采集子系统,用于实时采集氢燃料电池汽车的运行数据,得到实时数据和历史数据;
所述数据处理与存储子系统,用于对历史数据进行预处理,得到并存储实时数据和氢燃料电池汽车历史运行数据;
所述数据分析子系统,用于根据氢燃料电池汽车历史运行数据,得到LSTM-SVC组合模型,并利用LSTM-SVC组合模型对实时数据和历史数据进行分析,得到氢燃料电池汽车分析结果;所述根据氢燃料电池汽车历史运行数据,得到LSTM-SVC组合模型,具体为:
S301、利用LSTM模型提取氢燃料电池汽车历史运行数据的数据特征;
S302、根据氢燃料电池汽车历史运行数据的数据特征,利用SVM模型进行分类预测,得到训练分析结果;
S303、根据氢燃料电池汽车历史运行数据,判断训练分析结果是否满足指标,若是,得到LSTM-SVC组合模型,否则,调整SVM模型的超参数,返回步骤S301;所述步骤S301具体为:
S3011、将氢燃料电池汽车历史运行数据馈入LSTM模型的第一LSTM层的输入门,得到输入门输出:
it=σ(Wi·[ht-1,xt]+bi)
其中,it为输入门输出;σ(·)为sigmoid激活函数;Wi为输入门的权重参数;ht-1为上一个时间步的隐藏状态;xt为当前时间步输入的氢燃料电池汽车历史运行数据;bi为输入门的偏置参数;
S3012、根据氢燃料电池汽车历史运行数据,利用LSTM模型的第一LSTM层的遗忘门,得到遗忘门输出:
ft=σ(Wf[ht-1,xt]+bf)
其中,ft为遗忘门输出;Wf为遗忘门的权重矩阵;bf为遗忘门的偏置项;
S3013、根据遗忘门输出和输入门输出,得到单元状态:
其中,Ct为时间步t的单元状态;Ct-1为时间步t-1的输入门单元状态;为新的单元状态候选值;tanh(·)为双曲正切激活函数;WC为候选单元状态的权重参数;bC为候选单元状态的偏置参数;
S3014、根据时间步t的单元状态和氢燃料电池汽车历史运行数据,利用LSTM层的输出门,得到输出门输出和当前时间步的隐藏状态:
ht=Ot×tanh(Ct)
Ot=σ(WO[ht-1,xt]+bO)
其中,ht为当前时间步的隐藏状态;Ot为输出门输出;WO为输出门的权重参数;bO为输出门的偏置项;
S3015、将输出门输出馈入LSTM模型的第二LSTM层,得到氢燃料电池汽车历史运行数据的数据特征;
所述安全预警子系统,用于根据氢燃料电池汽车分析结果,得到实时预警信息并展示给驾驶员;
所述安全控制子系统,用于根据氢燃料电池汽车分析结果,对氢燃料电池汽车设备进行实时控制。
2.根据权利要求1所述基于大数据的氢燃料电池汽车安全监控系统,其特征在于,所述对历史数据进行预处理,具体为:
S201、对历史数据进行归一化,得到第一过程数据:
x_scaled=(x-min(x))/(max(x)-min(x))
其中,x_scaled为第一过程数据;x为历史数据;min(x)为历史数据最小值;max(x)为历史数据最大值;min(·)为最小值函数;max(·)为最大值函数;
S202、使用均值插补法处理第一过程数据中的缺失值,得到氢燃料电池汽车历史运行数据,计算均值的公式如下:
其中,mean为均值;Xi为第一过程数据中第i列数据列的值;n为数据列总数;i为数据列编号。
3.根据权利要求1所述基于大数据的氢燃料电池汽车安全监控系统,其特征在于,所述步骤S301中LSTM模型的损失函数为:
其中,Loss(θ)为LSTM模型的损失函数;θ为LSTM模型的模型参数;m为氢燃料电池汽车历史运行数据的样本数;i为氢燃料电池汽车历史运行数据的样本编号;yi为氢燃料电池汽车历史运行数据的样本真实标签;为氢燃料电池汽车历史运行数据的样本预测标签。
4.根据权利要求1所述基于大数据的氢燃料电池汽车安全监控系统,其特征在于,所述步骤S302中SVM模型具体为基于RBF核的SVM模型,所述RBF核的表达式为:
K(X1,X2)=exp(-γ×||X1-X2||2)
其中,K(X1,X2)为RBF核;γ为RBF核参数;exp(·)为以自然常数为底的指数函数;||X1-X2||为氢燃料电池汽车历史运行数据中样本X1和样本X2的欧氏距离。
5.根据权利要求1所述基于大数据的氢燃料电池汽车安全监控系统,其特征在于,所述步骤S302中利用SVM模型进行分类预测的预测公式为:
其中,f(x)为利用SVM模型进行分类预测的预测公式;ω为特征权重向量;为输入特征向量;x'为输入特征向量;b为偏置项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664613.4A CN116714437B (zh) | 2023-06-01 | 2023-06-01 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664613.4A CN116714437B (zh) | 2023-06-01 | 2023-06-01 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116714437A CN116714437A (zh) | 2023-09-08 |
CN116714437B true CN116714437B (zh) | 2024-03-26 |
Family
ID=87870895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310664613.4A Active CN116714437B (zh) | 2023-06-01 | 2023-06-01 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116714437B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995280B (zh) * | 2023-09-27 | 2023-11-28 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110395245A (zh) * | 2019-07-25 | 2019-11-01 | 西华大学 | 一种基于固定路线驾驶信息的混动汽车能量管理系统 |
CN113486698A (zh) * | 2021-04-30 | 2021-10-08 | 华中科技大学 | 一种氢燃料电池工作的识别预测方法、存储介质及系统 |
WO2021212496A1 (zh) * | 2020-04-24 | 2021-10-28 | 华为技术有限公司 | 一种电池检测的方法和装置 |
US11527786B1 (en) * | 2022-03-28 | 2022-12-13 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
CN115841662A (zh) * | 2022-10-09 | 2023-03-24 | 合肥原力众合能源科技有限公司 | 一种基于边缘计算与联邦学习相结合的动力电池监测系统 |
CN115848176A (zh) * | 2022-12-30 | 2023-03-28 | 中国电力科学研究院有限公司 | 基于a-lstm算法的电动汽车充电预警方法及系统 |
-
2023
- 2023-06-01 CN CN202310664613.4A patent/CN116714437B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110395245A (zh) * | 2019-07-25 | 2019-11-01 | 西华大学 | 一种基于固定路线驾驶信息的混动汽车能量管理系统 |
WO2021212496A1 (zh) * | 2020-04-24 | 2021-10-28 | 华为技术有限公司 | 一种电池检测的方法和装置 |
CN113486698A (zh) * | 2021-04-30 | 2021-10-08 | 华中科技大学 | 一种氢燃料电池工作的识别预测方法、存储介质及系统 |
US11527786B1 (en) * | 2022-03-28 | 2022-12-13 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
CN115841662A (zh) * | 2022-10-09 | 2023-03-24 | 合肥原力众合能源科技有限公司 | 一种基于边缘计算与联邦学习相结合的动力电池监测系统 |
CN115848176A (zh) * | 2022-12-30 | 2023-03-28 | 中国电力科学研究院有限公司 | 基于a-lstm算法的电动汽车充电预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116714437A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism | |
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
Khan et al. | A review on the application of deep learning in system health management | |
Wang et al. | Recurrent convolutional neural network: A new framework for remaining useful life prediction of machinery | |
Li et al. | Data alignments in machinery remaining useful life prediction using deep adversarial neural networks | |
Xue et al. | A novel intelligent fault diagnosis method of rolling bearing based on two-stream feature fusion convolutional neural network | |
Cheng et al. | Autoencoder quasi-recurrent neural networks for remaining useful life prediction of engineering systems | |
Liu et al. | Intelligent tool wear monitoring based on parallel residual and stacked bidirectional long short-term memory network | |
Wang et al. | A Bayesian inference-based approach for performance prognostics towards uncertainty quantification and its applications on the marine diesel engine | |
Wang et al. | Random convolutional neural network structure: An intelligent health monitoring scheme for diesel engines | |
Zhu et al. | A Joint Long Short-Term Memory and AdaBoost regression approach with application to remaining useful life estimation | |
Gong et al. | A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion | |
Al-Dulaimi et al. | NBLSTM: Noisy and hybrid convolutional neural network and BLSTM-Based deep architecture for remaining useful life estimation | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
Yang et al. | Sparse autoencoder-based multi-head deep neural networks for machinery fault diagnostics with detection of novelties | |
Shang et al. | A remaining life prediction of rolling element bearings based on a bidirectional gate recurrent unit and convolution neural network | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
Gupta et al. | A real-time adaptive model for bearing fault classification and remaining useful life estimation using deep neural network | |
Remadna et al. | RUL prediction using a fusion of attention-based convolutional variational autoencoder and ensemble learning classifier | |
Zhang et al. | A novel assessable data augmentation method for mechanical fault diagnosis under noisy labels | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
Yu et al. | Deep unLSTM network: Features with memory information extracted from unlabeled data and their application on industrial unsupervised industrial fault detection | |
Alizadeh et al. | High-dimensional time series analysis and anomaly detection: A case study of vehicle behavior modeling and unhealthy state detection | |
Rathore et al. | Roller bearing failure analysis using gaussian mixture models and convolutional neural networks | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 |
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 |