CN117382435B - 基于倾角监测的车速控制方法及其系统 - Google Patents
基于倾角监测的车速控制方法及其系统 Download PDFInfo
- Publication number
- CN117382435B CN117382435B CN202311340840.8A CN202311340840A CN117382435B CN 117382435 B CN117382435 B CN 117382435B CN 202311340840 A CN202311340840 A CN 202311340840A CN 117382435 B CN117382435 B CN 117382435B
- Authority
- CN
- China
- Prior art keywords
- inclination angle
- time sequence
- angle time
- vector
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 181
- 238000011217 control strategy Methods 0.000 claims abstract description 38
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 79
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000002829 reductive effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000002075 inversion recovery Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009194 climbing Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer 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
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
-
- 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
- B60L2200/00—Type of vehicles
- B60L2200/40—Working vehicles
- B60L2200/42—Fork lift trucks
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/421—Speed
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/60—Navigation input
- B60L2240/64—Road conditions
- B60L2240/642—Slope of road
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于倾角监测的车速控制方法及其系统，其获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及，基于所述倾斜角度时序特征向量，确定电机的转速的控制策略。这样，可以自适应地控制车辆的电机转速，进而调整车辆的速度。
Description
技术领域
本发明涉及智能化车速控制技术领域，尤其涉及一种基于倾角监测的车速控制方法及其系统。
背景技术
叉车是一种常用的物流运输工具，它可以在不同的地形和坡度上搬运货物。在叉车的爬坡搬运过程中，车辆受到斜坡的阻力，需要克服重力和摩擦力的作用，保持稳定。过高的车速可能导致车辆失控、侧翻或制动失效等安全问题。同时，过高的车速会导致电机承受更大的负荷，增加能耗并缩短电池寿命。而车速过慢会延长搬运时间，降低叉车的工作效率。
目前，许多叉车使用固定的速度设置进行搬运操作，无法根据实际情况进行动态调整。又或者，叉车的车速控制依赖于技术人员的经验，缺乏科学的依据，这种方法容易导致速度过高或过低，无法实现最佳的能耗和电机电池保护效果。因此，期待一种优化的车速控制方案。
发明内容
本发明实施例提供一种基于倾角监测的车速控制方法及其系统，其获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及，基于所述倾斜角度时序特征向量，确定电机的转速的控制策略。这样，可以自适应地控制车辆的电机转速，进而调整车辆的速度。
本发明实施例还提供了一种基于倾角监测的车速控制方法，其包括：
获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；
将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；
对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及
基于所述倾斜角度时序特征向量，确定电机的转速的控制策略。
本发明实施例还提供了一种基于倾角监测的车速控制系统，其包括：
数据获取模块，用于获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；
向量排列模块，用于将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；
倾斜角度时序分析模块，用于对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及
控制策略确定模块，用于基于所述倾斜角度时序特征向量，确定电机的转速的控制策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种基于倾角监测的车速控制方法的流程图。
图2为本发明实施例中提供的一种基于倾角监测的车速控制方法的系统架构的示意图。
图3为本发明实施例中提供的一种基于倾角监测的车速控制系统的框图。
图4为本发明实施例中提供的一种基于倾角监测的车速控制方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
叉车是一种常用的物流运输工具，它可以在不同的地形和坡度上搬运货物。许多传统的叉车在搬运操作中使用固定的速度设置，这意味着无论叉车所处的工作环境如何，其车速都保持不变，这种固定速度设置的方法存在一些问题。
首先，固定速度设置无法根据实际情况进行动态调整。在实际操作中，叉车可能面临不同的地形和坡度，以及不同的货物重量和分布情况。这些因素会对叉车的搬运能力和稳定性产生影响。如果叉车的速度固定不变，无法根据这些因素进行调整，可能导致搬运过程中的安全问题，如车辆失控、侧翻或制动失效。
其次，固定速度设置依赖于技术人员的经验，缺乏科学的依据。在传统方法中，技术人员根据自己的经验和判断来设置叉车的速度。然而，这种方法容易导致速度过高或过低的问题。速度过高可能会增加事故风险，而速度过低则会延长搬运时间，降低工作效率。此外，缺乏科学的依据也使得难以实现最佳的能耗和电机电池保护效果。
为了解决这些问题，需要一种能够根据实际情况进行动态调整的车速控制方法。智能化的车速控制方案可以通过实时监测叉车的倾斜角度、地形和货物重量等参数，并利用算法进行分析和处理，自适应地调整车辆的速度，这种方法可以更准确地适应不同的工作环境，提高搬运的安全性和效率，并实现最佳的能耗和电机电池保护效果。
而且，在叉车的爬坡搬运过程中，车辆面临着斜坡的阻力，需要克服重力和摩擦力的作用，以保持稳定。当叉车以过高的速度行驶在斜坡上时，车辆的操控能力可能会受到限制，容易失控，叉车可能无法保持稳定的行驶轨迹，导致偏离预定路线，甚至发生侧翻事故。在爬坡过程中，叉车需要使用制动系统来控制速度和停车，如果车速过高，制动系统可能无法有效减速或停车，导致制动失效，增加事故风险。过高的车速会增加叉车在爬坡过程中的动力需求，使电机承受更大的负荷，这可能导致车辆的稳定性下降，增加侧翻的风险。
为了避免这些安全问题，叉车的车速在爬坡搬运过程中应该适度控制。根据斜坡的坡度和条件，以及叉车的负载情况，应该选择一个合适的车速，使叉车能够稳定地爬坡并保持操控能力。这可以通过智能化的车速控制系统来实现，根据实时监测到的斜坡角度和其他参数，自动调整叉车的速度，以确保安全和稳定的搬运操作。
在本发明的一个实施例中，图1为本发明实施例中提供的一种基于倾角监测的车速控制方法的流程图。图2为本发明实施例中提供的一种基于倾角监测的车速控制方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的基于倾角监测的车速控制方法，包括：110，获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；120，将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；130，对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及，140，基于所述倾斜角度时序特征向量，确定电机的转速的控制策略。
在所述步骤110中，确保倾角传感器的准确性和可靠性，以获取准确的倾斜角度值，还需注意传感器的采样频率，以确保获取足够的数据点来进行后续的分析和处理。通过获取倾斜角度值，可以了解车辆在搬运过程中的倾斜情况，为后续的分析和控制策略提供数据基础。
在所述步骤120中，按照时间维度排列倾斜角度值时，确保时间间隔均匀，以保持时序数据的一致性，数据的归一化处理，以便后续的分析和处理。通过将倾斜角度值排列为时序输入向量，可以将时间维度的信息纳入分析中，更好地捕捉倾斜角度的变化趋势和模式。
在所述步骤130中，选择适当的时序分析方法，如滑动窗口、傅里叶变换等，以提取倾斜角度时序的关键特征。选择合适的特征提取算法和参数设置，以确保提取到的特征能够准确反映倾斜角度的时序特征。通过倾斜角度时序分析，可以提取到倾斜角度的关键特征，如平均值、方差、频域特征等，为后续的控制策略提供基础。
在所述步骤140中，根据倾斜角度时序特征向量，设计合理的控制策略来调整电机的转速。考虑到安全性和效率性，根据实际情况制定相应的转速控制规则或算法。通过基于倾斜角度时序特征向量确定电机的转速控制策略，可以实现对叉车的速度动态调整，以适应不同的倾斜角度情况，有助于提高搬运操作的安全性和效率性，同时保护电机和电池的使用寿命。
针对上述技术问题，本申请的技术构思是设计智能化算法对被监测车辆地倾斜角度值在时间维度上的变化规律进行学习和捕捉，以自适应地控制车辆的电机转速，进而调整车辆的速度。
使用倾角传感器采集车辆在预定时间段内的倾斜角度值，并按照时间维度排列为倾斜角度时序输入向量，对数据进行预处理，例如去除噪声、平滑处理等，以提高算法的准确性和稳定性。对倾斜角度时序输入向量进行倾斜角度时序分析，提取倾斜角度时序特征向量，可以使用各种特征提取方法，例如统计特征、频域特征、时域特征等，以捕捉倾斜角度值的变化规律。使用机器学习或深度学习算法，如回归模型、支持向量机、神经网络等，对提取的倾斜角度时序特征向量进行训练，通过与实际的电机转速和车速数据进行拟合和优化，使模型能够学习到倾斜角度与电机转速之间的关系。基于训练得到的模型，根据实时监测到的倾斜角度时序特征向量，确定电机的转速控制策略，可以使用模型预测电机转速的方式，根据当前的倾斜角度值和预测的转速，调整车辆的速度，以实现安全稳定的搬运操作。
通过以上智能化算法设计，可以根据车辆倾斜角度值在时间维度上的变化规律，自适应地控制车辆的电机转速，并相应调整车辆的速度，这样可以提高搬运操作的安全性和效率，减少潜在的安全风险，并优化能耗效率。
基于此，在本申请的技术方案中，首先，获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；并将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量。通过获取倾斜角度值，可以实时了解车辆在搬运过程中的倾斜情况，这为后续的转速控制策略提供了实时的倾斜信息，帮助系统根据当前的倾斜状态进行调整。倾斜角度值作为基础数据，为转速控制策略提供了必要的输入，这些数据可以用于分析和建模，以了解倾斜角度与电机转速之间的关系，为制定合适的转速控制策略提供依据。倾斜角度值可以用于确定电机的转速调整策略。通过分析倾斜角度值的变化规律和趋势，系统可以根据预定的转速控制规则或算法，自动调整电机的转速，以保持车辆的稳定性和安全性。根据倾斜角度值确定电机的转速控制策略可以帮助车辆在搬运操作中保持平衡和稳定，通过自适应地调整转速，可以减少倾斜角度的幅度和频率，降低车辆倾翻和事故的风险，提高搬运操作的安全性。同时，优化的转速控制策略还可以提高能耗效率，减少能源消耗。
获取被监测车辆的倾斜角度值对于最后确定电机的转速控制策略起着重要的作用，提供了实时的倾斜信息和基础数据支持，帮助系统确定转速调整策略，提高搬运操作的安全性和效率性。
在本申请的一个实施例中，对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量，包括：将所述倾斜角度时序输入向量通过向量-图像转换模块以得到倾斜角度时序图像；以及，对所述倾斜角度时序图像进行图像特征提取以得到所述倾斜角度时序特征向量。
其中，将所述倾斜角度时序输入向量通过向量-图像转换模块以得到倾斜角度时序图像，包括：将所述倾斜角度时序输入向量进行向量切分以得到倾斜角度输入子向量的序列；将所述倾斜角度输入子向量的序列排列为倾斜角度时序输入矩阵；对所述倾斜角度时序输入矩阵进行归一化处理以得到所述倾斜角度时序图像；其中，所述倾斜角度时序图像中各个位置的值的范围为0-255。
然后，将所述倾斜角度时序输入向量通过向量-图像转换模块以得到倾斜角度时序图像。这里，将所述倾斜角度时序输入向量转化为图像数据可以借助图像处理技术进行特征提取等操作，从而更好地捕捉数据中所蕴含的关于倾斜角度在不同时间跨度下的时序变化模式。
将倾斜角度时序数据转换为图像形式可以提供更直观的可视化表示，通过观察倾斜角度时序图像，人们可以更容易地理解和分析倾斜角度的变化趋势和模式。倾斜角度时序图像可以利用图像处理和计算机视觉技术进行模式识别和特征提取，这样可以更有效地捕捉倾斜角度的变化规律，并提取出更有意义的特征用于后续的转速控制策略。倾斜角度时序图像可以作为输入数据，进一步增强算法的性能，图像数据具有丰富的信息和结构，可以利用图像处理和深度学习等方法进行更精确的分析和建模，从而提高转速控制策略的准确性和鲁棒性。将倾斜角度时序数据转换为图像形式可以实现数据的压缩和存储。相比于原始的时序数据，图像数据通常具有更小的存储空间，这在实际应用中可以节省存储资源和传输带宽。
通过将倾斜角度时序输入向量转换为倾斜角度时序图像，可以提供可视化表示、模式识别、增强算法性能以及数据压缩和存储等益处。这将为后续的转速控制策略提供更多有用的信息和更好的数据基础。
在本申请的一个实施例中，对所述倾斜角度时序图像进行图像特征提取以得到所述倾斜角度时序特征向量，包括：将所述倾斜角度时序图像通过基于卷积神经网络模型的倾斜角度时序特征提取器以得到所述倾斜角度时序特征向量。
其中，所述卷积神经网络模型包括输入层、卷积层、池化层、激活层和输出层。
接着，将所述倾斜角度时序图像通过基于卷积神经网络模型的倾斜角度时序特征提取器以得到倾斜角度时序特征向量。也就是，利用所述卷积神经网络模型来构建所述倾斜角度时序特征提取器，以捕捉倾斜角度时序特征分布，例如，车辆倾斜角度的变化幅度、变化频率和变化趋势等。
使用卷积神经网络(CNN)模型可以自动学习和提取倾斜角度时序图像中的特征。CNN在图像处理领域表现出色，能够有效地捕捉图像中的局部和全局特征，从而提取出有用的倾斜角度时序特征。通过CNN模型提取的倾斜角度时序特征向量通常具有更高级别的表示能力，这些特征可以捕捉到倾斜角度变化的抽象模式和关键信息，比起原始的图像或数据表示更具有区分度和可解释性。倾斜角度时序图像经过CNN模型提取特征后，可以将图像的高维表示降低为更低维的特征向量，有助于减少数据的维度，并且可以提高后续处理的效率和减少存储需求。通过CNN模型提取的倾斜角度时序特征向量可以减少数据中的噪声和冗余信息，从而改善模型的鲁棒性和泛化能力，有助于提高转速控制策略的准确性和稳定性。CNN模型可以通过训练适应不同场景和数据分布的倾斜角度时序图像，这使得特征提取器能够学习到更具有泛化能力的特征表示，从而在不同的搬运操作中都能有效地提取倾斜角度的时序特征。
通过基于卷积神经网络模型的倾斜角度时序特征提取器，可以自动提取高级特征、降低维度、改善模型鲁棒性，并适应不同场景的倾斜角度时序数据，这将为后续的转速控制策略提供更具有表征能力和可解释性的特征向量。
在本申请的一个实施例中，基于所述倾斜角度时序特征向量，确定电机的转速的控制策略，包括：将所述倾斜角度时序特征向量通过基于Bi-LSTM模型的特征去噪器以得到去噪倾斜角度时序特征向量；将所述去噪倾斜角度时序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电机的转速应增大、应减小还是保持不变；以及，将所述分类结果作为所述电机的转速的控制策略。
进一步地，将所述倾斜角度时序特征向量通过基于Bi-LSTM模型的特征去噪器以得到去噪倾斜角度时序特征向量。这里，Bi-LSTM是一种递归神经网络，具有前向和后向两个隐藏层，可以捕捉数据的时序依赖关系。也就是，基于Bi-LSTM模型的特征去噪器利用递归神经网络的时序建模能力，结合去噪方法对所述倾斜角度时序特征向量进行处理，以利用上下文信息来降低输入特征中的噪声。继而，将所述去噪倾斜角度时序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电机的转速应增大、应减小还是保持不变。
其中，基于双向长短期记忆网络(Bi-LSTM)的特征去噪器是一种用于去除倾斜角度时序特征向量中的噪声和异常值的模型，Bi-LSTM是一种循环神经网络(RNN)的变体，具有记忆单元和门控机制，能够有效地处理序列数据。
具体地，将倾斜角度时序特征向量作为输入传递给Bi-LSTM模型；Bi-LSTM模型由两个方向的LSTM单元组成，分别从前向和后向对输入序列进行处理，这样可以捕捉到序列中的上下文信息。Bi-LSTM模型通过学习序列数据中的模式和关联性，提取出更具有表征能力的特征表示，模型会自动捕捉到序列中的长期依赖关系和时序模式；Bi-LSTM模型通过学习数据的分布和规律，可以对噪声和异常值进行建模和去除，模型会将输入特征向量与已学习的模式进行比较，识别并去除与模式不一致的部分；经过Bi-LSTM模型处理后，得到去除噪声的倾斜角度时序特征向量作为输出，这个去噪后的特征向量更加干净和可靠，可以用于后续的转速控制策略或其他应用。
通过使用基于Bi-LSTM模型的特征去噪器，可以有效地去除倾斜角度时序特征向量中的噪声和异常值，提高数据的质量和可靠性。这有助于改善后续处理任务的准确性和稳定性，并提升算法的性能。
将倾斜角度时序特征向量通过基于双向长短期记忆网络(Bi-LSTM)模型的特征去噪器，Bi-LSTM模型可以学习和捕捉倾斜角度时序特征向量中的噪声模式和异常值。通过将特征向量输入到Bi-LSTM模型中，可以对噪声进行建模和去除，从而得到更干净和可靠的倾斜角度时序特征向量。Bi-LSTM模型能够有效地建模时序数据的长期依赖关系。倾斜角度时序数据通常具有时间上的相关性和序列性质，Bi-LSTM模型可以捕捉这些时序模式，提取有用的时序特征，并去除不必要的噪声。Bi-LSTM模型在处理时序数据时能够同时考虑过去和未来的上下文信息，这种双向建模的能力使得模型能够更全面地理解倾斜角度时序特征向量中的上下文关系，从而更准确地去除噪声并保留有用的特征。通过去除噪声，Bi-LSTM特征去噪器可以提高特征向量的鲁棒性。去除噪声后的特征向量更加干净和可靠，能够更好地反映搬运操作中的倾斜角度变化，从而提高后续转速控制策略的准确性和稳定性。Bi-LSTM特征去噪器可以平滑倾斜角度时序特征向量中的波动和不稳定性，有助于消除突然的噪声干扰和异常值，使得特征向量更加平滑和连续，更符合实际的倾斜角度变化趋势。
通过基于Bi-LSTM模型的特征去噪器，可以去除倾斜角度时序特征向量中的噪声，提高数据的鲁棒性和平滑性，并更好地捕捉时序模式和上下文信息。这将为后续的转速控制策略提供更准确和可靠的倾斜角度时序特征向量。
在本申请的一个实施例中，所述基于倾角监测的车速控制方法，还包括训练步骤：对所述向量-图像转换模块、所述基于卷积神经网络模型的倾斜角度时序特征提取器、所述基于Bi-LSTM模型的特征去噪器和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的训练倾斜角度值，以及，电机的转速应增大、应减小还是保持不变的真实值；将所述多个预定时间点的训练倾斜角度值按照时间维度排列为训练倾斜角度时序输入向量；将所述训练倾斜角度时序输入向量通过所述向量-图像转换模块以得到训练倾斜角度时序图像；将所述训练倾斜角度时序图像通过所述基于卷积神经网络模型的倾斜角度时序特征提取器以得到训练倾斜角度时序特征向量；将所述训练倾斜角度时序特征向量通过所述基于Bi-LSTM模型的特征去噪器以得到训练去噪倾斜角度时序特征向量；对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐以得到优化去噪倾斜角度时序特征向量；将所述优化去噪倾斜角度时序特征向量通过分类器以得到分类损失函数值；以及，以所述分类损失函数值来对所述向量-图像转换模块、所述基于卷积神经网络模型的倾斜角度时序特征提取器、所述基于Bi-LSTM模型的特征去噪器和所述分类器进行训练。
在本申请的技术方案中，将所述训练倾斜角度时序输入向量通过向量-图像转换模块得到所述训练倾斜角度时序图像，并将所述训练倾斜角度时序图像通过基于卷积神经网络模型的倾斜角度时序特征提取器得到所述训练倾斜角度时序特征向量时，可以提取倾斜角度值在全局时域下的局部时域内-局部时域间时序关联特征，然后，在通过基于Bi-LSTM模型的特征去噪器，可以基于全局时域下的近程-远程双向上下文关联来去除特征关联噪声，从而使得所述训练去噪倾斜角度时序特征向量具有在全局时域下的时序多维度关联特征表示。
但是，所述训练去噪倾斜角度时序特征向量的时序多维度关联特征表示在通过分类器时，会由于不同维度的时序关联特征的关联精度差异，影响所述训练去噪倾斜角度时序特征向量通过分类器训练时的训练效果，由此，本申请的申请人在训练过程中，对所述训练去噪倾斜角度时序特征向量，例如记为V进行基于维度表征和反演式恢复的特征精度对齐，具体表示为：以如下优化公式对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐；其中，优化公式为：
其中，vi是所述训练去噪倾斜角度时序特征向量V的第i个位置的特征值，||V||0表示所述训练去噪倾斜角度时序特征向量V的零范数，L是所述训练去噪倾斜角度时序特征向量V的长度，且α是权重超参数，V是所述训练去噪倾斜角度时序特征向量，vi是优化去噪倾斜角度时序特征向量的第i个位置的特征值。
这里，针对基于维度的对于时序特征参数的高维特征编码与时序特征关联编辑之间的精度矛盾，所述基于维度表征和反演式恢复的特征精度对齐通过将特征关联编辑视为时序特征参数的高维特征编码的反演式嵌入生成，来通过对作为编码表示的特征值配备尺度表征的稀疏分布均衡，并基于向量计数来进行关联细节的反演式恢复，以实现精度差异在训练过程中的自适应对齐，提升所述训练去噪倾斜角度时序特征向量通过分类器进行分类回归训练时的训练效果。
继而，将去噪后的倾斜角度时序特征向量通过分类器进行分类，并将分类结果用于表示电机的转速应增大、应减小还是保持不变，并作为电机转速的控制策略。通过使用分类器对去噪后的特征向量进行分类，可以实时地获取当前搬运操作中的倾斜情况，并快速作出转速调整的决策。这样可以使电机的转速能够及时地响应倾斜角度的变化，提高搬运操作的安全性和效率性。
分类器可以根据倾斜角度时序特征向量的不同分类结果，判断电机转速应该增大、减小还是保持不变，这种自适应调整的策略可以根据实际情况对电机转速进行精确控制，以适应不同的搬运任务和工作环境，提高转速控制的准确性和灵活性。通过根据分类结果调整电机的转速，可以实现对能耗的优化。例如，当倾斜角度时序特征向量表明搬运物体处于平稳状态时，可以将电机转速降低以节约能源。而当倾斜角度时序特征向量表明搬运物体倾斜较大时，可以增加电机转速以提高搬运效率，这样可以有效地降低能耗，并提高搬运操作的能源利用效率。通过根据分类结果调整电机转速，可以提高搬运操作的安全性。当倾斜角度时序特征向量表明搬运物体倾斜较大或出现异常情况时，可以减小电机转速以降低搬运物体的倾斜风险，这样可以避免搬运物体的倾倒和意外情况的发生，保障操作人员和设备的安全。
综上，基于本发明实施例的基于倾角监测的车速控制方法被阐明，其设计智能化算法对被监测车辆地倾斜角度值在时间维度上的变化规律进行学习和捕捉，以自适应地控制车辆的电机转速，进而调整车辆的速度。
在本发明的一个实施例中，图3为本发明实施例中提供的一种基于倾角监测的车速控制系统的框图。如图3所示，根据本发明实施例的基于倾角监测的车速控制系统200，包括：数据获取模块210，用于获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；向量排列模块220，用于将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；倾斜角度时序分析模块230，用于对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及，控制策略确定模块240，用于基于所述倾斜角度时序特征向量，确定电机的转速的控制策略。
在所述基于倾角监测的车速控制系统中，所述倾斜角度时序分析模块，包括：向量-图像转换单元，用于将所述倾斜角度时序输入向量通过向量-图像转换模块以得到倾斜角度时序图像；以及，图像特征提取单元，用于对所述倾斜角度时序图像进行图像特征提取以得到所述倾斜角度时序特征向量。
在所述基于倾角监测的车速控制系统中，所述向量-图像转换单元，包括：局部向量切分子单元，用于将所述倾斜角度时序输入向量进行向量切分以得到倾斜角度输入子向量的序列；矩阵化子单元，用于将所述倾斜角度输入子向量的序列排列为倾斜角度时序输入矩阵；以及，归一化子单元，用于对所述倾斜角度时序输入矩阵进行归一化处理以得到所述倾斜角度时序图像；其中，所述倾斜角度时序图像中各个位置的值的范围为0-255。
这里，本领域技术人员可以理解，上述基于倾角监测的车速控制系统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2的基于倾角监测的车速控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的基于倾角监测的车速控制系统200可以实现在各种终端设备中，例如用于基于倾角监测的车速控制的服务器等。在一个示例中，根据本发明实施例的基于倾角监测的车速控制系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于倾角监测的车速控制系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于倾角监测的车速控制系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于倾角监测的车速控制系统200与该终端设备也可以是分立的设备，并且基于倾角监测的车速控制系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种基于倾角监测的车速控制方法的应用场景图。如图4所示，在该应用场景中，首先，获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值(例如，如图4中所示意的C)；然后，将获取的倾斜角度值输入至部署有基于倾角监测的车速控制算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于倾角监测的车速控制算法对所述倾斜角度值进行处理，以确定电机的转速的控制策略。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于倾角监测的车速控制方法，其特征在于，包括：
获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；
将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；
对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及
基于所述倾斜角度时序特征向量，确定电机的转速的控制策略；
其中，对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量，包括：
将所述倾斜角度时序输入向量通过向量-图像转换模块以得到倾斜角度时序图像；以及
对所述倾斜角度时序图像进行图像特征提取以得到所述倾斜角度时序特征向量；
其中，将所述倾斜角度时序输入向量通过向量-图像转换模块以得到倾斜角度时序图像，包括：
将所述倾斜角度时序输入向量进行向量切分以得到倾斜角度输入子向量的序列；
将所述倾斜角度输入子向量的序列排列为倾斜角度时序输入矩阵；以及
对所述倾斜角度时序输入矩阵进行归一化处理以得到所述倾斜角度时序图像；其中，所述倾斜角度时序图像中各个位置的值的范围为0-255；
其中，对所述倾斜角度时序图像进行图像特征提取以得到所述倾斜角度时序特征向量，包括：
将所述倾斜角度时序图像通过基于卷积神经网络模型的倾斜角度时序特征提取器以得到所述倾斜角度时序特征向量；
其中，基于所述倾斜角度时序特征向量，确定电机的转速的控制策略，包括：
将所述倾斜角度时序特征向量通过基于Bi-LSTM模型的特征去噪器以得到去噪倾斜角度时序特征向量；
将所述去噪倾斜角度时序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电机的转速应增大、应减小还是保持不变；以及
将所述分类结果作为所述电机的转速的控制策略；
其中，还包括：训练步骤，对所述向量-图像转换模块、所述基于卷积神经网络模型的倾斜角度时序特征提取器、所述基于Bi-LSTM模型的特征去噪器和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的训练倾斜角度值，以及，电机的转速应增大、应减小还是保持不变的真实值；
将所述多个预定时间点的训练倾斜角度值按照时间维度排列为训练倾斜角度时序输入向量；
将所述训练倾斜角度时序输入向量通过所述向量-图像转换模块以得到训练倾斜角度时序图像；
将所述训练倾斜角度时序图像通过所述基于卷积神经网络模型的倾斜角度时序特征提取器以得到训练倾斜角度时序特征向量；
将所述训练倾斜角度时序特征向量通过所述基于Bi-LSTM模型的特征去噪器以得到训练去噪倾斜角度时序特征向量；
对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐以得到优化去噪倾斜角度时序特征向量；
将所述优化去噪倾斜角度时序特征向量通过分类器以得到分类损失函数值；以及
以所述分类损失函数值来对所述向量-图像转换模块、所述基于卷积神经网络模型的倾斜角度时序特征提取器、所述基于Bi-LSTM模型的特征去噪器和所述分类器进行训练；
其中，对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐以得到优化去噪倾斜角度时序特征向量，包括：以如下优化公式对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐；其中，优化公式为：
其中，vi是所述训练去噪倾斜角度时序特征向量V的第i个位置的特征值，||V||0表示所述训练去噪倾斜角度时序特征向量V的零范数，L是所述训练去噪倾斜角度时序特征向量V的长度，且α是权重超参数，V是所述训练去噪倾斜角度时序特征向量，v′i是优化去噪倾斜角度时序特征向量的第i个位置的特征值。
2.根据权利要求1所述的基于倾角监测的车速控制方法，其特征在于，所述卷积神经网络模型包括输入层、卷积层、池化层、激活层和输出层。
3.一种基于倾角监测的车速控制系统，其特征在于，包括：
数据获取模块，用于获取由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的倾斜角度值；
向量排列模块，用于将所述多个预定时间点的倾斜角度值按照时间维度排列为倾斜角度时序输入向量；
倾斜角度时序分析模块，用于对所述倾斜角度时序输入向量进行倾斜角度时序分析以得到倾斜角度时序特征向量；以及
控制策略确定模块，用于基于所述倾斜角度时序特征向量，确定电机的转速的控制策略；
其中，所述倾斜角度时序分析模块，包括：
向量-图像转换单元，用于将所述倾斜角度时序输入向量通过向量-图像转换模块以得到倾斜角度时序图像；以及
图像特征提取单元，用于对所述倾斜角度时序图像进行图像特征提取以得到所述倾斜角度时序特征向量；
其中，所述向量-图像转换单元，包括：
局部向量切分子单元，用于将所述倾斜角度时序输入向量进行向量切分以得到倾斜角度输入子向量的序列；
矩阵化子单元，用于将所述倾斜角度输入子向量的序列排列为倾斜角度时序输入矩阵；以及
归一化子单元，用于对所述倾斜角度时序输入矩阵进行归一化处理以得到所述倾斜角度时序图像；其中，所述倾斜角度时序图像中各个位置的值的范围为0-255；
其中，所述图像特征提取单元，包括：
将所述倾斜角度时序图像通过基于卷积神经网络模型的倾斜角度时序特征提取器以得到所述倾斜角度时序特征向量；
其中，所述控制策略确定模块，包括：
将所述倾斜角度时序特征向量通过基于Bi-LSTM模型的特征去噪器以得到去噪倾斜角度时序特征向量；
将所述去噪倾斜角度时序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电机的转速应增大、应减小还是保持不变；以及
将所述分类结果作为所述电机的转速的控制策略；
其中，还包括：对所述向量-图像转换模块、所述基于卷积神经网络模型的倾斜角度时序特征提取器、所述基于Bi-LSTM模型的特征去噪器和所述分类器进行训练；
其中，对所述向量-图像转换模块、所述基于卷积神经网络模型的倾斜角度时序特征提取器、所述基于Bi-LSTM模型的特征去噪器和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括由倾角传感器采集的被监测车辆在预定时间段内多个预定时间点的训练倾斜角度值，以及，电机的转速应增大、应减小还是保持不变的真实值；
将所述多个预定时间点的训练倾斜角度值按照时间维度排列为训练倾斜角度时序输入向量；
将所述训练倾斜角度时序输入向量通过所述向量-图像转换模块以得到训练倾斜角度时序图像；
将所述训练倾斜角度时序图像通过所述基于卷积神经网络模型的倾斜角度时序特征提取器以得到训练倾斜角度时序特征向量；
将所述训练倾斜角度时序特征向量通过所述基于Bi-LSTM模型的特征去噪器以得到训练去噪倾斜角度时序特征向量；
对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐以得到优化去噪倾斜角度时序特征向量；
将所述优化去噪倾斜角度时序特征向量通过分类器以得到分类损失函数值；以及
以所述分类损失函数值来对所述向量-图像转换模块、所述基于卷积神经网络模型的倾斜角度时序特征提取器、所述基于Bi-LSTM模型的特征去噪器和所述分类器进行训练；
其中，对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐以得到优化去噪倾斜角度时序特征向量，包括：以如下优化公式对所述训练去噪倾斜角度时序特征向量进行基于维度表征和反演式恢复的特征精度对齐；其中，优化公式为：
其中，vi是所述训练去噪倾斜角度时序特征向量V的第i个位置的特征值，||V||0表示所述训练去噪倾斜角度时序特征向量V的零范数，L是所述训练去噪倾斜角度时序特征向量V的长度，且α是权重超参数，V是所述训练去噪倾斜角度时序特征向量，vi ′是优化去噪倾斜角度时序特征向量的第i个位置的特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340840.8A CN117382435B (zh) | 2023-10-17 | 2023-10-17 | 基于倾角监测的车速控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340840.8A CN117382435B (zh) | 2023-10-17 | 2023-10-17 | 基于倾角监测的车速控制方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117382435A CN117382435A (zh) | 2024-01-12 |
| CN117382435B true CN117382435B (zh) | 2024-05-03 |
Family
ID=89469613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311340840.8A Active CN117382435B (zh) | 2023-10-17 | 2023-10-17 | 基于倾角监测的车速控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117382435B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016127637A (ja) * | 2014-12-26 | 2016-07-11 | 富士重工業株式会社 | 車両の制御装置及び車両の制御方法 |
| JP2017106795A (ja) * | 2015-12-09 | 2017-06-15 | 中国電力株式会社 | 地盤変位の観測方法、及び情報処理装置 |
| JP2017162124A (ja) * | 2016-03-08 | 2017-09-14 | 富士通株式会社 | 画像処理システム、画像処理方法および画像処理プログラム |
| CN109017809A (zh) * | 2018-08-27 | 2018-12-18 | 北京理工大学 | 一种基于越野工况预测的能量分配方法 |
| CN111295831A (zh) * | 2017-08-29 | 2020-06-16 | Gkn汽车有限公司 | 用于对永久励磁式同步磁阻电机的场定向控制的方法 |
| CN113246726A (zh) * | 2020-09-22 | 2021-08-13 | 郑州嘉晨电器有限公司 | 一种基于动态规划的行驶安全控制方法 |
| KR20210157732A (ko) * | 2020-06-22 | 2021-12-29 | 현대자동차주식회사 | 전기자동차의 디스커넥터 제어 장치 및 방법 |
| CN114435145A (zh) * | 2022-02-15 | 2022-05-06 | 浙江盘毂动力科技有限公司 | 一种升挡调速方法、系统和车辆 |
| CN114590233A (zh) * | 2022-03-09 | 2022-06-07 | 一汽解放汽车有限公司 | 一种下坡恒速控制方法、装置及存储介质 |
| CN115840450A (zh) * | 2022-12-08 | 2023-03-24 | 广西大学 | 基于多传感器融合的丘陵山地无人作业平台防倾覆方法 |
| CN116279504A (zh) * | 2023-03-29 | 2023-06-23 | 重庆赛力斯新能源汽车设计院有限公司 | 基于ar的车辆速度辅助系统及其方法 |
| CN116405299A (zh) * | 2023-04-14 | 2023-07-07 | 杜菁 | 一种基于网络安全的报警器 |
| CN116738580A (zh) * | 2023-08-11 | 2023-09-12 | 杭州牧星科技有限公司 | 高亚音速无人机的速度-推力匹配系统及其方法 |
| CN116767204A (zh) * | 2023-07-12 | 2023-09-19 | 浙江加力仓储设备股份有限公司 | 基于车辆载荷的车速控制方法及其系统 |
| CN116880538A (zh) * | 2023-09-06 | 2023-10-13 | 杭州牧星科技有限公司 | 高亚音速无人机大机动飞行控制系统及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019047702A (ja) * | 2017-09-07 | 2019-03-22 | ルネサスエレクトロニクス株式会社 | モータ駆動システムおよびモータ駆動方法 |
-
2023
- 2023-10-17 CN CN202311340840.8A patent/CN117382435B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016127637A (ja) * | 2014-12-26 | 2016-07-11 | 富士重工業株式会社 | 車両の制御装置及び車両の制御方法 |
| JP2017106795A (ja) * | 2015-12-09 | 2017-06-15 | 中国電力株式会社 | 地盤変位の観測方法、及び情報処理装置 |
| JP2017162124A (ja) * | 2016-03-08 | 2017-09-14 | 富士通株式会社 | 画像処理システム、画像処理方法および画像処理プログラム |
| CN111295831A (zh) * | 2017-08-29 | 2020-06-16 | Gkn汽车有限公司 | 用于对永久励磁式同步磁阻电机的场定向控制的方法 |
| CN109017809A (zh) * | 2018-08-27 | 2018-12-18 | 北京理工大学 | 一种基于越野工况预测的能量分配方法 |
| KR20210157732A (ko) * | 2020-06-22 | 2021-12-29 | 현대자동차주식회사 | 전기자동차의 디스커넥터 제어 장치 및 방법 |
| CN113246726A (zh) * | 2020-09-22 | 2021-08-13 | 郑州嘉晨电器有限公司 | 一种基于动态规划的行驶安全控制方法 |
| CN113246725A (zh) * | 2020-09-22 | 2021-08-13 | 郑州嘉晨电器有限公司 | 一种基于多信息融合的工业车辆控制系统 |
| CN114435145A (zh) * | 2022-02-15 | 2022-05-06 | 浙江盘毂动力科技有限公司 | 一种升挡调速方法、系统和车辆 |
| CN114590233A (zh) * | 2022-03-09 | 2022-06-07 | 一汽解放汽车有限公司 | 一种下坡恒速控制方法、装置及存储介质 |
| CN115840450A (zh) * | 2022-12-08 | 2023-03-24 | 广西大学 | 基于多传感器融合的丘陵山地无人作业平台防倾覆方法 |
| CN116279504A (zh) * | 2023-03-29 | 2023-06-23 | 重庆赛力斯新能源汽车设计院有限公司 | 基于ar的车辆速度辅助系统及其方法 |
| CN116405299A (zh) * | 2023-04-14 | 2023-07-07 | 杜菁 | 一种基于网络安全的报警器 |
| CN116767204A (zh) * | 2023-07-12 | 2023-09-19 | 浙江加力仓储设备股份有限公司 | 基于车辆载荷的车速控制方法及其系统 |
| CN116738580A (zh) * | 2023-08-11 | 2023-09-12 | 杭州牧星科技有限公司 | 高亚音速无人机的速度-推力匹配系统及其方法 |
| CN116880538A (zh) * | 2023-09-06 | 2023-10-13 | 杭州牧星科技有限公司 | 高亚音速无人机大机动飞行控制系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117382435A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jack et al. | Support vector machines for detection and characterization of rolling element bearing faults | |
| US20180089589A1 (en) | Machine learning device and machine learning method for learning optimal object grasp route | |
| CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
| EP4123513A1 (en) | Fixed-point method and apparatus for neural network | |
| CN110737976B (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
| CN112241574B (zh) | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 | |
| Gong et al. | A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion | |
| CN109597315A (zh) | 一种机械设备健康退化状态辨识方法、设备及系统 | |
| CN111680613A (zh) | 一种实时检测手扶电梯乘客摔倒行为的方法 | |
| CN111723850A (zh) | 一种基于智能巡检系统的自动化检定设备状态评价方法 | |
| CN117320236B (zh) | 无人机的照明控制方法及系统 | |
| CN111460891A (zh) | 一种面向自动驾驶的车路协同行人重识别方法和系统 | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| CN101320477B (zh) | 一种人体跟踪方法及其设备 | |
| CN117382435B (zh) | 基于倾角监测的车速控制方法及其系统 | |
| CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
| Ali et al. | Substation Danger Sign Detection and Recognition using Convolutional Neural Networks | |
| CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 | |
| CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
| CN113392695B (zh) | 一种公路货车及其轮轴识别方法 | |
| CN114384866B (zh) | 一种基于分布式深度神经网络框架的数据划分方法 | |
| CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| Burgard | Novelty detection and online learning for vibration-based terrain classification | |
| Reddy et al. | Comparison of HOG and fisherfaces based face recognition system using MATLAB | |
| KR20220067271A (ko) | 영상취득장치 및 영상취득방법 |
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 |