CN117774714A - 一种矿用电动轮自卸车牵引系统自适应控制方法 - Google Patents
一种矿用电动轮自卸车牵引系统自适应控制方法 Download PDFInfo
- Publication number
- CN117774714A CN117774714A CN202410200570.9A CN202410200570A CN117774714A CN 117774714 A CN117774714 A CN 117774714A CN 202410200570 A CN202410200570 A CN 202410200570A CN 117774714 A CN117774714 A CN 117774714A
- Authority
- CN
- China
- Prior art keywords
- traction
- electric wheel
- mining
- mining electric
- braking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005065 mining Methods 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 112
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 170
- 239000011159 matrix material Substances 0.000 claims description 114
- 230000035484 reaction time Effects 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 239000012633 leachable Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种矿用电动轮自卸车牵引系统自适应控制方法，该方法利用多种牵引参数和超图神经网络技术，对大型不同矿场环境矿用电动轮自卸车状态的自适应控制和电机扭矩变化调整；其方法包括集成矿用电动轮自卸车的不同路况制动数据，不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；根据牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果，该方法保证了矿场安全以及对矿用电动轮自卸车牵引系统实时准确监控。
Description
技术领域
本发明涉及矿用电动轮自卸车牵引控制领域,尤其涉及一种矿用电动轮自卸车牵引系统自适应控制方法。
背景技术
矿用电动轮自卸车是大型露天矿山开采和大规模土方建设中的关键运输设备。作业特点是承载重,弯道多,频繁上、下坡(下坡路面占总路面的20%-30%),车辆需要在启动加速和减速制动之间不断的切换行驶。在这个过程中,需要精确制动距离和大牵引功率在不同矿场环境的输出，以确保不同矿场环境需求的稳定和可靠。
现有的不同矿场环境矿用电动轮自卸车的状态自适应控制方法仅仅是通过对矿用电动轮自卸车的牵引功率、制动距离参数进行自适应控制，来判断大型不同矿场环境矿用电动轮自卸车的状态；由于不同类型的不同矿场环境电机扭矩变化所引发的牵引功率或制动距离波动可能存在相似情况，因此无法快速的确定矿用电动轮自卸车的电机扭矩变化类型，以及对矿用电动轮自卸车制动的有效自适应控制，最终可能导致危险等紧急情况的发生，因此，亟需一种矿用电动轮自卸车牵引系统自适应控制方法。
发明内容
为解决上述技术问题，本发明提供一种利用多种牵引参数和超图神经网络技术，实现了对大型不同矿场环境矿用电动轮自卸车状态的自适应控制和电机扭矩变化调整，保证了矿场安全以及对矿用电动轮自卸车牵引系统实时准确监控的大型不同矿场环境矿用电动轮自卸车的状态自适应控制方法。
初始方面，本发明提供了一种矿用电动轮自卸车牵引系统自适应控制方法，所述方法包括：
集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；
所述矿用电动轮自卸车不同路况牵引参数包括矿用电动轮自卸车在运行过程中的牵引功率、制动距离、牵引速度、制动反应时间、牵引重量、制动方式和制动温度；
其中，所述牵引功率和制动距离实时集成，所述牵引速度、制动反应时间、牵引重量、制动方式和制动温度按预设车辆负载集成；
根据牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果，所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；
将单位时间不同矿场环境牵引参数指标、牵引参数指标聚类结果和对应的矿用电动轮自卸车不同路况电机扭矩变化类型上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；
其中，所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；
在实际应用中，实时集成矿用电动轮自卸车的单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；
将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比：
在监控矩阵维度低于预设矩阵维度时，则无需集成牵引参数指标聚类结果，并继续保持对单位时间不同矿场环境牵引参数指标的集成与分析；
在监控矩阵维度等于或高于预设矩阵维度时，则集成牵引参数指标聚类结果，并将牵引参数指标聚类结果与监控矩阵输入至非自然环境状况牵引效率监控算法中，获得矿用电动轮自卸车的电机扭矩变化类型。
进一步地，所述非自然环境状况牵引效率监控算法利用超图神经网络模型进行训练，表达式为：其中，/>表示牵引速度对电机扭矩变化类型判断的误差系数，/>为超图卷积核，/>为卷积核参数，/>表示制动反应时间对电机扭矩变化类型判断的误差系数，/>为超图卷积操作运算符，/>表示牵引重量对电机扭矩变化类型判断的误差系数，/>为超图信号，/>为特征向量矩阵，/>表示制动方式对电机扭矩变化类型判断的误差系数，/>为矩阵的Hadamard乘积，/>表示制动温度对电机扭矩变化类型判断的误差系数，T表示矩阵的转置运算。
进一步地，所述自然环境状况牵引效率监控算法的建立步骤为：
根据不同路况制动数据，整理矿用电动轮自卸车的不同路况牵引参数和对应的电机扭矩变化类型数据；
对单位时间不同矿场环境牵引参数指标进行处理和提取特征，将原始数据转化为实用的特征，供超图神经网络算法使用；
利用超图神经网络算法，根据准备好的卷积数据，使用选定的算法进行模型卷积，并对模型进行参数调整；
在卷积完成后，提取模型的相关参数作为自然环境状况牵引效率监控算法的输出。
进一步地，所述非自然环境状况牵引效率监控算法的建立步骤为：
根据不同路况制动数据，整理矿用电动轮自卸车的牵引参数指标聚类结果和对应的电机扭矩变化类型数据；
利用超图神经网络模型进行训练，将牵引参数指标聚类结果作为自变量，电机扭矩变化类型参数作为因变量，降低数据维度，并对模型进行卷积；
卷积完成后，通过非自然环境状况牵引效率监控算法来预测矿用电动轮自卸车的电机扭矩变化类型参数；非自然环境状况牵引效率监控算法的表达式为：其中，/>表示矿用电动轮自卸车的电机扭矩变化类型参数，/>表示噪声矩阵，/>，/>，/>分别为项目嵌入矩阵/>通过变换得到的可学习的矩阵，对应于query、key和value，/>为多头自注意力输出位置的可学习矩阵，LN（LayerNorm）为层归一化，output(/>)为非自然环境状况牵引效率，/>表示自注意力机制，/>、/>、/>、/>、/>分别表示牵引速度、制动反应时间、牵引重量、制动方式、制动温度。
对不同路况制动数据进行超图神经网络，计算电机扭矩变化类型参数与实际电机扭矩变化类型之间的皮尔逊相关系数。
进一步地，所述牵引参数指标聚类结果的数据采集方法，包括：
利用光学式速度传感器监测并采集矿用电动轮自卸车的牵引速度情况；基于红外热像仪监控并采集矿用电动轮自卸车的制动反应时间；对矿用电动轮自卸车的制动温度进行监控与采集，分析温度变化的峰值和波动区间；利用牵引力测试仪监控并采集矿用电动轮自卸车产生的牵引重量信号；采用车机交互系统转换矿用电动轮自卸车周围的制动方式，并统计不同制动方式的效果。
进一步地，所述预设矩阵维度的预设影响原因包括天气环境、路面坡度、牵引负载区间、路面平整度和负载种类。
另一方面，本申请还提供了一种矿用电动轮自卸车牵引系统自适应控制方法的操控界面，包括：信息库集成界面，用于集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；
其中，所述矿用电动轮自卸车不同路况牵引参数包括矿用电动轮自卸车在运行过程中的牵引功率、制动距离、牵引速度、制动反应时间、牵引重量、制动方式和制动温度；所述牵引功率和制动距离实时集成，所述牵引速度、制动反应时间、牵引重量、制动方式和制动温度按预设车辆负载集成；
指标聚类界面，用于接收不同路况电机扭矩变化类型和不同路况牵引参数，基于牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果；所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；
超图神经网络算法界面，用于接收单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果并上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；
其中，所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；
监控矩阵界面，用于接收自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；实时集成单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；
电机扭矩变化分析界面，用于接收非自然环境状况牵引效率监控算法的监控矩阵，将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比：
在监控矩阵维度低于预设矩阵维度时，则无需集成牵引参数指标聚类结果，并继续保持对单位时间不同矿场环境牵引参数指标的集成与分析；
在监控矩阵维度等于或高于预设矩阵维度时，则集成牵引参数指标聚类结果，并将牵引参数指标聚类结果与监控矩阵输入至非自然环境状况牵引效率监控算法中，获得矿用电动轮自卸车的电机扭矩变化类型。
有益效果：
本发明提出一种矿用电动轮自卸车牵引系统自适应控制方法，该方法通过集成这些数据，能够全面地了解矿用电动轮自卸车的运行状态；该方法利用超图神经网络算法建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法，通过卷积和模型训练不同路况制动数据以及对应的电机扭矩变化类型，模型能够识别和分类不同的矿用电动轮自卸车电机扭矩变化类型；根据监控矩阵与预设矩阵维度的比较，可以确定是否需要集成牵引参数指标聚类结果，能够及时发现矿用电动轮自卸车的电机扭矩变化类型，并及时进行扭矩变换；通过综合多种牵引参数和超图神经网络算法的应用，能够提高对矿用电动轮自卸车电机扭矩变化的调整准确性，不仅能够判断电机扭矩变化类型，还能够根据不同路况数据进行电机扭矩变化预测和趋势分析，有助于提前采取维修措施，避免供电中断和事故发生，能够及时发现和解决矿用电动轮自卸车的问题，减少电机扭矩变化带来的故障和事故突发情况，同时，对矿用电动轮自卸车的自适应控制能够有针对性地进行，提高车辆安全和人员操控的便携性；综上所述，本方法利用多种牵引参数和超图神经网络技术，实现了对大型不同矿场环境矿用电动轮自卸车状态的自适应控制和电机扭矩变化调整，保证了矿场安全以及对矿用电动轮自卸车牵引系统实时准确监控。
附图说明
图1是本发明的方法流程图；
图2是本发明的方法操控界面组成图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示，本发明的一种矿用电动轮自卸车牵引系统自适应控制方法，具体包括以下步骤：
A1、集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；
为了实现大型不同矿场环境矿用电动轮自卸车的状态自适应控制，首先需要收集矿用电动轮自卸车的不同路况制动数据，这些数据能够提供有关矿用电动轮自卸车在运行过程中的性能、电机扭矩变化类型以及相关牵引参数的信息，为后续的状态评估和电机扭矩变化调整提供依据；
所述矿用电动轮自卸车不同路况牵引参数包括：
牵引功率和制动距离：使用智能电表采集矿用电动轮自卸车的牵引功率和制动距离，并分析牵引功率和制动距离的波动情况；牵引功率和制动距离的波动情况能够反映矿用电动轮自卸车的稳定性，需要实时集成矿用电动轮自卸车的牵引功率和制动距离参数，并记录其波动情况。
牵引速度：基于光学式速度传感器监测并采集矿用电动轮自卸车的牵引速度情况，包括牵引速度的最大值、平均值和方差等，牵引速度的变化能够反映矿用电动轮自卸车的机械运行状态和电机扭矩变化情况。
制动反应时间：利用红外热像仪监控并采集矿用电动轮自卸车的制动反应时间变化情况，包括设备内部和外部的制动反应时间，制动反应时间的异常变化能够表明矿用电动轮自卸车存在过载、散热不良等电机扭矩变化；
牵引重量：基于牵引力测试仪监控并采集矿用电动轮自卸车产生的牵引重量信号，并进行分析，牵引重量信号能够提供矿用电动轮自卸车内部的状态信息。
制动方式：基于车机交互系统转换矿用电动轮自卸车周围的制动方式，并统计不同制动方式的效果变化，并统计不同制动方式的效果的异常变化表明供电设备的绝缘电机扭矩变化或其它设备问题相关。
制动温度：对矿用电动轮自卸车的制动温度进行监控与采集，分析温度变化的峰值和波动区间，制动温度的测试结果能够提供有关绝缘性能的信息。
通过收集和记录这些不同路况牵引参数，建立一份矿用电动轮自卸车的信息库，用于后续数据分析、相关性分析和模型卷积；其中，所述牵引功率和制动距离实时集成，所述牵引速度、制动反应时间、牵引重量、制动方式和制动温度按预设车辆负载集成；通过集成矿用电动轮自卸车的不同路况制动数据，能够提供矿用电动轮自卸车在运行过程中的性能和电机扭矩变化类型的基础数据，为后续的状态评估、电机扭矩变化调整和性能优化提供重要依据。
通过分析不同路况制动数据，可以揭示矿用电动轮自卸车的稳定性、机械运行状态、绝缘性能和潜在电机扭矩变化等信息；除了牵引功率和制动距离的波动数据外，通过光学式速度传感器、红外热像仪、牵引重量检测、车机交互系统和制动温度检测等多种检测手段，全方位地对矿用电动轮自卸车进行自适应控制，从不同的角度集成矿用电动轮自卸车的状态信息，提高电机扭矩变化检测和调整的准确性。
通过集成矿用电动轮自卸车的不同路况制动数据和牵引参数，可以全面了解矿用电动轮自卸车的性能、电机扭矩变化类型和牵引参数，并为后续的状态评估、电机扭矩变化调整和性能优化提供基础数据和依据。
A2、根据牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果，所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；
在该步骤中，需要根据牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，将不同路况牵引参数分成两个不同的指标，即单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果；
单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离。这些数据可以通过实时监控并采集矿用电动轮自卸车的牵引功率和制动距离参数来集成；
牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度，用于监控并采集矿用电动轮自卸车在运行过程中的牵引速度、制动反应时间、牵引重量、制动方式和制动温度的状态；
单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果的分类依据为：
不同类型的电机扭矩变化对应着不同的牵引参数，通过将牵引功率和制动距离与其它多个特征数据分开分类，能够更有针对性地对不同类型的电机扭矩变化进行判断和分析，牵引功率和制动距离波动更容易与不同矿场环境电机扭矩变化相关，而牵引速度、制动反应时间、声音等数据更容易与机械或绝缘电机扭矩变化相关，牵引功率和制动距离在实时自适应控制中集成较为方便，通过这些数据可以快速进行初步的电机扭矩变化判断；
牵引参数指标聚类结果涉及到更多的传感器集成和检测设备，集成需要一定的时间和成本，因此通过预设一个预设矩阵维度，如果单位时间不同矿场环境牵引参数指标的监控矩阵低于预设矩阵维度，可以避免频繁地集成牵引参数指标聚类结果，从而提高效率。
通过将牵引参数分为两个指标，可以更有针对性地对不同类型的电机扭矩变化进行判断和分析；通过预设一个预设矩阵维度，如果单位时间不同矿场环境牵引参数指标的监控矩阵低于预设矩阵维度，可以避免频繁地集成牵引参数指标聚类结果，从而提高效率；将不同类型的牵引参数分开分类，可以通过综合分析不同特征数据之间的关联性来得出更准确的判断和调整结果。
A3、将单位时间不同矿场环境牵引参数指标、牵引参数指标聚类结果和对应的矿用电动轮自卸车不同路况电机扭矩变化类型上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；
自然环境状况牵引效率监控算法的建立步骤为：
根据步骤A1中集成的矿用电动轮自卸车不同路况制动数据，整理矿用电动轮自卸车的不同路况牵引参数和对应的电机扭矩变化类型数据；
对单位时间不同矿场环境牵引参数指标进行处理和提取特征，将原始数据转化为实用的特征，供超图神经网络算法使用；
根据问题描述，选择适合该场景的超图神经网络算法，使用选定的算法进行模型卷积，并对模型进行参数调整；
在卷积完成后，提取模型的相关参数作为自然环境状况牵引效率监控算法的输出。
非自然环境状况牵引效率监控算法的建立步骤为：
根据步骤A1中集成的矿用电动轮自卸车不同路况制动数据，整理矿用电动轮自卸车的牵引参数指标聚类结果和对应的电机扭矩变化类型数据；
利用超图神经网络模型进行训练，将牵引参数指标聚类结果作为自变量，电机扭矩变化类型参数作为因变量，降低数据维度，并对模型进行卷积；
卷积完成后，通过非自然环境状况牵引效率监控算法来预测矿用电动轮自卸车的电机扭矩变化类型，
非自然环境状况牵引效率监控算法利用超图神经网络模型进行训练，表达式为：其中，/>表示牵引速度对电机扭矩变化类型判断的误差系数，/>为超图卷积核，/>为卷积核参数，/>表示制动反应时间对电机扭矩变化类型判断的误差系数，/>为超图卷积操作运算符，/>表示牵引重量对电机扭矩变化类型判断的误差系数，/>为超图信号，/>为特征向量矩阵，/>表示制动方式对电机扭矩变化类型判断的误差系数，/>为矩阵的Hadamard乘积，/>表示制动温度对电机扭矩变化类型判断的误差系数，T表示矩阵的转置运算。
非自然环境状况牵引效率监控算法的表达式为：其中，/>表示矿用电动轮自卸车的电机扭矩变化类型参数，/>表示噪声矩阵，/>，/>，/>分别为项目嵌入矩阵/>通过变换得到的可学习的矩阵，对应于query、key和value，/>为多头自注意力输出位置的可学习矩阵，LN（LayerNorm）为层归一化，output(/>)为非自然环境状况牵引效率，/>表示自注意力机制，/>、/>、/>、/>、/>分别表示牵引速度、制动反应时间、牵引重量、制动方式、制动温度。
将电机扭矩变化类型参数Y与实际电机扭矩变化类型建立对应关系；具体地，通过对不同路况制动数据进行卷积和模型训练，得到电机扭矩变化类型参数Y与实际电机扭矩变化类型之间的对应关系，通过对不同路况制动数据进行分类和回归等超图神经网络算法，计算电机扭矩变化类型参数Y与实际电机扭矩变化类型之间的皮尔逊相关系数；
其中，所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；
本步骤通过整理和处理矿用电动轮自卸车的不同路况牵引参数和电机扭矩变化类型数据，能够获得完整的输入信息，使得牵引效率监控算法能够更准确地判断设备的状态和电机扭矩变化类型；使用准备好的卷积数据对选定的超图神经网络算法进行模型卷积，并对模型进行参数调整，能够通过不断优化模型参数和算法选择，提高模型的准确性和性能；通过输出监控矩阵，能够解每个特征对电机扭矩变化类型判断的重要程度，从而更好地理解牵引效率和电机扭矩变化类型的关系；
综上所述，牵引效率监控算法能够更准确地评估矿用电动轮自卸车的状态和电机扭矩变化类型，为制动人员提供有效的决策支持和电机扭矩变化排除指导。
A4、实时集成矿用电动轮自卸车的单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；
在该步骤中，数据输入前，对数据进行预处理，包括数据脱敏、整理、归一化等，确保输入到模型中的数据质量和一致性；
将实时集成的单位时间不同矿场环境牵引参数指标作为输入，传递给自然环境状况牵引效率监控算法进行特征提取和状态评估，为后续的非自然环境状况牵引效率监控算法提供监控矩阵；监控矩阵反映了矿用电动轮自卸车的当前状态和性能状况，通过监控矩阵，能够对矿用电动轮自卸车的运行状况进行初步的判断和评估；
在本步骤中，通过数据脱敏、整理和归一化等预处理步骤，可以确保输入到模型中的数据质量和一致性，能够排除数据中的异常值、噪声和采样率不一致等问题，提高了监控算法的准确性和可靠性；
通过自然环境状况牵引效率监控算法获得的监控矩阵，能够反映矿用电动轮自卸车的当前状态和性能状况，这些监控矩阵能够用于矿用电动轮自卸车的初步判断和评估，为后续的非自然环境状况牵引效率监控算法提供重要的输入；
通过持续自适应控制和评估矿用电动轮自卸车的状态，能够及时发现潜在的电机扭矩变化或异常情况，从而提前采取维护措施，避免设备电机扭矩变化对不同矿场环境供应的影响，通过对矿用电动轮自卸车的状态进行实时分析和评估，能够优化设备运行策略，提高矿用电动轮自卸车的运行效率和能源利用效率。
A5、将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比：
在监控矩阵维度低于预设矩阵维度时，则无需集成牵引参数指标聚类结果，并继续保持对单位时间不同矿场环境牵引参数指标的集成与分析；
在监控矩阵维度等于或高于预设矩阵维度时，则集成牵引参数指标聚类结果，并将牵引参数指标聚类结果与监控矩阵输入至非自然环境状况牵引效率监控算法中，获得矿用电动轮自卸车的电机扭矩变化类型。
所述预设矩阵维度是指用于判断是否需要集成牵引参数指标聚类结果的一个固定值或范围，所述预设矩阵维度基于以下因素预设：天气环境、路面坡度、牵引负载区间和路面平整度、负载种类。
进一步的，预设矩阵维度的预设是一个动态过程，需要根据实际情况进行调整和优化，通过不断观察和分析系统运行状态、电机扭矩变化数据和维护记录，需要不断地优化预设矩阵维度，提高状态自适应控制的准确性和可靠性。
在监控矩阵维度低于预设矩阵维度时，代表矿用电动轮自卸车的自然环境状况状态评估结果表明其处于正常状态，在这种情况下，无需集成牵引参数指标聚类结果，并且可以继续保持对初始力牵引参数指标的集成与分析，帮助监控并采集矿用电动轮自卸车的基本运行状态；
如果监控矩阵等于或高于预设矩阵维度，表明矿用电动轮自卸车的自然环境状况状态评估结果指示存在潜在电机扭矩变化或异常情况，在此情况下，需要集成牵引参数指标聚类结果，并将其与自然环境状况监控矩阵一起输入非自然环境状况牵引效率监控算法中，以获得矿用电动轮自卸车的电机扭矩变化类型；
非自然环境状况牵引效率监控算法将综合考虑单位时间不同矿场环境牵引参数指标、牵引参数指标聚类结果以及预设的监控矩阵，并利用超图神经网络等算法进行卷积和分析，从而确定矿用电动轮自卸车的电机扭矩变化类型；
通过对监控矩阵与预设矩阵维度的比较，能够快速判断矿用电动轮自卸车是否处于正常状态，从而决定是否需要集成牵引参数指标聚类结果，如果监控矩阵低于预设矩阵维度，能够避免额外的数据收集和分析，节省时间和资源；
当监控矩阵等于或高于预设矩阵维度时，集成牵引参数指标聚类结果，并将其与监控矩阵一起输入非自然环境状况牵引效率监控算法中，能够提供准确的电机扭矩变化类型判断，通过综合考虑多个数据指标和预设参数，利用超图神经网络等算法进行卷积和分析，能够准确地确定矿用电动轮自卸车的电机扭矩变化类型；
预设矩阵维度的确定基于多个因素，通过综合考虑这些因素，制定适合具体矿用电动轮自卸车的预设矩阵维度，提高状态自适应控制的准确性和可靠性；通过观察和分析系统运行状态、电机扭矩变化数据和维护记录，能够不断优化预设矩阵维度，适应矿用电动轮自卸车的实际运行情况，提高监控算法的准确性和可靠性。
如图2所示，本发明的一种矿用电动轮自卸车牵引系统自适应控制方法通过不同操控界面实现，包括；
信息库集成界面，用于集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；
其中，所述矿用电动轮自卸车不同路况牵引参数包括矿用电动轮自卸车在运行过程中的牵引功率、制动距离、牵引速度、制动反应时间、牵引重量、制动方式和制动温度；所述牵引功率和制动距离实时集成，所述牵引速度、制动反应时间、牵引重量、制动方式和制动温度按预设车辆负载集成；
指标聚类界面，用于接收不同路况电机扭矩变化类型和不同路况牵引参数，基于牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果；所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；
超图神经网络算法界面，用于接收单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果并上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；
其中，所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；
监控矩阵界面，用于接收自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；实时集成单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；
电机扭矩变化分析界面，用于接收非自然环境状况牵引效率监控算法的监控矩阵，将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比：
在监控矩阵维度低于预设矩阵维度时，则无需集成牵引参数指标聚类结果，并继续保持对单位时间不同矿场环境牵引参数指标的集成与分析；
在监控矩阵维度等于或高于预设矩阵维度时，则集成牵引参数指标聚类结果，并将牵引参数指标聚类结果与监控矩阵输入至非自然环境状况牵引效率监控算法中，获得矿用电动轮自卸车的电机扭矩变化类型。
该系统通过集成矿用电动轮自卸车的不同路况电机扭矩变化类型和不同路况牵引参数，并进行指标聚类和超图神经网络算法，从而实现对矿用电动轮自卸车状态的全面自适应控制，相对于仅仅自适应控制牵引功率和制动距离参数的传统方法，该系统考虑了更多的牵引参数，提供了更综合全面的状态评估；
该系统利用自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法相结合的方法对矿用电动轮自卸车进行状态评估，自然环境状况牵引效率监控算法通过实时集成单位时间不同矿场环境牵引参数进行评估，更加实时和迅速；而非自然环境状况牵引效率监控算法通过综合考虑不同路况电机扭矩变化类型和不同路况牵引参数进行评估，更加准确和可靠；
通过比较非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度，可以确定矿用电动轮自卸车的电机扭矩变化类型，由于该系统综合考虑了不同路况电机扭矩变化类型和不同路况牵引参数，并利用了分层评估方法，因此能够提高电机扭矩变化类型的判断准确性，减少误判和漏判的可能性；
综上所述，本方法利用多种牵引参数和超图神经网络技术，实现了对大型不同矿场环境矿用电动轮自卸车状态的自适应控制和电机扭矩变化调整，保证了矿场安全以及对矿用电动轮自卸车牵引系统实时准确监控。
前述实施例一中的大型不同矿场环境矿用电动轮自卸车的状态自适应控制方法的各种变化方式和具体实施例同样适用于本实施例的大型不同矿场环境矿用电动轮自卸车的状态自适应控制系统,通过前述对大型不同矿场环境矿用电动轮自卸车的状态自适应控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中大型不同矿场环境矿用电动轮自卸车的状态自适应控制系统的实施方法,所以为了说明书的简洁,在此不再详述。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (8)
1.一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，所述方法包括：
A1、集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；所述矿用电动轮自卸车不同路况牵引参数包括矿用电动轮自卸车在运行过程中的牵引功率、制动距离、牵引速度、制动反应时间、牵引重量、制动方式和制动温度；所述牵引功率和制动距离实时集成，所述牵引速度、制动反应时间、牵引重量、制动方式和制动温度按预设车辆负载集成；
A2、根据牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果，所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；
A3、将单位时间不同矿场环境牵引参数指标、牵引参数指标聚类结果和对应的矿用电动轮自卸车不同路况电机扭矩变化类型上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；
A4、实时集成矿用电动轮自卸车的单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；
A5、将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比：在监控矩阵维度低于预设矩阵维度时，则无需集成牵引参数指标聚类结果，并继续保持对单位时间不同矿场环境牵引参数指标的集成与分析；在监控矩阵维度等于或高于预设矩阵维度时，则集成牵引参数指标聚类结果，并将牵引参数指标聚类结果与监控矩阵输入至非自然环境状况牵引效率监控算法中，获得矿用电动轮自卸车的电机扭矩变化类型。
2.如权利要求1所述的一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，所述非自然环境状况牵引效率监控算法利用超图神经网络模型进行训练，表达式为：
其中，/>表示牵引速度对电机扭矩变化类型判断的误差系数，/>为超图卷积核，/>为卷积核参数，/>表示制动反应时间对电机扭矩变化类型判断的误差系数，/>为超图卷积操作运算符，/>表示牵引重量对电机扭矩变化类型判断的误差系数，/>为超图信号，/>为特征向量矩阵，/>表示制动方式对电机扭矩变化类型判断的误差系数，/>为矩阵的Hadamard乘积，/>表示制动温度对电机扭矩变化类型判断的误差系数，T表示矩阵的转置运算。
3.如权利要求2所述的一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，所述非自然环境状况牵引效率监控算法的表达式为：其中，/>表示矿用电动轮自卸车的电机扭矩变化类型参数，/>表示噪声矩阵，/>，/>，/>分别为项目嵌入矩阵/>通过变换得到的可学习的矩阵，对应于query、key和value，/>为多头自注意力输出位置的可学习矩阵，LN（LayerNorm）为层归一化，output(/>)为非自然环境状况牵引效率，/>表示自注意力机制，/>、/>、/>、/>、/>分别表示牵引速度、制动反应时间、牵引重量、制动方式、制动温度。
4.如权利要求2所述的一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，所述自然环境状况牵引效率监控算法的建立步骤为：
根据不同路况制动数据，整理矿用电动轮自卸车的不同路况牵引参数和对应的电机扭矩变化类型数据；对单位时间不同矿场环境牵引参数指标进行处理和提取特征，将原始数据转化为实用的特征，供超图神经网络算法使用；
利用超图神经网络算法，根据准备好的卷积数据，使用选定的算法进行模型卷积，并对模型进行参数调整；在卷积完成后，提取模型的相关参数作为自然环境状况牵引效率监控算法的输出。
5.如权利要求3所述的一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，所述非自然环境状况牵引效率监控算法的建立步骤为：
根据不同路况制动数据，整理矿用电动轮自卸车的牵引参数指标聚类结果和对应的电机扭矩变化类型数据；
利用超图神经网络模型进行训练，将牵引参数指标聚类结果作为自变量，电机扭矩变化类型参数作为因变量，降低数据维度，并对模型进行卷积；
卷积完成后，通过非自然环境状况牵引效率监控算法来预测矿用电动轮自卸车的电机扭矩变化类型参数，对不同路况制动数据进行超图神经网络，计算电机扭矩变化类型参数与实际电机扭矩变化类型之间的皮尔逊相关系数。
6.如权利要求1所述的一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，所述牵引参数指标聚类结果的数据采集方法，包括：利用光学式速度传感器监测并采集矿用电动轮自卸车的牵引速度情况；基于红外热像仪监控并采集矿用电动轮自卸车的制动反应时间；对矿用电动轮自卸车的制动温度进行监控与采集，分析温度变化的峰值和波动区间；利用牵引力测试仪监控并采集矿用电动轮自卸车产生的牵引重量信号；采用车机交互系统转换矿用电动轮自卸车周围的制动方式，并统计不同制动方式的效果。
7.如权利要求1所述的一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，所述预设矩阵维度的预设影响原因包括天气环境、路面坡度、牵引负载区间、路面平整度和负载种类。
8.如权利要求1-7所述的一种矿用电动轮自卸车牵引系统自适应控制方法，其特征在于，该方法通过不同操控界面实现，包括：
信息库集成界面，用于集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；
指标聚类界面，用于接收不同路况电机扭矩变化类型和不同路况牵引参数，基于牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果；所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；
超图神经网络算法界面，用于接收单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；其中，所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；
监控矩阵界面，用于接收自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；实时集成单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；
电机扭矩变化分析界面，用于接收非自然环境状况牵引效率监控算法的监控矩阵，将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200570.9A CN117774714B (zh) | 2024-02-23 | 2024-02-23 | 一种矿用电动轮自卸车牵引系统自适应控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200570.9A CN117774714B (zh) | 2024-02-23 | 2024-02-23 | 一种矿用电动轮自卸车牵引系统自适应控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117774714A true CN117774714A (zh) | 2024-03-29 |
| CN117774714B CN117774714B (zh) | 2024-05-10 |
Family
ID=90380074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410200570.9A Active CN117774714B (zh) | 2024-02-23 | 2024-02-23 | 一种矿用电动轮自卸车牵引系统自适应控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117774714B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103998715A (zh) * | 2011-12-16 | 2014-08-20 | 卡特彼勒公司 | 矿用卡车及其再生制动策略 |
| CN104670216A (zh) * | 2013-12-02 | 2015-06-03 | 通用汽车环球科技运作有限责任公司 | 用于控制动力总成系统的电动扭矩机的方法和装置 |
| US20150266466A1 (en) * | 2014-03-21 | 2015-09-24 | Ford Global Technologies, Llc | Method and System for Adaptive Motor Power Loss Estimation in Hybrid Electric Vehicles |
| CN106314200A (zh) * | 2016-09-26 | 2017-01-11 | 株洲中车时代电气股份有限公司 | 一种矿用电动轮自卸车牵引系统自适应控制方法 |
| EP3321144A1 (en) * | 2016-11-15 | 2018-05-16 | Scania CV AB | System and method for distributing a braking torque of a vehicle and a vehicle including the system |
| CN113879135A (zh) * | 2021-10-26 | 2022-01-04 | 江苏大学 | 一种基于电机效率Map和路况信息的矿用车辆控制方法及系统 |
| EP4137376A1 (en) * | 2021-08-20 | 2023-02-22 | Ningbo Geely Automobile Research & Development Co., Ltd. | A method for adaptative real-time optimization of a power or torque split in a vehicle |
| WO2023030346A1 (zh) * | 2021-08-31 | 2023-03-09 | 徐州徐工矿业机械有限公司 | 一种电传动矿用自卸车自适应安全限速保护系统及方法 |
| CN116015108A (zh) * | 2021-10-21 | 2023-04-25 | 株洲变流技术国家工程研究中心有限公司 | 矿用电动轮自卸车永磁驱动系统超速保护方法及系统 |
-
2024
- 2024-02-23 CN CN202410200570.9A patent/CN117774714B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103998715A (zh) * | 2011-12-16 | 2014-08-20 | 卡特彼勒公司 | 矿用卡车及其再生制动策略 |
| CN104670216A (zh) * | 2013-12-02 | 2015-06-03 | 通用汽车环球科技运作有限责任公司 | 用于控制动力总成系统的电动扭矩机的方法和装置 |
| US20150266466A1 (en) * | 2014-03-21 | 2015-09-24 | Ford Global Technologies, Llc | Method and System for Adaptive Motor Power Loss Estimation in Hybrid Electric Vehicles |
| CN106314200A (zh) * | 2016-09-26 | 2017-01-11 | 株洲中车时代电气股份有限公司 | 一种矿用电动轮自卸车牵引系统自适应控制方法 |
| EP3321144A1 (en) * | 2016-11-15 | 2018-05-16 | Scania CV AB | System and method for distributing a braking torque of a vehicle and a vehicle including the system |
| EP4137376A1 (en) * | 2021-08-20 | 2023-02-22 | Ningbo Geely Automobile Research & Development Co., Ltd. | A method for adaptative real-time optimization of a power or torque split in a vehicle |
| WO2023030346A1 (zh) * | 2021-08-31 | 2023-03-09 | 徐州徐工矿业机械有限公司 | 一种电传动矿用自卸车自适应安全限速保护系统及方法 |
| CN116015108A (zh) * | 2021-10-21 | 2023-04-25 | 株洲变流技术国家工程研究中心有限公司 | 矿用电动轮自卸车永磁驱动系统超速保护方法及系统 |
| CN113879135A (zh) * | 2021-10-26 | 2022-01-04 | 江苏大学 | 一种基于电机效率Map和路况信息的矿用车辆控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117774714B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116699297B (zh) | 充电桩检测系统及其方法 | |
| WO2022174679A1 (zh) | 单体电池电压不一致故障预测方法、装置及服务器 | |
| CN113222187B (zh) | 一种共享助力车刹车健康度智能监测方法 | |
| CN108769104B (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
| CN111027256A (zh) | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 | |
| CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
| CN116317943A (zh) | 一种光伏阵列热斑检测方法 | |
| CN117774714B (zh) | 一种矿用电动轮自卸车牵引系统自适应控制方法 | |
| CN116363769A (zh) | 一种车辆碰撞监测方法及系统 | |
| CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
| CN117621875B (zh) | 基于低温补偿的电动汽车充电管理系统及方法 | |
| CN117474156A (zh) | 基于数据驱动的电动汽车充电需求预测方法、设备及介质 | |
| CN112053561B (zh) | 非监控路段判断与定位交通事故的方法、系统及装置 | |
| CN112346969B (zh) | 一种基于数据采集平台的aeb开发验证系统及方法 | |
| Zhou et al. | Holiday travel pattern forecast based on machine learning algorithm | |
| CN112954689A (zh) | 针对蓝牙无线传输的轻量化网络入侵检测系统和方法 | |
| CN116631091A (zh) | 一种车辆异常状态实时监控系统及其监控方法 | |
| CN114674576B (zh) | 一种叉车制动性能试验方法及装置 | |
| CN114676856B (zh) | 一种挂车远程信息管理及预测性维护系统 | |
| CN118015838B (zh) | 结合物联网的隧道车辆流动控制方法及系统 | |
| CN118506553B (zh) | AIoT异常识别方法、灾害预警系统和道路安全系统 | |
| CN118692240A (zh) | 基于机器学习的公路交通安全风险预警方法 | |
| CN115993535A (zh) | 一种动力电池能量一致性风险评估方法及系统 | |
| CN117774744A (zh) | 一种基于多模态信息输入的充电安全防护方法 | |
| CN118571034A (zh) | 一种感算控一体化智能控制装置及红绿灯 |
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 |