本發(fā)明涉及監(jiān)控控制領(lǐng)域，具體涉及基于云計算的機(jī)動車監(jiān)控系統(tǒng)。

背景技術(shù)：

機(jī)動車作為現(xiàn)代社會的一種交通工具，其數(shù)量越來越大，消耗能源越來越多，機(jī)動車作為一種“物”，是完全可以被納入“物聯(lián)網(wǎng)”的范圍的。雖然各大機(jī)動車制造商都在機(jī)動車自身設(shè)計上進(jìn)行研發(fā)以節(jié)約能源，如設(shè)計能效更高的發(fā)動機(jī)，新能源機(jī)動車等等，但機(jī)動車進(jìn)入市場后就不再進(jìn)行能耗方面的監(jiān)控。如果能夠?qū)ν度脒\(yùn)行的各個機(jī)動車進(jìn)行綜合監(jiān)控，從整體上進(jìn)行能耗監(jiān)控，將極大地節(jié)約能源，意義重大。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明提供基于云計算的機(jī)動車監(jiān)控系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來實(shí)現(xiàn)：

基于云計算的機(jī)動車監(jiān)控系統(tǒng)，包括現(xiàn)場控制器、機(jī)電設(shè)備能耗參數(shù)采集器、云計算中心和機(jī)電設(shè)備故障檢測器；該現(xiàn)場控制器用于根據(jù)用戶設(shè)定參數(shù)對機(jī)動車的各個機(jī)電設(shè)備進(jìn)行現(xiàn)場控制并將所述用戶設(shè)定參數(shù)傳送給云計算中心；該機(jī)電設(shè)備能耗參數(shù)采集器用于采集與所述各個機(jī)電設(shè)備的能耗有關(guān)的參數(shù)并傳送給云計算中心；該機(jī)電設(shè)備故障檢測器用于對機(jī)電設(shè)備進(jìn)行故障檢測，并將故障檢測結(jié)果傳送給云計算中心；所述云計算中心用于根據(jù)所述采集到的與所述各個機(jī)電設(shè)備的能耗有關(guān)的參數(shù)和所述用戶設(shè)定參數(shù)調(diào)整所述現(xiàn)場控制器對所述各個機(jī)電設(shè)備的現(xiàn)場控制模式，并根據(jù)故障檢測結(jié)果進(jìn)行相應(yīng)的報警；所述現(xiàn)場控制器與所述云計算中心之間、所述機(jī)電設(shè)備能耗參數(shù)采集器與所述云計算中心之間、所述機(jī)電設(shè)備故障檢測器與云計算中心之間均通過無線通訊網(wǎng)絡(luò)相互通信。

本發(fā)明的有益效果為：在云計算中心下對機(jī)動車的各個機(jī)電設(shè)備集中進(jìn)行監(jiān)控，實(shí)現(xiàn)了最大限度的節(jié)能降耗管理和網(wǎng)絡(luò)化自動控制，從而實(shí)現(xiàn)能源的最優(yōu)化配置，達(dá)到更好的節(jié)能效果。

附圖說明

利用附圖對本發(fā)明作進(jìn)一步說明，但附圖中的實(shí)施例不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明的結(jié)構(gòu)連接示意圖；

圖2是機(jī)電設(shè)備故障檢測器的結(jié)構(gòu)框圖。

附圖標(biāo)記：

現(xiàn)場控制器1、機(jī)電設(shè)備能耗參數(shù)采集器2、云計算中心3、機(jī)電設(shè)備故障檢測器4、樣本數(shù)據(jù)采集模塊11、振動信號數(shù)據(jù)預(yù)處理模塊12、歷史故障特征提取模塊13、實(shí)時故障診斷特征向量采集模塊14、故障診斷模型建立模塊15、故障診斷識別模塊16。

具體實(shí)施方式

結(jié)合以下實(shí)施例對本發(fā)明作進(jìn)一步描述。

參見圖1，本實(shí)施例提供了基于云計算的機(jī)動車監(jiān)控系統(tǒng)，包括現(xiàn)場控制器1、機(jī)電設(shè)備能耗參數(shù)采集器2、云計算中心3和機(jī)電設(shè)備故障檢測器4；該現(xiàn)場控制器1用于根據(jù)用戶設(shè)定參數(shù)對機(jī)動車的各個機(jī)電設(shè)備進(jìn)行現(xiàn)場控制并將所述用戶設(shè)定參數(shù)傳送給云計算中心3；該機(jī)電設(shè)備能耗參數(shù)采集器2用于采集與所述各個機(jī)電設(shè)備的能耗有關(guān)的參數(shù)并傳送給云計算中心3；該機(jī)電設(shè)備故障檢測器4用于對機(jī)電設(shè)備進(jìn)行故障檢測，并將故障檢測結(jié)果傳送給云計算中心3；所述云計算中心3用于根據(jù)所述采集到的與所述各個機(jī)電設(shè)備的能耗有關(guān)的參數(shù)和所述用戶設(shè)定參數(shù)調(diào)整所述現(xiàn)場控制器1對所述各個機(jī)電設(shè)備的現(xiàn)場控制模式，并根據(jù)故障檢測結(jié)果進(jìn)行相應(yīng)的報警；所述現(xiàn)場控制器1與所述云計算中心3之間、所述機(jī)電設(shè)備能耗參數(shù)采集器2與所述云計算中心3之間、所述機(jī)電設(shè)備故障檢測器4與云計算中心3之間均通過無線通訊網(wǎng)絡(luò)相互通信。

優(yōu)選地，所述無線通訊網(wǎng)絡(luò)為SPRS系統(tǒng)、3S網(wǎng)絡(luò)、北斗星系統(tǒng)或者下一代互聯(lián)網(wǎng)中的任一種。

優(yōu)選地，所述現(xiàn)場控制器1和機(jī)電設(shè)備能耗參數(shù)采集器2均為帶有IP地址的設(shè)備。

本發(fā)明上述實(shí)施例在云計算中心3下對機(jī)動車的各個機(jī)電設(shè)備集中進(jìn)行監(jiān)控，實(shí)現(xiàn)了最大限度的節(jié)能降耗管理和網(wǎng)絡(luò)化自動控制，從而實(shí)現(xiàn)能源的最優(yōu)化配置，達(dá)到更好的節(jié)能效果。

優(yōu)選地，所述機(jī)電設(shè)備故障檢測器4包括依次連接的樣本數(shù)據(jù)采集模塊11、振動信號數(shù)據(jù)預(yù)處理模塊12、歷史故障特征提取模塊13、實(shí)時故障診斷特征向量采集模塊14、故障診斷模型建立模塊15和故障診斷識別模塊16；所述樣本數(shù)據(jù)采集模塊11用于通過傳感器采集機(jī)電設(shè)備在正常狀態(tài)下及各種故障狀態(tài)下運(yùn)行時多個測點(diǎn)的歷史振動信號數(shù)據(jù)；所述振動信號數(shù)據(jù)預(yù)處理模塊12用于對采集到的原始?xì)v史振動信號數(shù)據(jù)進(jìn)行預(yù)處理；所述歷史故障特征提取模塊13用于從過濾后的歷史振動信號數(shù)據(jù)中提取小波包奇異值特征，并將提取的小波包奇異值特征作為故障診斷特征向量樣本；所述實(shí)時故障診斷特征向量采集模塊14用于獲取機(jī)電設(shè)備的實(shí)時故障診斷特征向量；所述故障診斷模型建立模塊15用于建立基于改進(jìn)的支持向量機(jī)的故障診斷模型，并使用故障診斷特征向量樣本對故障診斷模型進(jìn)行訓(xùn)練，計算出故障診斷模型參數(shù)的最優(yōu)解，得到訓(xùn)練完成的故障診斷模型；所述故障診斷識別模塊16用于將該機(jī)電設(shè)備的實(shí)時故障診斷特征向量輸入到訓(xùn)練完成的故障診斷模型中，完成故障的診斷識別。

優(yōu)選地，所述振動信號數(shù)據(jù)預(yù)處理模塊12具體執(zhí)行：設(shè)采集到的原始?xì)v史振動信號數(shù)據(jù)為W′，利用FIR數(shù)字濾波器按下式濾除W′的帶外分量：

其中，W為濾波后得到的歷史振動信號數(shù)據(jù)，B為測點(diǎn)的個數(shù)，δ＝1，2，3…B-1；τ為由數(shù)字濾波器自身特性決定的常數(shù)，f₀為所用傳感器的固有采集頻率。

本優(yōu)選實(shí)施例采用上述方式進(jìn)行振動信號濾波，能夠自適應(yīng)不同的振動信號，消除原始?xì)v史振動信號數(shù)據(jù)中的時域波形畸變，提高對采集到的原始?xì)v史振動信號數(shù)據(jù)進(jìn)行預(yù)處理的精度，從而有益于提高對機(jī)電設(shè)備的故障診斷的精確性。

優(yōu)選地，所述歷史故障特征提取模塊13具體執(zhí)行：

(1)設(shè)機(jī)電設(shè)備處于狀態(tài)H時從測點(diǎn)L測量到的固定時刻的歷史振動信號為H_L(W)，L＝1,…,B，B為測點(diǎn)的個數(shù)，對H_L(W)進(jìn)行β層離散小波包分解，提取第β層中的2^β個分解系數(shù)，對所有的分解系數(shù)進(jìn)行重構(gòu)，以X_j(j＝0,1,…,2^β-1)表示第β層各節(jié)點(diǎn)的重構(gòu)信號，構(gòu)建特征矩陣其中β的值根據(jù)歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定；

(2)對特征矩陣T[H_L(W)]進(jìn)行奇異值分解，獲得該特征矩陣T[H_L(W)]的特征向量：

其中η₁,η2,…,η_v為由特征矩陣T[H_L(W)]分解的奇異值，v為由特征矩陣T[H_L(W)]分解的奇異值的個數(shù)；

(3)定義H_L(W)對應(yīng)的故障診斷特征向量為：

式中，為特征向量中的最大奇異值值，為特征向量中的最小奇異值；

(4)對計算得到的故障診斷特征向量進(jìn)行篩選，排除不合格的故障診斷特征向量，則該機(jī)電設(shè)備處于狀態(tài)H時在該固定時刻的故障診斷特征向量樣本為：

式中，B′為排除的不合格的故障診斷特征向量的數(shù)量。

本優(yōu)選實(shí)施例中，提取小波包奇異值特征作為故障診斷特征向量，有效降低了數(shù)據(jù)噪音的影響，準(zhǔn)確率高且計算時間短，提高了對機(jī)電設(shè)備進(jìn)行診斷的容錯性。

優(yōu)選地，所述對計算得到的故障診斷特征向量進(jìn)行篩選，具體包括：將機(jī)電設(shè)備處于狀態(tài)H時在該時刻的所有計算得到的故障診斷特征向量作為該時刻的特征向量篩選樣本集，計算該特征向量篩選樣本集的標(biāo)準(zhǔn)差σ_H和期望值μ_H，若計算得到的故障診斷特征向量不滿足下列公式，則剔除該故障診斷特征向量：

式中，為期望值μ_H的最大似然估計，為標(biāo)準(zhǔn)差σ_H的最大似然估計

本優(yōu)選實(shí)施例中，采用上述方式對計算得到的故障診斷特征向量進(jìn)行篩選，排除不合格的故障診斷特征向量，客觀科學(xué)，提高了對機(jī)動車的機(jī)電設(shè)備進(jìn)行故障診斷的精確度。

優(yōu)選地，所述歷史故障特征提取模塊13還將剔除的不合格的故障診斷特征向量儲存到一個臨時數(shù)據(jù)儲存器中，當(dāng)滿足時，對歷史故障特征提取模塊13中的β值進(jìn)行進(jìn)一步修正，具體如下：

(1)若滿足下式，則β的值在根據(jù)原有歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定的基礎(chǔ)上修改為β+1：

(2)若滿足下式，則β的值在根據(jù)原有歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定的基礎(chǔ)上修改為β+2：

其中，B為測點(diǎn)的個數(shù)，B′為不合格的故障診斷特征向量的數(shù)量，Δ為人為設(shè)定的整數(shù)閥值。

本優(yōu)選實(shí)施例中，能夠根據(jù)不合格的故障診斷特征向量占測點(diǎn)個數(shù)的比例，自動調(diào)節(jié)β值，進(jìn)一步減小了不合格的故障診斷特征向量對機(jī)電設(shè)備進(jìn)行故障診斷的影響，提高了故障診斷的精確度，從而能夠在機(jī)電設(shè)備發(fā)生故障時及時維修，進(jìn)一步確保機(jī)動車的正常運(yùn)行。

優(yōu)選地，采用下述方式建立基于改進(jìn)的支持向量機(jī)的故障診斷模型：

(1)采用徑向基函數(shù)作為核函數(shù)，利用該核函數(shù)將該故障診斷特征向量樣本從原空間映射到高維空間，在高維空間構(gòu)造最優(yōu)決策函數(shù)實(shí)現(xiàn)故障診斷特征向量樣本分類，構(gòu)造最優(yōu)決策函數(shù)為：

式中，x為輸入的故障診斷特征向量樣本，R(x)為輸入的故障診斷特征向量樣本對應(yīng)的輸出，J(x)表示徑向基函數(shù)，G為權(quán)重向量，d為偏差；

此外，為引入的優(yōu)化因子，其中B為測點(diǎn)的個數(shù)，B′為不合格的故障診斷特征向量的數(shù)量；

(2)定義支持向量機(jī)的目標(biāo)函數(shù)為：

支持向量機(jī)的約束條件為：

S.t y_i(Gx_i+d)≥1-λ_i,λ_i≥0,i＝1,…,M

式中，min Z(G,d,λ_i)為支持向量機(jī)的目標(biāo)函數(shù)，ξ^*為優(yōu)化后的懲罰因子，M為故障診斷特征向量樣本的數(shù)量；x_i為輸入的第i個故障診斷特征向量樣本，y_i(Gx_i+d)為輸入的第i個故障診斷特征向量樣本對應(yīng)的輸出，G為權(quán)重向量，d為偏差，λ_i為引入的誤差變量；

(3)求解該支持向量機(jī)的目標(biāo)函數(shù)，得到權(quán)重向量G和偏差d；

(4)將計算得到的權(quán)重向量和偏差代入最優(yōu)決策函數(shù)即為所建立的故障診斷模型。

本優(yōu)選實(shí)施例中，通過引入優(yōu)化因子，減小了不合格的故障診斷特征向量對機(jī)電設(shè)備進(jìn)行故障診斷的影響，進(jìn)一步提高了該最優(yōu)決策函數(shù)的實(shí)際精確度，為故障診斷模型的建立提供良好的函數(shù)基礎(chǔ)，從而構(gòu)建更為精確的故障診斷模型，提高對機(jī)電設(shè)備進(jìn)行故障診斷的精度。

其中通過下述方式進(jìn)行懲罰因子和所述核函數(shù)的半徑參數(shù)的值的優(yōu)化：

(1)將所有故障診斷特征向量樣本平均分成互不包含的子集，設(shè)定懲罰因子和所述核函數(shù)的半徑參數(shù)的值的取值范圍，對每個粒子的位置向量進(jìn)行二維編碼，產(chǎn)生初始粒子群；

(2)對各粒子對應(yīng)的參數(shù)選定訓(xùn)練集進(jìn)行交叉驗(yàn)證，得到的預(yù)測模型分類準(zhǔn)確率作為粒子對應(yīng)的目標(biāo)函數(shù)值，對粒子群中的粒子進(jìn)行迭代；

(3)用目標(biāo)函數(shù)值評價所有粒子，當(dāng)某個粒子的當(dāng)前評價值優(yōu)于其歷史評價值時，將其作為該粒子的最優(yōu)歷史評價，記錄當(dāng)前粒子最優(yōu)位置向量；

(4)尋找全局最優(yōu)解，如果其值優(yōu)于當(dāng)前歷史最優(yōu)解，則更新，達(dá)到設(shè)定的終止準(zhǔn)則時，則停止搜索，輸出最優(yōu)的懲罰因子和所述核函數(shù)的半徑參數(shù)的值，否則返回去重新搜索。

本實(shí)施例采用上述方式對懲罰因子和所述核函數(shù)的半徑參數(shù)的值進(jìn)行優(yōu)化，優(yōu)化時間相對較短，優(yōu)化效果好，從而能夠得到性能較好的支持向量機(jī)，進(jìn)一步提高對機(jī)電設(shè)備進(jìn)行故障診斷的精度。

根據(jù)上述實(shí)施例，發(fā)明人進(jìn)行了一系列測試，以下是進(jìn)行測試得到的實(shí)驗(yàn)數(shù)據(jù)，該實(shí)驗(yàn)數(shù)據(jù)表明，本發(fā)明能夠節(jié)約能耗，實(shí)現(xiàn)了最大限度的節(jié)能降耗管理，且能精確、快速地對機(jī)電設(shè)備進(jìn)行故障檢測和維修，由此可見，本發(fā)明的機(jī)動車監(jiān)控系統(tǒng)在能耗節(jié)約和故障檢測方面產(chǎn)生了非常顯著的有益效果：

最后應(yīng)當(dāng)說明的是，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。