一种基于机器学习的轨道车辆运行状态感知系统及方法，包括机器学习模块、主模块、加速度信息采集模块和供电模块，通过加速度传感器收集轨道车辆不同运行状态的加速度数据；构建预测车辆运行状态的人工神经网络，输入轨道车辆不同运行状态的加速度数据进行训练，输出用于部署在单片机上的机器学习模型；将装置学习模型部署到单片机上，进行停车、运行、加速、减速加速度数据的采集，接收到加速度数据信息后，将加速度信息传入神经网络模型进行智能识别，将最终的轨道车辆的运行状态发送给外部设备。装置体积小，结构简单，识别精度高，能源消耗少，采用太阳能绿色能源，适合部署到空间狭小位置，能够很方便地布置在各个需要测量的位置。置。置。
【技术实现步骤摘要】
一种基于机器学习的轨道车辆运行状态感知系统及方法
[0001]本专利技术涉及轨道车辆运行状态智能识别领域。
技术介绍
[0002]随着我国城市化，工业化进程不断加快，轨道交通正向智能化、绿色化、环保化方向高速发展。如何识别轨道车辆的运行状态，是智能车辆的关键技术之一。车辆运行状态的感知不光是识别出车辆的停止和运行，还包括加速、减速、急加速、急刹车、缓刹车等细致的运行状态的识别。传统运行状态识别系统需要使用大量的传感器对车辆运行进行实时监测，然后经过系统复杂的算法，消耗系统CPU大量计算能力才能识别车辆的各种运行状态，有成本高、功耗大、体积大、软硬件系统庞杂和不方便部署等缺点。
[0003]在运载车辆领域，经检索，现有技术大部分是对汽车车辆运行状态的判别，轨道车辆运行状态识别系统和方法很少。对汽车运行状态感知系统大部分通过检测车辆ECU数据或者加速度数据对比来检测车辆运行状态是否正常。这些传统的现有技术具有需要额外电源供电，功耗大，成本高，体积大，系统大不方便部署的缺点，难以适用于未来智能轨道车辆的需要。实际上，能以环保、低成本、低功耗、设备小型化和方便部署的方法实现轨道车辆智能运行状态识别和监测是一件非常困难的事情。
技术实现思路
[0004]为了克服上述传统状态识别系统的缺点和解决相关问题，本专利技术提出了基于机器学习的轨道车辆运行状态感知系统。
[0005]本专利技术为实现上述目的所采用的技术方案是：一种基于机器学习的轨道车辆运行状态感知系统，包括机器学习模块1、主模块2、加速度信息采集模块3和供电模块5，
[0006]机器学习模块，用于将轨道车辆加速度数据进行训练，得到可部署在单片机开发板的机器学习结果模型文件；
[0007]主模块2的PCB电路板15上安装具有装载机器训练学习结果的单片机开发板16，主模块2用于将加速度信号采集模块3采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后给出判别结果；
[0008]加速度信息采集模块3包括加速度传感器13，加速度传感器13安装于PCB电路板15上并与单片机连接，用于采集轨道车辆运行的加速度数据；
[0009]供电模块5连接PCB电路板15，用于给PCB电路板15和单片机开发板16供电。
[0010]还包括网络通信模块4，网络通信模块4连接单片机；网络通信模块4为WiFi或蓝牙模块，用于将车辆状态信息实时发送给其它设备。
[0011]所述单片机开发板16为ESP
‑
32开发板。
[0012]所述供电模块5包括电源模块18和太阳能板6，电源模块18连接PCB电路板15，电源模块18通过连接线7连接太阳能板6。
[0013]所述供电模块5包括电源接头17，电源接头17一端连接PCB电路板15，电源接头17
另一端连接外部电源。
[0014]一种基于机器学习的轨道车辆运行状态感知方法，包括以下步骤：
[0015]S1、系统准备，将加速度传感器放置在轨道车辆上，通过加速度传感器收集车辆加速、减速、停止、运行不同运行状态加速度数据；
[0016]S2、处理和应用数据，将不同运行状态的加速度数据导入开源机器学习框架，训练出可部署在单片机开发板的机器学习结果模型文件；
[0017]S3、将含机器学习结果模型文件上传至主模块2的单片机；
[0018]S4、部署系统，根据监测加速度数据的需要，将系统布置在轨道车辆上采集轨道车辆运行的加速度数据信号并上传至主模块2；
[0019]S5、将加速度信号采集模块3采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后给出判别结果。
[0020]所述步骤S2中，包括以下步骤：
[0021]步骤一：机器学习模块1利用加速度传感器收集轨道车辆加速、减速、停止、运行、转弯、刹车、碰撞、出轨、轮轨磨耗、振动、倒车、摆动十二种运行状态的加速度数据作为训练样本集；
[0022]步骤二：将收集的各个运动状态加速度数据进行整理分类，分割成训练集和验证集，分割比例为N1:N2,定义每组加速度数据样本和标签值；
[0023]步骤三：建立人工神经网络进行训练；
[0024]步骤四：将在步骤二中的训练集导入开源机器学习框架进行模型训练，最终计算损失值或者准确率，根据损失值或者准确率，通过调整参数对人工神经网络进行最终优化，使得最终优化后的人工神经网络对于所有输入层神经元都能达到全局最优；
[0025]步骤五：将步骤四训练好的人工神经网络以模型文件导出，部署到单片机上进行轨道车辆运行状态的识别。
[0026]所述步骤二中，分割比例为N1:N2,N1＝8,N2＝2。
[0027]所述步骤三中，人工神经网络有三层：分为输入层、隐含层、输出层，隐含层的激活函数采用relu函数，输出层激活函数采用softmax函数。
[0028]所述加速度传感器为MEMS六轴加速度传感器。
[0029]本专利技术的基于机器学习的轨道车辆运行状态感知系统和方法，装置体积小，结构简单，识别精度高，能源消耗少，采用太阳能绿色能源，适合部署到空间狭小位置，能够很方便地布置在各个需要测量的位置。
附图说明
[0030]图1是本专利技术基于机器学习的轨道车辆运行状态感知系统原理框图。
[0031]图2是本专利技术基于机器学习的轨道车辆运行状态感知系统整体结构图。
[0032]图3是本专利技术基于机器学习的轨道车辆运行状态感知系统分解结构图。
[0033]图4是本专利技术基于机器学习的轨道车辆运行状态感知系统流程图。
[0034]图中：1、机器学习模块，2、主模块，3、加速度信号采集模块，4、网络通信模块，5、供电模块，6、太阳能板，7、连接线，8、上壳体，9、下壳体，10、电池仓，11、螺栓孔，12、散热孔，13、加速度传感器，14、LED指示灯，15、PCB电路板，16、单片机开发板，17、电源接头，18、电源
模块。
具体实施方式
[0035]本专利技术的基于机器学习的轨道车辆运行状态感知系统如图1所示，包括机器学习模块1、主模块2、加速度信号采集模块3，供电模块5和网络通信模块4。
[0036]机器学习模块采用开源机器学习框架进行机器学习，采用开源框架Tensorflow进行机器学习，通过构建人工神经网络对不同运动状态的加速度数据训练得到用于判别车辆运行状态的模型文件，将模型文件部署到单片机上运行来判别车辆运行状态。机器学习模块1中所用的模型是通过前期通过加速度传感器采集大量不同运行状态的加速度数据，使用开源框架Tensorflow进行机器学习，采用Keras、numpy等库函数、sparse_categorical_crossentropy损失函数、Adam优化器进行模型等人工智能计算库进行模型训练得到用于判别车辆运行状态的机器学习模型文件。
[0037]如图2和图3所示，主模块2主要包括外部壳体、PCB电路板本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：包括机器学习模块(1)、主模块(2)、加速度信息采集模块(3)和供电模块(5)，机器学习模块，用于将轨道车辆加速度数据进行训练，得到可部署在单片机开发板的机器学习结果模型文件；主模块(2)的PCB电路板(15)上安装具有装载机器训练学习结果的单片机开发板(16)，主模块(2)用于将加速度信号采集模块(3)采集到的轨道车辆运行的加速度数据，根据机器学习单元实时状态识别后给出判别结果；加速度信息采集模块(3)包括加速度传感器(13)，加速度传感器(13)安装于PCB电路板(15)上并与单片机连接，用于采集轨道车辆运行的加速度数据；供电模块(5)连接PCB电路板(15)，用于给PCB电路板(15)和单片机开发板(16)供电。2.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：还包括网络通信模块(4)，网络通信模块(4)连接单片机；网络通信模块(4)为WiFi或蓝牙模块，用于将车辆状态信息实时发送给其它设备。3.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：所述单片机开发板(16)为ESP
‑
32开发板。4.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：所述供电模块(5)包括电源模块(18)和太阳能板(6)，电源模块(18)连接PCB电路板(15)，电源模块(18)通过连接线(7)连接太阳能板(6)。5.根据权利要求1所述的一种基于机器学习的轨道车辆运行状态感知系统，其特征在于：所述供电模块(5)包括电源接头(17)，电源接头(17)一端连接PCB电路板(15)，电源接头(17)另一端连接外部电源。6.一种基于机器学习的轨道车辆运行状态感知方法，其特征在于：包括以下步骤：S1、系统准备，将加速度传感器放置在轨道车辆上，通过加速度传感器收...
【专利技术属性】
技术研发人员：周韶泽，杜勇昌，陈秉智，杨世新，兆文忠，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。