一种基于数据驱动的车辆转向灯健康监测和寿命预测系统技术方案

本发明专利技术公开了一种基于数据驱动的车辆转向灯健康监测和寿命预测系统。是利用温度传感器、照度传感器以及硬件电路，采集转向灯实际运行工况下的温度、照度、电压和电流；利用FPGA的并行计算能力，对采集的数据进行压缩感知进行，并将压缩数据发送至云服务器端；使用数据驱动模型对重构数据进行特征提取；利用提取的特征实现转向灯的健康监测和寿命预测。本发明专利技术系统结合通过硬件采集转向灯的多源数据，并通过数据驱动的方式实现转向灯的健康监测和寿命预测。命预测。命预测。

【技术实现步骤摘要】
一种基于数据驱动的车辆转向灯健康监测和寿命预测系统


[0001]本专利技术涉及了一种车辆监测和控制预测系统，尤其是涉及了一种基于数据驱动的车辆转向灯健康监测和寿命预测系统。

技术介绍

[0002]作为汽车的主要构成部件之一，转向灯成为了车辆向外界传达行车状态的主要行经，行车过程中正确的使用转向灯，对周围的车辆和行人起到了安全提示和保障作用。随着汽车工业与电子技术的迅猛发展，转向灯的各项性能得到了显著的提升，其中基于嵌入式控制的LED转向灯成为了主流。然而，转向灯的频繁启停控制和不间断的闪烁，极大的影响了其可靠性和使用寿命，如何在复杂工况下对车辆转向灯进行健康检测和寿命预测成为一个关键问题。汽车转向灯工作时产生的电流较小，环境变化导致的温度和电压波动，使得电流产生明显变化，极大的降低了转向灯的可靠性和使用寿命。人工智能技术的发展，基于数据驱动的系统在健康监测和寿命预测领域表现出卓越的性能。但是，现有的数据驱动系统主要采用离线诊断，诊断结果的实时性和可靠性依旧不足。此外，基于数据驱动的寿命预测系统依赖大量的高质量带标签样本，此项任务需要耗费大量的人力物力。因此，有必要设计一款具有低资源和少样本的实时监测系统，用于实现转向灯运行状态下的健康监测和寿命预测。

技术实现思路

[0003]为了克服现有技术对汽车转向灯健康监测的不足，本专利技术提出了一种基于数据驱动的车辆转向灯健康监测和寿命预测系统，系统结合通过硬件采集转向灯的多源数据，并通过数据驱动的方式实现转向灯的健康监测和寿命预测。
[0004]与其他系统相比，本专利技术提出的系统可实现数据的低资源传输、连续过程检测、实时监测和寿命精准预测。结合小样本迁移学习技术，实现模型快速训练，模型的鲁棒性和泛化性得到极大提升。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]所述系统包括数据采集系统、数据传输系统和云端服务器；
[0007]数据采集系统，和车辆转向灯电连接，实时采集车辆转向灯的传感数据并发送到数据传输系统；
[0008]数据传输系统，和数据采集系统连接通信，接收车辆转向灯的传感数据并经过压缩采样处理后发送到云端服务器；
[0009]云端服务器，接收压缩采样处理后的车辆转向灯的传感数据进行处理实现车辆转向灯的健康监测和寿命预测。
[0010]所述的数据采集系统、数据传输系统布置在车辆，云端服务器布置在云端。
[0011]所述数据采集系统包括温度采集单元、照度采集单元、电流采集单元和电压采集单元；电流采集单元和电压采集单元分别连接到车辆转向灯的驱动电路上，所述温度采集
单元、照度采集单元、电流采集单元和电压采集单元均与485数据总线单元相连接，485数据总线单元连接到数据传输系统的压缩感知单元。
[0012]所述数据传输系统包括FPGA处理单元、压缩感知单元和NB
‑
IoT数据传输网络单元；压缩感知单元和数据采集系统的485数据总线单元连接，FPGA处理单元经压缩感知单元和NB
‑
IoT数据传输网络单元连接，NB
‑
IoT数据传输网络单元和云端服务器的数据恢复单元连接。
[0013]所述的云端服务器内包括数据传输系统和数据恢复单元，所述数据驱动系统包括源域模型训练单元和目标域模型预测单元；数据恢复单元和所述数据传输系统连接通信，数据恢复单元和源域模型训练单元均连接到目标域模型预测单元。
[0014]所述的云端服务器中，源域模型训练单元内设有源域模型，目标域模型预测单元内设有目标域模型，针对源域模型和目标域模型进行以下训练处理：
[0015](1)：将预先采集到车辆转向灯的温度、照度、电流和电压数据划分为训练样本和测试样本，训练样本较多数且不设置有故障类型标记，测试样本较少数且设置有标记；
[0016](2)：采用训练样本在源域模型训练单元内对源域模型进行预训练，获得训练后的源域模型；
[0017](3)：将训练后的源域模型的权重和偏差迁移到目标域模型的神经网络的卷积模块和随机池化层中；
[0018](4)：使用测试样本对标域模型进行微调处理，进一步优化调整神经网络的权重和偏差；
[0019](5)：将最终获得的目标域模型部署到目标域模型预测单元上用于车辆转向灯的实时健康监测和寿命预测。
[0020]本专利技术总系统中为保证监测和预测结果的可靠性同时，减少对标签数据量的依赖，引入了模型的小样本迁移学习来对所述源域模型和目标域模型进行训练。
[0021]所述源域模型主要由编码器和解码器组成：
[0022]所述编码器主要由输入层L、第一卷积层EC1、第一池化层EP1、第二卷积层EC2、第二池化层EP2依次连接构成，第一卷积层EC1、第一池化层EP1、第二卷积层EC2和第二池化层EP2均是由多个神经元构建而成，且神经元数量依次递减；
[0023]所述解码器主要由与解码器结构对称的神经元结构组成。所述解码器主要由第二池化层EP2、第三卷积层DC2、第三池化层DP2、第四卷积层EC1依次连接构成，第二池化层EP2、第三卷积层DC2、第三池化层DP2、第四卷积层EC1均是由多个神经元构建而成，且神经元数量依次递增。
[0024]所述编码器的第二池化层EP2和所述解码器的第二池化层EP2共用，为同一个第二池化层EP2。
[0025]所述目标域模型主要由卷积模块C1、随机池化层P1、卷积模块C2、随机池化层P2和连续三个全连接层依次连接组成。本专利技术是利用Leaky ReLU激活函数和随机池化用于设计所述目标域网络模型结构。
[0026]考虑到模型在训练过程中需要大量的带标签样本，充足的样本需要传感器长时间采集，影响数据质量，并且在数据传输过程中需要可能会出现样本丢失或缺失等问题。本专利技术通过引入所述数据压缩感知、所述小样本迁移学习和无监督的自编码深度学习网络来减
少对高质量数据的依赖，以及引入小样本迁移学习实现模型训练，能够提高数据质量，提高检测预测的准确性。
[0027]本专利技术总系统用所述压缩感知技术，相较于奈奎斯特理论，可以用少量的测量值还原出原始的信号，减少了数据的传输量，在保证数据质量的同时，还具有一定的容错能力。
[0028]本专利技术以温度、照度、电流和电压作为原始数据来进行网络模型的训练和分类，通过多源数据的融合，使得模型的泛化性和鲁棒性得到提升。
[0029]本专利技术的有益效果为：
[0030]1)采用压缩感知技术对数据进行采样、重构，实现了少量测量值重构原始的信号功能，减少了无线数据的传输量。同时，在保证数据质量的同时，具有一定的容错能力，极大的保证了预测模型的鲁棒性。
[0031]2)采用嵌入式技术对转向灯运行时的温度、照度、电流和电压进行采集，通过多源数据的融合提高了转向灯健康检测和寿命预测模型的泛化性和鲁棒性。
[0032]3)结合小样本迁移学习和源域无监督模型的训练，减少了对带标签数据样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的车辆转向灯健康监测和寿命预测系统，其特征在于：所述系统包括数据采集系统(1)、数据传输系统(2)和云端服务器(4)；数据采集系统(1)，和车辆转向灯电连接，实时采集车辆转向灯的传感数据并发送到数据传输系统(2)；数据传输系统(2)，和数据采集系统连接通信，接收车辆转向灯的传感数据并经过压缩采样处理后发送到云端服务器；云端服务器(4)，接收压缩采样处理后的车辆转向灯的传感数据进行处理实现车辆转向灯的健康监测和寿命预测。2.根据权利要求1所述的一种基于数据驱动的车辆转向灯健康监测和寿命预测系统，其特征在于：所述的数据采集系统(1)、数据传输系统(2)布置在车辆，云端服务器(4)布置在云端。3.根据权利要求1所述的一种基于数据驱动的车辆转向灯健康监测和寿命预测系统，其特征在于：所述数据采集系统(1)包括温度采集单元(1
‑
2)、照度采集单元(1
‑
1)、电流采集单元(1
‑
4)和电压采集单元(1
‑
3)；电流采集单元(1
‑
4)和电压采集单元(1
‑
3)分别连接到车辆转向灯的驱动电路上，所述温度采集单元(1
‑
2)、照度采集单元(1
‑
1)、电流采集单元(1
‑
4)和电压采集单元(1
‑
3)均与485数据总线单元(1
‑
5)相连接，485数据总线单元(1
‑
5)连接到数据传输系统(2)的压缩感知单元(2
‑
2)。4.根据权利要求1所述的一种基于数据驱动的车辆转向灯健康监测和寿命预测系统，其特征在于：所述数据传输系统(3)包括FPGA处理单元(2
‑
1)、压缩感知单元(2
‑
2)和NB
‑
IoT数据传输网络单元(2
‑
3)；压缩感知单元(2
‑
2)和数据采集系统(1)的485数据总线单元(1
‑
5)连接，FPGA处理单元(2
‑
1)经压缩感知单元(2
‑
2)和NB
‑
IoT数据传输网络单元(2
‑
3)连接，NB
‑
IoT数据传输网络单元(2
‑
3)和云端服务器(4)的数据恢复单元(2
‑
4)连接。5.根据权利要求1所述的一种基于数据驱动的...

【专利技术属性】
技术研发人员：傅雷，马泽鹏，张弈坤，胥芳，张立彬，
申请(专利权)人：浙江工业大学台州研究院，
类型：发明
国别省市：