基于大数据的氢燃料电池汽车安全监控系统及监控方法技术方案

本发明专利技术公开了一种基于大数据的氢燃料电池汽车安全监控系统及监控方法，属于氢燃料电池汽车技术领域，该系统包括用于实时采集氢燃料电池汽车的运行数据，得到原始数据的数据采集子系统；用于对原始数据进行预处理，得到并存储实时数据和历史数据的数据处理与存储子系统；用于利用LSTM

【技术实现步骤摘要】
基于大数据的氢燃料电池汽车安全监控系统及监控方法


[0001]本专利技术属于氢燃料电池汽车
，尤其涉及一种基于大数据的氢燃料电池汽车安全监控系统及监控方法。

技术介绍

[0002]氢燃料电池汽车作为一种具有环保优势和可持续发展潜力的新能源汽车，正逐渐成为未来汽车产业的发展趋势。然而，由于氢燃料电池汽车涉及高压氢气的储存、输送和使用等方面的安全问题，其安全性能的保障尤为重要。目前，氢燃料电池汽车的安全监控技术仍存在一定的局限性，包括数据采集、处理、分析和控制等方面的技术瓶颈，亟需研发更加高效、准确和实时的安全监控系统。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种基于大数据的氢燃料电池汽车安全监控系统提高了氢燃料电池汽车安全性能，降低了氢燃料电池汽车事故发生风险。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于大数据的氢燃料电池汽车安全监控系统，包括数据采集子系统、数据处理与存储子系统、数据分析子系统、安全预警子系统和安全控制子系统；
[0005]所述数据采集子系统，用于实时采集氢燃料电池汽车的运行数据，得到原始数据；
[0006]所述数据处理与存储子系统，用于对原始数据进行预处理，得到并存储实时数据和历史数据；
[0007]所述数据分析子系统，用于利用LSTM
‑
SVC组合模型对实时数据和历史数据进行分析，得到分析结果；
[0008]所述安全预警子系统，用于根据分析结果，得到实时预警信息并展示给驾驶员；
[0009]所述安全控制子系统，用于根据分析结果，对氢燃料电池汽车设备进行实时控制。
[0010]本专利技术的有益效果为：该系统基于大数据、机器学习和深度学习技术，能够实时监控汽车运行状态，发现潜在安全隐患并及时预警，提高汽车安全性能，降低事故发生的风险。同时，系统具有模型再学习功能，可持续适应汽车运行环境变化，具有良好的数据安全与隐私保护措施，以及可扩展性。
[0011]本专利技术提供了一种安全监控方法，包括以下步骤：
[0012]S1、利用数据采集子系统实时采集氢燃料电池汽车的运行数据，得到实时数据和历史数据；
[0013]S2、利用数据处理与存储子系统对历史数据进行预处理，得到氢燃料电池汽车历史运行数据；
[0014]S3、根据氢燃料电池汽车历史运行数据，得到LSTM
‑
SVC组合模型；
[0015]S4、根据实时数据和数据分析子系统，利用LSTM
‑
SVC组合模型，得到氢燃料电池汽车分析结果，并根据氢燃料电池汽车分析结果发出预警，完成安全监控。
[0016]本专利技术的有益效果为：本专利技术基于氢燃料电池汽车历史运行数据，得到LSTM
‑
SVC组合模型；所述LSTM
‑
SVC组合模型结合了LSTM和SVM的优点，在处理复杂的多标签预测任务时表现出色；能捕捉到氢燃料电池汽车历史运行数据中的时间依赖性，还可以让每个分类器专注于区分一个类别与其他所有类别，从而提高预测准确性；此外，LSTM
‑
SVC组合模型首先通过使用LSTM学习到标签之间的复杂关系，然后在此基础上使用SVM进行精确分类，更好地利用了标签之间的关联性；并且，LSTM
‑
SVC组合模型对氢燃料电池汽车历史运行数据的小扰动具有很强的鲁棒性，防止了过拟合，提高了泛化能力。
[0017]进一步地，所述步骤S2具体为：
[0018]S201、对历史数据进行归一化，得到第一过程数据：
[0019]x_scaled＝(x
‑
min(x))/(max(x)
‑
min(x))
[0020]其中，x_scaled为第一过程数据；x为历史数据；min(x)为历史数据最小值；max(x)为历史数据最大值；min(
·
)为最小值函数；max(
·
)为最大值函数；
[0021]S202、使用均值插补法处理第一过程数据中的缺失值，得到氢燃料电池汽车历史运行数据，计算均值的公式如下：
[0022][0023]其中，mean为均值；X
i
为第一过程数据中第i列数据列的值；n为数据列总数；i为数据列编号。
[0024]上述进一步方案的有益效果为：通过归一化和均值插补法进行数据预处理，可以有效地改善数据的质量，在一定程度上简化计算，加快模型的训练速度，并提高模型的性能；归一化可以把所有的特征值都转换到一个固定的范围内，减小了极端值或者离群值对模型的影响；归一化和均值插补都可以提高模型的稳定性和性能，归一化可以使不同规模或量纲的特征在模型训练中具有相等的权重，均值插补则可以避免因数据缺失导致的模型训练问题。
[0025]进一步地，所述步骤S3具体为：
[0026]S301、利用LSTM模型提取氢燃料电池汽车历史运行数据的数据特征；
[0027]S302、根据氢燃料电池汽车历史运行数据的数据特征，利用SVM模型进行分类预测，得到训练分析结果；
[0028]S303、根据氢燃料电池汽车历史运行数据，判断训练分析结果是否满足指标，若是，得到LSTM
‑
SVC组合模型，否则，调整SVM模型的超参数，返回步骤S301。
[0029]上述进一步方案的有益效果为：LSTM模型有能力从时间序列数据中提取有效的特征；SVM模型具有良好的泛化能力和处理高维数据的能力。在LSTM提取出的特征上使用SVM进行预测，能够提高模型精准度；如果预测结果不满足指标，还可以通过调整SVM的超参数来改进模型，提高了LSTM
‑
SVC组合模型的灵活性。
[0030]进一步地，所述步骤S301具体为：
[0031]S3011、将氢燃料电池汽车历史运行数据馈入LSTM模型的第一LSTM层的输入门，得到输入门输出：
[0032]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0033]其中，i
t
为输入门输出；σ(
·
)为sigmoid激活函数；W
i
为输入门的权重参数；h
t
‑1为
上一个时间步的隐藏状态；x
t
为当前时间步输入的氢燃料电池汽车历史运行数据；b
i
为输入门的偏置参数；
[0034]S3012、根据氢燃料电池汽车历史运行数据，利用LSTM模型的第一LSTM层的遗忘门，得到遗忘门输出：
[0035]f
t
＝σ(W
f
[h
t
‑1,x
t
]+b
f
)
[0036]其中，f
t
为遗忘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的氢燃料电池汽车安全监控系统，其特征在于，包括数据采集子系统、数据处理与存储子系统、数据分析子系统、安全预警子系统和安全控制子系统；所述数据采集子系统，用于实时采集氢燃料电池汽车的运行数据，得到原始数据；所述数据处理与存储子系统，用于对原始数据进行预处理，得到并存储实时数据和历史数据；所述数据分析子系统，用于利用LSTM
‑
SVC组合模型对实时数据和历史数据进行分析，得到分析结果；所述安全预警子系统，用于根据分析结果，得到实时预警信息并展示给驾驶员；所述安全控制子系统，用于根据分析结果，对氢燃料电池汽车设备进行实时控制。2.一种利用权利要求1所述基于大数据的氢燃料电池汽车安全监控系统的安全监控方法，其特征在于，包括以下步骤：S1、利用数据采集子系统实时采集氢燃料电池汽车的运行数据，得到实时数据和历史数据；S2、利用数据处理与存储子系统对历史数据进行预处理，得到氢燃料电池汽车历史运行数据；S3、根据氢燃料电池汽车历史运行数据，得到LSTM
‑
SVC组合模型；S4、根据实时数据和数据分析子系统，利用LSTM
‑
SVC组合模型，得到氢燃料电池汽车分析结果，并根据氢燃料电池汽车分析结果发出预警，完成安全监控。3.根据权利要求2所述安全监控方法，其特征在于，所述步骤S2具体为：S201、对历史数据进行归一化，得到第一过程数据：x_scaled＝(x
‑
min(x))/(max(x)
‑
min(x))其中，x_scaled为第一过程数据；x为历史数据；min(x)为历史数据最小值；max(x)为历史数据最大值；min(
·
)为最小值函数；max(
·
)为最大值函数；S202、使用均值插补法处理第一过程数据中的缺失值，得到氢燃料电池汽车历史运行数据，计算均值的公式如下：其中，mean为均值；X
i
为第一过程数据中第i列数据列的值；n为数据列总数；i为数据列编号。4.根据权利要求2所述安全监控方法，其特征在于，所述步骤S3具体为：S301、利用LSTM模型提取氢燃料电池汽车历史运行数据的数据特征；S302、根据氢燃料电池汽车历史运行数据的数据特征，利用SVM模型进行分类预测，得到训练分析结果；S303、根据氢燃料电池汽车历史运行数据，判断训练分析结果是否满足指标，若是，得到LSTM
‑
SVC组合模型，否则，调整SVM模型的超参数，返回步骤S301。5.根据权利要求4所述安全监控方法，其特征在于，所述步骤S301具体为：S3011、将氢燃料电池汽车历史运行数据馈入LSTM模型的第一LSTM层的输入门，得到输入门输出：i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
其中，i
t
为输入门输出；σ(
·
)为sigmoid激活函数；W
i
为输入门的权重参数；h
t
‑1为上一个时间步的隐藏状态；x
t...

【专利技术属性】
技术研发人员：孙仁云，李健平，尹进，蔡文胜，蒋康，
申请(专利权)人：西华大学，
类型：发明
国别省市：