本發明涉及監控控制領域，具體涉及基于云計算的機動車監控系統。

背景技術：

機動車作為現代社會的一種交通工具，其數量越來越大，消耗能源越來越多，機動車作為一種“物”，是完全可以被納入“物聯網”的范圍的。雖然各大機動車制造商都在機動車自身設計上進行研發以節約能源，如設計能效更高的發動機，新能源機動車等等，但機動車進入市場后就不再進行能耗方面的監控。如果能夠對投入運行的各個機動車進行綜合監控，從整體上進行能耗監控，將極大地節約能源，意義重大。

技術實現要素：

針對上述問題，本發明提供基于云計算的機動車監控系統。

本發明的目的采用以下技術方案來實現：

基于云計算的機動車監控系統，包括現場控制器、機電設備能耗參數采集器、云計算中心和機電設備故障檢測器；該現場控制器用于根據用戶設定參數對機動車的各個機電設備進行現場控制并將所述用戶設定參數傳送給云計算中心；該機電設備能耗參數采集器用于采集與所述各個機電設備的能耗有關的參數并傳送給云計算中心；該機電設備故障檢測器用于對機電設備進行故障檢測，并將故障檢測結果傳送給云計算中心；所述云計算中心用于根據所述采集到的與所述各個機電設備的能耗有關的參數和所述用戶設定參數調整所述現場控制器對所述各個機電設備的現場控制模式，并根據故障檢測結果進行相應的報警；所述現場控制器與所述云計算中心之間、所述機電設備能耗參數采集器與所述云計算中心之間、所述機電設備故障檢測器與云計算中心之間均通過無線通訊網絡相互通信。

本發明的有益效果為：在云計算中心下對機動車的各個機電設備集中進行監控，實現了最大限度的節能降耗管理和網絡化自動控制，從而實現能源的最優化配置，達到更好的節能效果。

附圖說明

利用附圖對本發明作進一步說明，但附圖中的實施例不構成對本發明的任何限制，對于本領域的普通技術人員，在不付出創造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。

圖1是本發明的結構連接示意圖；

圖2是機電設備故障檢測器的結構框圖。

附圖標記：

現場控制器1、機電設備能耗參數采集器2、云計算中心3、機電設備故障檢測器4、樣本數據采集模塊11、振動信號數據預處理模塊12、歷史故障特征提取模塊13、實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。

具體實施方式

結合以下實施例對本發明作進一步描述。

參見圖1，本實施例提供了基于云計算的機動車監控系統，包括現場控制器1、機電設備能耗參數采集器2、云計算中心3和機電設備故障檢測器4；該現場控制器1用于根據用戶設定參數對機動車的各個機電設備進行現場控制并將所述用戶設定參數傳送給云計算中心3；該機電設備能耗參數采集器2用于采集與所述各個機電設備的能耗有關的參數并傳送給云計算中心3；該機電設備故障檢測器4用于對機電設備進行故障檢測，并將故障檢測結果傳送給云計算中心3；所述云計算中心3用于根據所述采集到的與所述各個機電設備的能耗有關的參數和所述用戶設定參數調整所述現場控制器1對所述各個機電設備的現場控制模式，并根據故障檢測結果進行相應的報警；所述現場控制器1與所述云計算中心3之間、所述機電設備能耗參數采集器2與所述云計算中心3之間、所述機電設備故障檢測器4與云計算中心3之間均通過無線通訊網絡相互通信。

優選地，所述無線通訊網絡為SPRS系統、3S網絡、北斗星系統或者下一代互聯網中的任一種。

優選地，所述現場控制器1和機電設備能耗參數采集器2均為帶有IP地址的設備。

本發明上述實施例在云計算中心3下對機動車的各個機電設備集中進行監控，實現了最大限度的節能降耗管理和網絡化自動控制，從而實現能源的最優化配置，達到更好的節能效果。

優選地，所述機電設備故障檢測器4包括依次連接的樣本數據采集模塊11、振動信號數據預處理模塊12、歷史故障特征提取模塊13、實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；所述樣本數據采集模塊11用于通過傳感器采集機電設備在正常狀態下及各種故障狀態下運行時多個測點的歷史振動信號數據；所述振動信號數據預處理模塊12用于對采集到的原始歷史振動信號數據進行預處理；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據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；所述實時故障診斷特征向量采集模塊14用于獲取機電設備的實時故障診斷特征向量；所述故障診斷模型建立模塊15用于建立基于改進的支持向量機的故障診斷模型，并使用故障診斷特征向量樣本對故障診斷模型進行訓練，計算出故障診斷模型參數的最優解，得到訓練完成的故障診斷模型；所述故障診斷識別模塊16用于將該機電設備的實時故障診斷特征向量輸入到訓練完成的故障診斷模型中，完成故障的診斷識別。

優選地，所述振動信號數據預處理模塊12具體執行：設采集到的原始歷史振動信號數據為W′，利用FIR數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據，B為測點的個數，δ＝1，2，3…B-1；τ為由數字濾波器自身特性決定的常數，f₀為所用傳感器的固有采集頻率。

本優選實施例采用上述方式進行振動信號濾波，能夠自適應不同的振動信號，消除原始歷史振動信號數據中的時域波形畸變，提高對采集到的原始歷史振動信號數據進行預處理的精度，從而有益于提高對機電設備的故障診斷的精確性。

優選地，所述歷史故障特征提取模塊13具體執行：

(1)設機電設備處于狀態H時從測點L測量到的固定時刻的歷史振動信號為H_L(W)，L＝1,…,B，B為測點的個數，對H_L(W)進行β層離散小波包分解，提取第β層中的2^β個分解系數，對所有的分解系數進行重構，以X_j(j＝0,1,…,2^β-1)表示第β層各節點的重構信號，構建特征矩陣其中β的值根據歷史經驗和實際情況結合確定；

(2)對特征矩陣T[H_L(W)]進行奇異值分解，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；

(3)定義H_L(W)對應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行篩選，排除不合格的故障診斷特征向量，則該機電設備處于狀態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量。

本優選實施例中，提取小波包奇異值特征作為故障診斷特征向量，有效降低了數據噪音的影響，準確率高且計算時間短，提高了對機電設備進行診斷的容錯性。

優選地，所述對計算得到的故障診斷特征向量進行篩選，具體包括：將機電設備處于狀態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準差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，為標準差σ_H的最大似然估計

本優選實施例中，采用上述方式對計算得到的故障診斷特征向量進行篩選，排除不合格的故障診斷特征向量，客觀科學，提高了對機動車的機電設備進行故障診斷的精確度。

優選地，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據儲存器中，當滿足時，對歷史故障特征提取模塊13中的β值進行進一步修正，具體如下：

(1)若滿足下式，則β的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為β+1：

(2)若滿足下式，則β的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為β+2：

其中，B為測點的個數，B′為不合格的故障診斷特征向量的數量，Δ為人為設定的整數閥值。

本優選實施例中，能夠根據不合格的故障診斷特征向量占測點個數的比例，自動調節β值，進一步減小了不合格的故障診斷特征向量對機電設備進行故障診斷的影響，提高了故障診斷的精確度，從而能夠在機電設備發生故障時及時維修，進一步確保機動車的正常運行。

優選地，采用下述方式建立基于改進的支持向量機的故障診斷模型：

(1)采用徑向基函數作為核函數，利用該核函數將該故障診斷特征向量樣本從原空間映射到高維空間，在高維空間構造最優決策函數實現故障診斷特征向量樣本分類，構造最優決策函數為：

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的輸出，J(x)表示徑向基函數，G為權重向量，d為偏差；

此外，為引入的優化因子，其中B為測點的個數，B′為不合格的故障診斷特征向量的數量；

(2)定義支持向量機的目標函數為：

支持向量機的約束條件為：

S.t y_i(Gx_i+d)≥1-λ_i,λ_i≥0,i＝1,…,M

式中，min Z(G,d,λ_i)為支持向量機的目標函數，ξ^*為優化后的懲罰因子，M為故障診斷特征向量樣本的數量；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的輸出，G為權重向量，d為偏差，λ_i為引入的誤差變量；

(3)求解該支持向量機的目標函數，得到權重向量G和偏差d；

(4)將計算得到的權重向量和偏差代入最優決策函數即為所建立的故障診斷模型。

本優選實施例中，通過引入優化因子，減小了不合格的故障診斷特征向量對機電設備進行故障診斷的影響，進一步提高了該最優決策函數的實際精確度，為故障診斷模型的建立提供良好的函數基礎，從而構建更為精確的故障診斷模型，提高對機電設備進行故障診斷的精度。

其中通過下述方式進行懲罰因子和所述核函數的半徑參數的值的優化：

(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，設定懲罰因子和所述核函數的半徑參數的值的取值范圍，對每個粒子的位置向量進行二維編碼，產生初始粒子群；

(2)對各粒子對應的參數選定訓練集進行交叉驗證，得到的預測模型分類準確率作為粒子對應的目標函數值，對粒子群中的粒子進行迭代；

(3)用目標函數值評價所有粒子，當某個粒子的當前評價值優于其歷史評價值時，將其作為該粒子的最優歷史評價，記錄當前粒子最優位置向量；

(4)尋找全局最優解，如果其值優于當前歷史最優解，則更新，達到設定的終止準則時，則停止搜索，輸出最優的懲罰因子和所述核函數的半徑參數的值，否則返回去重新搜索。

本實施例采用上述方式對懲罰因子和所述核函數的半徑參數的值進行優化，優化時間相對較短，優化效果好，從而能夠得到性能較好的支持向量機，進一步提高對機電設備進行故障診斷的精度。

根據上述實施例，發明人進行了一系列測試，以下是進行測試得到的實驗數據，該實驗數據表明，本發明能夠節約能耗，實現了最大限度的節能降耗管理，且能精確、快速地對機電設備進行故障檢測和維修，由此可見，本發明的機動車監控系統在能耗節約和故障檢測方面產生了非常顯著的有益效果：

最后應當說明的是，以上實施例僅用以說明本發明的技術方案，而非對本發明保護范圍的限制，盡管參照較佳實施例對本發明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的實質和范圍。