亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        汽車電驅(qū)動系統(tǒng)多源異構(gòu)信號融合分類研究

        2024-07-07 04:34:04奚易
        科技創(chuàng)新與應(yīng)用 2024年18期
        關(guān)鍵詞:特征提取

        奚易

        摘 ?要:多源異構(gòu)數(shù)據(jù)融合作為汽車電驅(qū)動系統(tǒng)領(lǐng)域中的重要數(shù)據(jù)處理手段備受矚目,其在汽車電驅(qū)動系統(tǒng)領(lǐng)域中扮演著關(guān)鍵角色,為深入理解系統(tǒng)運行特征和解決復(fù)雜問題提供有效手段。該文通過對多源異構(gòu)信號特點、融合層次分類的剖析,提出一種應(yīng)用于汽車電驅(qū)動系統(tǒng)的多源異構(gòu)數(shù)據(jù)融合方法,并利用采集到的電驅(qū)動多源異構(gòu)數(shù)據(jù)對融合算法進行驗證,結(jié)果表明,融合分析能夠有效地區(qū)分汽車電驅(qū)動系統(tǒng)質(zhì)量。

        關(guān)鍵詞:電驅(qū)動系統(tǒng);多源異構(gòu)數(shù)據(jù);特征提??;多源融合;加權(quán)融合

        中圖分類號:TP393 ? ? ?文獻標(biāo)志碼:A ? ? ? ? ?文章編號:2095-2945(2024)18-0020-04

        Abstract: Multi source heterogeneous data fusion, as an important data processing method in the field of automotive electric drive systems, has attracted much attention. It plays a key role in the field of automotive electric drive systems, providing an effective means for a deeper understanding of system operation characteristics and solving complex problems. This paper proposes a multi-source heterogeneous data fusion method applied to automotive electric drive systems by analyzing the characteristics of multi-source heterogeneous signals and the classification of fusion levels. The fusion algorithm is validated using the collected multi-source heterogeneous data of electric drive systems, and the results show that fusion analysis can effectively distinguish the quality of automotive electric drive systems.

        Keywords: electric drive system; multi-source heterogeneous data; feature extraction; multi-source fusion; weighted fusion

        汽車電驅(qū)動系統(tǒng)是一種使用電能來推動車輛的系統(tǒng),主要由電動機、電池和電控系統(tǒng)組成。在其工作過程中[1],“機-電-控-磁-熱”異構(gòu)信號十分繁雜,而且系統(tǒng)涉及到的高速旋轉(zhuǎn)件眾多,因此表現(xiàn)出極強的異構(gòu)信號耦合和多源扭振問題,此外,由于單一信息源提供的信息無法準(zhǔn)確揭示電驅(qū)動系統(tǒng)的全貌,無法對多源異構(gòu)信號進行準(zhǔn)確測試、辨識和融合,所以多源數(shù)據(jù)融合成為揭示汽車電驅(qū)動系統(tǒng)動力學(xué)規(guī)律、驗證系統(tǒng)動力學(xué)機理的關(guān)鍵[2]。在此背景下,深入分析汽車電驅(qū)動系統(tǒng)各個方面變得至關(guān)重要。通過精確測試、辨識和融合異構(gòu)信號,研究人員可以更全面地理解汽車電驅(qū)動系統(tǒng)的行為,從而優(yōu)化系統(tǒng)設(shè)計、提高性能,并解決異構(gòu)信號帶來的復(fù)雜問題。這一過程對于推動汽車電驅(qū)動技術(shù)的發(fā)展和應(yīng)用至關(guān)重要。

        本文基于多源異構(gòu)信號特點、異構(gòu)數(shù)據(jù)融合層次分類方法提出了一種汽車電驅(qū)動系統(tǒng)多源異構(gòu)融合算法,利用實測汽車電驅(qū)動系統(tǒng)多源異構(gòu)數(shù)據(jù)對融合方法進行了驗證。

        1 ?異構(gòu)數(shù)據(jù)特點和融合分類

        1.1 ?多源異構(gòu)數(shù)據(jù)特點

        多源異構(gòu)數(shù)據(jù)是指來自不同來源、不同類型或不同結(jié)構(gòu)的數(shù)據(jù)集合[3]。這種異構(gòu)數(shù)據(jù)常常體現(xiàn)出數(shù)據(jù)的差異性,會使得采集到的數(shù)據(jù)不經(jīng)過處理難以進行分析和利用,因此在進行分析、整合和利用的時候,需要處理其差異性,同時,為了提升數(shù)據(jù)的完整性和全面性,以及提高數(shù)據(jù)的準(zhǔn)確性和可信度,必須進行多源融合。

        多源異構(gòu)數(shù)據(jù)主要有多源性、異構(gòu)性和復(fù)雜性3個特點,具體如下。

        多源性:指數(shù)據(jù)來自不同的數(shù)據(jù)源。例如,在汽車電驅(qū)動系統(tǒng)中的電流、電壓、溫度和轉(zhuǎn)速等數(shù)據(jù)被視為多源異構(gòu)數(shù)據(jù),因為他們來自汽車電驅(qū)動系統(tǒng)中的不同組成部分。

        異構(gòu)性:指數(shù)據(jù)的類型、格式、結(jié)構(gòu)等方面存在差異。例如,在汽車電驅(qū)動系統(tǒng)中,電流、轉(zhuǎn)速、溫度等數(shù)據(jù)的多源異構(gòu)性體現(xiàn)在他們不僅單位和量綱不同,并且采樣頻率也存在差異。

        復(fù)雜性:在電驅(qū)動系統(tǒng)中,需要綜合考慮電流、轉(zhuǎn)速、溫度等多種異構(gòu)數(shù)據(jù)。為有效處理這些數(shù)據(jù)的多源性和異構(gòu)性,需要應(yīng)用適當(dāng)?shù)娜诤霞夹g(shù)。解決復(fù)雜性涉及數(shù)據(jù)預(yù)處理、特征工程和融合算法的運用,才能得到多源異構(gòu)數(shù)據(jù)的融合結(jié)果。

        1.2 ?多源異構(gòu)數(shù)據(jù)融合層次分類

        多源異構(gòu)數(shù)據(jù)按融合層次分類可分為像素級融合、特征級融合和決策級融合3類[4]。

        像素級融合是指直接對原始數(shù)據(jù)進行關(guān)聯(lián)融合,不對原始數(shù)據(jù)作任何處理,在融合之后進行特征提取和做決策,如圖1所示。這種融合方法在最大程度上保留了原始數(shù)據(jù)特征,能夠提供更多的細節(jié)信息,但是融合受原始數(shù)據(jù)的不確定性、不完整性和不穩(wěn)定性的影響較大并且對傳感器、通信能力等要求較高。

        特征級融合是指先提取原始數(shù)據(jù)特征信息再進行融合,融合之后進行關(guān)聯(lián)和做決策,如圖2所示。特征信息可以是數(shù)量、方向、距離等信息。特征級融合的融合順序使得其可以做到較好的信息壓縮,較像素級融合而言有更好的實時性。同時由于特征提取部分直接與決策分析相關(guān),因而在保證實時性的同時也能夠最大程度地給出決策所需的特質(zhì)信息,但是該方法在特征信息提取階段會損失數(shù)據(jù),可能會導(dǎo)致結(jié)果不精確。

        決策級融合是從各個特征源獲取信息并進行決策之后再融合[5],并對融合之后的結(jié)果進行最終決策,如圖3所示。該方法能提高容錯性,對傳感器的依賴較小,但是融合結(jié)果的精度低、決策的初始代價高。

        3種融合層次各有其優(yōu)勢和限制,本文在處理汽車電驅(qū)動系統(tǒng)多源異構(gòu)數(shù)據(jù)上選擇特征級融合作為主要策略,其在保留原始數(shù)據(jù)關(guān)鍵特征的同時,通過信息壓縮實現(xiàn)更好的實時性,相較于像素級融合具有更好的靈活性。同時,通過細致的特征提取和融合,特征級融合能夠一定程度上克服決策級融合的精度問題,提高整體融合結(jié)果的準(zhǔn)確性,使系統(tǒng)更具魯棒性。

        2 ?電驅(qū)動系統(tǒng)多源異構(gòu)數(shù)據(jù)融合

        在多源異構(gòu)數(shù)據(jù)融合中,常見的算法包括D-S證據(jù)理論、支持向量機和加權(quán)融合[6-7]。D-S證據(jù)理論以其處理不確定性和沖突信息的優(yōu)勢而被選用,其計算過程較為復(fù)雜,涉及Belief函數(shù)和Plausibility函數(shù)的組合規(guī)則。支持向量機適用于高維空間的分類問題,通過找到最優(yōu)超平面分離不同類別的數(shù)據(jù),但在大規(guī)模數(shù)據(jù)上的計算開銷較大。相對而言,加權(quán)融合算法簡單直觀,通過動態(tài)調(diào)整權(quán)重靈活適應(yīng)不同數(shù)據(jù)源的貢獻,提高整體融合效果。因此,本文選擇使用加權(quán)平均融合算法對汽車電驅(qū)動系統(tǒng)多源異構(gòu)信號進行特征級融合處理。

        加權(quán)平均算法的核心原理是在多源異構(gòu)信息融合中通過計算每個信息源的加權(quán)平均值來得到整體融合結(jié)果[8]。其步驟如下:首先,為每個信息源分配權(quán)重,這些權(quán)重反映了各信息源在最終融合結(jié)果中的相對貢獻。這一權(quán)重的確定可以基于各信息源的可靠性、精度、信任度等因素,以確保對不同信息源進行合理的重要性分配。

        其次,在每個時刻或數(shù)據(jù)更新周期,通過將每個信息源的值與其相應(yīng)的權(quán)重相乘,得到各信息源的加權(quán)值。這一步考慮了不同信息源的權(quán)重,使得對于更為可信或準(zhǔn)確的信息源,其在融合結(jié)果中的貢獻更為突出。

        最后,通過將所有信息源的加權(quán)值相加,得到加權(quán)平均值。這個最終結(jié)果即為融合后的數(shù)據(jù),其中每個信息源的貢獻被動態(tài)地考慮并體現(xiàn)在最終結(jié)果中。通過這種方式,加權(quán)平均算法能夠靈活地適應(yīng)不同信息源在不同時刻的貢獻度,從而實現(xiàn)更為全面和準(zhǔn)確的數(shù)據(jù)融合。其融合公式為

        , (1)

        式中:Fw為融合結(jié)果;?棕1,?棕2,…,?棕n為對應(yīng)的權(quán)重;F1,F2,…,Fn為特征。

        不同特征或數(shù)據(jù)源可能具有不同的數(shù)值范圍,例如一個特征的數(shù)值范圍在0到1之間,而另一個特征可能在幾百或幾千的數(shù)量級。如果在不進行歸一化的情況下直接進行加權(quán)融合,數(shù)值較大的特征或數(shù)據(jù)源可能會在融合結(jié)果中占據(jù)主導(dǎo)地位,而數(shù)值較小的特征則可能被忽略。

        因此,為確保不同特征或數(shù)據(jù)源的數(shù)值范圍一致,防止某些特征或數(shù)據(jù)源對融合結(jié)果產(chǎn)生過大的影響[9],在融合前需對原始數(shù)據(jù)進行歸一化處理,以保證各個特征的數(shù)值映射到相似的尺度范圍內(nèi),使他們具有相對一致的權(quán)重,從而能夠在加權(quán)融合中更公平地貢獻到最終結(jié)果。

        最小-最大值歸一化的過程公式為

        式中:Xn為歸一化結(jié)果;X為當(dāng)前值;Xmin為最小值;Xmax為最大值。

        接著,在對原始數(shù)據(jù)進行歸一化處理后,為確保各項歸一化特征在融合中能夠合理貢獻,一般采用確定各項歸一化特征結(jié)果的權(quán)重。這一步驟是為了在加權(quán)融合過程中考慮不同特征的相對重要性,避免某些特征對最終融合結(jié)果產(chǎn)生不必要的過大影響[9]。權(quán)重的確定可以根據(jù)特征的重要性、可靠性或者其他相關(guān)因素進行賦值。一種常見的做法是基于信息熵來為每個特征進行權(quán)重分配,公式為

        將式(3)計算得到的權(quán)重和式(2)計算得到的歸一化結(jié)果帶入式(1)得到加權(quán)融合結(jié)果。

        3 ?汽車電驅(qū)動多源異構(gòu)數(shù)據(jù)融合

        從電驅(qū)動系統(tǒng)總成下線檢測試驗臺(圖4)獲取約5 000臺電驅(qū)動系統(tǒng)下線檢測數(shù)據(jù),其中下線檢測不合格產(chǎn)品約500臺,合格產(chǎn)品約4 500臺。為了進行全面的性能評估,我們從電驅(qū)動系統(tǒng)下線測試環(huán)節(jié)中整理了多個關(guān)鍵特征,包括平均轉(zhuǎn)速、振動均方根值、A計權(quán)聲壓級等作為多源特征,接下來進行多源融合分析,并以下線檢測結(jié)果作為判斷結(jié)果。

        首先,對于每個電驅(qū)動系統(tǒng)的特征,包括平均轉(zhuǎn)速、振動均方根值、A計權(quán)聲壓級等,進行最小-最大歸一化處理,將原始數(shù)據(jù)映射到[0, 1]的范圍內(nèi),以消除不同特征之間的尺度差異,確保他們在融合分析中具有相似的權(quán)重。歸一化的過程采用了式(2)。接下來,通過式(3)利用信息熵為每個特征計算權(quán)重。將歸一化結(jié)果帶入權(quán)重計算公式計算出權(quán)重系數(shù)見表1。

        對于每個樣本,使用之前計算得到的權(quán)重系數(shù)與歸一化后的特征值,按照加權(quán)融合式(1)進行計算得到樣本加權(quán)融合結(jié)果,將每個樣本的融合結(jié)果與下線檢測判斷結(jié)果結(jié)合,得到下線檢測合格產(chǎn)品與不合格產(chǎn)品分布區(qū)間,如圖5所示。

        從融合結(jié)果分布區(qū)間可看出,不合格產(chǎn)品融合分析結(jié)果大致分布于(300,350),合格產(chǎn)品融合分析結(jié)果大致分布于(170,300), 兩者數(shù)據(jù)分布區(qū)間并不重疊,且與下線檢測結(jié)果分布一致。探究不合格分布在(300,350)區(qū)間的原因發(fā)現(xiàn)當(dāng)電驅(qū)動系統(tǒng)出現(xiàn)問題時會導(dǎo)致噪聲或者振動值變大,從而使加權(quán)結(jié)果值變大。這突顯了通過融合分析的敏感性,其能夠捕捉到系統(tǒng)性能異常,并且可有效區(qū)分汽車電驅(qū)動系統(tǒng)質(zhì)量。此外,數(shù)據(jù)分布在(170,350)的原因是因為在進行加權(quán)融合的過程中,由于平均轉(zhuǎn)速提供的有用信息較少,故使用歸一化的結(jié)果,會對融合結(jié)果產(chǎn)生很大的影響,因此,本文使用原始的平均轉(zhuǎn)速數(shù)據(jù)進行融合。

        4 ?結(jié)論

        多源異構(gòu)數(shù)據(jù)融合在深入理解汽車電驅(qū)動系統(tǒng)運行特征和解決復(fù)雜問題中可發(fā)揮關(guān)鍵作用。本文深入研究了汽車電驅(qū)動系統(tǒng)的多源異構(gòu)數(shù)據(jù)融合問題。通過對多源異構(gòu)數(shù)據(jù)特點和融合分類的探討,提出了加權(quán)融合算法。在電驅(qū)動系統(tǒng)數(shù)據(jù)分析中,采用了加權(quán)融合算法對轉(zhuǎn)速、噪聲和振動等數(shù)據(jù)進行處理與融合。實驗結(jié)果表明,融合分析能有效區(qū)分汽車電驅(qū)動系統(tǒng)的合格和不合格產(chǎn)品,為系統(tǒng)設(shè)計和性能優(yōu)化提供了有力支持。

        此外,加權(quán)融合算法在處理樣本不足和特征不全面時表現(xiàn)不夠完善,需要進一步優(yōu)化以提高其穩(wěn)定性和可靠性。

        參考文獻:

        [1] 杜克強,許檬,李璇,等.純電動汽車用高速電驅(qū)動系統(tǒng)發(fā)展綜述[J].汽車實用技術(shù),2022,47(3):10-16.

        [2] 侯磊,范旭紅,杜長虹,等.多合一電驅(qū)動系統(tǒng)的結(jié)構(gòu)原理及CAE仿真分析[J].微特電機,2019,47(10):1-5,10.

        [3] 唐莉,程世娟,張曉潔,等.多源異構(gòu)數(shù)據(jù)貝葉斯變權(quán)融合可靠性評估模型[J].重慶理工大學(xué)學(xué)報(自然科學(xué)),2023,37(2):272-277.

        [4] 祁友杰,王琦.多源數(shù)據(jù)融合算法綜述[J].航天電子對抗,2017,33(6):37-41.

        [5] 賀雅琪.多源異構(gòu)數(shù)據(jù)融合關(guān)鍵技術(shù)研究及其應(yīng)用[D].成都:電子科技大學(xué),2018.

        [6] 謝保林.基于DS證據(jù)理論的多傳感器數(shù)據(jù)融合方法研究[D].鄭州:河南大學(xué),2022.

        [7] 張寧波.基于SVM和DS證據(jù)理論的多傳感器信息融合故障診斷[J].山西電子技術(shù),2015(4):44-46.

        [8] 袁維,李小春,白冰,等.透鏡體對尾礦壩安全性影響的參數(shù)敏感性分析[J].中南大學(xué)學(xué)報(自然科學(xué)版),2013,44(3):1174-1183.

        [9] 聶慶科,孫廣,郝永攀,等.多源異構(gòu)監(jiān)測數(shù)據(jù)融合方法及應(yīng)用[J].科學(xué)技術(shù)與工程,2022,22(13):5348-5357.

        猜你喜歡
        特征提取
        特征提取和最小二乘支持向量機的水下目標(biāo)識別
        基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
        電子制作(2019年15期)2019-08-27 01:12:00
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        基于DNN的低資源語音識別特征提取技術(shù)
        Bagging RCSP腦電特征提取算法
        一種基于LBP 特征提取和稀疏表示的肝病識別算法
        基于DSP的直線特征提取算法
        基于改進WLD的紋理特征提取方法
        計算機工程(2015年4期)2015-07-05 08:28:02
        淺析零件圖像的特征提取和識別方法
        機電信息(2015年3期)2015-02-27 15:54:46
        基于CATIA的橡皮囊成形零件的特征提取
        亚洲黄色一插一抽动态图在线看| 亚洲精品午夜无码电影网| 女女女女bbbbbb毛片在线| av深夜福利在线| 在线观看免费视频发布白白色 | 老师开裆丝袜喷水视频| 免费国产裸体美女视频全黄| 亚洲熟妇在线视频观看| 国产精品国产三级国产专区51区| 精品国产a一区二区三区v| 久久www免费人成—看片| 日本视频中文字幕一区在线| 中文字幕一区二区三在线| 淫片一区二区三区av| 免费人成视频xvideos入口| 日中文字幕在线| 在线亚洲国产一区二区三区| 国产欧美va欧美va香蕉在线| 亚洲伊人成综合网| 99久久久无码国产精品动漫| 亚洲国产日韩综合天堂| 国产午夜福利片在线观看| 精品国产精品久久一区免费式| 无码熟妇人妻AV不卡| 日韩有码在线一区二区三区合集| 大地资源网高清在线播放 | 在线免费观看毛视频亚洲精品| av无码国产精品色午夜| 亚洲av无码精品色午夜果冻不卡| 欧美日一本| 九九久久精品国产免费av| 18禁真人抽搐一进一出在线| 国产在线网址| 国产女主播大秀在线观看| 亚洲色精品三区二区一区| 毛茸茸性xxxx毛茸茸毛茸茸| 国产美女av一区二区三区| 亚洲国产中文字幕在线视频综合| 少妇丰满大乳被男人揉捏视频| av深夜福利在线| 男女做那个视频网站国产|