-
题名公路货运危险驾驶行为智能预测技术研究
被引量：3
- 1
-
-
作者
柳鹏飞
陆见光
徐磊
唐向红
刘方杰
-
机构
贵州大学
贵州大学
重庆工业大数据创新中心有限公司
贵州新思维科技有限责任公司
-
出处
《汽车技术》
CSCD
北大核心
2024年第3期56-62,共7页
-
基金
贵州省科技支撑计划项目(QKHZC〔2022〕YB074)。
-
文摘
基于某省载货汽车历史行驶数据,提出了一种基于卷积神经网络-长短期记忆(CNN-LSTM)网络与自注意力机制的危险驾驶行为预测方法。针对载货汽车行驶数据量大、维度高、特征提取难度大、时序性强的特点,首先运用XG⁃Boost对特征进行筛选,接着利用卷积神经网络(CNN)进行空间特征提取,再运用长短期记忆(LSTM)网络捕捉驾驶行为的时序信息,最后通过自注意力机制对危险驾驶行为进行预测。试验结果表明,该方法相对其他长时间序列预测方法在某省公路货运驾驶数据上表现优异,识别准确率达到85.05%,加权平均召回率达到83%,F1分数(F1-Score)达到84%。
-
关键词
公路货运
数据驱动
自注意力机制
危险驾驶
行为预测
-
Keywords
Highway freight
Data driven
Self-attention mechanism
Dangerous driving behavior
Prediction of driving behavior
-
分类号
U471.15
[机械工程—车辆工程]
-
-
题名云边协同下时空特征融合的轴承剩余寿命预测
被引量：2
- 2
-
-
作者
潘隆基
唐向红
陆见光
刘方杰
刘汝迪
-
机构
贵州大学公共大数据国家重点实验室
贵州大学现代制造技术教育部重点实验室
重庆工业大数据创新中心有限公司
贵州新思维科技有限责任公司
-
出处
《组合机床与自动化加工技术》
北大核心
2024年第5期116-121,125,共7页
-
基金
黔科合基础项目(271/QKHJC-ZK〔2021〕YB271)
黔科合支撑项目(074/QKHZC〔2022〕YB074)。
-
文摘
为了解决滚动轴承剩余使用寿命(remaining useful life, RUL)预测中的特征依赖关系、表征退化趋势和实时性问题,提出了一种云边协同下时空特征融合的轴承剩余寿命预测方法。首先,在离线阶段依据专家先验知识对轴承历史退化数据进行去噪处理;其次,对去噪信号进行时域与频域退化特征的提取,并对提取的退化特征进行分析与筛选;最后,采用皮尔逊相关系数对选取的退化特征进行相似相关性分析,并根据相似相关参数构建特征空间图作为图卷积网络(graph convolutional network, GCN)-Transformer模型输入以进行训练,并在云边协同实时预测阶段测试以减轻云端负担。在XJTU-SY数据集上的实验中,所提方法与其他文献预测方法相比在MAE与RMSE指标上分别降低了10.5%与11.3%,在平均响应时间(实时性指标)上降低到采用云计算策略的0.363。实验结果验证了所提方法的有效性。
-
关键词
滚动轴承
剩余使用寿命
时空特征融合
云边协同
图卷积网络
-
Keywords
rolling bearings
remaining useful life
spatio-temporal feature integration
cloud-edge collaboration
graph convolutional networks
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TG68
[金属学及工艺—金属切削加工及机床]
-
-
题名云边协同下双数据源融合的轴承剩余寿命预测
- 3
-
-
作者
刘汝迪
唐向红
陆见光
刘方杰
柳鹏飞
-
机构
贵州大学现代制造技术教育部重点实验室
贵州大学公共大数据国家重点实验室
重庆工业大数据创新中心有限公司
贵州新思维科技有限责任公司
-
出处
《组合机床与自动化加工技术》
北大核心
2023年第11期89-94,共6页
-
基金
贵州省科技计划项目(黔科合基础ZK[2021]一般271/QKHJC-ZK〔2021〕YB271)
贵州省科技支撑计划项目(黔科合支撑[2022]一般074/QKHZC〔2022〕YB074)。
-
文摘
针对当前滚动轴承剩余使用寿命(remaining useful life,RUL)预测准确率不高且未考虑到预测实时性的问题,提出一种云边协同计算模式下(cloud-edge collaborative computing,CECC)双数据源融合(data sources fusion,DSF)的滚动轴承剩余使用寿命实时预测方法。首先在离线阶段通过专家先验知识对训练集数据进行分析并进行网络预训练,然后通过边缘设备实时采集轴承水平与垂直两种数据源的振动信号并构建测试集,最后测试集数据实时上传到强大计算能力的云端进行融合预测。方法引入并行计算的Transformer模型在PHM2012数据集上进行试验,结果表明云边协同计算模式下轴承RUL预测的实时性得到显著提高,同时DSF预测方法与单一数据源预测方法相比MAE与RMSE两项指标分别降低了42.1%和40.9%。在XJTU-SY数据集上验证结果表明,DSF预测方法与其他文献中单一数据源预测方法相比MAE与RMSE分别降低了38.1%与38.8%;且云边协同预测方法相较于云计算预测,其时效性提升了80%左右,进一步证明了方法的可行性,并为其他领域寿命实时预测提供了解决方案。
-
关键词
滚动轴承
剩余使用寿命
云边协同计算
双数据源融合
实时预测
-
Keywords
rolling bearings
remaining useful life
cloud-edge collaboration
dual data sources fusion
real-time prediction
-
分类号
TH161
[机械工程—机械制造及自动化]
TG68
[金属学及工艺—金属切削加工及机床]
-
