pg电子游戏试玩股份有限公司 - 聚焦高空热成像监控与pg电子平台智能计算

　　本发明公开了一种基于车联网的火情预警系统及预警方法，涉及汽车主动预警领域，传感器检测模块用于将采集到的信息传递给数据融合处理模块；数据融合处理模块用于预处理传感器信号，并将处理后的数据传输给火情判定模块；火情判定模块用于特征融合与决策判断，并将决策结果发送给网关控制器和车联网模块；网关控制器用于将火情判定结果路由，执行各控制器火情下的控制策略；车联网模块将起火车辆的数据发送到主机厂云端，同时将旁车信息发送给旁车安全风险判别模块；主机厂云端模块根据车联网发送的数据，训练修正火情预测模型；旁车安全风

　　(19)国家知识产权局 (12)发明专利 (10)授权公告号 CN 113053054 B (45)授权公告日 2022.07.22 (21)申请号 9.6 H04L 67/52 (2022.01) G07C 5/00 (2006.01) (22)申请日 2021.02.24 G07C 5/08 (2006.01) (65)同一申请的已公布的文献号 G06N 3/04 (2006.01) 申请公布号 CN 113053054 A H04L 12/40 (2006.01) (43)申请公布日 2021.06.29 审查员 许妮 (73)专利权人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 夏长高张凡杨鹏程冒志恒 孙陈曦张演 (51)Int.Cl. G08B 17/10 (2006.01) G08B 17/06 (2006.01) G08B 25/00 (2006.01) H04L 67/12 (2022.01) 权利要求书3页 说明书7页 附图3页 (54)发明名称 一种基于车联网的火情预警系统及预警方 法 (57)摘要 本发明公开了一种基于车联网的火情预警 系统及预警方法，涉及汽车主动预警领域，传感 器检测模块用于将采集到的信息传递给数据融 合处理模块；数据融合处理模块用于预处理传感 器信号，并将处理后的数据传输给火情判定模 块；火情判定模块用于特征融合与决策判断，并 将决策结果发送给网关控制器和车联网模块；网 关控制器用于将火情判定结果路由，执行各控制 器火情下的控制策略；车联网模块将起火车辆的 数据发送到主机厂云端，同时将旁车信息发送给 旁车安全风险判别模块；主机厂云端模块根据车 B 联网发送的数据，训练修正火情预测模型；旁车 4 安全风险判断模块根据车联网传输的旁车信息 5 0 3 进行旁车安全风险判别，并将判别结果发送回车 5 0 3 联网模块进行旁车预警。 1 1 N C CN 113053054 B 权利要求书 1/3页 1.一种基于车联网的火情预警系统，其特征在于，包括传感器检测模块、数据融合处理 模块、火情判定模块、车联网模块、主机厂云端、旁车安全风险判别模块、网关控制器和车辆 总线各路CAN下控制器单元； 所述传感器检测模块用于将采集到的信息传递给数据融合处理模块； 所述数据融合处理模块用于预处理、归一化传感器信号，并将处理后的数据传输给火 情判定模块； 所述火情判定模块根据上层的输入，进行特征融合与决策判断，并将决策结果发送给 网关控制器和车联网模块； 所述网关控制器用于将火情判定结果路由到车辆总线各路CAN下控制器单元，执行各 控制器火情下的控制策略； 所述车联网模块将起火车辆的数据发送到主机厂云端；同时将旁车信息发送给旁车安 全风险判别模块； 所述旁车安全风险判别模块根据车联网传输的旁车信息进行旁车安全风险判别，并将 判别结果发送回车联网模块，进行旁车预警； 所述主机厂云端，根据车联网发送的数据进行分布式云端训练，训练样本调整权值，修 正火情预测模型。 2.根据权利要求1所述的基于车联网的火情预警系统，其特征在于，所述传感器检测模 块包括IFC智能前置摄像头、GPS定位模块、车速传感器、加速度传感器、温度传感器、烟雾传 感器、CO气体传感器、毫米波雷达和陀螺仪。 3.根据权利要求1所述的基于车联网的火情预警系统，其特征在于，车辆总线包括Body  CAN、PT CAN、Chassis CAN和Infomercial CAN；其中，所述Body CAN下连接车身控制器BCM， PT CAN下连接电池管理系统BMS，Chassis CAN下连接车身电子稳定系统ESP，Infomercial  CAN下连接组合仪表IPK。 4.根据权利要求1所述的基于车联网的火情预警系统的预警方法，其特征在于，包括以 下步骤： 步骤1：利用车联网模块向云端发出火情预测模型更新请求； 步骤2：判断本车的模型是否有更新；若有，将云端的模型更新至车端；若没有更新，则 进入下一步骤； 步骤3：传感器检测模块采集所需的车辆位置信息、本车行驶状态信息、温度、烟雾、气 体信息和旁车车辆行驶状态信息； 步骤4：数据融合处理模块对传感器检测模块采集的温度、烟雾、气体信号进行预处理 与归一化； 步骤5：利用数据融合处理模块的输出作为火情判定模块的输入，进行火情判定，火情 判定方法基于改进的RBF‑BP混合神经网络，输出有火、无火和阴燃的概率；根据判定结果进 行本车预警、旁车风险判别预警与云端数据上传，模型修正； 步骤6：若发生火情，网关控制器通过车辆总线向各路CAN下的控制器发送相应的功能 禁止信号，执行火情下的控制策略进行本车预警； 步骤7：同时，利用车联网模块及传感器检测模块获取旁车的行驶状态、位置信息，将信 息发送给旁车安全风险判断模块，根据判定结果进行主动预警或常规旁车信息更新； 2 2 CN 113053054 B 权利要求书 2/3页 步骤8：车端发送火情车辆相关传感、行驶数据及ECU故障码到主机厂云端，传感器数据 为数据融合处理模块输出的数据； 步骤9：云端样本数据更新，训练样本调整模型权重，火情判定模型基于改进的RBF‑BP 混合神经网络； 步骤10：云端火情判定模型修正，等待车端请求更新。 5.根据权利要求4所述的基于车联网的火情预警系统的预警方法，其特征在于，所述数 据融合处理模块的用于预处理、归一化传感器信号，预处理方法为： 其中，x (n)为第n个采样时刻的传感器信号，i为1，2，3...分别表示温度、烟雾、CO传感 i 器；U 为传感器采集的相邻信号差的累加；R 为局部决策结果； 为传感器的门限值；f(x) i i 为单位阶跃函数； 归一化方法为： 其中，x 为传感器未处理的原始值，x 为样本数据的最大值，x 为样本数据的最小值， i max min x′为归一化之后的值，i为1，2，3...分别表示各传感器。 i 6.根据权利要求5所述的基于车联网的火情预警系统的预警方法，其特征在于，所述的 数据融合处理模块对传感信号进行预处理，若某一传感器在某个采样时刻内局部决策结果 R 为1，则该信号出现异常，存在发生火灾的可能性，将采集的传感器信号传递给下一层；若 i R 全为0，则信号无异常，数据不进行传递。 i 7.根据权利要求4所述的基于车联网的火情预警系统的预警方法，其特征在于，火情判 定模块的判定方法基于改进的RBF‑BP混合神经网络，输出有火、无火和阴燃的概率；根据判 定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正。 8.根据权利要求7所述的基于车联网的火情预警系统的预警方法，其特征在于，旁车安 全风险判别模块的判断方法为： 步骤7.1：本车通过车速、加速度传感器、GPS定位模块分别获得自身的车速信号、加速 度信号、位置信号； 步骤7.2：旁车安全风险模块通过车联网模块获取旁车的车速、加速度、位置信号； 步骤7.3：旁车安全风险模块根据本车和旁车的行驶、位置信息，计算当前时刻位置本 车与旁车的相对距离，本车与旁车坐标分别为(x ，y)、(x ，y)并设定车辆两级预警阈值距 1 1 2 2 离L 和L ，其中L为一级预警阈值，L为二级预警阈值； 0 1 0 1 其中两车相对距离L 大小为： re 步骤7.4：将两车相对距离大小L 和车辆两级预警阈值距离L 和L进行比较； re 0 1 详细的：L 的确定基于旁车行驶的安全性，公式为： 0 3 3 CN 113053054 B 权利要求书 3/3页 其中，v 为旁车车速，t 为驾驶员反应时间，t为制动响应时间，v 为本车车速，a为旁车 a 1 2 b 的加速度，d为发生火情后，两车静止时的最小安全距离； L 的确定基于旁车行驶的交通拥堵性，根据不同的交通路段选择不同的二级预警距离； 1 若L ≤L ，则受火情影响安全风险的程度较大，发出一级预警；若L ＜L ≤L ，则受火情 re 0 0 re 1 影响安全风险的程度不大，但仍需提前预警，发出二级预警；若L ＞L ，则没有安全风险，不 re 1 进行预警。 9.根据权利要求7所述的基于车联网的火情预警系统的预警方法，其特征在于，主机厂 云端根据车端发送的数据进行样本数据更新，训练样本调整权重，火情判定模型基于RBF‑ BP混合神经网络，具体的： 步骤9.1：将车端上传的温度x 、烟雾浓度x 、CO浓度x作为RBF子网络的输入，RBF子网 1 2 3 络包含一个隐藏层，该隐藏层节点传递函数选择为Gaussian径向基函数，数学描述为： 其中， 是输入样本x与高斯函数中心向量x′的平方欧几里得距离，σ是函数的 宽度参数； 步骤9.2：将RBF子网络的输出作为BP子网络的输入，BP子网络包含一个隐藏层，三个输 出层，输出为有火，无火和阴燃的概率；隐藏层节点传递函数选择为Sigmoid函数； 步骤9.3：计算BP子网络正向传播的输入x ； ink 步骤9.4：计算BP子网络正向传播的输出y k＝f(x )； out ink 步骤9.5：计算误差性能指标函数 其中d为期望输出； 步骤9.6：利用连续感知器学习规则，调整权值ω，使梯度的变化方向为负，使得e达到 理想值。 10.基于权利要求9所述的基于车联网的火情预警系统的预警方法，其特征在于，火情 判定模块的判断方法基于改进的RBF‑BP混合神经网络，引入动量因子α，α∈[0，1]，来滤除 权值调整中的高频震荡，加快学习的进度，改进混合神经网络模型。 4 4 CN 113053054 B 说明书 1/7页 一种基于车联网的火情预警系统及预警方法 技术领域 [0001] 本发明涉及到一种汽车主动预警系统，具体涉及一种基于车联网的火情预警系统 及预警方法。 背景技术 [0002] 车辆在行驶过程中，由于电线短路、易燃液体泄漏、车内失火、高温照射、冷却系统 失效等极易引起车辆燃烧，对乘客的生命安全及行驶车辆的安全有极大威胁，易引发严重 的交通事故。所以有必要在车辆失火的情况下尽早提醒驾驶员及周边车辆，提高驾驶的安 全性。 [0003] 目前，市场上车辆还没有相关火情预警功能的配置。中国专利公开号为 CN209490403U、CN206537213U的文献中提出的几种自燃预警系统主要是通过传感器模块安 装在易燃部位、检测到起火通过给蜂鸣器传递信号传递给驾驶员进行预警。该系统能够进 行一定程度的预警，功能单一易误报且只能将预警信息传递给本车，具有一定的局限性。 发明内容 [0004] 本发明的目的是针对现有车辆火情预警系统的不足，提供一种基于车联网的火情 预警系统及预警方法。能在预警本车的同时，利用车联网获取旁车的位置、行驶信息，对旁 车进行分级预警，从而避免交通事故的发生与交通的拥堵。且能够实时上传车辆传感、行 驶、ECU故障码信息到云端，便于故障跟踪与排查，同时进行分布式云端训练，更新火情样本 数据，训练样本调整权值，及时修正火情预测模型。 [0005] 本发明采用的技术方案如下： [0006] 基于车联网的火情预警系统包括：传感器检测模块、数据融合处理模块、火情判定 模块、车联网模块、旁车安全风险判别模块、主机厂云端、网关控制器及车辆总线各路CAN下 控制器单元； [0007] 所述的传感器检测模块包括IFC智能前置摄像头、GPS定位模块、车速传感器、加速 度传感器、温度传感器、烟雾传感器、CO气体传感器、毫米波雷达和陀螺仪； [0008] 所述传感器检测模块用于检测车辆位置信息、本车行驶状态信息、温度、烟雾、气 体信息和旁车车辆行驶状态等信息，并将采集到的数据传输给数据融合处理模块； [0009] 所述的数据融合处理模块用于分析处理传感器采集的数据，进行预处理、归一化， 并将处理后的数据传输给火情判定模块，作为输入； [0010] 所述火情判定模块根据上层的输入，进行特征融合与决策判断，并将决策结果发 送给网关控制器和车联网模块； [0011] 所述网关控制器将根据火情判定结果，通过车辆总线，发送相应的功能禁止管理 信号，执行各控制器火情下的控制策略； [0012] 所述车联网模块将车辆的传感器数据、车辆行驶数据、软件版本及ECU诊断故障码 等数据发送到主机厂云端；同时将旁车位置、行驶信息发送给旁车安全风险判别模块； 5 5 CN 113053054 B 说明书 2/7页 [0013] 所述的旁车安全风险判断模块根据车联网传输的旁车位置、行驶信息进行旁车行 驶的风险判别，并将判别结果发送回车联网模块，进行旁车行驶预警或旁车位置更新； [0014] 所述主机厂云端模块，根据车联网发送至主机厂云端的起火车辆的传感、行驶、软 件版本及ECU故障码等数据，进行故障跟踪与排查，同时进行分布式云端训练，训练样本调 整权值，修正火情预测模型。 [0015] 进一步，车辆总线包括Body CAN、PT CAN、Chassis CAN和Infomercial CAN。 [0016] 进一步，所述Body CAN下连接车身控制器BCM，PT CAN下连接电池管理系统BMS， Chassis CAN下连接车身电子稳定系统ESP，Infomercial CAN下连接组合仪表IPK。 [0017] 基于车联网的火情预警系统的预警方法，包括以下步骤： [0018] 步骤1：利用车联网模块向云端发出火情预测模型更新请求； [0019] 步骤2：判断本车的模型是否有更新。若有，将云端的模型更新至车端；若没有更 新，则进入下一步骤； [0020] 步骤3：传感器检测模块采集所需的车辆位置信息、本车行驶状态信息、温度、烟 雾、气体信息和旁车车辆行驶状态等信息； [0021] 步骤4：数据融合处理模块对传感器检测模块采集的温度、烟雾、气体信号进行预 处理与归一化； [0022] 进一步，所述预处理算法为防止烟雾、温度等传感器的误报，先进行局部决策，预 处理算法为速率检测法，数学描述为： [0023] [0024] [0025] 其中，x (n)为内第n个采样时刻的传感器信号，i为1，2，3...分别表示温度、烟雾、 i CO传感器；U 为传感器采集的相邻信号差的累加；R 为局部决策结果； 为传感器的门限 i i 值；f(x)为单位阶跃函数； [0026] 若某一传感器在某个采样时刻内局部决策结果R 为1，则该信号出现异常，存在发 i 生火灾的可能性，将采集的传感器信号传递给下一层。若R 全为0，则信号无异常，数据不进 i 行传递； [0027] 所述的归一化处理将经过预处理的不同量纲的传感器数据进行线性变换，将其映 射到[0，1]之间，使其转化为无量纲的表达式，其数学描述为： [0028] [0029] 其中，x为传感器未处理的原始值，x 为样本数据的最大值，x 为样本数据的最 i max min 小值，x′为归一化之后的值，i为1，2，3...分别表示各传感器； i [0030] 步骤5：利用数据融合处理模块的输出作为火情判定模块的输入，进行火情判定， 火情判定方法基于改进的RBF‑BP混合神经网络，输出有火、无火和阴燃的概率；根据判定结 果进行本车预警、旁车风险判别预警与云端数据上传，模型修正； [0031] 步骤6：若发生火情，网关控制器通过车辆总线向各路CAN下的控制器发送相应的 功能禁止信号，执行火情下的控制策略进行本车预警； 6 6 CN 113053054 B 说明书 3/7页 [0032] 步骤7：同时，利用车联网模块及传感器检测模块获取旁车的行驶状态、位置等信 息，将信息发送给旁车安全风险判断模块，根据判定结果进行主动预警或常规旁车信息更 新。旁车安全风险判断方法为： [0033] 步骤7.1：本车通过车速、加速度传感器、GPS定位模块分别获得自身的车速信号、 加速度信号、位置信号； [0034] 步骤7.2：旁车安全风险模块通过车联网模块获取旁车的车速、加速度、位置信号； [0035] 步骤7.3：旁车安全风险模块根据本车和旁车的行驶、位置信息，计算当前时刻位 置本车与旁车的相对位置信息，本车与旁车坐标分别为(x ，y)、(x ，y)并设定车辆两级预 1 1 2 2 警阈值距离L 和L ，其中L为一级预警阈值，L为二级预警阈值； 0 1 0 1 [0036] 其中两车相对位置L 大小为： re [0037] [0038] 步骤7.4：将两车相对位置大小L 和车辆两级预警阈值距离L 和L 进行比较，若L re 0 1 re ≤L ，则受火情影响安全风险的程度较大，发出一级预警；若L ＜L ≤L ，则受火情影响安全 0 0 re 1 风险的程度不大，但仍需提前预警，发出二级预警；若L ＞L ，则没有安全风险，不进行预 re 1 警； [0039] 详细的：L 的确定基于旁车行驶的安全性，公式为： 0 [0040] [0041] 其中，v为旁车车速，t 为驾驶员反应时间，t 为制动响应时间，v 为本车车速，a为 a 1 2 b 旁车的加速度，d为发生火情后，两车静止时的最小安全距离； [0042] L 的确定基于旁车行驶的交通拥堵性，根据不同的交通路段选择不同的二级预警 1 距离； [0043] 步骤8：车端发送火情车辆相关传感、行驶数据及ECU故障码到主机厂云端，所述传 感器数据为数据融合处理模块输出的数据； [0044] 步骤9：云端样本数据更新，训练样本调整模型权重，火情判定模型基于改进的 RBF‑BP混合神经网络，具体的： [0045] 步骤9.1：将车端上传的温度x 、烟雾浓度x 、CO浓度x作为RBF子网络的输入，RBF 1 2 3 子网络包含一个隐藏层，该隐藏层节点传递函数选择为Gaussian径向基函数，数学描述为： [0046] [0047] 其中， 是输入样本x与高斯函数中心向量x′的平方欧几里得距离，σ是函 数的宽度参数； [0048] 步骤9.2：将RBF子网络的输出作为BP子网络的输入，BP子网络包含一个隐藏层，三 个输出层，输出为有火，无火和阴燃的概率。隐藏层节点传递函数选择为Sigmoid函数； [0049] 步骤9.3：计算BP子网络正向传播的输入x ； ink [0050] 步骤9.4：计算BP子网络正向传播的输出y ＝f(x )； outk ink [0051] 步骤9.5：计算误差性能指标函数 其中d为期望输出； [0052] 步骤9.6：利用连续感知器学习规则，调整权值ω，使梯度的变化方向为负，使得e 7 7 CN 113053054 B 说明书 4/7页 达到理想值； [0053] 步骤10：云端火情判定模型修正，等待车端请求更新。 [0054] 本发明有以下有益效果： [0055] (1)本发明设计了一种基于车联网的火情预警控制系统，能够快速准确地对本车 进行火情判定，执行火情下的车辆控制策略，便于乘客开展自救。 [0056] (2)在车辆发生火情后，利用车联网技术获取旁车的位置、行驶信息，对旁车进行 分级预警，从而极大降低交通事故的发生率与交通拥堵程度。 [0057] (3)利用车联网技术，实时上传火情车辆传感、行驶、ECU故障码等信息到云端，便 于故障跟踪与排查，同时更新火情样本数据，训练样本调整权值，及时修正预测模型，进一 步提高了火情预测模型的准确性。 [0058] (4)本发明综合考虑了发生火情时预警本车的同时对旁车进行预警，突破了目前 仅对本车进行预警的研究局限；利用车联网技术及时上传火情数据，修正火情判定模型，进 一步提高了车辆火情预警模型的准确性。 附图说明 [0059] 图1为本发明一种基于车联网的火情预警系统组成结构图； [0060] 图2为本发明一种基于车联网的火情预警系统的控制流程图； [0061] 图3为本发明改进的RBF‑BP混合神经网络模型结构图。 具体实施方式 [0062] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。 [0063] 在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等 术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机 械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元 件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发 明中的具体含义。 [0064] 结合附图1所示，本发明所提出的基于车联网的火情预警系统，包括传感器检测模 块、数据融合处理模块、火情判定模块、车联网模块、主机厂云端、旁车安全风险判别模块、 网关控制器及车辆总线各路CAN下控制器单元；传感器模块包括IFC智能前置摄像头、GPS定 位模块、车速传感器、加速度传感器、温度传感器、烟雾传感器、CO气体传感器、毫米波雷达 和陀螺仪； [0065] 传感器检测模块用于检测车辆位置信息、本车行驶状态信息、温度、烟雾、气体信 息和旁车车辆行驶状态等信息，并将采集到的数据传输给数据融合处理模块； [0066] 数据融合处理模块用于分析处理传感器采集的数据，进行预处理、归一化，并将处 理后的数据传输给火情判定模块，作为输入； [0067] 火情判定模块根据数据融合处理模块传递的数据，进行特征融合与决策判断，并 将决策结果发送给网关控制器和车联网模块； 8 8 CN 113053054 B 说明书 5/7页 [0068] 网关控制器将根据火情判定结果，通过车辆总线，发送相应的功能禁止管理信号， 执行各控制器火情下的控制策略。车辆总线包括Body  CAN、PT  CAN、Chassis  CAN和 Infomercial CAN； [0069] 优选的，Body  CAN下连接车身控制器BCM，PT  CAN下连接电池管理系统BMS， Chassis CAN下连接车身电子稳定系统ESP，Infomercial CAN下连接组合仪表IPK。 [0070] 车联网模块将车辆的传感器数据、车辆行驶数据、软件版本及ECU诊断故障码等数 据发送到主机厂云端；同时将旁车位置、行驶信息发送给旁车安全风险判别模块。 [0071] 旁车安全风险判断模块根据车联网传输的旁车位置、行驶信息进行旁车行驶的风 险判别，并将判别结果发送回车联网模块，进行旁车行驶预警或旁车位置更新。 [0072] 主机厂云端模块，根据车联网发送至主机厂云端的起火车辆的传感、行驶、软件版 本及ECU故障码等数据，进行故障跟踪与排查，同时进行分布式云端训练，训练样本调整权 值，修正火情预测模型。 [0073] 结合附图2所示，基于上述基于车联网的火情预警系统，本发明还提出了一种基于 车联网的火情预警系统的预警方法，包括一下步骤： [0074] 步骤1：利用车联网模块向云端发出火情预测模型更新请求； [0075] 步骤2：判断本车的模型是否有更新。若有，将云端的模型更新至车端；若没有更 新，则进入下一步骤； [0076] 步骤3：传感器检测模块采集所需的车辆位置信息、本车行驶状态信息、温度、烟 雾、气体信息和旁车车辆行驶状态等信息； [0077] 步骤4：数据融合处理模块对传感器检测模块采集的温度、烟雾、气体信号进行预 处理与归一化； [0078] 进一步，所述预处理算法为防止烟雾、温度等传感器的误报，先进行局部决策，预 处理算法为速率检测法，数学描述为： [0079] [0080] [0081] 其中，x (n)为内第n个采样时刻的传感器信号，i为1，2，3...分别表示温度、烟雾、 i CO传感器；U 为传感器采集的相邻信号差的累加；R 为局部决策结果； 为传感器的门限 i i 值；f(x)为单位阶跃函数。 [0082] 若某一传感器在某个采样时刻内局部决策结果R 为1，则该信号出现异常，存在发 i 生火灾的可能性，将采集的传感器信号传递给下一层。若Rpg电子免费试玩平台 全为0，则信号无异常，数据不进 i 行传递。 [0083] 进一步，所述的归一化处理将经过预处理的不同量纲的传感器数据进行线性变 换，将其映射到[0，1]之间，使其转化为无量纲的表达式，其数学描述为： [0084] [0085] 其中，x为传感器未处理的原始值，x 为样本数据的最大值，x 为样本数据的最 i max min 小值，x′为归一化之后的值，i为1，2，3...分别表示各传感器； i 9 9 CN 113053054 B 说明书 6/7页 [0086] 步骤5：利用数据融合处理模块的输出作为火情判定模块的输入，进行火情判定， 火情判定方法基于改进的RBF‑BP混合神经网络模型，输出有火、无火和阴燃的概率。根据判 定结果进行本车预警、旁车风险判别预警与云端数据上传，模型修正； [0087] 步骤6：若发生火情，网关控制器通过车辆总线向各路CAN下的控制器发送相应的 功能禁止信号，执行火情下的控制策略进行本车预警。 [0088] 优选的，Body CAN下连接车身控制器BCM，解锁车门，打开危险警报闪光灯。 [0089] 优选的，PT CAN下连接电池管理系统BMS，降低电池组的输出功率，持续监测电池 包的温度、压力数据。 [0090] 优选的，Chassis CAN下连接车身电子稳定系统ESP，检测车辆的运行状态，降低驾 驶员过度反应造成的危险。 [0091] 优选的，Infomercia1 CAN下连接组合仪表IPK，显示车辆危险预警数据。 [0092] 步骤7：同时，利用车联网模块及传感器检测模块获取旁车的行驶状态、位置等信 息，将信息发送给旁车安全风险判断模块，根据判定结果进行主动预警或常规旁车信息更 新。旁车安全风险判断方法为： [0093] 步骤7.1：本车通过车速、加速度传感器、GPS定位模块分别获得自身的车速信号、 加速度信号、位置信号； [0094] 步骤7.2：旁车安全风险模块通过车联网模块获取旁车的车速、加速度、位置信号； [0095] 步骤7.3：旁车安全风险模块根据本车和旁车的行驶、位置信息，计算当前时刻位 置本车与旁车的相对距离，本车与旁车坐标分别为(x ，y)、(x ，y)并设定车辆两级预警阈 1 1 2 2 值距离L 和L ，其中L为一级预警阈值，L为二级预警阈值； 0 1 0 1 [0096] 其中两车相对距离L 大小为： re [0097] [0098] 步骤7.4：将两车相对距离大小L 和车辆两级预警阈值距离L 和L进行比较； re 0 1 [0099] 详细的：L 的确定基于旁车行驶的安全性，公式为： 0 [0100] [0101] 其中，v为旁车车速，t 为驾驶员反应时间，t 为制动响应时间，v 为本车车速，a为 a 1 2 b 旁车的加速度，d为发生火情后，两车静止时的最小安全距离。 [0102] L 的确定基于旁车行驶的交通拥堵性，根据不同的交通路段选择不同的二级预警 1 距离。 [0103] 若L ≤L ，则受火情影响安全风险的程度较大，发出一级预警；若L ＜L ≤L ，则 re 0 0 re 1 受火情影响安全风险的程度不大，但仍需提前预警，发出二级预警；若L ＞L ，则没有安全 re 1 风险，不进行预警。 [0104] 步骤8：车端发送火情车辆相关传感、行驶数据及ECU故障码到主机厂云端，所述传 感器数据为数据融合处理模块输出的数据。 [0105] 步骤9：云端样本数据更新，训练样本调整模型权重，火情判定模型基于改进的 RBF‑BP混合神经网络，其结构图如图3，具体的： [0106] 步骤9.1：将车端上传的温度x 、烟雾浓度x 、CO浓度x作为RBF子网络的输入，RBF 1 2 3 子网络包含一个隐藏层，该隐藏层节点传递函数选择为Gaussian径向基函数，数学描述为： 10 10 CN 113053054 B 说明书 7/7页 [0107] [0108] 其中， 是输入样本x与高斯函数中心向量x′的平方欧几里得距离，σ是函 数的宽度参数； [0109] 步骤9.2：将RBF子网络的输出作为BP子网络的输入，BP子网络包含一个隐藏层，三 个输出层，输出为有火，无火和阴燃的概率。隐藏层节点传递函数选择为Sigmoid函数； [0110] 步骤9.3：计算BP子网络正向传播的输入x ； ink [0111] 步骤9.4：计算BP子网络正向传播的输出y ＝f(x )； outk ink [0112] 步骤9.5：计算误差性能指标函数 其中d为期望输出； [0113] 步骤9.6：利用连续感知器学习规则，调整权值ω，使梯度的变化方向为负，使得e 达到理想值； [0114] ‑3 优选的，e取10 。 [0115] 进一步：引入动量因子α，α∈[0，1]，来滤除权值调整中的高频震荡，加快学习的进 度，改进混合神经网络模型。 [0116] 步骤10：云端火情判定模型修正，等待车端请求更新。 [0117] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示 例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何 的一个或多个实施例或示例中以合适的方式结合。 [0118] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例 性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨 的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。 11 11 CN 113053054 B 说明书附图 1/3页 图1 12 12 CN 113053054 B 说明书附图 2/3页 图2 13 13 CN 113053054 B 说明书附图 3/3页 图3 14 14

　　2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。

　　3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

　　4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

　　（报批稿）《混凝土桥梁结构表面用防腐涂料 第3部分：柔性涂料》JTT 821.3-2011.pdf

　　2014年普通高等学校招生全国统一考试(广东语文卷)试题及答案分析 粤教版高三总复习.pdf

　　人工智能在职业教育数控技术教学中的应用与效果评估教学研究课题报告.docx

　　原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者