状态识别（精选7篇）
状态识别 篇1
引 言
燃烧火焰在能源、动力、化工、冶金等基础工业及航空航天等高科技领域都占有重要地位。燃烧状态的好坏直接关系到各项生产活动的正常进行[1]。燃烧火焰是表征燃烧状态稳定与否最直接的反映, 而图像型火焰监测一方面有着火焰电视直观形象的优点, 又能充分借助计算机强大的信息处理能力, 在火焰监测方面显示出很强的优越性[2]。如果结合人工神经网络技术, 就可以实现燃烧状态的自动识别[3,4]。本文拟利用计算机图像处理和BP人工神经网络, 在线实现气体燃烧火焰的燃烧状态识别并对下一时刻的燃烧状态进行简单的预测。
1 实验方案
采用苯生灯实验台来模拟典型的火焰状态, 利用摄像监控系统进行火焰拍摄, 拍摄到的图像经图像采集卡进入计算机, 由图像识别程序提取火焰特征信息进行燃烧状态识别和预测。
通过调节空气流量的大小以使火焰状态发生变化。当空气流量逐渐调大时, 火焰由正常燃烧趋向于熄火;反之, 当空气流量逐渐调小时, 火焰由正常燃烧趋向回火。因此可以将燃烧状态分为“正常燃烧”、“回火危险”、“熄火危险”及其介于之间的中间状态。
2 火焰图像识别及燃烧状态预测
在一幅火焰图像上, 燃烧火焰的位置 (根部、中部、前部) 、火焰大小、形状将直接反映燃烧火焰的状况。虽然用确切的数学模型来描述燃烧火焰图像还很困难, 但是有经验的操作人员可以根据火焰燃烧的特征判别燃烧情况, 如 “正常燃烧”、“扩散燃烧”、“熄火危险”、“回火危险”等燃烧状态。这样火焰的燃烧状态的识别, 其实就是将实时采集的火焰燃烧图像映射为若干种标准模式之一的模式分类问题。由于燃烧状况的复杂多变性, 这种映射是高度非线性和不确定的, 适合于用神经网络对火焰图像进行识别。如果在线采集火焰图像, 并通过图像识别程序计算火焰的形状位置信息, 以形状位置信息为BP神经网络的输入, 就能根据火焰火焰图像进行燃烧状态识别。
图像识别算法和BP网络的算法描述请参考文献[4], 下面只给出BP神经网络对燃烧状态进行识别的具体步骤如下:
(1) 将采集到的图像样本按工况分类;
(2) 初步确定网络层数及隐层单元数;
(3) 确定激励函数与学习算法:确定隐层的激励函数为对数-S函数, 输出层的激励函数为对数-S函数, 使用附加动量项与学习率自适应的BP 算法。
(4) 训练网络:以分类好的图像样本的特征信息为输入项, 用试凑法逐步增加隐含层的单元数, 从中确定网络误差最小时对应的隐含层的单元数, 最终确定网络结构;
(5) 测试网络:利用该网络对若干个不变工况的状态进行识别计算;
(6) 推广网络:利用该网络对若干个变工况的状态进行识别计算。
BP网络的结构为6-11-1。其中6个输入特征参数分别为火焰外焰的底部位置、火焰内焰的底部位置、火焰内焰的顶部位置、火焰外焰的顶部位置、火焰内焰的截面面积、火焰外焰的截面面积。网络的输出为火焰的状态, 共分为5个状态:稳定、趋于回火、回火、趋于熄火, 熄火瞬间状态。定义燃烧状态综合指数, 0.5代表稳定状态, 0.3代表趋于回火状态, 0.1代表回火状态, 0.7代表趋于熄火状态, 0.9代表熄火瞬间。
在得到当前燃烧状态指数后, 采用基于时间序列的二次指数平滑法对下一步的火焰燃烧状态进行识别[5]。
二次指数平滑法是在一次指数平滑值序列的基础上再做一次指数平滑, 然后利用线性模型进行预测
undefined
式中 Sundefined为t时刻的二次指数平滑数;Sundefined为t-1时刻的二次指数平滑数;Sundefined为t时刻的一次指数平滑数;α为平滑系数。
二次指数平滑法的线性预测模型为
undefined
式中 t为当前的时间序号;T为超前时间间隔;at为线性模型的截距;bt为线性模型的斜率。
这里的时间间隔是指系统从采集一帧图像到图像处理、燃烧状态识别和预测的一个完整的处理周期。这个时间周期会随着计算机硬件配置和软件算法的不同而有所差异。在本文中计算机主要硬件配置:CPU为Intel的E6300处理器, P965主板和2G内存。一个完整的处理周期需耗时0.5 s左右。
3 实验结果及其分析
下面分别根据工况的不同给出燃烧状态的识别和预测结果。
3.1 减少空气流量的工况
燃烧状态识别和预测输出结果如图1所示。样本1到样本30火焰基本为稳定状态, 调节空气流量减少时, 火焰逐步趋于回火, 表现在样本30到样本80;持续减少空气流量后, 逐步发展到回火危险状态, 这个过程可能要持续若干时刻, 表现在样本80到样本100中。而预测的结果也可以表现出从一个状态变化到另一状态的趋势变化。图2为回火危险状态时程序的界面显示。
3.2 增加空气流量的工况
图3为增加空气流量工况的识别和预测输出结果。样本1到样本80中, 火焰保持为稳定状态。增加空气流量时, 火焰很快地趋于熄火, 表现在样本81到样本88中。由于增加空气流量工况过程比较复杂, 熄火瞬间非常快, 时间是毫秒级, 而程序采集并识别图像的速度是2帧/s, 所以单次实验中不一定可以采集到熄火瞬间情况。预测的结果同样可以表
现出从一个状态变化到另一状态的趋势变化。图4为熄火危险时程序识别和预测的界面显示。
4 结 论
本文对固定燃气流量改变空气流量的气体火焰燃烧进行了研究, 应用数字图像技术和BP人工神经网络技术对典型的火焰燃烧状态进行了识别并对下一时刻的燃烧状态进行了预测, 实验结论如下:
(1) 结合计算机图像技术与BP神经网络可以准确地识别出典型的稳定燃烧、熄火危险和回火危险 燃烧状态;
(2) 传统的二次指数平滑模型可用于燃烧状态预测分析, 能较好地预测下一步的燃烧状况, 为燃烧状态调整提供依据;
(3) 一次完整的图像采集、图像处理、燃烧状态识别和预测需时0.5 s左右, 这个时间会随着硬件配置和算法的不同而有所差异。
摘要：提出了一种基于人工神经网络的火焰图像在线识别及燃烧状态在线预测技术。图像检测系统采集火焰燃烧图像, 并由图像识别程序提取其位置、形状及强度特征参数。依据这些参数, 利用附加动量项与学习率可变的BP网络识别火焰图像, 得到当前燃烧状态, 并利用指数平滑预测模型对下一步燃烧状态进行预测。实验结果表明:此技术对燃烧状态有较高的识别准确性, 可以有效地实现熄火、回火等状态的预测。
关键词：火焰燃烧状态,BP神经网络,图像识别,在线预测
参考文献
[1]王万.火焰学[M].北京:中国科学技术出版社, 1994.
[2]卫成业, 严建华.基于炉内火焰图像的燃烧诊断[J].动力工程, 2003, 3 (6) :2 420-2 427.
[3]董晓峰, 高庆忠, 刘广生.基于BP网络的燃烧器火焰燃烧状态识别[J].东北电力学院学报, 2005, 25 (1) :44-47.
[4]朱曙光, 宋阁, 谭俊杰, 刘心志.基于数字图像和SDBP的预混火焰燃烧状态识别[J].南京理工大学学报, 2006, 30 (6) :688-691.
[5]姜仁峰, 卢兵.实用预测技术[M].哈尔滨:哈尔滨船舶工程学院出社, 1993.
基于振动信号的铣刀磨损状态识别 篇2
在金属切削加工中,刀具磨损会使工件加工精度降低,表面粗糙度增大,并导致切削力和切削温度增加,甚至产生振动,不能正常切削。因此,刀具磨损直接影响加工效率、质量和成本[1]。随着柔性制造系统和计算机集成制造系统等自动化加工系统的快速发展,机械加工的自动化程度得到大幅提高。为了保证机械制造自动化生产的顺利进行,需要对加工过程中刀具的磨损状态进行有效检测[2,3]。本文针对铣削加工中铣刀的磨损状态,以加工中的振动信号为分析对象,采用小波分析的方法,提取出能够充分表征刀具磨损的特征信号,实现铣削加工中刀具磨损状态的识别。
1 铣削加工过程中刀具状态信号的检测
在铣削过程中,切削系统所产生的过程状态信号中包含着大量的加工信息。根据特定的识别方法,通过对典型信号的选择、分析及检测,即可识别刀具的磨损情况。刀具状态信号的检测分为直接和间接方法,目前采用的主要方法是间接方法。铣削加工过程中,刀具对工件的冲击会产生振动,从振动信号中可以获取有关刀具磨损状态的信息,可以把振动信号的时域幅值、频域能量和模态阻尼等参数的变化作为判别刀具状态的指标,并且振动信号采集方便、快捷,不需对机床结构进行改动,测量装置成本较低。本文选择X5032A铣床,立铣刀进行实验研究,振动信号检测系统见图1。
2 基于振动信号的刀具磨损状态识别
2.1 刀具磨损特征信号的提取与分析
近年来信号处理技术向时频分析和智能技术方向发展,尤其是时频分析成为信号分析的主流方向。小波技术是当前进行信号处理的主要方法,小波变换是突变信号和非平稳信号分析的数学工具,其主要特点为:线性变换,不产生畸变;能在时域和频域同时对信号进行局部分析;主要适用于宽带信号处理以及局部化分析[4,5]。这些特点对加工过程状态信号分析最为适合,同样也适用于反映刀具磨损状态信号的分析。本文采用Daubechies小波系中N=7的小波函数对振动信号进行多分辨率分析。根据Mallat快速算法计算Daubechies小波的φ(χ)、ψ(χ),选用a=20,21……27和b=KTs进行七尺度小波分解,得到不同频率随时间变化的振动信号。随着铣削过程的进行,刀具也在逐渐磨损,在加工过程中测得的振动信号必然包含刀具的磨损信息。利用小波变换对振动信号进行分解,通过分析某种或某几种频带内振动信号幅值的改变,可以确定刀具磨损的状态。
2.2 振动信号的小波变换
铣削工件时,沿工件长度在反映刀具磨损的各个阶段分别测量了振动信号,并对其进行分解,得到七个尺度上的低频信号和高频信号。本文实验中最高频率为1k HZ,小波分解的频率如表1所示。
振动信号的分解,如图2所示。
3 铣削加工实验分析
在小波变换尺度分解中,低频部分随着分解层次的增加,含有的高频部分信息随之减少。从图中可以看到低频第七层信号已经成为滤除高频信息的光滑曲线,具备了作为特征信号的条件,固选取该层信号进行分析,就可以得到刀具的磨损情况。下面就平面加工和斜面加工两种情况进行分析。
3.1 平面加工
平面铣削加工过程中,刀具不同磨损状态的小波信号如图3、图4和图5所示。
由图3、图4和图5的分析可知:
1)随着刀具磨损的加剧,在低频部分,信号幅值明显增大,而在高频部分受此影响相对较小。这表明在低频信号中含有大量的刀具磨损信息。因此可以从信号低频部分提取刀具磨损的特征信号。
2)刀具处于新锐状态时,加工初始阶段数据
变化明显,随着切削加工的进行,振动信号变化比较平缓。振动信号小波的波形幅值变化范围比较小。
3)平面加工时,刀具是逐渐磨损的,实验中,刀具在数据144左右,出现一个较大的破损。从图中数据150、170和190可以看出,波形变化反映剧烈,刀具处于磨损后的强迫加工中。经过一段时间后,刀具磨损处变的光滑,波形逐渐光滑。
3.2 斜面加工
进给速度75mm/min,切宽从5到12mm,分别为5、7、10、12,小波分解见图6。由图6可知,斜面铣削加工过程中,进给速度一定时,切深逐渐增加,刀具逐渐磨损。从图中数据95到110可知小波曲线幅值逐渐增加,数据105和110的幅值明显高于数据95和100。也可固定切宽,改变切削速度进行分析,可知切宽增加后,波形振动频率加快,幅值增大。
4 结论
本文对铣削过程中的振动信号,采用小波变换的方法,将振动信号划分成不同频带,利用Mallat算法的多分辨率性提取出刀具磨损特征信号,进而得到刀具磨损特征值,该特征值能够准确反映刀具磨损的变化规律,并以定量的形式体现。通过铣削平面和斜面的实验分析,该种方法能够实现铣削加工过程中刀具磨损状态的有效识别。
参考文献
[1]陈日曜.金属切削原理[M].北京:机械工业出版社,2008.
[2]杨永,廖力清.刀具磨损在线监控系统研究[J].制造技术与机床,2008,(6):34-36.
[3]邵建中.基于BP神经网络的刀具状态监控系统[J].机械制造与研究,2010,(2):81-82.
[4]潜凌,齐明侠,吴苗法.小波技术在机械设备故障诊断中的研究现状[J].石油矿场机械,2006,(2):13-17.
状态识别 篇3
滚动轴承的应用非常广泛, 其状态好坏直接关系到机械车辆的运行状态。因此, 实际生产中做好滚动轴承状态监测与故障诊断是搞好机械车辆维修与管理的重要环节。
(1) 滚动轴承故障诊断的方式及要点。
对滚动轴承进行状态监测和故障诊断的实用方法是振动分析。实用中需注意选择测点的位置和采集方法。要想真实准确反映滚动轴承振动状态, 必须注意采集的信号要准确真实。因此, 要在离轴承最近的地方安排测点有较好的监测效果。另外, 必须注意对振动信号进行多次采集和分析, 进行综合比较, 才能得到准确结论。
(2) 滚动轴承正常运行的特点与故障规律。
滚动轴承在其使用过程中表现出很强的规律性, 并且重复性非常好。优质轴承在开始使用时, 振动和噪声均比较小, 但频谱有些散乱, 幅值都较小, 这是由于制造过程中的一些缺陷 (如表面毛刺等) 所致。轴承运行一段时间后, 振动和噪声维持一定水平, 频谱非常单一, 轴承状态非常稳定, 进入稳定的工作期。
继续运行后进入使用后期, 轴承的振动和噪声开始增大, 有时出现异音, 但振动增大的变化较缓慢, 此时, 轴承幅度值开始突然达到一定数值。此时轴承即表现为初期故障。这时, 就要对该轴承进行严密监测, 密切注意其变化。此后, 轴承幅度值又开始快速下降, 并接近正常值, 而振动和噪声开始显著增大, 其增大幅度开始加快。当振动超过振动标准时, 其轴承幅度值也开始快速增大, 当超过振动标准, 幅度值也超过正常值 (可用幅度相对标准) 时, 轴承即进入故障晚期, 需及时检修设备, 更换滚动轴承。
轴承从表现出晚期故障特征到出现严重故障 (一般为轴承损坏, 如抱轴、烧伤、砂架散裂、滚道和珠粒磨损等) 的时间大都不超过一周, 设备容量越大, 转速越快, 其间隔时间越短。因此, 在滚动轴承故障诊断中, 一旦发现晚期故障特征, 应果断判别故障所在, 尽快安排检修。
2.轴承故障的识别方法
不通过拆卸检查即可识别或预测运转中的轴承有无故障, 这对提高生产率和经济性是十分重要的。运转中的检查项目有轴承的滚动声、振动、温度的状态等, 主要的识别方法如下:
通过轴承的滚动声音进行识别。通过声音进行识别需要有丰富的经验, 必须经过充分的训练达到能够识别轴承声音与非轴承声音, 为此, 应尽量由专人来进行这项工作。用听音器或听音棒贴在外壳上可清楚地听到轴承的声音, 也可采用测声器对运转中的轴承的滚动声大小及音质进行检查, 轴承即使有轻微的剥离等损伤, 也会发出异常声音和不规则声音, 用测声器就能够分辨。
通过轴承的振动进行识别。轴承振动对轴承的损伤很敏感, 例如剥落、压痕、锈蚀、裂纹、磨损等都会在轴承振动测量中反映出来, 所以, 通过采用特殊的轴承振动测量器 (频率分析器等) 可测量出振动的大小, 通过频率分析可推断出异常的具体情况。测得的数值因轴承的使用条件或传感器安装位置等而不同, 因此需要事先对每台机器的测量值进行分析比较后确定判断标准。
通过轴承的工作温度进行识别。轴承的温度一般由轴承室外面的温度就可推测出来, 如果利用油孔能直接测量轴承外圈温度则更加合适。通常, 轴承的温度随着运转开始慢慢上升, 1～2h后达到稳定状态。轴承的正常温度因机器的热容量、散热量、转速及负载而不同。如果润滑、安装不合适, 则轴承温都会急骤上升, 会出现异常高温, 这时必须停止运转, 采取必要的防范措施。使用热感器可以随时监测轴承的工作温度, 并实现温度超过规定值时自动报警或停止, 防止燃轴事故发生。该方法属比较识别法, 仅限于用在运转状态不太变化的场合, 为此, 必须进行温度的连续记录。出现故障时, 不仅温度升高, 还会出现不规则变化。
用高温经常表示轴承已处于异常情况。高温也有害于轴承的润滑剂, 有时轴承过热可归诸于轴承的润滑剂。若轴承在超过125℃的温度长期运转会降低轴承寿命。轴承引起高温的原因有:润滑不足;润滑剂内含有杂质;负载过大;轴承损环;间隙不足及油封产生的高摩擦等等。 因此连续性的监测轴承温度是有必要的, 无论是测量轴承本身或其它重要的零件。如果是在运转条件不变的情况下, 任何的温度改变可表示已发生故障。轴承温度的定期测量可借助于温度计, 例如数字型温度计, 可精确的测量轴承温度, 并依℃或华氏温度定单位显示。正常情况下, 轴承在刚润滑或再润滑过后会有自然的温度上升, 并且持续一或二天。
状态识别 篇4
近年来,随着我国经济的快速发展和机动车的迅猛增加,道路交通拥堵、交通事故不断,而冰雪条件对道路交通的影响日益加剧[1]。我国北方寒冷地区冬季漫长、降雪次数多、积雪结冰频现,冰雪条件对道路交通的影响更加突出。冰雪条件下,车辆与路面的附着状况急剧下降,造成车辆的行驶条件恶化,加大车辆间距,降低行驶速度,使得冰雪条件下与通常情况下的道路交通状况的显著不同[2,3,4]。由于冰雪条件下路况、车况及环境与驾驶人的相互作用机理非常复杂,冰雪条件下的交通流特性参数及其相互关系还有待进一步深入研究[1]。
本文根据通常天气条件与冰雪路面条件交通状况的实测资料,采用综合评价方法,建立了冰雪条件下城市交通拥堵状态的识别模型,用以判别冰雪条件下交通流的运行状态,为冰雪条件下交通管理、交通诱导与交通预警等提供决策依据。
2 模型建立
本文基于综合评价方法建立冰雪条件下城市交通拥堵状态识别模型,首先对每个交通参数指标进行状态等级划分,然后对其指标做规范化处理,借助模型计算各个等级交通状态的阈值,然后对交通状态进行识别。
假设冰雪路面上路段平均行程速度v和路段饱和度v/c等因素共同影响着他们的综合状态R。记Xv和分别为冰雪条件下路段平均行程速度v和路段饱和度v/c经规范化处理后的指标。定义:若某参数的值增大,R也随之增大,则称该参数是R的正影响指标,反之则称为R的负影响指标。假设每一个指标Xi都是R的正影响指标,且0≤Xi≤1(i=1, 2),则若对每一个Xi都进行2个等级划分,记 (i=1, 2; j=1, 2),那么对应的R也将被划分成2个状态,如图1所示。
从而可以引入如下的数学模型:
式中:R—综合状态识别参数;Xi—第i个状态指标;n—选用的指标的数量。
从上面的模型中,我们可以知道:
3 指标规范化处理
在交通系统中,有的参数(如速度)越小,表示交通运行质量越差,发生交通拥堵的可能就越大;而有的参数(如饱和度、延误等)越大,表示交通运行质量越差,交通拥堵越可能发生。另外不同的交通参数的量纲不统一,取值范围也相差悬殊[5]。为将不同参数应用到冰雪条件下城市交通拥堵状态识别模型中,同时使交通参数指标满足模型假设,可按以下方法处理。
3.1 状态指标递增化处理
为了方便起见,定义值越大表示交通运行质量越差的交通指标为正影响指标;定义值越小表示交通运行质量越差的交通指标为负影响指标。正负影响的指标在运用模型对交通状态的影响作用是相反的,应用式(1)模型时,需要对有负影响的指标进行递增化处理,即将有负影响的状态识别指标转化成正影响的状态识别指标,可采用差式形式将负影响指标转化成正影响指标,即:
X′i=Ci-Xi (2)
式中:X′i—负影响指标Xi转化后的正影响指标; Xi—第i个对冰雪条件下交通拥堵状态识别有负影响的指标;Ci—负影响的指标Xi对应的转化常数,一般取指标Xi的最大值。
3.2 状态指标归一化处理
交通状态指标由于量纲不同、取值悬殊,若直接运用这些指标进行加权平均,则判别结果受到个别数值很大的指标的影响会非常明显,同时也会弱化其他指标对交通拥堵状态识别的作用,显然这样做是不合适的,同时意义也不大[5]。为了合理反映现实情况,针对交通状态指标量纲不同、取值悬殊的问题,需对交通状态指标进行归一化处理,略去量纲和指标数值对交通拥堵状态识别的影响,并且将指标转化后使其取值在0到1之间,可采用下式进行处理:
X″i=Xi/Ci (3)
式中:X″i —状态指标Xi转化后的标准化指标;
Xi—第i个冰雪条件下交通拥堵状态识别指标。
4 冰雪条件下路段交通拥堵状态识别指标
良好天气时,车轮与道路表面正常接触,路面摩阻系数φ取值在0.7左右。冰雪条件下,道路摩阻系数急剧下降。当路面被冰雪覆盖时,与车轮接触的不再只是道路材料,而是夹杂着甚至全是附着在路面表层的薄冰面,此时道路摩阻系数会降低到0.1[6]。为增加行车安全性,驾驶员不得不降低行车速度,增大行车间距,从而导致道路通行能力的降低,大大影响城市交通系统的供给能力,而城市交通系统的需求不变,因而更容易诱发城市道路交通拥堵。
与正常天气时相比,冰雪路面上行驶的车流的平均行程速度和交通流量下降明显。为了能更客观地反应冰雪条件下交通拥堵发生的特点,准确地识别冰雪条件下的拥堵状态,选取平均行程速度和路段饱和度,作为冰雪条件下路段交通状态的识别指标。
5 确定状态指标阈值
冰雪条件下,城市交通流特性会发生变化,如果直接使用现有的交通流参数的阈值及最值对交通状态进行识别划分则有欠妥当,应根据冰雪条件对交通流特性的影响,重新确定该种状态下交通流参数的阈值和最大值。由于冰雪交通的研究成果较少,目前更无定量的研究成果[7]。为了能反映冰雪对交通影响的定量关系,本文分别对冰雪天气和正常天气两种天气状态下的城市交通特性进行了调查和统计分析。
根据统计结果,发现两种天气状态下的部分交通特性存在特殊的关系:当路段交通密度较大时,两种天气状态下宏观交通流特性(如行车速度、饱和度等)表现出较为稳定的近似线性关系。本文将这种关系简化处理,用折减系数(K=冰雪条件下指标值/正常条件下指标值)来反映这种关系。
5.1 冰雪条件下路段通行能力
城市中已建成道路的通行能力可以通过调查路段交通流的饱和流率获得。为了较为准确获得路段通行能力,可以在路段上车流集结成车队时,实测车道上车辆间的饱和车头时距,经计算得到路段通行能力。
调查正常天气和冰雪天气两种条件下单车道饱和车头时距及其通行能力如表1所示。
由表1可得:路段上的饱和流率与通行能力在冰雪天气下都会有所下降,而且下降幅度和折减系数都比较稳定和接近。在此取其平均值作为各自的折减系数。在冰雪条件下,路段上通行能力折减系数为Kc=K冰/K正常=0.7。
5.2 冰雪条件下路段交通量
冰雪条件下路段交通量可由调查车头时距计算获得,调查所得路段平均交通量结果如表2。
由表2可知,在冰雪影响下,平均车头时距增大了1.69s,路段平均交通量较正常天气下下降程度也很大。由表得冰雪条件下路段单车道平均交通量折减系数为KQ=Q冰/Q正常=0.644。
由单车道路段通行能力和平均交通量的折减系数可得冰雪条件下路段饱和度折减系数为:
5.3 行程速度
路段平均行程速度可通过车辆牌照法调查获得,结果如表3所示。
表中冰雪天气下的行程速度有很大程度的下降,而且下降程度都比较接近。故可取平均行程速度折减系数KV=V冰/V正常=0.764。
冰雪条件下拥堵状态指标阈值可以用正常天气下的阈值乘以相应的折减系数求得,得到冰雪条件下交通拥堵状态识别指标阈值如表4所示。
注:正常条件下交通拥堵的阈值参见参考文献[8]。
6 实例分析
6.1 交通条件
哈尔滨市红旗大街主道为双向六车道,两边附加有辅道,由于道路施工,占据了两侧的辅道,此路段只有主道可以通行。路段的交通量调查按5min间隔记录,其交通量分布如图2,该路段相应的交通流平均行程速度的调查结果如图3。
6.2 模型计算
(1)路段饱和度的确定
根据《城市道路设计规范》(CJJ37-1990)中的规定,当V=50km/h时,取Np=1690pcu/h,城市主干道的道路分类系数αc=0.8。又由前述分析知,在冰雪条件下城市道路通行能力折减系数为KC= 0.7,则对于哈尔滨市红旗大街在冰雪条件下的通行能力为:
C冰=αC*NP*KC=946pcu/h (4)
根据图2所得数据,可得该路段单车道平均交通量为531pcu/h。则饱和度为V/C=0.561,而冰雪条件下饱和度的拥堵阈值为0.644。如果只用饱和度来判断该路段的交通状态,则很可能得出该路段处于良好运行状态。
(2)路段平均行程速度的确定
根据调查结果,通过对数据的处理,可以得出在该路段上,车辆的平均行程速度为V=12.10km/h,该速度稍低前述确定的冰雪条件下发生交通拥堵时速度的界值,该交通状态应为拥堵运行状态。
(3)确定模型的状态阈值
由前所述,发生交通拥堵时路段饱和度的阈值为V/C=0.644,而通常情况下,饱和度最大可达到1.0;路段平均行程速度的阈值为V=19.1km/h,而平均行程速度一般不会高于设计速度,故取路段设计速度为平均行程速度的最大值,对于红旗大街,取Vmax=50km/h。则可得:
所以,有:
(4)计算分析实例状态
该路段在冰雪条件下V/C=0.619,V=12.10 km/h。经指标规范化处理后,可得:
所以,有:
根据模型计算和判定标准可得:该路段处于交通拥堵状态,需要对其进行交通疏导。若只用该模型,而不针对天气条件对模型中的各参数进行折减系数的修正,很容易得出路段通行能力C=1352pcu/h,从而有V/C=0.393,则得到R=0.854、R*=0.860,即R< R*,交通状态运行良好,这明显与实际交通情况不符。
7 研究结论
模型的实例应用结果表明,直接使用正常条件下的交通状态阈值判别冰雪条件下的交通状态,其结果会与实际不符。根据冰雪条件下的交通特性,对交通状态阈值进行修正,然后再对交通状态进行判别,可快速有效地得到符合实际的结果。因此在判别冰雪条件下的交通状态时,应考虑冰雪对交通参数的影响及其阈值修正。
摘要：通过对冰雪条件下交通流的饱和流率、平均车头时距和平均行程车速等交通参数的调查,分析了冰雪条件对路段交通流特性的定量影响,在此基础上,采用综合分析法,选取平均行程速度和饱和度等指标,建立了冰雪条件下路段交通拥堵状态识别模型。并结合正常条件下的交通参数拥堵阈值和冰雪对交通流的定量影响,给出了确定冰雪条件下各状态指标的拥堵阈值的方法。最后利用哈尔滨市红旗大街实际调查数据对该模型进行了验证。
关键词：城市交通,交通拥堵模型,综合评价法,冰雪条件,交通流特性
参考文献
[1]任园园.冰雪条件下城市道路交通流特性及管理对策研究[D].吉林大学硕士学,2008.
[2]何杰,刘霞,陈一,赵池航,等.恶劣天气路面条件对行车安全的影响[J].交通运输工程学报,2011,11(1):58-63.
[3]程国柱,莫宣艳,毛程远,等.冰雪条件下城市道路交通安全评价方法研究[J].交通运输系统工程与信息,2011,11(1):130-134.
[4]Sandeep Datla,Satish Sharma.Impact of cold and snow on temporaland spatial variations of highway traffic volumes[J].Journal ofTransport Geography,2008,16(5):358-372.
[5]祝付玲.城市道路交通拥堵评价指标体系研究[D].东南大学硕士学位论文,2006.
[6]蒋贤才,裴玉龙.寒冷地区道路交通安全特征及其管理措施分析[J].交通运输系统工程与信息,2007,7(4):82-89.
[7]胡明伟.不良天气对交通信号配时的影响分析[J].交通标准化,2007,(9):156-160.
状态识别 篇5
随着科学技术的发展进步, 智能手机也进入了高度集成和快速研发。时下, 在某种意义上来讲, 智能手机就是一台便于携带使用的电脑, 其在人们日常生活中的重要性正与日俱增[1,2,3]。虽然说智能手机相当于便携式电脑, 但是却有着个人电脑所不具备的优点, 不仅表现在智能手机的便于携带使用, 更突显于其比个人电脑更多地集成了数类新式传感器模块, 这都是个人电脑所没有的。
而相较于其他的可穿戴设备来讲, 智能手机又是使用方便, 对用户友好的普适设备, 毕竟可穿戴设备普遍要求用户学习掌握特定的操作, 而智能手机则不需要用户花费额外的金钱、时间和精力来操控其使用, 只需要安装本研究编写的采集数据的应用, 在用户运动的同时, 借助该应用来采集用户的运动数据。
本文正是基于智能手机相比个人电脑和可穿戴设备的优点, 研究采用智能手机来作为数据采集设备, 并通过智能手机中的传感器模块来记录用户的运动数据, 进而分析用户的运动数据, 以最终识别用户的运动状态。
1 数据的采集与存储
本文所采集的数据是智能手机的传感器数据, 而智能手机是伴身跟随用户的, 所以收集到的手机的运动数据也就相当于用户的运动数据[4]。
Android手机上传感器采集运动数据的程序流程图如图1所示。图1中新建的线程为采集程序的子线程, 可用其将传感器数据写入到文本文件中, 存储在手机的本地。
2 运动状态识别
这个部分需要将上一部分采集到的数据进行分类, 识别用户的运动状态, 研究中使用了SVM多分类方法来进行分类识别[5]。
2.1 数据格式
本文所采集的数据按照“时间戳, x轴加速度, y轴加速度, z轴加速度”格式写入到文本文件中。数据格式如图2所示。
图2中为某一段采集到的数据, 每一个数据点为一行。
2.2 特征提取
本研究提出的特征有:平均值、方差、最大值、最小值、振幅 (极大值和极小值的平均值, 极大值和极小值的方差) 、频率 (极大值和极小值的平均距离) 总共10个特征, 下面将针对各个特征展开具体分析。
平均值:取样本的各轴加速度数据, 分别求平均值作为特征, 描述样本数据的总体趋势。
方差:对样本的各轴数据分别求取方差, 方差能够体现样本的变化波动。
最大最小值:对样本的各轴数据分别求其最大最小值, 能够描述数据的变化范围。
振幅:包含4个特征值—极大值极小值的平均值, 极大值和极小值的方差, 描述了样本的波动的变化范围。
频率:包含2个特征值—极大值和极小值的平均距离, 实际上是用波长来刻画频率, 描述了样本的波动的快慢。
其中, 振幅和频率都用到了极大值和极小值。下面给出本文中求得极大极小值的算法, 算法流程如下:
算法———对给定的数值数组求极大极小值
输入:数值型数组z, 长度为m;
输出:极大值数组, 极小值数组和极大值极小值在原数组中的时间戳。
(1) 首先判断的数组z的第一个值z[1]和第二个值z[2], 如果z[1]≤z[2], 则令flag=0, 表示首先查找极大值, z[1]>z[2], 则令flag=1, 表示首先查找极小值;
(2) for i从1到m遍历数组z;
(3) 如果flag=0, 则转 (4) , flag=1, 则转 (5) ;
(4) 比较z[i]和z[i+1], 如果z[i]≤z[i+1], 则继续比较直到z[i]>z[i+1], 记录z[i]为极大值, 存入极大值数组, 并且记下z[i]的时间戳, 转 (5) ;
(5) 比较z[i]和z[i+1], 如果z[i]≥z[i+1], 则继续比较直到z[i]<z[i+1], 记录z[i]为极小值, 存入极小值数组, 并且记下z[i]的时间戳, 转 (4) ;
(6) 遍历整个数组z, 输出极大值数组, 极小值数组和相应的时间戳。
本算法的优点在于只需要遍历一次就可以找到所有的极大值和极小值, 时间复杂度为O (n) 。
分别求极大值和极小值的平均值, 方差作为振幅。其中, 平均值描述了极大值和极小值的平均水平, 方差体现了极大极小值的波动性。
分别求极大值和极小值的时间戳差值的平均值, 体现了相邻的极值间的时间长度, 也就是波长, 用波长来刻画频率。
而在描述振幅和频率的常规方法中, 可以用离散傅里叶变换来得到采样点中占若干个最大的采样点对应的点, 但是该方法并不适合本研究, 因为采集到的样本数据长度的不一致, 即使得离散傅里叶变换的点也各不相同, 进而导致无法统一刻画离散傅里叶变换得到的结果, 为此研究使用本文已提出的求极值算法、得到极值, 再使用极值来刻画振幅和频率。
3 实验结果与结论分析
本文使用Google Nexus S手机来采集实验数据, 每隔0.05秒采集一次三轴的加速度传感器数据, 并写入到文本文件中, 存储在手机本地。
数据集由4位志愿者通过携带的Android手机进行采集, 共采集样本600个, 其中包含了静止、行走、奔跑、跳跃、上楼梯、下楼梯共6个运动状态。每个运动状态100个样本, 每个样本文件长度在15秒~50秒之间不等。
实验采用交叉验证, 把样本分成5等分, 使用其中的4份作为训练集, 第5份作为测试集, 再使用不同的4份做训练集, 第5份做测试集, 共循环5次, 使每份样本都能够独立作为测试集使用, 而后综合5次的对应结果, 从而得到整个样本的实验结果, 5次实验结果如图3所示。
由图3可以看出5次交叉实验结果的正确率分别为80%, 100%, 93.333 3%, 92.5%, 95.833 3%, 取其平均值可得92.333 3%, 故该样本的识别准确率为92.333 3%。
4 结束语
本文使用SVM多分类方法对智能手机传感器采集的运动状态数据进行运动状态的分类。用到的采集分类的特征值有平均值、方差、最大最小值、振幅 (极大极小值的平均值和方差) 、频率 (极大极小值之间的平均距离) 共10个。其中方差、振幅、频率均能有效地区分各个类别, 而最大最小值则由于数据采集上的误差和干扰而对分类结果的影响较小。另据分析可知, 平均值因为加速和减速的抵销, 在样本量较多时将会趋于0, 从而对分类结果的影响较小。
本文后续的研究方向是使用已经得到的运动状态识别模型, 结合MYO手环的手部识别来识别更多的运动行为, 从而实现对用户行为习惯的高效且良好的监督。
参考文献
[1]ROY N, WANG H, Roy C R.I am a smartphone and i can tell my user's walking direction[C]//Proceedings of the 12thAnnual International Conference on Mobile Systems, Applications, and Services, [S.l.]:ACM, 2014:329-342.
[2]LINK J A B, SMITH P, VIOL N, et al.Footpath:Accurate mapbased indoor navigation using smartphones[C]//Indoor Positioning and Indoor Navigation (IPIN) , 2011 International Conference on, [S.l.]:IEEE, 2011:1-8.
[3]SUSI M, RENAUDIN V, LACHAPELLE G.Motion mode recognition and step detection algorithms for mobile phone users[J].Sensors, 2013, 13 (2) :1539-1562.
[4]MEDNIS A, STRAZDINS G, ZVIEDIRIS R, et al.Real time pothole detection using android smartphones with accelerometers[C]//Distributed Computing in Sensor Systems and Workshops (DCOSS) , 2011 International Conference on, [S.l.]:IEEE, 2011:1-6.
状态识别 篇6
交叉口过饱和及其状态辨识的研究始于20世纪60年代。随着世界各国城市交通阻塞的频繁发生,过饱和控制问题的研究受到越来越多的关注,相关成果主要集中在过饱和状态界定和过饱和状态辨识方法2个方面。总体而言,过饱和状态的准确辨识研究是过饱和控制策略优化和调整的基础信息和主要依据。在50 a左右的时间里,相关研究者对过饱和状态的认识从孤立交叉口过饱和发展到交叉口群/网络的过饱和。过饱和状态辨识方法也从基于本交叉口交通流数据的基本模型发展到考虑关联交叉口交通流数据或/和信号灯控制状态数据的改进和修正模型。本文从过饱和状态的认识入手,概括总体研究脉络,综述过饱和状态界定和识别的已有研究成果,并对可能的后续研究方向进行展望。
1 总体研究脉络
过饱和状态的准确辨识是制定和优化过饱和控制策略的基础。过饱和状态定义是过饱和状态辨识研究的切入点,自Gazis给出过饱和状态描述性定义以来,相关研究主要从到达流率-通行能力关系、排队剩余以及排队溢流三方面对孤立交叉口和交叉口群的过饱和状态进行了界定。在此基础上,重点以排队状态为主要指标,发展出两大类过饱和状态辨识模型和方法。研究脉络见图1。
2 过饱和状态的定义
过饱和状态界定的研究从孤立交叉口过饱和状态与交叉口群过饱和状态2个方面展开,并取得相当的成果,以下分别进行综述。
2.1 孤立交叉口过饱和状态的界定
对过饱和状态界定的研究首先从对单点/孤立交叉口过饱和现象认识入手展开,成果主要有两类,第一类研究从到达率和通行能力关系的角度对过饱和进行描述。HCM2000中对过饱和一词的明确定义为到达流率超过通行能力[1],芬兰《通行能力手册》等研究中也给出了相似的过饱和的状态定义[2]。第二类研究从交叉口是否发生排队剩余的角度进行描述。Gazis于1963年即从这一角度给出了过饱和状态描述性的定义,即在绿灯放行时间排队车辆无法全部排放,且排队车辆数逐渐增加的状态[3]。在此基础上,Longley提出[4],是否存在排队溢出是交叉口是否处于过饱和状态的关键判别指标。
2.2 交叉口群/网络过饱和状态的界定
由于本质上到达率超过通行能力的现象也是通过排队状态反映出来,随着研究的深入,排队不
但被作为单点/孤立交叉口过饱和界定的关键参数,也是交叉口群过饱和界定的核心指标。Pignataro认为网络中交叉口发生过饱和时下游交叉口的排队长度将会蔓延至上游交叉口处,即发生排队溢流[5]。在2007年TRB交通控制委员会关于过饱和状态定义和控制方法的讨论会中,Urbanik教授发展了Pignataro对过饱和状态的定义,并认为过饱和状态是交叉口所有流向均发生排队溢出的状态[6],Booz在其研究中进一步肯定了Urbanik的观点,并认为需要进行关联交叉口协同控制才能有效疏解网络中交叉口的过饱和[7]。
总体而言,孤立交叉口的过饱和状态一般指到达率超过通行能力的情形,亦即绿灯结束后有排队剩余,但城市路网中很少有交叉口处于绝对孤立的状态。网络中交叉口的过饱和状态为其中至少有一个交叉口所有流向交通需求在一段时间内持续超过通行能力,发生排队溢出并阻塞关联交叉口的状态,须同时考虑相关联的多个口才能有效疏解。交叉口群的过饱和则指交叉口群中的交叉口过饱和已经扩散,并造成整个交叉口群阻塞的状态。
3 过饱和状态辨识模型与方法
过饱和状态辨识方法的研究主要包括基于本交叉口交通流检测数据的过饱和状态识别基础模型和考虑关联交叉口状态数据及信号控制数据的修正模型两方面,以下分别进行综述。
3.1 基本模型
正式因为排队是过饱和状态判断的关键参数,过饱和状态辨识方法伴随着排队模型的研究而发展起来,主要有两类(见图2),第一类是基于交通流到达-驶离累积关系的排队长度计算模型[8,9,10,11]。这一类模型常用于描述车辆的排队过程,但在描述排队长度在空间上的实时分布存在不足,且只有在排队尾部不超过检测器的情形下才有效,因此其应用范围受到限制[12]。第二类是基于交通波相关理论的排队长度分析模型[13,14]。这类方法基础理论源自于Lighthill, Whitham 和 Richards提出的LWR连续流模型,LWR模型经Stephanopolos 和 Michalopoulos扩展后适应用于间断流[15]。这类模型能够描述交叉口排队复杂的时空分布,但这类模型同样也不适用于排队尾部超过检测器的情形。
3.2 改进模型
在前述研究的基础上,为了分析排队尾部超出检测器的情形即排队溢出/交叉口过饱和状态,诸多研究提出了改进方法,主要有2种:第一种方法引入绿灯时间的利用效率对过饱和况进行识别。这种方法引入绿灯利用率(车辆饱和通过的时间与绿灯时间的比值)进行是否存在超长排队的判别,但不能准确量化排队的具体长度,也不能提供交叉口过饱和的具体严重程度[16,17]。第二种方法通过引入更大时空范围,包括关联周期或关联交叉口的检测数据,对过饱和状况进行分析[18,19,20]。如基于高精度的数据,采用波动理论等方法,通过对上一周期交叉口排队消散过程的分析进行当排队超过检测器时过饱和状态的判断,并能够相对准确地估计路段交通拥挤情况下的交叉口排队长度以及排队长度的变化情况[21]。
这类模型虽然在溢流状态识别上取得进展,但在路段拥挤状态下,对能够准确计算出溢出之前的排队长度及排队长度演化规律的研究成果尚在探索之中。已有的模型尚不能很好地处理路段交通处于拥挤状态,且交通流波动较大的情形[22]。
4 综述分析
总体而言,在世界范围内交通拥挤形势越来越严峻这一现实需求的推动下,过饱和状态的辨识方法正在成为交叉口排队研究的重点,并取得了丰硕的研究成果。但目前成果大多只能判断排队溢流是否发生的状态,缺乏能够准确刻画过饱和程度的定量方法[23]。相关文献大多以交叉口过饱和状态识别为的目进行研究,缺乏对过饱和成因的解析和过饱和状态扩散恢复过程的深入分析,也鲜见如何定量分析交叉口过饱和潜在风险的研究。因此,诸如下列问题尚值得深入研究。
1)过饱和状态及其风险的准确预测。
交叉口群过饱和状态的准确预测是有针对性、主动地进行信号控制方案优化的前提。如何基于交通预报系统提供的大范围、连续、高精度数据和网络态势信息,针对存在过饱和或潜在过饱和风险的交叉口群,定量刻画随机动态交通流、静态设施和交通管理控制策略对交叉口群交通状态演变的影响,揭示交叉口群过饱和形成机理和交通状态的演变规律,确定过饱和发生的概率、影响的时间、空间范围和严重程度,是尚待解决的基础问题。
2)过饱范围与关键影响路径动态识别。
准确界定交叉群过饱和的影响范围,并识别对过饱和状态形成和演变有关键影响的网络路径(路径集合)对过饱和控制策略的有效性、适应性有重要的影响,缺乏对此的准确把握控制策略的效果将大打折扣。如何能够从防止过饱和发生和快速疏散过饱和交通2个角度,基于网络历史和实时数据,考虑不同的网络拓扑结构、交通流分布特征及其随机性等,识别出影响过饱和的关键路径,并准确刻画过饱和影响范围的动态变化,是尚待深入探索的关键问题。
5 结束语
本文对交叉口过饱和状态辨识领域国内外已有研究进行了回顾和综述分析,并理清本领域研究的总体脉络。进而从孤立交叉口过饱和状态与交叉口群过饱和状态两个方面入手综述了过饱和状态界定的条件和方法。并从基于本交叉口交通流检测数据的过饱和状态识别基础模型和考虑关联交叉口状态数据及信号控制数据的修正模型两方面综述了信号控制交叉口过饱和状态的识别方法。
总体而言,在50 a左右的时间里,过饱和状态辨识研究取得了长足的发展和进步。但目前成果大多只能判断排队溢流是否发生的状态,缺乏能够准确刻画过饱和及其程度的定量方法。在未来的研究中,诸如过饱和状态及过饱和风险准确预测方法和过饱范围与关键影响路径动态识别等问题尚值得深入探索。
状态识别 篇7
关键词：危化品,模糊识别,神经网络
0 引言
近年来, 随着我国经济的快速发展, 道路运输行业发展迅猛, 运送液体危险化学品常压罐车数量陡增。这些罐车运输汽油、柴油、煤油、甲醇、甲醛、乙醇、硫酸、盐酸、氢氧化钠、双氧水、氨水等, 从危险性上看, 这些介质具有易燃易爆、毒害、感染、腐蚀等特性, 在运输、储存、生产、经营、使用和处置中容易造成人身伤亡、财产损毁和环境污染[1,2]。因此, 对危险化学品货物在途安全监测就显得尤为重要。本文所涉及的危化品货物在途安全状态监测系统能够实现对危化品介质、危化品装载容器以及危化品运输车辆的实时状态监测, 实现对危化品在途的远程跟踪, 实现对危化品运输的本地和远程预警, 实现危化品货物在途的全方位、全过程自动监测与跟踪, 有效提升危险化学品货物在途安全, 通过模糊数学对车辆状态, 危化品介质状态和驾驶行为进行监测[3], 并根据相关参数对危化品货物的正常、故障和灾害进行分类, 在此基础上, 对正常、泄露和火灾情况作进一步分析。
1 模糊综合评判方法
反映隶属度的R矩阵和反映权重W矩阵确定后, 即进行模糊矩阵的复合运算, S=R·W。具体有2种运算方式:
1) 进行类似于普通矩阵的加、乘运算, 可避免一些判决因素的“丢失”, 对所有分析结果进行统一考虑。
2) 进行模糊矩阵中的复合运算, 即用 (取大) 代替“+”, (取小) 代替“*”, 只对那些主因素突出的原因进行考虑。
将每个状态传感器的参数输入之后, 根据模糊隶属度函数确定各参数隶属于相应的模糊类的程度, 再结合上述模糊推理规则, 推出该状态传感器参数隶属于各类的程度, 并将之归入隶属度最大的一类[4]。通过模糊推理得到各种状态传感器参数的隶属Rij (其中i为模糊推理规则推理的结果, j为状态传感器参数种类) 。通过评判标准推理得到不同的结果, 再将该结果与加权Wi进行并集得到模糊评价指标Sj:
上式表明在不同的隶属度比较的时候, 取隶属度大的隶属度。
分析差分均值、均方差、峰度、偏度等各种状态传感器参数的隶属度, 并通过权重加权分析得到Sj, Sj是得到各种状态传感器参数的隶属度指标。是、可能、不可能分布指标, 表明通过4项参数得到隶属于不同的状态传感器参数的可能性, 但是Sj是各种可能的分布, 只有通过计算各种可能的分布的中心, 才能得到各种状态传感器参数的综合评判Tj。Tj即是是、可能、不可能分布的重心的位置, 其计算方法为
对于各种不同状态传感器参数最终隶属度模糊综合评判的Tj, 再通过比较不同的最终综合评判指标, 其中最大的Tj所代表的状态传感器参数为输出最终判断结果, 最终结果为max (T1, T2, T3) 。
2 危险化学品货物在途安全状态模糊识别方法
危化品货物在途安全状态监测系统包括危化品介质状态监测模块、危化品装载容器状态监测模块和危化品运输车辆状态监测模块, 可以实时监测危化品货物泄漏的全面情况, 包括介质品类、泄漏等级、泄漏地点、泄漏时间等。利用该系统所监测到的信息, 采用多信息融合算法[5]与决策模型, 对危化品运输系统进行状态评价与预警。其流程见图1。
由图1可见, 安全状态分为:正常、事故和故障。
2.1 模糊输入量及隶属函数的确定
根据图1, 可选择车辆状态、危化品介质状态与驾驶行为状态作为模糊输入量, 其中车辆状态包括轮温、轮压、速度、纵向加速度、横向加速度、纵向倾角、横向倾角、发动机温度、ABS滑移率等, 危化品介质状态包括装卸流量、阀门开关、液位/时间、危化品温度、泄漏量、烟雾浓度、危化品外部温度等, 驾驶行为状态包括驾驶员工作时间、货物重量、驾驶路线等。输入量隶属函数的确定对危化品货物在途安全状态的识别效果有直接的影响, 因此本文根据有关国家标准及实际经验确定了各参数的隶属函数, 限于篇幅, 本文仅列出装卸流量的隶属函数。
2.2 模糊识别规则的确定
根据相关标准与实际经验, 建立模糊识别规则库。限于篇幅, 本文仅列举危化品介质状态的模糊识别规则库如下。
1) If (装卸流量is安全) and (烟雾传感器is不报警) and (阀门开关is正常) and (外部温度is正常) and (泄漏传感器is正常) and (液位is下降) and (气体温度is正常) then (output is正常)
2) If (装卸流量is事故) or (烟雾传感器is报警) or (阀门开关is不正常) or (外部温度is火灾) or (泄漏传感器is泄漏) or (液位is上升) or (气体温度is爆炸) then (output is事故)
3) If (装卸流量is not事故) or (外部温度is泄漏) or (泄漏传感器is泄漏) or (气体温度is泄漏) then (output is事故) (output2is泄漏)
4) If (烟雾传感器is报警) and (外部温度is火灾) and (气体温度is爆炸) then (output is事故) (output2is火灾)
5) If (装卸流量is危险) and (外部温度is正常) and (泄漏传感器is不正常) and (气体温度is正常) then (output is事故) (output2is一般事故)
6) If (装卸流量is安全) and (烟雾传感器is报警) and (外部温度is正常) and (泄漏传感器is不正常) and (气体温度is正常) then (output is事故) (output2is一般事故)
7) If (装卸流量is安全) and (烟雾传感器is不报警) and (阀门开关is不正常) and (外部温度is正常) and (泄漏传感器is正常) and (气体温度is正常) then (output is事故) (output2is一般事故)
8) If (装卸流量is安全) and (烟雾传感器is不报警) and (阀门开关is正常) and (外部温度is正常) and (泄漏传感器is不正常) and (气体温度is正常) then (output is事故) (output2is一般事故)
9) If (装卸流量is安全) and (烟雾传感器is不报警) and (阀门开关is不正常) and (外部温度is正常) and (泄漏传感器is正常) and (气体温度is正常) then (output is不正常)
10) If (装卸流量is安全) and (烟雾传感器is不报警) and (阀门开关is正常) and (外部温度is正常) and (泄漏传感器is不正常) and (气体温度is正常) then (output is不正常)
3 危化品货物在途安全状态识别案例
利用Matlab中的模糊逻辑工具箱, 按照模糊识别规则, 即可判别危化品货物在途安全状态。图2~4是危化品介质状态的典型案例。
4 实验判别分析
4.1 数据来源
见表1。
4.2 网络设计
首先确定输入与输出。选取装卸流量、阀门开关、液位/时间、危化品温度、危化品外部温度、泄漏量、烟雾浓度这7个参数作为输入。输出采用危化品介质状态单一输出, 将正常状态记为1、故障记为2、事故记为3。对以上4组数据进行训练, 并将训练结果与原始输入参数比较。
4.3 仿真分析
通过多次训练发现, 激活函数选logsig, purelin, 训练函数选trainlm, 动量法和自适应学习速率结合, 隐层神经元个数选取200是训练效果最为理想的。设定目标误差为0.001, 利用BP算法得出的训练误差曲线。在对数据进行训练之后, 将原始数据代入到网络中进行检验, 检验结果如图5所示。从图中可以看出, 实际数据和网络输出拟合的比较好, 只有很小的误差。
5 结束语
通过对危化品货物在途安全状态的影响因素进行了细致的探究, 确定了危化品货物在途安全状态识别的输入量, 利用所设定的实际数据, 对货物安全状态进行了模糊识别并采用神经网络进行验证分析。结果表明该方法能有效地对危化品货物在途安全状态进行分类, 具有良好的实用性。如果对输入量的隶属函数进行优化, 将可进一步提高危化品货物在途安全状态的识别效果。
参考文献
[1]罗俊仪, 龚标, 王长君.我国危险化学品道路运输现状[J].道路交通管理, 2005 (11) :6-8.
[2]GB/T AQ3004-2005.危险化学品道路运输安全监控车载终端[S].北京:国家安全生产监督管理总局, 2005.
[3]史文文.LNG气化站的风险评价及预警系统的构建[D].哈尔滨:哈尔滨工业大学, 2010.
[4]章爱武.液化气体类危险品运输中安全状态的预警系统研究[J].武汉交通科技大学学报, 2000 (3) :101-103.