一种挂车远程信息管理及预测性维护系统

1.一种挂车远程信息管理及预测性维护系统，其特征在于，包括：(1)挂车智能终端，接收并封装挂车运行数据；(2)数据接入与解析平台，管理挂车智能终端的接入和数据解析；(3)信息管理及预测性维护平台，依次接收、存储和处理解析后的数据，预测制动片磨损状况，并提供可视化界面；其中，预测制动片磨损状况采用预测制动片磨损算法且包括如下步骤：(3.1)挂车智能终端采集到的挂车运行时数据存储在时序数据库中，从时序数据库中提取制动片预测所需数据，数据包括制动气压、制动片厚度、制动温度、制动时间、制动减速度、车身相对水平高度信号和刹车踏板位置信号；(3.2)对信号进行预处理，并通过计算引入司机驾驶意图、路面颠簸程度和制动扭矩三个特征；其中，司机驾驶意图利用刹车踏板位置信号来表征；路面颠簸程度用挂车车身相对水平高度的变化快慢来表征；制动扭矩M μ 的计算公式如下：M μ ＝2·N·μ·R；其中，N表示作用于轮胎的正压力，用以下公式计算得到：N＝F·i·η；其中，F为气室推力，i是杠杆比，η是效率；μ为摩擦系数；R为制动半径，可以利用制动片扇形表面的内半径和外半径的均值代替；通过以上的计算过程，得到制动片磨损预测所需的特征，并将司机驾驶意图、路面颠簸程度、制动扭矩、制动时间、制动距离、制动压力和制动速度作为模型的输入量，而制动片厚度作为模型的输出量；(3.3)将处理后的数据输入极致梯度提升算法，训练模型。 2.根据权利要求1所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(1)中挂车智能终端接入挂车通信网络，接收挂车电子控制单元产生的运行数据，并按国家道路运输车辆卫星定位系统终端通信协议JT/T808标准封装数据，其中，数据包括CAN消息、位置消息、鉴权消息和终端通用应答消息。 3.根据权利要求2所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(2)中数据接入与解析平台对数据中的消息进行解析并利用鉴权消息管理挂车智能终端的接入。 4.根据权利要求3所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(3)中信息管理及预测性维护平台接收由消息中间件传输来的所述步骤(2)中的解析完成后的数据，并将数据存储至时序数据库。 5.根据权利要求4所述的挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(1)中的挂车智能终端包括GPS定位模块、CAN通信模块、网络传输模块和JT/T808协议模块；其中，GPS定位模块实时上传挂车当前所在位置；CAN通信模块对CAN接口接收到的数据进行轮询、实时监听和接收；网络传输模块将需要发送的数据放入线程池中，建立发送、接收数据线程；JT/T808协议模块按国家道路运输车辆卫星定位系统终端通信协议JT/T 808标准封装数据。 6.根据权利要求5所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(2)中的数据接入与解析平台包括终端接入与会话管理模块、消息转换模块和消息处理模块；其中，终端接入与会话管理模块负责管理连接的会话，对终端进行鉴权认证，只有通过鉴权的终端才能连接数据接入与解析平台；消息转换模块和处理模块均与消息中间件进行连接，将处理好的数据转发给消息中间件。 7.根据权利要求1所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(3)中的信息管理及预测性维护平台包括可视化模块、预测算法模块、数据查询模块和数据通信模块；其中，可视化模块用于提供前端网页管理界面；预测算法模块用于运行预测制动片磨损算法；数据查询模块用于实现前端网页查询需求；数据通信模块用于实现与消息中间件之间的信息交互。 8.根据权利要求7所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(3.2)中刹车踏板位置信号是随时间变化的刹车踏板行程数值，单位为百分比，按照3ms内数值变化范围将其分为慢，中，快，变化小于10为慢，10-20为中，20以上为快，对应标记为0，1，2；而在路面颠簸程度用挂车车身相对水平高度的变化快慢来表征的环节中，将车轴相对水平高度变化快慢经过傅立叶变化之后，使用巴特沃斯高通滤波器对环境噪声进行滤除，用滤除后的频谱的频率范围来表征路面颠簸程度，即路面越颠簸，相对水平高度变化越快，频谱范围越大，根据运行时数据，选其最大频率和最小频率区间，按照工程经验将区间分为三种颠簸程度，平坦，较颠簸和颠簸，对应标记为0，1，2。 9.根据权利要求8所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(3.3)中的极致梯度提升算法是一种决策树集成学习方法，极致梯度提升算法的原理如下：极致梯度提升算法中单个决策树f t (x)可定义为：f t (x)＝w q(x) ；其中x为某一样本,q(x)为样本在的叶子结点位置，w q 代表叶子结点取值w，因此w q(x) 即代表样本x的预测值；极致梯度提升算法的目标函数Obj由损失函数和正则项两部分构成，其中正则项用于在构建树的过程中，约束决策树的生长结构，目标函数计算如下：其中 是损失函数，x i 是第i个输入样本，y i 是样本x i 的实际值， 是样本x i 的预测值，k是基模型个数，n是样本数量，Ω(f t )是正则项，表征树的复杂度：其中T为叶子结点个数， 为所有节点权重w j 所组成的向量的L 2 范式，可用||w j || 2 来表示，γ和λ为正则化超参数，因此目标函数可表示为：极致梯度提升算法除了引入正则项外，还利用损失函数的二阶泰勒展开作为损失函数的二阶近似项，加快它的下降速度，从而加快迭代速度，针对样本x i 的预测值可表示为：其中k是基模型个数， 是样本x i 的预测值，f t (x i )是样本x i 的决策树函数，预测误差为：其中n是样本数量， 是损失函数，x i 是第i个输入样本，y i 是样本x i 的实际值， 是样本x i 的预测值，另外因为集成学习是前向加法，所以第i步的预测值 可写成：其中 是前一步的预测值，f t (x i )是样本x i 的决策树函数。因此目标函数的二阶泰勒式展开如下：其中， 分别是第i个样本处损失函数的一阶导数和二阶导数， 是正则化项，f t (x i )是样本x i 的决策树函数；各个叶子结点的目标子式相互独立，也就是说，当每个叶子结点的子式达到最值点时，整个目标函数达到最值点；在构建过程中，求出每一步损失函数的一阶导数和二阶导数，然后最优化最优函数，就可以得到每一步的f(x)，根据加法模型得到一个整体模型。 10.根据权利要求9所述的一种挂车远程信息管理及预测性维护系统，其特征在于，所述步骤(3.3)中训练模型包括如下步骤：划分训练测试集，在训练集上进行特征筛选，输出模型特征重要性排序，选择重要性前5的特征，并利用网格搜索去搜索，利用交叉验证验证参数效果，最后得到模型最优参数；在剪枝得到的子树序列T 0 ,T 1 ,…,T n 中通过交叉验证选取最优子树T α ，α是参数，权衡结果拟合程度与树的复杂度，在事先划分出来的验证数据集中，选择多个不同的参数生成子树，计算子树序列T 0 ,T 1 ,…,T n 中各棵子树的损失函数，损失函数最小的即为最优结果，在子树序列中，子树T 0 ,T 1 ,…,T n 与参数α 0 ,α 1 ,…,α n 一一对应，所以当最优子树T k 确定时，对应的α k 也确定了，即得到最优决策树T α ；最后使用最优参数的模型在测试集上进行预测，输出预测效果指标。