环保稳固的三电轮胎监测系统用于通过混合深度学习在时间频率表示中识别自动驾驶信息
BaekGyu Kim1, Jin Yeong Song1, Do Young Kim1
1School of Mechanical Engineering, Pusan National University, 2, Busandaehak-ro 63 Beon-Gil, Geumjeong-gu, Busan, 46241, South Korea.
Small (Weinheim an der Bergstrasse, Germany)
|April 2, 2024
概括
这项研究开发了一个强大的AIoT系统,使用自动供电的 triboelectric 轮胎传感器和深度学习. 它准确地捕获了驾驶数据,例如道路状况,尽管环境发生了严重变化.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 传感器技术 传感器技术
背景情况:
- 开发适用于恶劣环境的强大的AIoT系统是具有挑战性的,因为信号干扰.
- 三电传感器对环境波动敏感,影响数据可靠性.
研究的目的:
- 创建一个环境友好的AIoT系统,使用 triboelectric 传感器和深度学习来监测轮胎.
- 为了使驾驶信息能够在不同的环境条件下可靠地检测.
主要方法:
- 优化的激光诱导石墨烯 (LIG) 电极用于 triboelectric 轮胎传感器.
- 开发了一种混合深度学习模型 (STFT + CNN-LSTM) 用于信号处理.
- 在不同的环境条件下 (湿度,温度,雾,阳光) 在移动平台上测试了系统.
主要成果:
- 基于LIG的 triboelectric tire monitoring (LTTM) 系统可靠地检测到车辆的旋转速度 (200-2000rpm) 和接触分数.
- 混合深度学习模型成功地将驾驶信息 (线路,道路状态) 与环境噪音脱.
- 在各种具有挑战性的条件下,线路和道路状态的实时识别得到了证实.
结论:
- 开发的LTTM系统为智能移动提供了一个环境友好的AIoT解决方案.
- 自动供电的三电传感器与混合深度学习相结合,在恶劣环境中提高了AIoT系统的可靠性.
- 这项技术可以实现先进的车辆和机器人移动监控.
