高速公路機(jī)電設(shè)備智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

摘 要：本文針對(duì)高速公路機(jī)電設(shè)備的智能監(jiān)測(cè)需求，設(shè)計(jì)了一套智能監(jiān)測(cè)系統(tǒng)。該系統(tǒng)基于FPGA主控芯片，結(jié)合STM32模塊對(duì)設(shè)備狀態(tài)信息進(jìn)行多種傳感器數(shù)據(jù)采集，實(shí)時(shí)監(jiān)測(cè)機(jī)電設(shè)備的運(yùn)行狀態(tài)，提前預(yù)警可能出現(xiàn)的故障，并提供有效維護(hù)和保養(yǎng)建議。利用該系統(tǒng)可以提高機(jī)電設(shè)備的可靠性和運(yùn)行效率，減少維護(hù)成本和降低交通事故的發(fā)生率。

關(guān)鍵詞：高速公路；機(jī)電設(shè)備；智能監(jiān)測(cè)

中圖分類(lèi)號(hào)：U 41" 文獻(xiàn)標(biāo)志碼：A

隨著高速公路的不斷發(fā)展和擴(kuò)建，機(jī)電設(shè)備在保障交通安全和保證順暢運(yùn)行方面發(fā)揮重要作用[1]。然而，機(jī)電設(shè)備的故障和損壞可能會(huì)導(dǎo)致交通事故和道路擁堵，給交通運(yùn)輸帶來(lái)嚴(yán)重影響[2]。因此，設(shè)計(jì)一套智能監(jiān)測(cè)系統(tǒng)來(lái)及時(shí)發(fā)現(xiàn)機(jī)電設(shè)備的異常情況，并提供有效維護(hù)和保養(yǎng)建議，對(duì)保障高速公路的安全性和提高運(yùn)行效率具有重要意義。

1 高速公路機(jī)電設(shè)備智能監(jiān)測(cè)系統(tǒng)硬件設(shè)計(jì)

本文系統(tǒng)以FPGA為主控芯片，結(jié)合STM32模塊對(duì)設(shè)備狀態(tài)信息進(jìn)行采集，包括信號(hào)調(diào)節(jié)、A/D轉(zhuǎn)換模塊、FPGA模塊，系統(tǒng)的整體電路設(shè)計(jì)如圖１所示。

1.1 信號(hào)調(diào)節(jié)

在公路機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)的過(guò)程中，為了獲取準(zhǔn)確的數(shù)據(jù)，對(duì)振動(dòng)、溫濕度和電壓等傳感器進(jìn)行監(jiān)測(cè)。采用的電壓傳感器型號(hào)為DL-PT202D，數(shù)字式溫濕度傳感器型號(hào)為AM2313，振動(dòng)傳感器型號(hào)為801S，A/D轉(zhuǎn)換模塊型號(hào)為AD7606。為了最大化A/D轉(zhuǎn)換的量程，利用了差動(dòng)放大電路來(lái)將電壓范圍控制在±5V 。這樣可以保證獲得的電壓數(shù)據(jù)范圍更廣，提高了監(jiān)測(cè)的準(zhǔn)確性和可靠性。為了提供2.5V的參考電壓，采用了穩(wěn)壓源TL431。通過(guò)上述傳感器和電路配置，可以實(shí)時(shí)監(jiān)測(cè)公路機(jī)電設(shè)備的狀態(tài)。

通過(guò)增益公式來(lái)表示差動(dòng)放大電路的輸入電壓Vin和輸出電壓Vout之間的關(guān)系。在差動(dòng)放大電路中，輸入電壓用公式（1）表示。

Vin=Vin+-Vin-" " （1）

式中：Vin+、Vin-分別為差動(dòng)輸入信號(hào)的正相和負(fù)相部分。

計(jì)算差動(dòng)放大電路的輸出電壓Vout如公式（2）所示。

Vout=A×（Vin+-Vin-）" " （2）

式中：A為差動(dòng)放大電路的增益。如果差動(dòng)放大電路的增益是固定的，那么可將上述公式簡(jiǎn)化為公式（3）。

Vout=A×Vin" （3）

式中：Vin為差動(dòng)輸入信號(hào)的幅值。

由于差動(dòng)放大電路的輸出信號(hào)包括放大了的高頻噪聲干擾，因此采用了低通濾波芯片MAX296在A/D轉(zhuǎn)換之前去除噪聲。計(jì)算該模塊電路的時(shí)鐘頻率fosc如公式（4）所示。

fosc=2×fmax " （4）

式中：fmax為需要采樣的信號(hào)的最高頻率，根據(jù)奈奎斯特定理，時(shí)鐘頻率為信號(hào)頻率的2倍。因此，當(dāng)選擇fosc時(shí)應(yīng)考慮fmax的值，保證時(shí)鐘頻率足夠高以滿(mǎn)足采樣要求。

系統(tǒng)需要的時(shí)鐘頻率為500kHz，因此需要一個(gè)與之匹配的電容來(lái)達(dá)到需要的頻率。這個(gè)時(shí)鐘頻率對(duì)應(yīng)的電容值Cosc為67pF。為了滿(mǎn)足系統(tǒng)的時(shí)鐘需求，選擇了一個(gè)約為67pF的電容C10作為CosC。電容C11在這個(gè)系統(tǒng)中起到隔離信號(hào)的直流分量的作用。直流分量是指信號(hào)中的恒定電壓成分，而隔離直流分量使信號(hào)傳輸更穩(wěn)定和可靠。C11負(fù)責(zé)濾除或隔離掉信號(hào)中的直流分量，保證傳輸?shù)男盘?hào)只包括變化的交流成分。選擇適當(dāng)?shù)碾娙葜祵?duì)系統(tǒng)的時(shí)鐘頻率和信號(hào)傳輸是至關(guān)重要的。通過(guò)選擇約為67pF的電容C10，滿(mǎn)足系統(tǒng)對(duì)時(shí)鐘頻率的要求。同時(shí)，通過(guò)使用C11來(lái)隔離信號(hào)的直流分量，保證傳輸?shù)男盘?hào)不受直流偏置的影響，提高系統(tǒng)的穩(wěn)定性和可靠性。

1.2 A/D轉(zhuǎn)換模塊

AD7606是一款高性能的A/D轉(zhuǎn)換器，具有較高的分辨率和采樣精度。16位的分辨率可以將模擬信號(hào)轉(zhuǎn)換為65536個(gè)離散的數(shù)字值，提供了更高的數(shù)據(jù)精度[3]。在本文的系統(tǒng)中，將ADIN1～ADIN8作為信號(hào)輸入端，通過(guò)這些輸入端口同時(shí)轉(zhuǎn)換8個(gè)不同的模擬信號(hào)。另外，該芯片的信號(hào)輸入為±5V，可以適應(yīng)較大范圍的信號(hào)輸入。無(wú)論是正負(fù)5V的信號(hào)還是較小的信號(hào)，都能準(zhǔn)確地轉(zhuǎn)換為相應(yīng)的數(shù)字值。為了提供一個(gè)穩(wěn)定的基準(zhǔn)電平，芯片內(nèi)部的基準(zhǔn)電壓為2.5V，以保證A/D轉(zhuǎn)換的準(zhǔn)確性和一致性。

1.3 FPGA模塊

FPGA的外圍電路起到了重要的作用，其提供了FPGA正常工作需要的電源、時(shí)鐘和復(fù)位信號(hào)。電源模塊為FPGA提供穩(wěn)定的電壓，保證其正常運(yùn)行。時(shí)鐘模塊為FPGA提供準(zhǔn)確的時(shí)鐘信號(hào)，同步其操作[4]。復(fù)位模塊用來(lái)將FPGA恢復(fù)到初始狀態(tài)，以保證系統(tǒng)的可靠性和穩(wěn)定性。通過(guò)選擇Cyclone系列的EP2C8Q208CFPGA處理器，不僅可以滿(mǎn)足成本和功耗的要求，還能夠充分利用其強(qiáng)大的計(jì)算和邏輯處理能力。并行傳輸方式使STM32與FPGA之間的數(shù)據(jù)讀取更高效，而FIFO應(yīng)用緩沖數(shù)據(jù)，可以提高系統(tǒng)的穩(wěn)定性和數(shù)據(jù)傳輸?shù)目煽啃浴?/p>

FPGA與STM32的連接方式如圖2所示，第一部分的作用是根據(jù)A/D轉(zhuǎn)化器載入外部數(shù)字信號(hào)，并把它轉(zhuǎn)化為數(shù)字?jǐn)?shù)據(jù)信號(hào)。這種數(shù)字信號(hào)是傳感器測(cè)量過(guò)的各種參量，例如溫度、壓力、震動(dòng)等。載入過(guò)的數(shù)據(jù)信息能被緩存，便于后續(xù)解決與分析。這部分作用是收集并存放原始記錄，為后續(xù)的數(shù)據(jù)處理方法提供支撐。第二部分是系統(tǒng)內(nèi)的重要組成部分，重點(diǎn)對(duì)緩存文件的數(shù)據(jù)進(jìn)行分析，完成故障監(jiān)測(cè)。在這個(gè)部分中，使用了分層卷積和深度學(xué)習(xí)方式。深層學(xué)習(xí)是一種人工智能的技術(shù)，通過(guò)建立多層神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)與預(yù)測(cè)分析。而神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)中的一種常見(jiàn)的實(shí)體模型，根據(jù)卷積和池化等行為來(lái)獲取數(shù)據(jù)的特征，對(duì)數(shù)據(jù)信息進(jìn)行剖析和識(shí)別。

2 高速公路機(jī)電設(shè)備故障智能監(jiān)測(cè)

2.1 分層卷積深度學(xué)習(xí)模型

本文從卷積神經(jīng)網(wǎng)絡(luò)中選擇Res5生成的特征信號(hào)作為F1特征輸入。Res5是網(wǎng)絡(luò)中的第5個(gè)殘差塊，其輸出的特征具有高級(jí)別的語(yǔ)義信息和抽象能力。為了提高特征的稀疏性和豐富性，F(xiàn)1特征經(jīng)過(guò)up-sample操作進(jìn)行維度擴(kuò)展，并與Res3生成的特征信號(hào)聯(lián)結(jié)為F2特征輸入。Res3是網(wǎng)絡(luò)中的第3個(gè)殘差塊，其輸出的特征具有中級(jí)別的語(yǔ)義信息和抽象能力。F2特征集成了不同層次的特征信息，有助于提取更全面和多樣化的特征表示。F2特征經(jīng)過(guò)up-sample與Res2生成的特征矩陣進(jìn)行連接，得到F3特征輸入。Res2是網(wǎng)絡(luò)中的第二個(gè)殘差塊，其輸出的特征具有低級(jí)別的語(yǔ)義信息和抽象能力。通過(guò)引入F3特征，充分利用不同層次特征的互補(bǔ)性，提高特征的表達(dá)能力和區(qū)分度。最終將F1、F2、F3這3個(gè)特征分別輸入候選區(qū)域網(wǎng)絡(luò)，用于目標(biāo)檢測(cè)和定位。

2.2 損失函數(shù)

損失函數(shù)是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中用來(lái)衡量模型預(yù)測(cè)結(jié)果與真實(shí)值之間的差異的函數(shù)。是模型優(yōu)化和訓(xùn)練的關(guān)鍵組成部分，通過(guò)最小化損失函數(shù)來(lái)使模型的預(yù)測(cè)結(jié)果更接近真實(shí)值[5]。

計(jì)算分類(lèi)損失Lcls如公式（5）所示。

Lcls=-∑（pi×log（pi_hat）+（1-pi）×log（1-pi_hat）） " （5）

計(jì)算邊框回歸損失Lreg如公式（6）所示。

Lreg=∑（pi×L1smooth（reg_hat-reg_gt））" （6）

式中：reg_hat為模型對(duì)第i個(gè)候選框的邊框回歸預(yù)測(cè)值；reg_gt為第i個(gè)候選框的真實(shí)邊框回歸值；L1smooth為平滑L1損失函數(shù)，用于減少異常值對(duì)損失的影響。

綜合兩個(gè)部分，計(jì)算候選區(qū)域損失函數(shù)，如公式（7）所示。

Loss=λcls×Lcls+λreg×Lreg" （7）

式中：λcls和λreg是用于平衡分類(lèi)損失和邊框回歸損失的權(quán)重參數(shù)。通過(guò)最小化候選區(qū)域損失函數(shù)，優(yōu)化模型的分類(lèi)和邊框回歸能力，從而提高機(jī)電設(shè)備故障檢測(cè)的準(zhǔn)確性和魯棒性。

ti表示預(yù)測(cè)參數(shù)化候選框的坐標(biāo)，通常使用smoothL1損失函數(shù)來(lái)計(jì)算，如公式（8）所示。

L（M'）=∑（pi×R（ti-ti×）） " （8）

式中：回歸損失函數(shù)L（M'）是用來(lái)衡量模型對(duì)機(jī)電設(shè)備邊界回歸的準(zhǔn)確性；pi為第i個(gè)候選框?yàn)闄C(jī)電設(shè)備故障的概率；R為smoothL1函數(shù)；ti為模型對(duì)第i個(gè)候選框的坐標(biāo)預(yù)測(cè)值；ti×為第i個(gè)候選框的真實(shí)邊界的坐標(biāo)。在回歸損失函數(shù)中，采用了smoothL1函數(shù)R來(lái)計(jì)算預(yù)測(cè)坐標(biāo)與真實(shí)邊界的差異。這是為了減少異常值對(duì)損失的影響。具體計(jì)算方法如公式（9）所示。

R（x）=0.5×x2，if|x|lt;1

|x|-0.5，otherwise" （9）

通過(guò)最小化分類(lèi)損失函數(shù)和回歸損失函數(shù)，使模型更準(zhǔn)確地預(yù)測(cè)候選框的分類(lèi)和邊界信息，提高機(jī)電設(shè)備故障檢測(cè)的性能。

判斷機(jī)電設(shè)備故障的監(jiān)測(cè)網(wǎng)絡(luò)模型的總體損失函數(shù)如公式（10）所示。

L（M，M'）=L（M）+L（M'） " （10）

式中：M為模型對(duì)機(jī)電設(shè)備故障的分類(lèi)損失函數(shù)；M'為模型對(duì)機(jī)電設(shè)備邊界的回歸損失函數(shù)。

將分類(lèi)損失函數(shù)和回歸損失函數(shù)相加，得到了總體損失函數(shù)L（M，M'）。通過(guò)最小化總體損失函數(shù)，優(yōu)化模型的分類(lèi)和邊界回歸能力，提高機(jī)電設(shè)備故障檢測(cè)的準(zhǔn)確性和魯棒性。

3 試驗(yàn)結(jié)果

3.1 通信測(cè)試

經(jīng)過(guò)使用Altera公司的QuartusII軟件進(jìn)行邏輯分析，對(duì)FPGA是否成功讀取A/D模塊數(shù)據(jù)進(jìn)行了驗(yàn)證。在驗(yàn)證過(guò)程中，前兩個(gè)通道的參考電壓分別設(shè)置為2.5V和1.2V，第三個(gè)通道接地，其余通道懸空未連接任何電源。對(duì)各通道的電壓值進(jìn)行了計(jì)算，并發(fā)現(xiàn)其電壓值幾乎等于其對(duì)應(yīng)的參考電壓。

在A/D交換的過(guò)程中，數(shù)字信號(hào)被轉(zhuǎn)化為數(shù)據(jù)信號(hào)，再由FPGA進(jìn)行載入與處理。驗(yàn)證成功每個(gè)通道電流值，確定FPGA正常載入了A/D模塊數(shù)據(jù)信息，而且成功將數(shù)字信號(hào)轉(zhuǎn)化為數(shù)字?jǐn)?shù)據(jù)信號(hào)，這個(gè)結(jié)論對(duì)保證系統(tǒng)的正常運(yùn)行至關(guān)重要。根據(jù)FPGA的數(shù)據(jù)讀取和處理功能，掌握傳感器測(cè)量過(guò)的各種數(shù)值，并用于后續(xù)數(shù)據(jù)處理和故障監(jiān)測(cè)。

3.2 故障監(jiān)測(cè)實(shí)例

將某高速公路維護(hù)段上的兩臺(tái)PLC控制箱作為監(jiān)測(cè)對(duì)象，在10周里，對(duì)這兩臺(tái)PLC控制箱進(jìn)行連續(xù)監(jiān)測(cè)，并采集了1000份有效樣本數(shù)據(jù)，樣本運(yùn)行狀態(tài)參數(shù)見(jiàn)表1。這些樣本數(shù)據(jù)包括了電壓和振動(dòng)等多種參數(shù)的測(cè)量結(jié)果。對(duì)這些樣本數(shù)據(jù)進(jìn)行分析，獲得控制箱的運(yùn)行狀態(tài)和故障情況的信息。

漏警率是指在測(cè)試樣本中，被模型錯(cuò)誤地判斷為正常的故障樣本所占的比例。具體計(jì)算方式如公式（11）所示。

漏警率= FN / （FN + TP） （11）

式中：FN為被模型不恰當(dāng)?shù)嘏卸檎５牡墓收蠘颖玖?；TP為被模型準(zhǔn)確地判定為故障樣本量。計(jì)算漏警率，評(píng)價(jià)模型在測(cè)試機(jī)械設(shè)備故障準(zhǔn)確性和敏感度。漏警率相對(duì)較低表明實(shí)體模型具有很高的故障測(cè)試精確性，能夠較好地捕獲常見(jiàn)的故障樣版。實(shí)體模型在測(cè)試故障方面存有一定程度的少報(bào)狀況，必須進(jìn)一步改進(jìn)。見(jiàn)表2。

主特征向量監(jiān)測(cè)系統(tǒng)的漏警率在不同的告警次數(shù)下分別為0.48%、0.49%、0.51%、0.5%、0.52%?？梢杂^察到，在不同的告警次數(shù)下，主特征向量監(jiān)測(cè)系統(tǒng)的漏警率相對(duì)較高，且波動(dòng)較大。BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)的漏警率在不同的告警次數(shù)下分別為0.31%、0.33%、0.32%、0.34%和0.34%?？梢杂^察到，BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)的漏警率相對(duì)較低，且波動(dòng)較小。本文監(jiān)測(cè)系統(tǒng)的漏警率在不同的告警次數(shù)下分別為0.16%、0.16%、0.15%、0.16%、0.15%?？梢杂^察到，分層卷積深度學(xué)習(xí)監(jiān)測(cè)系統(tǒng)的漏警率最低，且波動(dòng)較小。在不同的告警次數(shù)下，與主特征向量監(jiān)測(cè)系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)相比，本文監(jiān)測(cè)系統(tǒng)漏警率較低。

4 結(jié)語(yǔ)

通過(guò)本文的研究和設(shè)計(jì)，成功地開(kāi)發(fā)了一套高速公路機(jī)電設(shè)備智能監(jiān)測(cè)系統(tǒng)。該系統(tǒng)采用了先進(jìn)的傳感器技術(shù)和數(shù)據(jù)分析算法，能夠?qū)崟r(shí)監(jiān)測(cè)機(jī)電設(shè)備的運(yùn)行狀態(tài)，并提供預(yù)警和維護(hù)建議。利用該系統(tǒng)將有助于提高機(jī)電設(shè)備的可靠性和運(yùn)行效率，減少維護(hù)成本和降低交通事故的發(fā)生率。

參考文獻(xiàn)

[1]王麗.高速公路機(jī)電設(shè)備運(yùn)行狀態(tài)智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].交通世界，2023（15）：179-181.

[2]江子立.基于物聯(lián)網(wǎng)技術(shù)的高速公路機(jī)電設(shè)備用電異常自動(dòng)監(jiān)測(cè)[J].自動(dòng)化應(yīng)用，2022（9）：31-33.

[3]張素麗，石偉.大數(shù)據(jù)在高速公路機(jī)電運(yùn)維平臺(tái)的應(yīng)用[J].中國(guó)交通信息化，2021（增刊1）：2.

[4]馬偉偉.光纜自動(dòng)監(jiān)測(cè)系統(tǒng)在高速公路機(jī)電維護(hù)中的應(yīng)用[J].中國(guó)交通信息化，2021（10）：135-136，140.

[5]鄔雄.故障診斷技術(shù)在煤礦機(jī)電設(shè)備維修中的應(yīng)用分析[J].機(jī)械與電子控制工程，2023（12）：42-46.