Academic Journal
Использование нейросети для анализа данных онлайн-мониторинга автомобилей
| Τίτλος: | Использование нейросети для анализа данных онлайн-мониторинга автомобилей |
|---|---|
| Στοιχεία εκδότη: | ООО Цифра, 2022. |
| Έτος έκδοσης: | 2022 |
| Θεματικοί όροι: | 11. Sustainability, urban driving conditions, городские условия движения, ездовой цикл автомобиля, искусственные нейросети, artificial neural networks, driving cycle |
| Περιγραφή: | Определение характеристик стандартных ездовых циклов автомобилей и специальной техники является непростой задачей, так как требует сбора и обработки большого объема данных о поездках в реальных условиях эксплуатации. Именно поэтому, даже в индустриально развитых странах, новые типичные ездовые циклы обновляются крайне медленно. При этом есть два кардинально разных подхода – использование скоростного профиля автомобиля, снятого в реальных условиях эксплуатации и применение искусственного (синтетического) ездового цикла. В первом случае затраты на получение цикла минимальны, в какой-то степени он учитывает современные дорожные условия и уровень развития автомобильного транспорта, но не отражает адекватно типичные условия эксплуатации в среднем. Синтетические циклы более объективно соответствуют реальным условиям, но требуют для своей разработки существенно больше времени, что снижает их ценность в условиях постоянно меняющейся дорожной обстановки и растущего уровня автомобилизации.В работе предложена методика использования в качестве базы данных для синтеза ездового цикла данных онлайн мониторинга с постобработкой на основе искусственных нейронных сетей. Determining the characteristics of standard driving cycles of cars and special equipment is not an easy task, since it requires the collection and processing of a large amount of data on trips under real operating conditions. That is why, even in industrialized countries, new typical driving cycles are updated very slowly. There are two radically different approaches – the use of a speed profile of a car taken under real operating conditions and the use of an artificial (synthetic) drive cycle. In the first case, the costs for obtaining a cycle are minimal, to some extent it takes into account modern road conditions and the level of development of road transport, but it does not adequately reflect typical average operating conditions. Synthetic cycles more objectively correspond to real conditions, but require significantly more time for their development, which reduces their value in conditions of constantly changing road conditions and the growing level of motorization.The work proposes a methodology for using online monitoring data with post-processing based on artificial neural networks as a database for the synthesis of the driving cycle. Международный научно-исследовательский журнал, Выпуск 12 (126) 2022 |
| Τύπος εγγράφου: | Article |
| Γλώσσα: | Russian |
| DOI: | 10.23670/irj.2022.126.8 |
| Rights: | CC BY |
| Αριθμός Καταχώρησης: | edsair.doi...........f177db3c700a3d9beabcddc865d6f7d6 |
| Βάση Δεδομένων: | OpenAIRE |
| FullText | Text: Availability: 0 |
|---|---|
| Header | DbId: edsair DbLabel: OpenAIRE An: edsair.doi...........f177db3c700a3d9beabcddc865d6f7d6 RelevancyScore: 877 AccessLevel: 3 PubType: Academic Journal PubTypeId: academicJournal PreciseRelevancyScore: 876.889282226563 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Использование нейросети для анализа данных онлайн-мониторинга автомобилей – Name: Publisher Label: Publisher Information Group: PubInfo Data: ООО Цифра, 2022. – Name: DatePubCY Label: Publication Year Group: Date Data: 2022 – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%2211%2E+Sustainability%22">11. Sustainability</searchLink><br /><searchLink fieldCode="DE" term="%22urban+driving+conditions%22">urban driving conditions</searchLink><br /><searchLink fieldCode="DE" term="%22городские+условия+движения%22">городские условия движения</searchLink><br /><searchLink fieldCode="DE" term="%22ездовой+цикл+автомобиля%22">ездовой цикл автомобиля</searchLink><br /><searchLink fieldCode="DE" term="%22искусственные+нейросети%22">искусственные нейросети</searchLink><br /><searchLink fieldCode="DE" term="%22artificial+neural+networks%22">artificial neural networks</searchLink><br /><searchLink fieldCode="DE" term="%22driving+cycle%22">driving cycle</searchLink> – Name: Abstract Label: Description Group: Ab Data: Определение характеристик стандартных ездовых циклов автомобилей и специальной техники является непростой задачей, так как требует сбора и обработки большого объема данных о поездках в реальных условиях эксплуатации. Именно поэтому, даже в индустриально развитых странах, новые типичные ездовые циклы обновляются крайне медленно. При этом есть два кардинально разных подхода – использование скоростного профиля автомобиля, снятого в реальных условиях эксплуатации и применение искусственного (синтетического) ездового цикла. В первом случае затраты на получение цикла минимальны, в какой-то степени он учитывает современные дорожные условия и уровень развития автомобильного транспорта, но не отражает адекватно типичные условия эксплуатации в среднем. Синтетические циклы более объективно соответствуют реальным условиям, но требуют для своей разработки существенно больше времени, что снижает их ценность в условиях постоянно меняющейся дорожной обстановки и растущего уровня автомобилизации.В работе предложена методика использования в качестве базы данных для синтеза ездового цикла данных онлайн мониторинга с постобработкой на основе искусственных нейронных сетей.<br />Determining the characteristics of standard driving cycles of cars and special equipment is not an easy task, since it requires the collection and processing of a large amount of data on trips under real operating conditions. That is why, even in industrialized countries, new typical driving cycles are updated very slowly. There are two radically different approaches – the use of a speed profile of a car taken under real operating conditions and the use of an artificial (synthetic) drive cycle. In the first case, the costs for obtaining a cycle are minimal, to some extent it takes into account modern road conditions and the level of development of road transport, but it does not adequately reflect typical average operating conditions. Synthetic cycles more objectively correspond to real conditions, but require significantly more time for their development, which reduces their value in conditions of constantly changing road conditions and the growing level of motorization.The work proposes a methodology for using online monitoring data with post-processing based on artificial neural networks as a database for the synthesis of the driving cycle.<br />Международный научно-исследовательский журнал, Выпуск 12 (126) 2022 – Name: TypeDocument Label: Document Type Group: TypDoc Data: Article – Name: Language Label: Language Group: Lang Data: Russian – Name: DOI Label: DOI Group: ID Data: 10.23670/irj.2022.126.8 – Name: Copyright Label: Rights Group: Cpyrght Data: CC BY – Name: AN Label: Accession Number Group: ID Data: edsair.doi...........f177db3c700a3d9beabcddc865d6f7d6 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.doi...........f177db3c700a3d9beabcddc865d6f7d6 |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.23670/irj.2022.126.8 Languages: – Text: Russian Subjects: – SubjectFull: 11. Sustainability Type: general – SubjectFull: urban driving conditions Type: general – SubjectFull: городские условия движения Type: general – SubjectFull: ездовой цикл автомобиля Type: general – SubjectFull: искусственные нейросети Type: general – SubjectFull: artificial neural networks Type: general – SubjectFull: driving cycle Type: general Titles: – TitleFull: Использование нейросети для анализа данных онлайн-мониторинга автомобилей Type: main BibRelationships: IsPartOfRelationships: – BibEntity: Dates: – D: 16 M: 12 Type: published Y: 2022 Identifiers: – Type: issn-locals Value: edsair |
| ResultId | 1 |