NDWCM-PSO based energy management strategy for passive sensing
-
摘要: 为确保列车无源传感器在复杂的运行工况下，实现状态数据的长期不间断采集及发送，提出一种基于改进的粒子群优化(particle swarm optimization, PSO)算法的无源传感能量管理策略。首先，分析无源传感能量转换关系，获取能量特征参数、工作模式与列车运行工况间的解析方程，构建无源传感能量模型；其次，为解决原始PSO算法在求解复杂问题后期容易陷入局部最优的不足，提出一种非线性递减惯性权重和混沌映射的粒子群算法(nonlinear decreasing weights and chaotic mapping-particle swarm optimization, NDWCM-PSO)，通过建立基于NDWCM-PSO算法的求解模型，实现系统能量特征参数、工作模式与列车运行工况间的能量匹配，完成无源传感能量管理。最后，通过搭建列车牵引电机轴承状态无源实验系统，验证算法的有效性。结果表明，在时速20及80 km/h条件下，系统可实现采样频率10 kHz、采样间隔60 s的长期不间断数据采集及发送功能。
-
关键词:
- 无源传感 /
- 能量管理策略 /
- 能量模型 /
- NDWCM-PSO算法 /
- 能量匹配
Abstract: To ensure that train passive sensors achieve long-term uninterrupted collection and transmission of state data under complex operating conditions, a passive sensing energy management strategy based on an improved particle swarm optimization (PSO) algorithm was proposed. Firstly, the passive sensing energy conversion relationship was analyzed, analytical equations among energy characteristic parameters, operating modes, and train operating conditions were obtained, and a passive sensing energy model was constructed. Secondly, to address the deficiency that the original PSO algorithm is prone to falling into a local optimum in the later stage of solving complex problems, a nonlinear decreasing weights and chaotic mapping - particle swarm optimization (NDWCM-PSO) was proposed. By establishing a solution model based on the NDWCM-PSO algorithm, energy matching among system energy characteristic parameters, operating modes, and trains operating conditions was realized, and passive sensing energy management was completed. Finally, the effectiveness of the algorithm was verified by building a passive experimental system for train traction motor bearing condition. The results indicate that under speeds of 20 km/h and 80 km/h, the system realizes long-term uninterrupted data acquisition and transmission functions with a sampling frequency of 10 kHz and a sampling interval of 60 s. -
图 2 基于NDWCM-PSO的无源传感能量管理策略流程
Figure 2. NDWCM-PSO based passive sensing energy management strategy flow
图 3 列车牵引电机轴承状态无源实验系统
Figure 3. Passive experimental system for train traction motor bearing state
图 5 运行速度20及80 km/h工况下振动信号频域特征
Figure 5. Frequency domain characteristics of vibration signals at 20 km/h and 80 km/h conditions
表 1 轴承无源实验系统参数
Table 1. Passive bearing experimental system parameters
参数 数值 有效质量$ M $/g 15 有效阻尼$ C $/(N·s·m−1) 0.03 有效刚度$ K $/(N·m−1) 142 有效电容$ {C}_{p} $/nF 106 负载等效电阻$ {R}_{{\mathrm{L}}} $/kΩ 16 有效机电耦合系数$ \alpha $/(N·V−1) 8.13 × 10−4 发送的振动数据总量$ N $/bit 4096 ×8单包数据量$ n $/bit 512 发送间隔$ {t}_{{\mathrm{space}}} $/s 0.14 串口速率$ {R}_{{\mathrm{s}}} $/(bit·s−1) 38400 接收功率$ {P}_{{\mathrm{receive}}} $/mW 52.8 发射功率$ {P}_{{\mathrm{emit}}} $/mW 100 轴承型号 SKF6016-2RS1 轴承故障类型 内圈故障 采样频率/Hz 10000 采样间隔/s 60 
下载: 导出CSV
表 2 NDWCM-PSO参数设置
Table 2. NDWCM-PSO parameter setting
种群
个数最大迭代
次数种群
规模粒子速度
最小值粒子速度
最大值6 100 100 −10 10
下载: 导出CSV
表 3 工作模式优化匹配时间
Table 3. Working mode optimized matching time
工作模式 工作时间 数值/s 加速度传感器 开启时间$ {t}_{{\mathrm{s}}\_ {\mathrm{on}}} $ 0.50 能量与信息系统 休眠模式时间$ {t}_{{\mathrm{m}}\_ {\mathrm{sleep}}} $ 53.99 运行模式时间$ {t}_{{\mathrm{m}}\_ {\mathrm{on}}} $ 4.91 无线组网模块 休眠模式时间$ {t}_{{\mathrm{w}}\_ {\mathrm{sleep}}} $ 53.99 待机模式时间$ {t}_{{\mathrm{w}}\_ {\mathrm{standby}}} $ 2.00 发送模式时间$ {t}_{{\mathrm{w}}\_ {\mathrm{emit}}} $ 2.00
下载: 导出CSV
-
[1] 崔恩放, 张宏科, 杨冬. 无源无线传感网在轨道交通车辆健康监测中的应用[J] . 北京交通大学学报, 2018, 42(5): 20 − 27. [2] 李权福, 夏惠兴, 华洪斌, 等. 铁路货车车辆转向架无源无线振动传感与监测系统[J] . 铁道车辆, 2023, 61(1): 124 − 130. [3] 钟倩文, 郑树彬, 孙佳慧, 等. 轨道车辆扇形压电阵列式俘能器宽频响应设计[J] . 振动、测试与诊断, 2023, 43(6): 1225 − 1231, 1251. [4] 韦海菊, 王日艺. 基于柔性车体的地铁车辆垂向耦合振动规律研究[J] . 城市轨道交通研究, 2024, 27(5): 35 − 39, 44. [5] 陈兆玮, 李世辉, 袁密奥, 等. 齿轨车辆-轨道(齿轨)系统耦合动力学模型及其基本振动特性[J] . 中国科学: 技术科学, 2024, 54(5): 940 − 954. [6] Bengheni A, Didi F, Bambrik I. EEM-EHWSN: enhanced energy management scheme in energy harvesting wireless sensor networks[J] . Wireless Networks, 2019, 25(6): 3029 − 3046. doi: 10.1007/s11276-018-1701-8 [7] Bengheni A. Relay node selection scheme and deep sleep period for power management in energy‐harvesting wireless sensor networks[J] . International Journal of Communication Systems, 2024, 37(8): e5742. doi: 10.1002/dac.5742 [8] 刘飞, 刘向阳, 闵刚. 能量收集分布式检测系统中基于门限的节点能量管理策略[J] . 传感技术学报, 2020, 33(2): 180 − 185. [9] 王桂博, 丁晓霞, 王法印. 有轨电车混合储能系统的能量管理策略与容量优化[J] . 电子设计工程, 2024, 32(2): 130 − 133. [10] 马宁. 城市轨道列车节能控制的研究与实现[D] . 成都: 西南交通大学, 2018. [11] 孙立辉, 周洁, 徐金鸣. 基于改进PSO优化的RBF火灾预测系统[J] . 智能计算机与应用, 2024, 14(7): 216 − 221. [12] 房波, 姬翔, 王梓帆, 等. 基于改进惯性权重的PSO算法[J] . 电子制作, 2024, 32(15): 71 − 74. [13] 冯桑, 王炳成, 张泳, 等. 基于改进粒子群算法的机械臂振动抑制研究[J] . 机床与液压, 2024, 52(11): 20 − 26. [14] 高佳乐, 马令坤, 孙爽. 基于混沌麻雀算法的毛皮配色方法[J] . 皮革科学与工程, 2023, 33(5): 22 − 26. [15] 王锦畅, 陈威, 彭乐乐, 等. 强噪声背景下地铁牵引电机轴承故障识别方法研究[J] . 计算机与数字工程, 2024, 52(7): 2239 − 2243. doi: 10.3969/j.issn.1672-9722.2024.07.056 -
下载:
点击查看大图
计量
- 文章访问数: 24
- HTML全文浏览量: 15
- PDF下载量: 3
- 被引次数: 0
