nach oben

Mobile Networks and Applications

Erschienen in:

27.07.2023

Fault Tolerance in Electric Vehicles Using Deep Learning for Intelligent Transportation Systems

verfasst von: Huanxue Liu, Fengqin Ke, Zhenzhong Zhang, Yanan Gao, Quanyu Zhang

Erschienen in: Mobile Networks and Applications | Ausgabe 6/2023

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Der Artikel geht auf die kritische Frage der Fehlertoleranz in Elektrofahrzeugen ein und konzentriert sich dabei insbesondere auf die Rolle des Deep Learning in intelligenten Transportsystemen. Er diskutiert die wachsende Bedeutung von Elektrofahrzeugen in China und die ökologischen Herausforderungen durch traditionelle Fahrzeuge. Der Aufsatz stellt ein Deep-Learning-Modell, die Reduced Deep Kernel Extreme Learning Machine (RDK-ELM), für die Fehlerdiagnose in Hybrid-Elektrofahrzeugen vor und unterstreicht seine überlegene Leistung im Hinblick auf Genauigkeit und Trainingsgeschwindigkeit im Vergleich zu anderen Methoden. Die Forschung untersucht auch die Anwendung der Sensorfehlerdiagnose mittels Redundanzmethoden und die Komplexität automatischer mechanischer Getriebesysteme (AMT). Die Studie endet mit vielversprechenden Ergebnissen, die das Potenzial von RDK-ELM bei der Verbesserung der Zuverlässigkeit und Sicherheit von Elektrofahrzeugen aufzeigen.

KI-Generiert

Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

Vorheriger Artikel Enhancing the Swimmer Movement Techniques Using Cloud Computing and Artificial Intelligence

Nächster Artikel River Ecological Protection and Restoration Using Multi-source Remote Sensing Data

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

ATZelektronik

Die Fachzeitschrift ATZelektronik bietet für Entwickler und Entscheider in der Automobil- und Zulieferindustrie qualitativ hochwertige und fundierte Informationen aus dem gesamten Spektrum der Pkw- und Nutzfahrzeug-Elektronik.

Lassen Sie sich jetzt unverbindlich 2 kostenlose Ausgabe zusenden.

Jetzt informieren

ATZelectronics worldwide

ATZlectronics worldwide is up-to-speed on new trends and developments in automotive electronics on a scientific level with a high depth of information.

Order your 30-days-trial for free and without any commitment.

Jetzt informieren

Sanguesa JA, Torres-Sanz V, Garrido P, Martinez FJ, Marquez-Barja JM (2021) “A Review on Electric Vehicles: Technologies and Challenges,” Smart Cities, vol. 4, no. 1, Art. no. 1, Mar. https://doi.org/10.3390/smartcities4010022

Yang C, Zha M, Wang W, Liu K, Xiang C (2020) Efficient energy management strategy for hybrid electric vehicles/plug-in hybrid electric vehicles: review and recent advances under intelligent transportation system. IET Intel Transport Syst 14(7):702–711. https://doi.org/10.1049/iet-its.2019.0606CrossRef

Qin G, Ge A, Li H (2004) “On-Board Fault Diagnosis of Automated Manual Transmission Control System,” IEEE Transactions on Control Systems Technology, vol. 12, no. 4, pp. 564–568, Jul. https://doi.org/10.1109/TCST.2004.825133

Hofman T, Ebbesen S, Guzzella L (Jul. 2012) Topology optimization for Hybrid Electric Vehicles with Automated Transmissions. IEEE Trans Veh Technol 61(6):2442–2451. https://doi.org/10.1109/TVT.2012.2196299

Frank PM (May 1990) Fault diagnosis in dynamic systems using analytical and knowledge-based redundancy: a survey and some new results. Automatica 26(3):459–474. https://doi.org/10.1016/0005-1098(90)90018-D

Huang G-B, Zhu Q-Y, Siew C-K (2006) “Extreme learning machine: Theory and applications,” Neurocomputing, vol. 70, no. 1, pp. 489–501, Dec. https://doi.org/10.1016/j.neucom.2005.12.126

Wei S, Ma N, Su J, Deng W, “A Motor Fault Detection Method Based on Optimized Extreme Learning Machine (2021),” in Advances in Artificial Systems for Medicine and Education IV, Z. Hu, S. Petoukhov, and M. He, Eds., in Advances in Intelligent Systems and Computing. Cham: Springer International Publishing, pp. 315–324. https://doi.org/10.1007/978-3-030-67133-4_29

Suthar V, Vakharia V, Patel VK, Shah M (2023) “Detection of Compound Faults in Ball Bearings Using Multiscale-SinGAN, Heat Transfer Search Optimization, and Extreme Learning Machine,” Machines, vol. 11, no. 1, Art. no. 1, Jan. https://doi.org/10.3390/machines11010029

Lim J-Y, Ji P-S (2016) Development of Fault diagnosis algorithm using correlation analysis and ELM. Trans Korean Inst Electr Eng P 65(3):204–209. https://doi.org/10.5370/KIEEP.2016.65.3.204CrossRef

10.

Lu F, Jiang J, Huang J, Qiu X (Dec. 2017) Dual reduced kernel extreme learning machine for aero-engine fault diagnosis. Aerosp Sci Technol 71:742–750. https://doi.org/10.1016/j.ast.2017.10.024

11.

Liang R, Chen Y, Zhu R (2022) “A Novel Fault Diagnosis Method Based on the KELM Optimized by Whale Optimization Algorithm,” Machines, vol. 10, no. 2, Art. no. 2, Feb. https://doi.org/10.3390/machines10020093

12.

Li B, Rong X, Li Y (2014) “An Improved Kernel Based Extreme Learning Machine for Robot Execution Failures,” The Scientific World Journal, vol. p. e906546, Apr. 2014, https://doi.org/10.1155/2014/906546

13.

Avci D (2016) An automatic diagnosis system for Hepatitis Diseases based on genetic Wavelet Kernel Extreme Learning Machine. J Electr Eng Technol 11(4):993–1002. https://doi.org/10.5370/JEET.2016.11.4.993CrossRef

14.

Xia J, Yang D, Zhou H, Chen Y, Zhang H, Liu T, Heidari AA, Pan Z (Feb. 2022) Evolving kernel extreme learning machine for medical diagnosis via a disperse foraging sine cosine algorithm. Comput Biol Med 141:105137. https://doi.org/10.1016/j.compbiomed.2021.105137

15.

Liu Z, Hao J, Yang D, Tahir GA, Pan M (2022) “A Novel Reformed Reduced Kernel Extreme Learning Machine with RELIEF-F for Classification,” Computational Intelligence and Neuroscience, vol. p. e4795535, Mar. 2022, https://doi.org/10.1155/2022/4795535

16.

Deng W-Y, Ong Y-S, Zheng Q-H (Apr. 2016) A fast reduced Kernel Extreme Learning Machine. Neural Netw 76:29–38. https://doi.org/10.1016/j.neunet.2015.10.006

17.

Hinton GE, Osindero S, Teh Y-W (2006) “A fast learning algorithm for deep belief nets,” Neural Computation, vol. 18, no. 7, pp. 1527–1554, Jul. https://doi.org/10.1162/neco.2006.18.7.1527

18.

Tamilselvan P, Wang P (2013) Failure diagnosis using deep belief learning based health state classification. Reliab Eng Syst Saf 115:124–135. https://doi.org/10.1016/j.ress.2013.02.022CrossRef

19.

Usman M, Jan MA, Jolfaei A (2020) SPEED: a deep learning assisted privacy-preserved framework for intelligent transportation systems. IEEE Trans Intell Transp Syst 22(7):4376–4384CrossRef

20.

Beard RV (1971) “Failure accomodation in linear systems through self-reorganization.,” Thesis, Massachusetts Institute of Technology, Accessed: May 16, 2023. [Online]. Available: https://dspace.mit.edu/handle/1721.1/16415

Titel: Fault Tolerance in Electric Vehicles Using Deep Learning for Intelligent Transportation Systems
verfasst von: Huanxue Liu
Fengqin Ke
Zhenzhong Zhang
Yanan Gao
Quanyu Zhang
Publikationsdatum: 27.07.2023
Verlag: Springer US
Erschienen in: Mobile Networks and Applications / Ausgabe 6/2023
Print ISSN: 1383-469X
Elektronische ISSN: 1572-8153
DOI: https://doi.org/10.1007/s11036-023-02168-w

Springer Professional

Fault Tolerance in Electric Vehicles Using Deep Learning for Intelligent Transportation Systems

Abstract

Abstract

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

ATZelektronik

ATZelectronics worldwide

Weitere Artikel der Ausgabe 6/2023

Music Track Recommendation Using Deep-CNN and Mel Spectrograms

Dynamic Emergency Transit Forecasting with IoT Sequential Data

A Model for Digital Education Management Information System Using Wireless Communication and BP Neural Networks

Editorial: Towards 6G Technologies, Networks, Hardware, and Architectures

A New Defect Diameter Prediction using Heart Sound and Possibility to Implement as IoT Healthcare

River Ecological Protection and Restoration Using Multi-source Remote Sensing Data

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

ATZelektronik

ATZelectronics worldwide

Music Track Recommendation Using Deep-CNN and Mel Spectrograms

Dynamic Emergency Transit Forecasting with IoT Sequential Data

A Model for Digital Education Management Information System Using Wireless Communication and BP Neural Networks

Editorial: Towards 6G Technologies, Networks, Hardware, and Architectures

A New Defect Diameter Prediction using Heart Sound and Possibility to Implement as IoT Healthcare

River Ecological Protection and Restoration Using Multi-source Remote Sensing Data