用于两轮车的多模块联管系统的制作方法

本技术涉及数据处理技术相关领域，具体涉及用于两轮车的多模块联管系统。

背景技术：

1、随着城市人口的密集化以及交通拥堵问题的日益严重，在当今日益增长的环保和出行效率的需求推动下，两轮车作为城市交通的重要组成部分，以其轻便、灵活、环保的特性，成为越来越多人出行的首选，两轮车的中控系统集成了电池管理、电机控制、车辆监控、智能导航、安全防护等多个模块，然而，传统的两轮车中控系统的各个模块在进行数据交换和协同工作时存在诸多不足，智能水平有限，难以实现对两轮车多个功能的精准控制和优化，使得系统的整体性能和可靠性不高，无法满足现代人便捷、高效、安全的出行需求。

2、因此，现阶段两轮车的多模块联管系统相关技术中，存在各模块缺乏高效的数据交换和协同，难以实现对各项性能的精准控制，导致系统整体运行效率不佳的技术问题。

技术实现思路

1、本技术通过提供用于两轮车的多模块联管系统，采用参数分解运算、建立映射关系、回溯搜索优化等技术手段，解决了现有两轮车多模块联管系统存在各模块缺乏高效的数据交换和协同，难以实现对各项性能的精准控制，导致系统整体运行效率不佳的技术问题，达到了提高两轮车多模块联管的智能水平及整体运行效率的技术效果。

2、本技术提供用于两轮车的多模块联管系统，所述系统包括：数据交互组件，所述数据交互组件用于读取两轮车内各个模块的实时监测数据，获得多个模块监测数据集；数据预处理组件，所述数据预处理组件用于对所述多个模块监测数据集进行数据清洗，得到多个模块监测数据区；数据提取组件，所述数据提取组件用于根据所述多个模块监测数据区，提取第一模块对应的第一模块监测数据区，其中，所述第一模块包括所述各个模块；异常检测特征学习组件，所述异常检测特征学习组件基于内嵌的异常检测特征学习函数和异常检测特征学习粒子群对所述第一模块进行异常检测特征学习，构建第一模块异常检测通道；异常解析组件，所述异常解析组件基于所述第一模块异常检测通道，结合内嵌的异常特征耦合检测模型对所述第一模块监测数据区进行异常解析，生成第一模块异常特征耦合检测指数；异常预警组件，所述异常预警组件用于当所述第一模块异常特征耦合检测指数大于/等于异常特征耦合检测阈值时，生成第一模块异常预警信号。

3、在可能的实现方式中，所述异常检测特征学习组件，还执行以下处理：连接所述数据交互组件，读取所述第一模块的异常检测记录数据，获得多个模块异常检测记录集，其中，每个模块异常检测记录集包括模块监测数据区记录集和模块异常识别数据记录集；根据所述异常检测特征学习函数和所述异常检测特征学习粒子群对所述多个模块异常检测记录集进行监督学习，构建满足异常检测特征学习约束的多个模块异常检测模型；将所述多个模块异常检测模型作为并行节点合并，生成所述第一模块异常检测通道。

4、在可能的实现方式中，所述异常检测特征学习组件，还执行以下处理：根据所述多个模块异常检测记录集提取第一模块异常检测记录集，其中，所述第一模块异常检测记录集包括所述多个模块异常检测记录集中的任意一个模块异常检测记录集；根据预设数据划分条件划分所述第一模块异常检测记录集，生成第一模块异常检测训练集和第一模块异常检测验证集；根据所述异常检测特征学习粒子群随机提取第一异常检测特征学习粒子，其中，所述异常检测特征学习粒子群包括多个异常检测特征学习粒子；根据所述第一异常检测特征学习粒子对所述第一模块异常检测训练集进行交叉监督学习，生成第一模块异常检测器；根据所述第一模块异常检测验证集验证所述第一模块异常检测器，获得第一检测器验证结果，其中，所述第一检测器验证结果包括第一异常检测输出准确系数和第一异常检测输出误差系数；将所述第一检测器验证结果输入所述异常检测特征学习函数，获得第一异常检测特征学习系数；判断所述第一异常检测特征学习系数是否满足所述异常检测特征学习约束；若所述第一异常检测特征学习系数满足所述异常检测特征学习约束，将所述第一模块异常检测器设置为第一模块异常检测模型，并将所述第一模块异常检测模型添加至所述多个模块异常检测模型。

5、在可能的实现方式中，所述异常检测特征学习组件，还执行以下处理：所述异常检测特征学习函数为：

6、

7、其中，ficfad表征异常检测特征学习系数，fadx表征异常检测输出准确系数，adxo表征预设异常检测输出准确系数，fady表征异常检测输出误差系数，adyo表征预设异常检测输出误差系数。

8、在可能的实现方式中，所述异常检测特征学习组件，还执行以下处理：若所述第一异常检测特征学习系数不满足所述异常检测特征学习约束，激活所述异常检测特征学习组件内的增量学习模型；获得所述第一模块异常检测器对应的验证损失数据集；以所述异常检测特征学习约束为优化学习目标；根据所述增量学习模型和所述验证损失数据集对所述第一模块异常检测器进行优化学习，直至满足所述优化学习目标时，生成所述第一模块异常检测模型。

9、在可能的实现方式中，所述异常解析组件，还执行以下处理：将所述第一模块监测数据区输入所述第一模块异常检测通道，获得第一模块异常识别结果；所述异常特征耦合检测模型包括异常特征深度检测网络、异常特征广度检测网络和异常特征耦合加权网络；根据所述异常特征深度检测网络对所述第一模块异常识别结果进行异常深度评估，获得第一模块异常深度检测指数；根据所述异常特征广度检测网络对所述第一模块异常识别结果进行异常风险预测，获得第一模块异常风险检测指数；根据所述异常特征耦合加权网络对所述第一模块异常深度检测指数和所述第一模块异常风险检测指数进行加权计算，得到所述第一模块异常特征耦合检测指数。

10、在可能的实现方式中，所述异常解析组件，还执行以下处理：将所述第一模块监测数据区输入所述第一模块异常检测通道，根据所述第一模块异常检测通道内，各个模块异常检测模型分别对所述第一模块监测数据区进行异常识别，获得多组第一模块异常识别数据；根据所述多组第一模块异常识别数据进行数据融合，生成所述第一模块异常识别结果。

11、在可能的实现方式中，所述多模块联管系统还包括异常特征运维组件，所述异常预警组件，还执行以下处理：根据所述第一模块异常预警信号激活所述异常特征运维组件内的两轮车故障预测模型和两轮车故障运维模型；将所述第一模块异常识别结果输入所述两轮车故障预测模型，获得第一模块故障预测结果；将所述第一模块故障预测结果输入所述两轮车故障运维模型，获得第一模块故障运维方案；根据所述第一模块故障运维方案对所述第一模块进行运维管理。

12、拟通过本技术提出的用于两轮车的多模块联管系统，读取两轮车内各个模块的实时监测数据，获得多个模块监测数据集；对多个模块监测数据集进行数据清洗，得到多个模块监测数据区；根据多个模块监测数据区，提取第一模块对应的第一模块监测数据区，其中，第一模块包括所述各个模块；基于内嵌的异常检测特征学习函数和异常检测特征学习粒子群对第一模块进行异常检测特征学习，构建第一模块异常检测通道；基于第一模块异常检测通道，结合内嵌的异常特征耦合检测模型对第一模块监测数据区进行异常解析，生成第一模块异常特征耦合检测指数；当第一模块异常特征耦合检测指数大于/等于异常特征耦合检测阈值时，生成第一模块异常预警信号。解决了现有两轮车多模块联管系统存在各模块缺乏高效的数据交换和协同，难以实现对各项性能的精准控制，导致系统整体运行效率不佳的技术问题，达到了提高两轮车多模块联管的智能水平及整体运行效率的技术效果。