基于边缘计算与机器学习的轨道交通智能运维系统及方法与流程

1.本发明涉及轨道交通运维技术领域，具体涉及一种基于边缘计算与机器学习的轨道交通智能运维系统及方法。


背景技术：

2.随着轨道交通行业的发展，投入运营的轨道车辆逐年增多。轨道车辆在向智能化方向发展的过程中，为了保证轨道车辆的行车安全，通常需要实时对轨道车辆作出诊断，精确掌握车辆的健康状态。在传统模式下，涉及轨道交通行车相关的多专业包括车辆、供电、信号、站台门、轨道弓网等专业、各自分别部署了一套智能运维系统，智能运维系统是指利用先进传感器技术获取被管理系统的实时运行状态信息，并借助大数据、人工智能等先进技术手段及模糊逻辑等推理算法，根据实时数据、当前工况因素和历史数据等，对被管理系统进行健康状态评估和故障预测。通过人工读取各个系统的运行状态来做出下一步的决策,无法做到及时快捷，另外，各系统产生的数据缺乏及时有效分析以及相应的数据共享，造成“数据孤岛”，导致维修统筹能力不足，具体而言，轨道车辆涉及的数据包括在途实时运行状态数据(车门、转向架、牵引动力系统、制动系统、车载信号、辅助系统、弓网检测、轮轨检测等)，车辆智能检修系统数据(智能检修机器人、车侧走行部检测、车辆360
°
视觉检测、轮对等效锥度检测等)，生产业务管理系统数据(车辆状态管理、站台设备管理、运营日计划管理、施工维护管理、关键设备定位管理、智能手持终端等)，运控子系统等。各个系统间信息无法充分共享，当设备发生故障时，各专业系统无法准确的定位故障，尤其是跨专业的结合部故障定位，排查故障时间长，专业数据挖掘瓶颈等问题。
3.一是数据采集设备众多。涉及车辆在途监测数据系统繁多、数据庞大、相互存在数据交互协议不统一、数据难以深度融合的问题，行成数据孤岛。
4.二是数据分析不及时。轨道车辆在途监测数据大多不是实时诊断、实时分析。例如振动数据，一般系统设定相应的采集周期和采集时间，采集结束后再进一步进行数据分析诊断，这样会存在故障点遗漏和诊断结果延迟情况，数据通过无线传输到云平台处理要进行实时分析，对相应的网络带宽和时延要求高。
5.三是专业数据挖掘瓶颈。轨道交通设备种类繁多，关键子系统零部件专业化极强，造成技术装备系统、核心零部件、关键设备子系统专业化分工明显，对运维人员经验要求高。对专业化极强的设备进行分析和挖掘建立及优化算法模型，相应的算法模型无法更新或自学习，并且对所有车辆都用相同、单一的算法模型，导致预测准确性低，并且不能实时进行更新，存在很大的瓶颈。
6.四是车辆与车辆无法直接通讯。目前没有实现自动驾驶的车辆基本都是与控制中心直接建立通讯，当出现极端情况无网络时，车辆就无法对外建立有效通讯，其他在同线路车辆也无法获得故障车辆信息，导致一定的安全隐患。
7.综上所诉，现在迫切需要一种能提高轨道交通车辆行车安全及运维效率，降低劳动成本的先进的运维方法。


技术实现要素：

8.针对现有技术中的上述不足，本发明提供的基于边缘计算与机器学习的轨道交通智能运维系统及方法解决了现有技术轨道交通车辆行车安全及运维效率低的问题。
9.为了达到上述发明目的，本发明采用的技术方案为：
10.提供一种基于边缘计算与机器学习的轨道交通智能运维系统，其包括端服务层、边服务层和云服务层；
11.端服务层位于车辆上，包括端传感器、端控制器、端服务器和车辆tcms系统；
12.边服务层位于地面控制中心，包括线路智能运维系统、生产业务管理系统和车辆智能检修系统；
13.云服务层包括智能运维大数据中心；
14.端传感器位于车辆待监控部件的位置上，用于采集待监控部件的数据；
15.端控制器连接端传感器与端服务器，并与车辆tcms系统相连，用于获取端传感器采集的待监控部件的数据，并通过优化的机器学习算法模型对采集数据进行实时处理，基于处理结果生成对应的信息和控制指令；
16.端服务器连接端控制器与线路智能运维系统，并与车辆tcms系统和设定距离内其他车辆的端服务器相连，用于接收线路智能运维系统的工作指令，接收和存储端控制器通过优化的机器学习算法模型对采集数据进行实时处理后的结果，生成状态信息和事件信息，并上传至线路智能运维系统和设定距离内其他车辆的端服务器；
17.车辆tcms系统与端控制器相连，用于从端控制器接收其基于处理结果生成的对应的信息和控制指令，并根据对应的信息和控制指令控制车辆；
18.车辆tcms系统与端服务器相连，用于从端服务器接收端控制器通过优化的机器学习算法模型对采集数据进行实时处理后的结果，根据基于处理结果生成的对应的信息和控制指令，并根据对应的信息和控制指令控制车辆；
19.线路智能运维系统分别与端服务器、生产业务管理系统、车辆智能检修系统，以及智能运维大数据中心相连，用于接收智能运维大数据中心的相关指令，并根据相关指令生成对应工作指令给端服务器、生产业务管理系统和车辆智能检修系统，将从端服务器、生产业务管理系统和车辆智能检修系统接收到的状态信息和事件信息上传至智能运维大数据中心；
20.智能运维大数据中心，用于集合包括车辆、供电、信号、站台门和轨道弓网信息，集合生产业务管理系统和车辆智能检修系统产生的信息，基于诊断知识库和专家知识库建立机器学习算法模型，通过线路智能运维系统接收状态信息和事件信息并进行健康评估和故障预测，并生成相关指令下发到线路智能运维系统；基于接收的端传感器的数据，通过建立的机器学习算法模型更新诊断知识库和专家知识库，得到并下发更新优化后的机器学习算法模型。
21.进一步地：每个车辆包括一个端服务器和至少一个端控制器，端控制器位于待监控部件周围，一个端控制器监控至少一个端传感器。
22.进一步地：云服务层部署位置包括控制中心、业主集团公司和主机厂运维中心。
23.进一步地：智能运维大数据中心与至少一个线路智能运维系统相连；一个线路智能运维系统与至少一台车辆相连；每个端服务器安装于对应车辆，并与对应车辆的端控制
器直接连接或级联。
24.进一步地：端传感器包括加速度传感器、应变传感器、光纤传感器、温度传感器、复合传感器、工业摄像机、毫米波雷达和激光雷达；待监控部件包括走行部、弓网、牵引、车门、空调和制动器。
25.进一步地：生产业务管理系统包括车辆状态管理模块、站台设备管理模块、运营日计划管理模块、施工维护管理模块、关键设备定位管理模块和智能手持终端模块。
26.进一步地：车辆智能检修系统包括智能检修机器人、车侧走行部检测模块、车辆360
°
视觉检测模块和轮对等效锥度检测模块。
27.进一步地：
28.端传感器与端控制器的连接方式包括有线连接或者无线连接，端控制器与端服务器的连接方式包括有线连接或者无线连接，端服务器与线路智能运维系统和设定距离内车辆的端服务器的连接方式包括无线连接，车辆tcms系统与端控制器或者端服务器的连接方式包括通信线缆连接，线路智能运维系统与智能运维大数据中心的连接方式包括有线连接或者无线连接。
29.提供一种基于边缘计算与机器学习的轨道交通智能运维方法，其包括以下步骤：
30.s1、通过端传感器采集车辆待监控部件的数据并上传至端控制器；
31.s2、基于接收到的待监控部件的数据，通过优化的机器学习算法模型对采集数据进行实时处理，并基于处理结果生成对应的信息和控制指令；
32.s3、通过端服务器接收和存储端控制器通过优化的机器学习算法模型对采集数据进行实时处理后的结果，生成状态信息和事件信息，并上传至线路智能运维系统和设定距离内其他车辆的端服务器；
33.s4、通过车辆tcms系统接收并根据端控制器生成的对应的信息和控制指令控制车辆；或接收端服务器生成的信息和控制指令，并根据该信息和控制指令控制车辆；
34.s5、通过线路智能运维系统从端服务器、生产业务管理系统和车辆智能检修系统接收状态信息和事件信息并上传至智能运维大数据中心；
35.s6、通过智能运维大数据中心集合系统信息、建立运维知识库和算法模型库；其中系统信息包括车辆、供电、信号、站台门、轨道弓网信息，以及从生产业务管理系统和车辆智能检修系统集合的信息，运维知识库包括诊断知识库和专家知识库，算法模型库包括机器学习算法模型；
36.s7、通过智能运维大数据中心对接收的状态信息和事件信息进行健康评估和故障预测，并生成相关指令下发到线路智能运维系统；基于接收的系统数据，通过建立的机器学习算法模型更新诊断知识库和专家知识库，得到并下发更新优化后的机器学习算法模型；
37.s8、通过线路智能运维系统接收智能运维大数据中心的相关指令并生成对应工作指令给端服务器、生产业务管理系统和车辆智能检修系统；
38.s9、通过端服务器根据工作指令与端控制器、车辆tcms系统和设定距离内其他车辆的端服务器配合执行后续运维工作。
39.本发明的有益效果为：
40.基于边缘计算和机器学习的轨道交通智能运维系统，针对轨道交通智能运维系统分散建设、接口繁多、数据孤岛、数据传输及处理延迟、所有车辆预测算法模型一致并且不
能及时更新，新增功能需求需要新建一套系统造成原有资源浪费等问题。
41.1、充分利用物联网技术，在车辆上实现统一进行数据采集，能够动态扩展采集信息和硬件能力，数据能够深度融合，避免信息孤岛。
42.2、利用边缘计算技术，使每台车辆的端控制器能够通过机器学习算法模型对采集的数据进行实时处理，并根据处理结果生成对应的车辆tcms系统信息及控制指令，使车辆能够24小时实时处理端传感器的采集数据并及时做出反馈，数据能够就地处理，满足网络带宽和时延。
43.3、应用机器学习相应的智能算法来实现车辆设备及运行策略可持续的优化，在边、云协同下，通过线路智能运维系统与生产业务管理系统和车辆智能检修系统交互获取相应数据，对涉及车辆和生产的数据进行集中大数据挖掘，利用人工智能、机器学习建立相应的健康管理、故障预警及寿命预测等多种模型，指导优化现有维修计划，减少设备超修和少修，避免设备及车辆带病运行，在提高车辆系统安全的同时也为运维人员提供数据决策支持；通过构建大数据运维知识库，为现场维修提供专家数据支持，解决运维人员技能不足问题，降低人员能力要求。
44.通过端、边、云协同，智能运维大数据中心能够按需获取对应车辆的端传感器数据对智能模型进行优化，实现针对每台车辆及设备根据实际运行情况来优化定制智能算法模型，并将智能算法模型下发到对应的端服务器，通过端服务器来统一更新端控制器的智能算法模型，从而做到各车各设备的智能算法模型都不一致，对提高车辆及设备的可利用率及安全性、提升相应故障预警的准确性非常有利。
45.4、通过端、端协同，车辆上的端服务器能够通过自身无线通信与设定距离内车辆的端服务器进行连接通讯，能够实时智能感知设定距离内车辆的健康状态及故障信息，及时地避免安全隐患，保障车辆的稳定安全高效运行。
附图说明
46.图1为本发明系统框图。
具体实施方式
47.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
48.如图1所示，该基于边缘计算与机器学习的轨道交通智能运维系统，包括端服务层、边服务层和云服务层；
49.端服务层位于车辆上，包括端传感器、端控制器、端服务器和车辆tcms系统；
50.边服务层位于地面控制中心，包括线路智能运维系统、生产业务管理系统和车辆智能检修系统；
51.云服务层包括智能运维大数据中心；
52.端传感器位于车辆待监控部件的位置上，用于采集待监控部件的数据；
53.端控制器连接端传感器与端服务器，并与车辆tcms系统相连，用于获取端传感器
采集的待监控部件的数据，并通过优化的机器学习算法模型对采集数据进行实时处理，基于处理结果生成对应的信息和控制指令；
54.端服务器连接端控制器与线路智能运维系统，并与车辆tcms系统和设定距离内其他车辆的端服务器相连，用于接收线路智能运维系统的工作指令，接收和存储端控制器通过优化的机器学习算法模型对采集数据进行实时处理后的结果，生成状态信息和事件信息，并上传至线路智能运维系统和设定距离内其他车辆的端服务器；
55.车辆tcms系统与端控制器相连，用于从端控制器接收其基于处理结果生成的对应的信息和控制指令，并根据对应的信息和控制指令控制车辆；
56.车辆tcms系统与端服务器相连，用于从端服务器接收端控制器通过优化的机器学习算法模型对采集数据进行实时处理后的结果，根据基于处理结果生成的对应的信息和控制指令，并根据对应的信息和控制指令控制车辆；
57.线路智能运维系统分别与端服务器、生产业务管理系统、车辆智能检修系统，以及智能运维大数据中心相连，用于接收智能运维大数据中心的相关指令，并根据相关指令生成对应工作指令给端服务器、生产业务管理系统和车辆智能检修系统，将从端服务器、生产业务管理系统和车辆智能检修系统接收到的状态信息和事件信息上传至智能运维大数据中心；
58.智能运维大数据中心，用于集合包括车辆、供电、信号、站台门和轨道弓网信息，集合生产业务管理系统和车辆智能检修系统产生的信息，基于诊断知识库和专家知识库建立机器学习算法模型，通过线路智能运维系统接收状态信息和事件信息并进行健康评估和故障预测，并生成相关指令下发到线路智能运维系统；基于接收的端传感器的数据，通过建立的机器学习算法模型更新诊断知识库和专家知识库，得到并下发更新优化后的机器学习算法模型。
59.每个车辆包括一个端服务器和至少一个端控制器，端控制器位于待监控部件周围，一个端控制器监控至少一个端传感器。
60.云服务层部署位置包括控制中心、业主集团公司和主机厂运维中心。
61.智能运维大数据中心与至少一个线路智能运维系统相连；一个线路智能运维系统与至少一台车辆相连；每个端服务器安装于对应车辆，并与对应车辆的端控制器直接连接或级联。
62.端传感器包括加速度传感器、应变传感器、光纤传感器、温度传感器、复合传感器、工业摄像机、毫米波雷达和激光雷达；待监控部件包括走行部、弓网、牵引、车门、空调和制动器。
63.生产业务管理系统包括车辆状态管理模块、站台设备管理模块、运营日计划管理模块、施工维护管理模块、关键设备定位管理模块和智能手持终端模块。
64.车辆智能检修系统包括智能检修机器人、车侧走行部检测模块、车辆360
°
视觉检测模块和轮对等效锥度检测模块。
65.端传感器与端控制器的连接方式包括有线连接或者无线连接，端控制器与端服务器的连接方式包括有线连接或者无线连接，端服务器与线路智能运维系统和设定距离内车辆的端服务器的连接方式包括无线连接，车辆tcms系统与端控制器或者端服务器的连接方式包括通信线缆连接，线路智能运维系统与智能运维大数据中心的连接方式包括有线连接
或者无线连接。
66.该基于边缘计算与机器学习的轨道交通智能运维方法，包括以下步骤：
67.s1、通过端传感器采集车辆待监控部件的数据并上传至端控制器；
68.s2、基于接收到的待监控部件的数据，通过优化的机器学习算法模型对采集数据进行实时处理，并基于处理结果生成对应的信息和控制指令；
69.s3、通过端服务器接收和存储端控制器通过优化的机器学习算法模型对采集数据进行实时处理后的结果，生成状态信息和事件信息，并上传至线路智能运维系统和设定距离内其他车辆的端服务器；
70.s4、通过车辆tcms系统接收并根据端控制器生成的对应的信息和控制指令控制车辆；或接收端服务器生成的信息和控制指令，并根据该信息和控制指令控制车辆；
71.s5、通过线路智能运维系统从端服务器、生产业务管理系统和车辆智能检修系统接收状态信息和事件信息并上传至智能运维大数据中心；
72.s6、通过智能运维大数据中心集合系统信息、建立运维知识库和算法模型库；其中系统信息包括车辆、供电、信号、站台门、轨道弓网信息，以及从生产业务管理系统和车辆智能检修系统集合的信息，运维知识库包括诊断知识库和专家知识库，算法模型库包括机器学习算法模型；
73.s7、通过智能运维大数据中心对接收的状态信息和事件信息进行健康评估和故障预测，并生成相关指令下发到线路智能运维系统；基于接收的系统数据，通过建立的机器学习算法模型更新诊断知识库和专家知识库，得到并下发更新优化后的机器学习算法模型；
74.s8、通过线路智能运维系统接收智能运维大数据中心的相关指令并生成对应工作指令给端服务器、生产业务管理系统和车辆智能检修系统；
75.s9、通过端服务器根据工作指令与端控制器、车辆tcms系统和设定距离内其他车辆的端服务器配合执行后续运维工作。
76.本发明实现：
77.多专业数据采集，统一采集轨道交通各个专业设备及运营系统的多维数据。包括车辆、轨道、供电、通信、信号、站台门、电扶梯、水暖电、轨旁设备等多个系统，各个系统独立存在又具有一定的关联关系。利用端传感器对监控部件的数据进行实时采集，并发送给对应的端控制器。
78.数据治理，数据进行边缘计算处理并制定统一的数据传输协议。端控制器支持多种采集协议，保存各类传感器的海量多源异构的设备数据，包括数字、文字、图像、声音等等，进行数据融合，通过云服务层下发的机器学习算法模型对采集的数据进行边缘计算处理，得出处理结果并存储在端服务器中，并且基于处理结果直接或者通过端服务器向车辆tcms系统发送相应的信息及控制指令，同时，端服务器构建统一的数据传输协议与线路智能运维系统进行连接，将处理结果进行上传。
79.通过端、边协同，线路智能运维系统同时获取生产业务管理系统数据和车辆智能检修系统数据，对核心状态数据、故障数据建立有效筛选机制，包括数据清洗、数据集成、数据变换、数据规约；数据进行筛选、分析、保留有效信息，剔除噪声数据，统一传输协议上传到智能运维大数据平台。
80.建立车辆tcms系统通讯，通过端、端协同，端服务器还通过无线通信与设定距离内
(附近)车辆的端服务器进行连接，建立车车通信，能够获知设定距离内车辆的实时状态及故障信息。车辆tcms系统能够从端控制器或者端服务器获取相应的信息及控制指令，并根据控制指令结合车辆运控系统对车辆进行控制。
81.数据挖掘，建立统一的大数据数据挖掘平台。将统一数据格式的多专业数据均存储至数据中台。并基于所存储的目标专业数据进行大数据挖掘，结合各个业主实际需求建立相应的子系统，主要包括设备状态预警系统、设备健康管理系统、机器学习算法模型系统、维修管理优化系统、第三方专家运维知识库系统、备品备件管理系统。其中利用人工智能、机器学习对目标建立相应的状态检测和故障预警及寿命预测算法模型库，当预测初目标存在故障时，结合多专业数据及故障相关性分析目标的故障原因。
82.建立算法模型库，构建机器学习算法模型库。在智能运维大数据中心通过人工智能、机器学习建立多个目标算法模型库，同时平台还能够按需的获取端服务器中的存储数据，并基于数据对对应的机器学习算法模型进行优化，然后连接对应的线路智能运维系统通过端服务器向控制器发送优化后的算法模型，使端控制器内的模型得以及时更新，提高预警和预测的准确性。
83.建立运维知识库，包括不同设备系统基础原理理论及积累的运维经验知识，形成知识图谱，在运维知识图谱建立完成之后，基于运维知识图谱的挖掘能够提高扩展专家运维知识库的知识覆盖率，通过运维知识库为现场运维提供专家解决方案，运维决策人通过维修管理优化系统调整检修计划及方案，及时地通过备品备件管理系统协调检修所需的物质。
84.数据展示，建立数据展示平台提供各种数据可视化模型。将智能运维大数据中心的分析结果进行展示，供各个用户查看。可视化模型与运维数据相互集成，通过建立不同设备故障的拓扑结构，利用根源分析方法实现故障的远程定位。管理层能够了解整体运营检修情况，快速决策。执行层能够通过vr或ar眼镜，以第一视角的方式向智能运维大数据中心传递现场巡检作业视频，智能运维大数据中心能够通过语音、图片、标记等方式与执行层进行实时交流，提高效率。
85.本发明基于边缘计算和机器学习的轨道交通智能运维系统，针对轨道交通智能运维系统分散建设、接口繁多、数据孤岛、数据传输及处理延迟、所有车辆预测算法模型一致并且不能及时更新，新增功能需求需要新建一套系统造成原有资源浪费等问题。
86.充分利用物联网技术，在车辆上实现统一进行数据采集，能够动态扩展采集信息和硬件能力，数据能够深度融合，避免信息孤岛。
87.利用边缘计算技术，使每台车辆的端控制器能够通过机器学习算法模型对采集的数据进行实时处理，并根据处理结果生成对应的车辆tcms系统信息及控制指令，使车辆能够24小时实时处理端传感器的采集数据并及时做出反馈，数据能够就地处理，满足网络带宽和时延。
88.应用机器学习相应的智能算法来实现车辆设备及运行策略可持续的优化，在边、云协同下，通过线路智能运维系统与生产业务管理系统和车辆智能检修系统交互获取相应数据，对涉及车辆和生产的数据进行集中大数据挖掘，利用人工智能、机器学习建立相应的健康管理、故障预警及寿命预测等多种模型，指导优化现有维修计划，减少设备超修和少修，避免设备及车辆带病运行，在提高车辆系统安全的同时也为运维人员提供数据决策支
持；通过构建大数据运维知识库，为现场维修提供专家数据支持，解决运维人员技能不足问题，降低人员能力要求。
89.通过端、边、云协同，智能运维大数据中心能够按需获取对应车辆的端传感器数据对智能模型进行优化，实现针对每台车辆及设备根据实际运行情况来优化定制智能算法模型，并将智能算法模型下发到对应的端服务器，通过端服务器来统一更新端控制器的智能算法模型，从而做到各车各设备的智能算法模型都不一致，对提高车辆及设备的可利用率及安全性、提升相应故障预警的准确性非常有利。
90.通过端、端协同，车辆上的端服务器能够通过自身无线通信与设定距离内车辆的端服务器进行连接通讯，能够实时智能感知设定距离内车辆的健康状态及故障信息，及时地避免安全隐患，保障车辆的稳定安全高效运行。