基于边缘计算的轨道交通弓网系统数据采集优化方法与流程

本发明属于计算机数据处理，尤其涉及基于边缘计算的轨道交通弓网系统数据采集优化方法。

背景技术：

1、随着城市轨道交通规模的持续增长，地铁覆盖区域也不断扩张。弓网作为地铁列车牵引供电不可或缺的系统，它运行的效能和安全直接影响着城市轨道交通的生产运营全过程，弓网系统高效运维的重要性可想而知。同样，随着信息化、数字化和智能化技术的日益革新，对于弓网系统中重要动态参数的采集也有了更多的办法。随之而来的就是数据的幂次级增长，数据的传输、存储和利用则成为弓网系统高效且智能运维的新挑战。

2、与本文相似的技术方案应用在智慧城市的建设中，智慧城市通过信息化和数字化，把城市的大部分数据结构化并收集起来，进行智能化处理决策。智慧城市的一大特点就是数据的全面感测。遍布城市各处的广义传感器和智能设备，组成了庞大的物联网，通过不间断的检测，来收集城市的核心子系统的运行情况。这些分布于各处的传感器和智能设备，不必再将数据上传至“城市大脑”云计算中心来处理，而是就近通过边缘计算节点进行分析、预处理、联合控制及告警，及时对数据作出反馈，这样可以与城市大脑实现轻量级解耦。即使云计算中心出现异常故障，各个子系统也能实现一定程度的自治，将有效缓解城市大脑计算、网络、存储等压力。

3、城市轨道交通弓网系统为保障地铁车辆的有效运行和行车安全，需通过设置智能感知设备和专用摄像设备实时采集大量受电弓和接触网的各项动态参数，综合人工检修数据对设备的故障、报警进行分析，以此来对高效和安全行车予以支撑。

4、目前的弓网系统的数据采集主要涉及以下三个问题：

5、一是采集的实时行车数据和检修的人工录入数据没有建立关联关系，且各列车数据计算相互独立。需人工进行趋势对比，受限于人的主观经验，数据准确性和效率都较低，对运维检修决策帮助小；

6、二是数据采集产生的大文件、多数据远程传输困难且成本高，甚至其中大量数据还需人工登乘列车进行拷贝，数据时效性很低；

7、三是数据采集产生的小文件、小数据目前通过运营商网络进行数据透传，无数据加密操作，数据传输的安全性无法保证。

技术实现思路

1、本发明实施例的目的在于提供基于边缘计算的轨道交通弓网系统数据采集优化方法，旨在解决现有轨道交通弓网系统中对各子模块的动态数据采集存在的以下技术问题：一、采集的实时行车数据与人工录入检修数据无有效关联性，且各列车数据不共享，数据利用率低，辅助决策作用小；二、采集数据产生的大文件、多数据远程传输效率低且成本高，增大了数据延迟；三、采集数据产生的小文件、小数据传输无数据加密操作，数据安全性低。

2、为实现上述目的，本发明提供了如下的技术方案。

3、在本发明实施例中，提供了基于边缘计算的轨道交通弓网系统数据采集优化方法，所述的数据采集优化方法包括：

4、步骤s101：在列车中的边缘计算终端搭载动态机器学习算法服务，并将实时行车数据和人工检修数据融入算法模型中进行综合分析；

5、步骤s102：将数据压缩和数据去重算法服务分布到该边缘计算设备上，对采集数据先进行数据去重算法、数据降噪算法处理，再输出给机器学习算法进行模型运算；

6、步骤s103：利用数据压缩算法对机器学习算法模型分析结果进行压缩，将数据加密算法分布到该边缘计算设备上，对数据压缩算法产生的结果数据进行加密后输出。

7、进一步的，所述算法模型包括基于keras神经网络的tf-df算法模型，该模型用于处理弓网系统中设备的结构化数据分析工作；通过将动态采集数据和静态检修数据作为有标签样本去训练模型，其中动态采集数据作为设备基本数字属性和类别属性，静态检修数据作为预测的类别属性；将最新产生的动态采集数据作为无标签样本去预测结果。

8、进一步的，所述算法模型还包括基于候选区域建议的faster-rcnn网络的目标检测算法模型，该模型用于处理弓网系统中设备的图像数据分析工作；视频分析算法模型通过分析采集到的设备高清图像，对事先定义的候选区域中某种物体或现象进行特征目标识别；在识别到相应物体或现象后，给出识别结果和置信度。

9、进一步的，在数据采集过程中，通过fcm聚类算法进行数据降噪处理，得到噪音数据，将噪音数据在进入计算分析之前就将其抛弃。

10、进一步的，在数据采集过程中，对一定时间范围内的数据通过数据去重算法对于数据冗余处理，仅保留所述一定时间范围内的一个数据。

11、进一步，通过surf灰度检测算法对因高清摄像设备被异物遮挡或光线暗淡产生图像进行灰度识别，并通过基于候选区域建议的faster-rcnn网络的目标检测算法，对物体进行识别；将识别出的灰度值很低或者不含目标检测物体的图像进行过滤，并根据实际需求给出预警或数据丢弃。

12、进一步的，采用基于lz77的数据压缩算法和基于多层感知机的视频压缩算法对数据进行压缩，将压缩后的数据再经过网络进行传输。

13、进一步的，采用非对称加密算法rsa对数据压缩算法产生的结果数据进行加密，其中，密钥长度采用1024。

14、与现有技术相比，本发明提供的基于边缘计算的轨道交通弓网系统数据采集优化方法具有如下的技术优势：

15、第一，本发明对边缘计算终端中的算法分析模型进行了动态调参的实现；并且把在不同车辆或区段上的边缘计算终端上的算法模型建立了联系，使其能共享机器学习的成果；

16、第二，本发明通过在列车中的边缘计算终端搭载动态机器学习算法服务，并将实时行车数据和人工检修数据融入算法模型中进行综合分析。通过自动对比列车中算法模型预测结果和实际检修数据准确度，自动且快速调整其他列车中的算法模型参数，以达到对弓网设备状态更加准确的预测，以此解决人工对比数据的效率低和错误率高问题，提高数据效能，给决策管理者提供优质的决策建议；

17、第三，本发明通过将数据压缩和数据去重算法服务分布到该边缘计算设备上，对采集数据先进行数据去重算法、数据降噪算法处理，再输出给机器学习算法进行模型运算。最后利用数据压缩算法对机器学习算法模型分析结果进行压缩，以解决大量噪声数据造成的数据传输效能和延迟问题；

18、第四，本发明通过将数据加密算法分布到该边缘计算设备上，对数据压缩算法产生的结果数据进行特定加密，再输出给集中处理系统，以提高网络传输的安全性。

技术特征：

1.基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，所述的数据采集优化方法包括：

2.根据权利要求1所述的基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，所述算法模型包括基于keras神经网络的tf-df算法模型，该模型用于处理弓网系统中设备的结构化数据分析工作；通过将动态采集数据和静态检修数据作为有标签样本去训练模型，其中动态采集数据作为设备基本数字属性和类别属性，静态检修数据作为预测的类别属性；将最新产生的动态采集数据作为无标签样本去预测结果。

3.根据权利要求2所述的基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，所述算法模型还包括基于候选区域建议的faster-rcnn网络的目标检测算法模型，该模型用于处理弓网系统中设备的图像数据分析工作；视频分析算法模型通过分析采集到的设备高清图像，对事先定义的候选区域中某种物体或现象进行特征目标识别；在识别到相应物体或现象后，给出识别结果和置信度。

4.根据权利要求3所述的基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，在数据采集过程中，通过fcm聚类算法进行数据降噪处理，得到噪音数据，将噪音数据在进入计算分析之前就将其抛弃。

5.根据权利要求4所述的基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，在数据采集过程中，对一定时间范围内的数据通过数据去重算法对于数据冗余处理，仅保留所述一定时间范围内的一个数据。

6.根据权利要求5所述的基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，通过surf灰度检测算法对因高清摄像设备被异物遮挡或光线暗淡产生图像进行灰度识别；

7.根据权利要求6所述的基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，采用基于lz77的数据压缩算法和基于多层感知机的视频压缩算法对数据进行压缩，将压缩后的数据再经过网络进行传输。

8.根据权利要求7所述的基于边缘计算的轨道交通弓网系统数据采集优化方法，其特征在于，所述采用非对称加密算法rsa对数据压缩算法产生的结果数据进行加密，其中，密钥长度采用1024。

技术总结
本发明属于计算机数据处理领域，具体是基于边缘计算的轨道交通弓网系统数据采集优化方法，包括在列车中的边缘计算终端搭载动态机器学习算法服务，将实时行车数据和人工检修数据融入算法模型中进行综合分析；将数据压缩和数据去重算法服务分布到边缘计算设备上，对采集数据先进行数据去重算法、数据降噪算法处理；利用数据压缩算法对机器学习算法模型分析结果进行压缩，将数据加密算法分布到该边缘计算设备上，对数据压缩算法产生的结果数据进行加密后输出。本发明对边缘计算终端中的算法分析模型进行了动态调参的实现，能够解决人工对比数据效率低和错误率高的问题，具有数据传输效能高、延迟低、数据网络传输的安全性高的优点。

技术研发人员：程畅,谢强,周雨
受保护的技术使用者：宝信软件（成都）有限公司
技术研发日：
技术公布日：2024/3/4