基于邊緣計算的大規模減速頂在線監測及智能預警系統

魏瀚峰

(中國鐵路上海局集團有限公司 運輸部， 上海 221000)

0 引言

減速頂在編組站的大量使用，在全路范圍內安裝運用各類減速頂超過100多萬臺，目前減速頂的巡檢、監測、維修還停留在傳統的粗放管理狀態。

(1) 減速頂的檢測維修，依靠人力日常巡檢為主，拉網式的巡檢，效率低。

(2) 巡檢以肉眼觀察、工人腳踩來判斷，缺乏標準的量化手段做支撐，容易導致檢查盲區。

(3) 巡檢在行車窗口期間進行，無法實現減速頂工況實時監控，無法做到事前預防和安全預警。

(4) 無法對車輛過頂速度、過頂壓力、調速效果進行有效的實時監測，以及綜合分析。

(5) 由于缺乏數據支撐，無法獲取減速頂的輪壓次數、使用損耗、狀態信息，使得減速頂的安裝、使用、維修，依賴粗放經驗估計，無法做到精益管理。

不少研究人員從不同方向致力于減速頂故障監測的研究和探索。

鄭百玲等[1]提出減速頂故障判定方法，通過在減速頂底部安裝壓力傳感器，通過壓力傳感器采集壓力信號并根據該壓力信號繪制壓力時間曲線圖，查看周期內的壓力值波峰數，根據波峰數判定減速頂是否正常。

閆祖東[2]提出了減速頂動態性能監測管理系統設計與應用，該方法是使用計算機替代人工記錄減速頂的維修使用和耗材磨損情況，建立減速頂維修及耗材記錄數據庫。通過對相關數據的統計分析，推斷車站減速頂的磨損情況和使用狀態。

鞠欣然[3]提出減速頂信息采集及網絡管理系統，綜合分析系統中匯總的檢修數據，以減速頂檢修記錄和股道滾壓次數為基礎，進行綜合分析，實現對達到檢修條件的減速頂進行匯總預警。

要義勇等[4]提出的減速頂物聯網故障預警方法,通過NB-IoT組網技術將減速頂設計成物聯網感知層的節點，實現對減速頂運動曲線的監測、存儲、處理和聯網轉發。通過部署云端數據庫實現減速頂各節點數據的批量化存儲和應用，通過構造標準周期曲線、計算多區間運動曲線的樣本熵系數來評價減速頂的健康狀態。

Bezukladnikov[5]提出了監測和控制車站和港口集裝箱的系統，特點在于對多個對象進行監測和控制，相關的車輛減速器作為對象之一，作為整個系統的輸入之一。

Tu Xuyue[6]提出的空氣壓縮機的監測方法，可以遠程監測4臺空氣壓縮機的參數，這種方法還無法采集和處理大規模數量的對象。

總結上述研究者的研究結果，概括為以下4種方法，如圖1所示。

圖1 減速頂分析方法

由于減速頂使用的站場環境復雜，減速頂影響因素眾多的情況，針對這種情況，目前研究的減速頂故障監測方法還存在著如下局限性。

(1) 考慮因素單一。過頂壓力是減速頂作用的一個很重要的因素，但由于現場情況復雜，影響因素多，只考慮過頂壓力一個因素難以代表全面性。

(2) 有些方式是根據減速頂的檢修記錄來進行分析，這需要工作人員在事后將大量的檢修記錄手動輸入管理系統，難以起到實時監測的作用。

(3) 采用互聯網傳輸減速頂數據，通過部署公有云端數據庫實現減速頂各節點數據的存儲和應用，這種方式存在著鐵路數據的安全性問題。

(4) 考慮鐵路運輸作業的特點，目前的測試和監測都是在模擬環境下進行，而在實際鐵路運輸作業過程中，以及車列真實運行環境下，沒有實現減速頂工況數據實時采集。

(5) 即有的研究還停留在減速頂工廠對單個減速頂進行模擬工況測試的程度，無法滿足鐵路運輸道上作業實際應用的需要。

通過仔細研究減速頂的實際應用場所—--編組站的各方面情況，提取減速頂應用重要特征如下。

(1) 對于一個編組站，減速頂使用數量非常大，達到幾千個甚至上萬個。

(2) 對時間響應要求高，工作人員需要及時掌握所有減速頂的工作狀態。

(3) 減速頂的工作狀態受到多個因素的影響，諸如，過頂壓力、過頂速度、外界溫度和車輛載貨重量等。

(4) 減速頂的使用場地廣闊，環境復雜，場地內已經部署了很多各類電線、信號線以及其他管線等。此環境下，對每個減速頂部署數據傳輸線不可行。

鑒于以上特征，已有的研究中還沒有一個有效的方法，本文提出了基于邊緣計算的大規模減速頂在線監測及智能預警系統，采用物聯網技術連接編組站所有減速頂，自動采集傳輸數據。通過構建邊緣計算節點，實現數據在邊緣計算節點的預處理，提高整個系統大數據量的處理速度及傳輸效率，滿足對大規模減速頂狀態實時監測的需要。通過神經網絡模型獲得減速頂的健康狀態參數，實現對減速頂工作狀態的智能預警。本系統部署在上海南翔站，使用了18個月，驗證了本系統在實際環境下的有效性。

1 系統架構

隨著物聯網相關技術的快速成熟發展，結合站場調車業務的需求，提出了基于邊緣計算的大規模減速頂在線監測及智能預警系統。

整個系統包括：傳感器、采集網關、匯聚網關、應用控制器以及減速頂在線監測及智能預警系統軟件平臺，如圖2所示。

圖2 系統網絡拓撲

整個數據傳輸結構采用物聯網的結構：感知層、傳輸層、應用層。

(1) 感知層

感知層起到采集減速頂狀態數據的作用。包含有減速頂和采集網關兩部分。其中，壓力傳感器內嵌在減速頂中，壓力傳感器中內置了智能芯片，壓力傳感器采集到壓力，通過對應的轉換計算，保存在智能芯片中，同時把相關的過頂時間值也保存在該芯片中。

通過高頻對車輪滾過減速頂的過程中采集過頂壓力，采集周期結束后，智能芯片保存一系列壓力數據和過頂時間點，并將這些數據傳送到對應的采集網關。

(2) 傳輸層

傳輸層起到把數據傳送到應用控制器的作用。

采集網關與匯聚網關之間，通過無線傳送方式進行數據傳送。現場環境復雜，通過布線的方式建立傳輸網絡，施工難度大，且網線在現場環境下易折斷，并妨礙現場設備的部署和現場作業人員的快速移動。

綜合各方面現場因素的考慮，采用zigbee無線組網技術，底層采用IEEE 802.15.4標準規范協議。

該無線協議具備以下技術特點。

① 該協議組成的一個無線網絡，理論最大節點數就是2的16次方(即65 536)。對于規模大的編組站，其最大減速頂數量不超過20 000臺，以上節點數量可滿足減速頂的現場使用，具有很強的擴展性。② 網絡中的任意節點之間都可進行數據通信。在有節點加入和撤出時，網絡具有自動修復功能。對于多個采集網關，只要在網絡通信的范圍內自動找到對方，他們就可以快速形成互連的網絡。而且，由于采集網關的有效性變動，通過重新搜索通信對象，確定它們之間的聯系來重置原始網絡，形成自組網，極大提高了無線網絡的自適應性，保證了采集網關正常無線傳輸的可靠性[7]。

當一個網絡節點的生存路徑變化后，可以自動更新網絡路徑，通過迂回路由保持網絡節點通路可達，如圖3所示。

圖3 標準規范協議

匯聚網關與應用控制器之間數據傳送到匯聚網關后，匯聚網關通過IP網絡把數據送到應用層。

(3) 應用層

在應用層包含有應用控制器、減速在線監測及智能預警系統軟件平臺就部署在應用控制器上，調車管理人員通過訪問應用控制器，查詢相關的減速頂數據，實時掌握各個減速頂的運行狀態，實現在線監測和智能預警等。

2 融合邊緣計算技術實現大數據處理

對于一個編組站來說，一條股道就要安裝幾十個乃至上百個減速頂，而這種股道至少有幾十條。對于繁忙的編組站來說，一條股道一天溜放的車廂達到上百節，在這種情況下，產生并要傳送的數據量是很大的。

隨著物聯網、大數據等信息技術的快速發展，傳統的網絡中心節點的結構已經無法滿足智能感知、遠程監控、遠程控制等場景對低延遲的高要求。而現場調車業務對系統的實時性有較高的要求，這就要求網絡具備傳輸低延遲。

按照傳統的網絡設計，把大量的減速頂的數據全部傳送到中心節點上進行處理，這種結構存在兩種弊端。

(1) 大量未經處理的數據傳到中心節點后，加大了中心節點的負擔，使中心節點超負荷運轉，降低了中心節點的效率。

(2) 大量未經處理的數據，不斷通過網絡傳輸到中心節點，占據了大量的網絡帶寬，會導致整個網絡傳送效率的下降，并影響車務及其他業務的網絡運行效率。

為了解決這個問題，通過邊緣計算技術來優化系統架構，提升系統的性能。邊緣計算，是指在靠近數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供服務。其應用程序在邊緣側發起，產生更快的網絡服務響應，滿足行業在實時業務等方面的基本需求[8]。

把匯聚網關作為邊緣計算節點，對原始數據進行預處理：數據過濾、數據凈化、數據轉換等計算處理后，把經過處理后的數據傳送到中心節點，由中心節點進行全局的、深度化的處理，如圖4所示。

圖4 減速頂數據計算節點

(1) 采集網關傳送的大量數據在匯聚網關(邊緣計算節點)進行數據預處理，然后傳送到應用控制器(中心節點)，減少了中心節點計算資源的消耗，提升中央節點處理全面、深度業務的性能。

(2) 在匯聚網關進行預處理后，形成的中間結果數據的數量大大減少，在傳送過程中所占用的帶寬資源也減少，為保證網絡整體傳輸性能發揮了巨大作用。

(3) 基于物聯網的結構設計，未來對系統有更智能化的需求，將會根據中心節點計算的處理結果，以一種新的智能方式推送到邊緣計算節點，以控制終端迅速做出調整，由于邊緣計算節點更加靠近終端，將使系統的實時性更好。這種低時延的要求，是邊緣計算節點一個重要的特點[9]，如圖5所示。

圖5 減速頂數據流程

3 減速頂的智能預警

從大量的實際經驗中，得出只依靠過頂壓力作為唯一因素判別減速頂狀態是不全面的，因此，需要把相關的多種因素作為智能算法的輸入變量。

在數據分析方面，本系統結合各個維度的數據進行分析，有靜態數據，也有動態數據，各方面的數據匯聚到系統中，由于因素多，相關性復雜，依靠經典算法，難以找出數據之間的關聯關系。本系統采用人工神經網絡，對大量的現場數據進行訓練，在數據分析方面起到了很明顯的效果。

本系統采用三層神經網絡結構，進行分析計算[10]，如圖6所示。

圖6 減速頂數據計算模型

其中，輸入層，用于變量的輸入。隱含層，通過連接的權重及節點的函數得出一系列中間過程數據。輸出層，通過權重與中間過程數據的計算，得出最后的結果。

選擇的輸入變量有。

(1) 過頂壓力(x1)

(2) 過頂速度(x2)

(3) 持續天數(x3)

(4) 現場溫度(x4)

輸出結果y為減速頂健康狀態結果。結果的范圍區間為[0,1]，如果結果小于閾值，該系統就開始預警，讓工作人員注意該減速頂的工作狀況，消除工作中的安全隱患。

先根據采集的數據以及現場工作人員的經驗，形成神經網絡的數據訓練集，對神經網絡模型進行訓練[11]。

訓練完后才能把該神經網絡模型部署到應用控制器上，對實際調車工作中產生的數據進行計算判斷，得出減速頂的健康狀態。

該模型擴展性強，對于新的影響因素，可通過增加輸入變量的方式，并重新訓練神經網絡模型即可，形成持續的學習模式。

4 實際應用效果

本系統選定上海南翔站下行場19道作為試用股道，在19道共安裝減速頂100臺。具體減速頂安裝數據如表1所示。

表1 南翔站19道減速頂布頂間距明細表

現場減速頂間距情況如圖7所示。

圖7 減速頂現場部署示意圖

減速頂智能單元包括可無線發送數據的采集網關和采集終端，匯聚網關安裝在室外防水箱內。同時從燈橋旁邊的站房將網線接入到燈橋旁邊的防水箱內，并提供接入IP口和IP地址，匯聚網關天線固定在燈橋上面，如圖8所示。

圖8 減速頂現場部署網絡接入

4.1 驗證效果

(1) 該系統進入大規模實用階段，具備在線監控10 000個減速頂的能力。在上海南翔站現場部署了一條股道100臺減速頂，系統運行了1年半，經受了各種氣候的考驗，整個系統運行正常。

(2) 所用的減速頂經過各種車輛上萬次的輪壓，整個系統采集、傳送、存儲、處理功能均正常。

(3) 有效性驗證。智能預警的方法得到了站場的有效實際驗證，對于被預警的減速頂，維護人員實地檢查，發現有問題的減速頂確實存在油壓不足等問題，起到精準預警的作用。

(4) 可靠性驗證。通過相鄰減速頂數據、歷史數據、運輸作業數據進行智能大數據分析、避免誤報和漏報，滿足現場實際運輸作業安全管理的要求。

5 總結

本系統采用高頻采集數據，采集到車輪通過減速頂時的整個壓力變化過程。專家研究指出，減速頂效果理想的壓力變化過程如圖9所示。

圖9 性能良好的減速頂壓力波形

而有些減速頂狀態在實際使用中工況劣化如圖10所示。

圖10 減速頂性能劣化后的壓力曲線圖

經過分析，發現減速頂由健康狀態發展到亞健康、不健康狀態，將有幾個月、甚至幾年的時間過程。通過持續完善數據的采集，提升數據算法，結合車輪過頂壓力變化的全過程，找出減速頂狀態變化的規律，更早的發現隱患，做好更精準的監測工作。