基于云边协同的智能城市轨道交通 PHM 系统论文

SCI论文（www.lunwensci.com）

　　摘 要：城市轨道交通系统对我国经济发展有巨大作用,确保系统中各功能部件的健康对其正常运行至关重要。PHM 技 术在云边协同技术的赋能下能够为城市轨道交通的安全运行提供更加系统、精准与高效的保障。在本文中,我们首先提出全新 的基于云边协同的智能城市轨道交通 PHM 系统 ;之后,分别介绍我们所使用的云边协同、PHM 技术及其在轨道交通系统中 的初步应用,并综合二者优势,详细介绍全新系统的工作原理 ;最后针对本研究目前面临的问题与挑战,给出云边协同 PHM 系统未来的研究方向与思路。

　　关键词：云边协同,深度学习,轨道交通系统,预测与健康管理


　　【Abstract】：Urban rail transit systems play a huge role in China's economic development, and ensuring the health of all functional components in the system is crucial to its normal operation. PHM technology, empowered by cloud-edge collaboration technology, can provide a more systematic, accurate, and efficient guarantee for the safe operation of urban rail transit. In this paper, we first propose a new intelligent urban rail transit PHM system based on cloud-edge collaboration; Then, we introduce the cloud-edge collaboration and PHM technologies we used and their initial applications in rail transit systems, followed by a detailed introduction of the working principle of the new system by combining the advantages of both; Finally, we indicate the future research directions and ideas of the cloud-edge collaboration PHM system based on the current problems and challenges faced by this research.

　　【Key words】：cloud-edge collaboration;deep learning;rail transit systems;prediction and health management


　　0 引言

　　城市轨道交通对于城市经济发展有巨大作用,若出 现故障则会带来巨大损失。随着轨道交通规模不断扩大, 传统人工检修方式逐渐难以满足需求,这促使人们寻找 更加经济、高效、标准化和可规模化的部件健康保障方 式。PHM(Prognostic and Health Management) 技 术作为“工业 4.0 革命”主要组成部分之一,能够科学 高效地保障整个系统的安全,近年来不断有研究人员将PHM 技术应用在城市轨道交通系统的电力、车体、钢 轨等系统中,并取得了优秀的成果。然而,现有技术手 段大多只能将模型训练好后部署到一线,无法快速迭 代,难以满足多变的实际情况 ;同时,各个模型互相孤 立,数据不共享,造成数据采集资源与储存资源的浪 费,且无法统一调度整个系统。

　　为了解决这些问题,我们提出了全新的基于云边 协同的智能城市轨道交通 PHM 系统,系统由边缘感知层、边缘计算层与中心云构成。边缘感知层借助高精度 的多模传感器,能采集整个轨道交通系统的数据 ;边缘 计算层可以用预设的模型处理数据,实时输出决策,同 时将初始数据与决策元数据预处理后上传至中心云 ;中 心云的强大存储与算力使其可以训练更为强大的模型, 并将其实时动态地部署到边缘计算层,且可以整体调度 整个系统。本文首先介绍云边协同与 PHM 技术及其相 关应用,并在之后说明本系统的工作流程,最后给出进 一步研究的方向与建议。

　　1 云边协同技术

　　在这一章,我们将介绍云计算和边缘计算技术,以 及云边协同技术架构 Kubedge 和应用体系。

　　1.1 云计算与边缘计算

　　云计算是一种“集中式”的计算范式,提倡集中化 而不是去中心化。Google 对云计算的定义是 ：云计算 是指通过互联网,以按需服务的形式提供计算资源。这 样企业就无需自行采购、配置或管理资源,而且只需要 为实际使用的资源付费。

　　边缘计算是一种“分布式”的计算范式, 提倡去中 心化而不是集中化。文献 [1] 提出了边缘计算的定义 ： 边缘计算在网络边缘节点来处理、分析数据 ;边缘节点 是在数据产生源头和云中心任一具有计算资源和网络资 源的节点。为了识别处理一些特殊场景下(如安检)的 数据,边缘计算开始与人工智能结合,边缘节点通过部 署的 AI 模型分析处理数据 [2]。

　　1.2 云原生边缘计算—云边协同

　　云原生是新一代基于云计算的构建和运行应用程 序的方法,是指从设计之初就考虑到云的环境,能够 在云上以最佳状态运行的应用技术体系总称。2020 年, CNCF(Cloud Native Computing Foundation) 的首个 云原生驱动的边缘计算项目 KubeEdge 孵化完成,它将 Kubernetes 原生的容器编排和调度能力拓展到边缘侧, 实现了云计算与边缘计算的技术融合,即云边端协同。 如图 1 所示为云边协同 KubeEdge 的基本技术架构。


　　云端与边缘侧通过 Cloud Hub 和 Edge Hub 进行通 信,云端通过 Edge Controller 和 Device Controller 来管 理边缘节点和设备。在边缘侧,边缘节点通过 Mapper (边缘设备驱动同一管理引擎)和 MQTT Broker 来接 收设备状态信息,并将设备信息通过 EventBus 传送给 Edge Hub,进而发送到云端 ;ServiceBus 是一个运行在 边缘的 HTTP 客户端,其接受来自云上服务的请求,与 运行在边缘端的 HTTP 服务器交互,提供了云上服务通 过 HTTP 协议访问边缘端 HTTP 服务器的能力。Edged是边缘节点的核心模块, 其负责 Pod、Container 等的生 命周期管理。MetaManager 是在 Edged 和 Edge Hub 之前传递信息的模块,同时,其也负责从 DataStore 中 存取设备元数据,从而实现边缘节点的本地自治能力。

　　1.3 云边协同的应用体系

　　云边协同主要针对云计算与边缘计算的数据、资 源、应用等方面进行协同,其基本应用框架如图 2 所 示。首先,数据协同可以有效解决云计算中无用数据处 理开销大的问题。边缘节点先对收集到的数据进行预处 理,再筛选出高价值数据传送至云端,大大减轻了云端 的计算压力 ;其次,智能协同可以解决边缘节点上计算 资源不足和云计算实时性差的问题。云端先对模型进行训练和测试,之后再将其下发给边缘节点,使得边缘节 点在计算资源不足的情况下也能得到准确的预测结果 ; 再者,资源协同可以有效进行负载均衡,使得各边缘节 点的计算负载都保持在可承受范围内,并最大化各边缘 节点的资源利用率 ;最后,应用协同使用户可将应用部 署到指定的边缘节点上,并将有关联的应用部署到同一 边缘节点以提高应用间交互效率。


　　云边协同在连接不稳定、需要实时决策、需要本地 化计算能力等的场景下都有很广阔的应用前景。然而, 云边协同在城市轨道交通 PHM 技术上的应用仍不成 熟,下文将针对此方面的应用进行相应讨论。

　　2 云边协同城市轨道交通 PHM 技术

　　在这一章节, 我们将介绍 PHM 技术与其在城市轨 道交通上的应用,并在此基础上结合云边协同技术,详 细介绍基于云边协同的智能城市轨道交通 PHM 系统的 工作模式。

　　2.1 PHM 技术

　　故障预测与健康管理 PHM(Prognostics and Health Management) 是将预测学(Prognostics) 与系统生 命周期管理联系起来而形成的技术。故障预测是一门 监测部件的健康状况的工程学科,能有效检测工业部件 的功能是否与预期功能具有偏差 [3],以及预测故障会在 何时何地发生。健康管理是指基于故障预测模型给出的 状态检测、寿命预测、故障诊断结果从而对相关部件进 行分析与事件决策的技术,用于评估一个系统在其实际 生命周期下的可靠性。相较于传统的事后维修和定期检 修, PHM 系统能够根据预测系统的检测极大降低故障 导致的恶性事件发生的概率,从而提高设备所处系统的 可靠性与经济性。

　　2.2 PHM 技术应用于城市轨道交通

　　我们将轨道交通的 PHM 技术分成电力、车顶、车 侧、车门、车底与钢轨 6 个模块,每个模块应用不同的 算法技术, 有机结合后构成轨道交通 PHM 体系。其中, 电力 PHM 通过在线检测技术 [4],可以对正在运行的供 电设备实施实时连续的全面监测 ;车顶 PHM 应用一种 自动化程度与检测精度高的现代诊断技术 [5] 来完成车辆 车顶的弓 / 网系统健康监测任务 ;车侧 PHM 使用一种 基于深度学习的车号识别系统 [6],将城市轨道交通系统 中的车辆产生的相关数据与对应车辆进行绑定,形成特 定车辆的专属档案,便于检修管理决策以及车辆性能改 进。车门 PHM 应用一种基于机器视觉的城市轨道交通 车辆门锁安全监控方法 [7] 监测车门的健康状况,有效监 测车门系统中频繁机械故障 ;车底 PHM 应用一种数据 经过小波包处理的 ADPSO-LSTM 模型 [8],精确监测轴 承健康 ;钢轨 PHM 应用一种基于计算机视觉等智能识 别技术的高质量的自动化检测方法与技术 [9],有效检测 了钢轨的故障。

　　然而, 目前对于轨道交通系统各部分的 PHM 系统 是孤立的,即在一个部位采集的数据只支持对应部位的 PHM,这不仅会导致决策模型不够系统与全面,还会 导致数据的重复采集与重复储存等问题。虽然各 PHM 系统在数据采集、模型训练和决策生成都具有差别,但 我们充分考虑了传统轨道交通 PHM 技术与云边协同的 优点以及适配性,提出了全新的基于云边协同技术的轨 道交通 PHM 框架。

　　2.3 云边协同的城市轨道交通 PHM 体系

　　如图 3 所示,系统分为边缘感知层、边缘计算层和 中心云。接下来我们将分别介绍每一层的作用,并说明各层之间协调工作的方式。


　　(1)边缘感知层 ：本层主要的构成为各种传感器。 其中,高清高速摄像头、线阵相机和光反射车感器,可 以采集视频图像数据 ;电流传感器可以实时采集供电系 统的电流数据 ;闭锁监测图像传感器与撞块监测图像传 感器等能采集车门的运行数据 ;加速度传感器能在轴承 处采集轴承工作时的振动信号 ;工业机器人集成上述的 多种传感器,不仅能采集到车底与车顶等部位更全面的 数据,同时也可以进入隧道等高危场景采集数据,减少 人类的作业风险。本层并不具备算力,因此会将数据传 输至边缘计算层进行处理。

　　(2)边缘计算层 ：本层接收到边缘感知层上传的数 据,通过边缘计算机中的算法模型与数据进行实时分析 与决策,能够检测电流、弓 / 网系统、轴承、钢轨等部 位的不稳定、损坏、磨损等异常。本层虽拥有一定的算 力,但只能支撑基于现有模型进行的计算,不能训练模 型,因此,本层会将预处理后的原始数据与本层决策元 数据上传到中心云,用于迭代模型。

　　(3) 云计算层 ：本层拥有巨大的数据库、程序库以及 强大的计算能力,可以与边缘节点实现数据协同、智能协 同、资源协调与应用协同。数据协同中,边缘计算层将 预处理后的数据上传至中心云,中心云对数据进行数据存 储、数据分类、数据查询以及大数据分析,高效率低成 本的地对数据进行生命周期管控与价值挖掘 ;智能协同 中,边缘计算层进行模型 API 服务管理,中心云则进行 模型训练、模型测试、模型下推和状态监控等工作, 并 借助知识蒸馏等技术处理模型, 将训练好的模型下发至边 缘计算层 ;资源协同中,边缘计算层进行本地资源管理以 及硬件资源抽象等工作,便于中心云进行全局调度与全域 加速,实现增量学习、联邦学习和协同学习等工作 ;应用 协同中, 边缘计算层对应用实例进行应用生命周期管理等 工作,并根据实际情况从镜像仓库中下载所需的应用, 中 心云则进行应用分发、应用编排、应用生命周期管理及 应用镜像管理等工作,并将应用镜像下发至镜像仓库。

　　我们将轨道交通系统有机结合,打通不同部件间的 数据资源,用更全面的数据集、更丰富的算法与更强大 的算力,实现了对整个系统更全面、高效且智能的管理。



　　3 未来发展方向

　　在系统稳定性方面,边缘节点通过城域网与中心云 互联,因此若断连且未得到及时维护,边缘侧业务的准 确性与可靠性都会受到极大的影响,因此应当继续发展 应用离线自治等技术提高边缘设备的独立性。在数据传 输性能方面,由于系统会产生大量的数据,若数据在上传过程中出现丢失或延误,则会造成决策不准确或不及 时,因此应当继续发展数据大规模传输、分级储存等技 术。在网络安全方面,若出现信息恶意篡改与伪造等情 况,则会导致系统做出错误的决策,造成巨大的社会安全 问题,因此应当加强云边协同过程中的网络安全保障 [10]。 在应用与设备异构方面,边缘设备通常会按使用场景深 度定制,造成开发框架、语言等的异构,同时在此过程 中,基于不同的硬件所开发的软件也会产生异构问题, 因此应当继续发展异构设备与应用的统一接入问题。

　　4 结语

　　目前国内的城市轨道交通系统体量巨大且仍具有较 大增长空间,设备的总量与精细度为装备的健康管理带 来了新的挑战。为了对城市轨道交通进行更精细且系统 的安全保障,我们充分结合云边协同技术与多种基于深 度学习的智能 PHM 系统的优势,提出了全新的基于云 边协同的智能城市轨道交通 PHM 系统。下一步,我们 将继续优化本系统的稳定性、传输性能、安全性、可迁 移性等性能,进一步支撑轨道交通行业的发展。

　　参考文献

　　[1] SHI W,CAO J,ZHANG Q,et al.Edge Computing:Vision and Challenges[J].IEEE Internet of Things Journal,2016.3 (5):637-646.

　　[2] 赵婉芳,赵妍.物联网边缘计算优势与应用研究[J].软件, 2021.42(10):178-180.

　　[3] VACHTSEVANOS G J,VACHTSEVANOS G J.Intelligent Fault Diagnosis and Prognosis for Engineering Systems[M]. Hoboken:Wiley,2006.

　　[4] 邹东,冯剑冰.云边协同在轨道交通供电在线监测系统的应 用研究[J].电气应用,2022.41(4):41-47.

　　[5] 魏秀琨,所达,魏德华,等.机器视觉在轨道交通系统状态检测 中的应用综述[J].控制与决策,2021.36(2):257-282.

　　[6] 杨树旺.地铁车辆车号识别系统的研究与应用[J].现代城市 轨道交通,2022(05):20-23.

　　[7] 顾壹,蒋书波,缪小冬.基于机器视觉测量技术的城市轨道交 通车辆门锁安全监测方法[J].城市轨道交通研究,2019.22(8): 177-180.

　　[8] 梁师齐.深度学习技术在轨道交通轴承故障诊断中的应用研 究[D].大连:大连交通大学,2020.

　　[9] 李宁.基于机器视觉的钢轨表面缺陷检测系统研究[D].北京: 北京交通大学,2021.

　　[10] 魏涛.网络安全技术在云计算下的实现途径分析[J].软件, 2021.42(11):24-26.
 
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/56102.html