一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统技术方案

本发明专利技术公开一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统。系统包括中心云计算层、边缘云计算层和边缘端计算层。其中，中心云计算层通过接收和存储来自边缘云计算层的数据，实现对入云的所有安全状态信息的实时监控和预警；通过动力学仿真模型建立、微弱信号故障增强、特征提取和降维、特征子集构建、子模型构建与集成，实现离线故障诊断模型的训练。边缘云计算层通过任务调度算法将计算任务分配到最优的边缘计算节点，实现故障诊断模型更新的任务调度；通过局域网络汇聚边缘端计算层的数据和故障诊断结果，实现数据传输的优先级调度并对传感器采集到的数据实时监控。边缘端计算层通过在边缘计算节点上部署故障诊断模型，就近对安全情况进行评估，实现故障的在线监测；通过基于DS的证据加权融合算法识别更新样本，实现故障诊断模型的更新。

【技术实现步骤摘要】
一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统
本专利技术涉及装备关键承力结构件的健康监测领域，具体是一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统。
技术介绍
目前，装备关键承力结构件的健康监测主要通过计算机技术建立复杂故障识别模型，以装备关键承力结构件的状态数据为输入，开展故障的定性诊断的在线监测，然而在线监测方式也存在一定的弊端：从识别准确率角度考虑，高速列车等的关键承力结构件长时间运行在交变载荷、高温、高压、变速、振动、潮湿等极端服役条件下，将会导致监测对象的概念漂移，故障所表现出的统计特性以不可预见的方式变化，进而使得离线训练出的故障诊断模型的预测精度降低。为保证故障诊断及预测模型的性能,要求建模数据必须能够覆盖所有工况,模型参数能够适应工况变化,模型需要具有校正功能；从服务器负载压力的角度来考虑，随着监测的关键承力结构件的增多，服务器的负载能力需要不断扩容，将会导致运营成本的上升，云平台处理性能的下降等问题；从实时性处理要求角度来考虑，一旦关键承力结构件出现安全问题，应第一时间在最邻近节点诊断出结果，及时进行安全策略的实施，而如果大量数据仍需要依次排队经过网络链路上传至云平台处理，将会增加服务器负载、性能和带宽压力，同时大大延迟了对重大安全问题的诊断与预先评估。
技术实现思路
本专利技术提供了一种基于边缘计算和在线更新样本智能识别的关键承力结构件健康监测系统，通过将边缘计算技术融入关键承力结构件健康监测系统，提供相互连接的计算和存储资源架构，利用近端边缘计算节点资源，有效减少了网络数据的传输量并提高了响应速度和预测精度。利用离线训练模型和在线更新模型提高了故障诊断的准确性，同时边缘端计算层的任务调度算法保证了模型更新的时效性。本专利技术是通过以下技术方案实现的：一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件的健康监测系统，系统包括：中心云计算层、边缘云计算层和边缘端计算层。所述中心云计算层，主要负责接收、存储和分析数据，提供对入云的所有安全状态信息的实时监控和预警以及离线故障诊断模型的训练。所述离线故障诊断模型的训练包括:建立动力学仿真模型、微弱故障信号增强、特征提取和降维、构建特征子集、构建与集成子模型五个步骤，其中，子模型选择RVFL网络。所述边缘云计算层实现故障诊断模型更新任务调度、数据传输优先级调度以及实时监控，具体如下：(1)故障诊断模型更新任务调度当任意边缘计算节点识别到更新样本之后，边缘云计算层通过轮询任务调度算法为边缘计算节点分配更新模型任务。(2)数据传输优先级调度任务调度的同时，边缘云计算层通过LoRa协议汇聚边缘端计算层的数据和故障诊断结果，通过4G透传将数据上传至中心云计算层；其中，由于LoRa集中器计算性能及网络带宽的限制，当汇聚边缘端计算层的相关数据，并发生拥堵的时候，采用CSMA/CA的方式与边缘云计算层进行通信，结合LoRa具有信道空闲监测的特性，解决了节点信道冲突问题，增加了数据上报的准确性和可靠性。(3)实时监控对边缘端计算层采集到的数据进行实时全局监控，一旦有报警信息，及时在监控界面弹出报警框，发出报警铃声；可通过实时曲线、历史曲线等形式，展示当前全车各车厢的安全状态，监测实时全局变化趋势。所述边缘端计算层实现故障在线监测和故障诊断模型在线更新，具体如下：(1)在线监测边缘计算节点通过RS485协议，将关键承力结构件的振动信号数据采集上来；进一步，利用部署在边缘计算节点上的故障诊断模型就近对故障进行诊断。(2)在线更新边缘计算节点识别更新样本，更新样本识别同时考虑经过微弱信号增强的新样本的RALD值和RPE值的影响，使用DS证据距离的改进加权证据融合算法对RALD和RPE值进行融合输出，识别更新样本后更新故障诊断模型。与现有技术相比，本专利技术的优点和积极效果在于：本方案将原云计算中心承担的的部分耗费带宽、计算资源、实时性要求高的计算任务，迁移到数据源附近的边缘计算节点执行，利用近端边缘计算节点资源，减少了网络数据的传输量并提高故障诊断的时效性；提出了基于DS证据距离的改进加权证据融合算法，对RALD和RPE值的融合输出识别更新样本，通过故障诊断模型的在线更新有效地降低了概念漂移导致的故障诊断的误差，提高了故障诊断的精度；通过任务调度策略将故障诊断模型更新任务分配到不同的边缘计算节点，进一步提高了故障诊断的实时性。附图说明图1为本专利技术实施例所述基于边缘计算和更新样本智能识别的关键承力结构件健康监测系统结构框架图；图2为本专利技术实施例所述离线模型训练流程图；图3为本专利技术实施例所述在线监测和在线更新流程图。具体实施方式为了能够更加清楚地理解本专利技术的专利技术目的、特征和优点，下面结合附图及实施例对本专利技术做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用不同于在此描述的其他方式来实施，因此，本专利技术并不限于下面公开的具体实施例。如图1所示，本实施例公开了一种基于边缘计算和更新样本智能识别的高铁转向架健康监测系统，将计算、存储、带宽等资源分摊到边缘计算节点上，分为中心云计算层、边缘云计算层和边缘端计算层。1.中心云计算层中心云计算层，实现安全状态信息的监控和预警以及离线故障诊断模型的训练。(1)安全状态信息的监控和预警实时监测加速度传感器的工作状态、通信信道状态、系统存储空间使用情况，对边缘云计算层上传的数据进行存储和分析，实现对入云的所有高铁实时安全状态信息的监控和预警。(2)离线模型训练如图2，中心云计算层对故障诊断模型进行离线训练，故障诊断模型中的子模型选择RVFL网络。1)动力学仿真模型的建立训练数据采用ADAMS/Rail通过对车辆子系统进行装配的方法建立动力学系统的集成模型获得。转向架子系统由前后两个转向架构成，主要参数基本一致。建模时假定子系统全部为刚体，均具有6个自由度。转向架子系统创建步骤：a)定义硬点创建轮对。根据坐标位置、车辆属性等建立双轮对。b)基于双轮对建立架构，因为轮对位置已经固定，此时不需要再创建硬点。c)根据车辆属性在轴箱位置依次建立两个前轴箱和两个后轴箱。d)建立悬挂系统，首先创建结构框架点，根据结构框架点建立一系悬挂，然后创建一个装配物体，用于连接车体和转向架，最后创建结构框架点建立二系悬挂。e)根据车体属性建立垂向、横向和抗蛇行阻尼器，然后止档、轴箱和轮对之间的连接副，最好建立抗侧滚扭杆和转臂弹性节点，即完成前转向架子系统模型的建立。f)根据建立的前转向架系统和前后转向架的距离便可建立后转向架子系统。g)利用健康状态模型模拟转向架加速度传感器采集的振动信号，结合实验测量的健康状态振动信号得到偏差，构建模型误差校正矩阵；h)利用模型误差校正矩阵对模拟本文档来自技高网...

【技术保护点】
1.一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于，将计算、存储、带宽等资源分摊到边缘计算节点上，系统包括：中心云计算层、边缘云计算层和边缘端计算层。/n所述中心云计算层，实现对入云的所有安全状态信息的实时监控和预警以及离线故障诊断模型的训练。/n所述边缘云计算层，实现边缘计算节点故障诊断模型更新任务调度、数据传输优先级调度以及实时监控。/n所述边缘端计算层，实现故障在线监测和故障诊断模型在线更新。/n

【技术特征摘要】
1.一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于，将计算、存储、带宽等资源分摊到边缘计算节点上，系统包括：中心云计算层、边缘云计算层和边缘端计算层。
所述中心云计算层，实现对入云的所有安全状态信息的实时监控和预警以及离线故障诊断模型的训练。
所述边缘云计算层，实现边缘计算节点故障诊断模型更新任务调度、数据传输优先级调度以及实时监控。
所述边缘端计算层，实现故障在线监测和故障诊断模型在线更新。


2.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于：所述中心云计算层的离线故障诊断模型训练中对微弱故障信号增强采用以下方式：
以相关峭度作为目标函数，选取有限冲击响应的滤波器通过迭代收敛准则，使已知信号相关峭度值最大，充分考虑振动信号中突变成分的周期特性，通过实现信号的解卷积运算，突出振动信号中被强噪声所掩盖的连续脉冲突变成分，实现微弱故障信号分离。


3.根据权利要求1所述的基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康检测系统，其特征在于：所示中心云计算层的离线故障诊断模型训练中特征提取和降维采用以下方式：
采用同步压缩小波变换对分离后的信号进行时频分析，经离散小波变换、相变换、同步压缩及信号重构处理后，获取能够表征不同故障的时频矩阵；进一步利用非负矩阵分解精简和优化特征空间，以计算得到的稀疏表达矩阵作为最终信号特征。


4.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于：所述中心云计算层的离线故障诊断模型训练中构建特征子集采用以下方式：
根据降维之后的特征向量采用有放回均匀抽样的BootStrap算法建立训练集的特征子集：



其中J是训练子集的数量，即候选子模型的数量；l代表特征向量的个数，总数为k。


5.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于：所述中心云计算层的离线故障诊断模型训练中子模型的构建与合并采用以下方式：
(1)构建三...

【专利技术属性】
技术研发人员：刘扬，杜泽厚，焦美凤，赵振，姜明顺，张雷，张法业，
申请(专利权)人：青岛科技大学，山东大学，
类型：发明
国别省市：山东;37