[发明专利]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

说明书

本发明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。本发明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监测故障并在线更新故障诊断模型，有效减少了网络数据的传输量并提高了故障诊断的准确性和时效性。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

本发明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