[发明专利]一种基于边缘计算网络架构的道岔智能故障诊断方法

权利要求书

1.一种基于边缘计算网络架构的道岔智能故障诊断方法，其特征在于，具体操作步骤如下：

步骤1，该方法总体上将道岔故障诊断网络架构分为三个层次，分别是接入层、边缘云层和中心云层；

步骤2，中心云层使用已有的真实数据通过SMOTE和GAN方法进行数据增强，用于初始神经网络模型的训练，并将训练好的模型传输给边缘云层；

步骤3，接入层通过微机监测系统采集转辙机启动电流曲线数据，并发送给边缘云层进行数据存储、数据预处理和故障诊断；

步骤4，边缘云层将数据预处理后，一方面进行故障诊断，另一方面传输给中心云层进行数据存储和神经网络模型训练，并将诊断不出来的数据传输给中心云层进行备案处理；

步骤5，在步骤4的基础上，当中心云层中的真实数据量达到1万条以上时不再接收来自边缘云层的真实数据，只接收来自边缘云层智能诊断后所确定的故障数据和未识别数据；中心云层按时间周期T进行神经网络训练，将得到的神经网络模型传输给边缘云层。

2.根据权利要求1所述的一种基于边缘计算网络架构的道岔智能故障诊断方法，其特征在于，所述接入层包含了转辙机、传感器和微机监测系统等；所述边缘云层包含了边缘节点的服务器、数据库；所述中心云层包含了大型服务器和数据库；中心云层相比于边缘云层的服务器具有极强的数据计算能力和数据存储能力。

所述边缘云层用于进行数据预处理和基于神经网络模型的故障诊断，在中心云层进行神经网络模型的计算。

3.根据权利要求2所述的一种基于边缘计算网络架构的道岔智能故障诊断方法，其特征在于，步骤2具体如下：

所述中心云层存储有400条以上历史真实同型号道岔动作电流曲线数据，按正常数据和6种常见故障类型分类，其中6种同类故障电流曲线数据各50条以上，正常数据100条以上；中心云层通过这些数据使用合成少数类过采样技术SMOTE和生成对抗网络GAN方法进行数据增强；将6种同类故障电流曲线数据各增加到500条以上，正常类数据增加到1000条以上，共4000条以上数据；

其中，将正常数据类型记为f0；

轨间存在异物故障状态类型记为f1；

转换阶段波动故障状态类型记为f2；

锁闭阶段波动故障状态类型记为f3；

启动阶段波动故障状态类型记为f4；

锁闭阶段困难故障状态类型记为f5；

定、转子混线故障状态类型记为f6。

在进行电流曲线数据增强时，对f0，f1，f4和f6四类数据类型使用GAN方法，对f2，f3和f5三种数据类型使用SMOTE方法；

通过SMOTE和GAN方法生成的数据用于CNN神经网络训练，生成初始的神经网络模型，用于道岔故障诊断；该模型可以通过给定电流曲线预处理后的数据进行道岔故障诊断，诊断结果分为无故障状态、6种故障状态和未识别状态；中心云层将训练好的神经网络模型传送给各个边缘云层节点；

若真实数据中正常数据与各类故障数据均达到1万条以上时，便取消SMOTE和GAN方法生成的样本数据，全部采用来自接入层的真实数据做CNN模型的训练。

4.根据权利要求1所述的一种基于边缘计算网络架构的道岔智能故障诊断方法，其特征在于，步骤5所述周期T根据用户需求定义，默认为1周。

5.根据权利要求3所述的一种基于边缘计算网络架构的道岔智能故障诊断方法，步骤3具体如下：

接入层将微机监测系统收到的电流曲线数据就近传送给边缘云层结点，进行数据存储、数据预处理和故障诊断；

数据预处理是将收到的电流曲线数据进行数据补长、数据分段和特征提取。之后，使用中心云层的传输的神经网络诊断模型将预处理后的数据进行故障诊断；

数据补长是指将电流曲线数据长度补零至576；

数据分段是指将补偿后的数据依据滑动窗口方法分成三段，分别是解锁、转换和锁闭阶段；

特征提取是指采用11个广泛使用的特征提取方程来描述曲线的几何特征，包括进出口差值、平均值、均方根值、方差、查分和、峭度值、峰值因子、波形因子、脉冲因子和裕度因子。