[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

说明书

本发明公开了一种基于边缘计算网络架构的道岔智能故障诊断方法，包括接入层、边缘云层和中心云层。接入层传感器接收道岔电流曲线数据并发送给边缘云层进行故障诊断；边缘云层接收电流曲线数据后先进行数据预处理，再使用中心云层传输来的CNN故障诊断模型进行故障诊断；中心云层依靠少量历史数据，通过SMOTE和GAN方法生成大量数据样本，训练CNN模型，并传输给边缘云层。中心云层接收边缘云层的预处理数据替换生成样本进行CNN模型的训练；该方法解决了现有技术中存在的数据样本不均衡和人工智能神经网络故障诊断算法模型计算复杂、云计算带宽占用和边缘节点计算能力不足等问题，提高现有智能运维系统的稳定性和高效性。

技术领域

本发明属于轨道交通信息化智能技术领域，具体涉及一种基于边缘计算网络架构的道岔智能故障诊断方法。

背景技术

随着5G时代到来，带来的是高密度、高强度、高速度的铁路运行，如何确保列车运行安全与效率已逐渐成为研究热点。道岔作为铁路信号系统的重要组成部分，其主要功能是改变列车的行驶方向。由于道岔使用频繁、工作环境恶劣，因此为易损耗设备，一旦出现故障则严重影响铁路正常运营。目前我国道岔系统的稳定性和安全性主要依靠简单报警阈值装置来实时监测，即在某一时刻的工作电流、功率等参数超过阈值，表明该道岔存在异常。然而这种方式不具备及时性、准确性和智能性，无法及时、准确地发现故障，智能地得出故障类型和解决方案，给维护人员带来诸多不便，给铁路安全运营带来巨大隐患。

随着现代信号处理技术的不断进步与发展，针对道岔转辙机历史数据和工作状态，一些道岔故障特征提取和诊断方法被提出。从定性和定量两个方面进行处理，利用特征提取，数据量化以及当前比较热门的机器学习、神经网络等方法对道岔故障诊断进行研究。然而现有的方法中存在两个问题未能更好的解决，一是样本数据分布不均匀，通过微机监测系统采集到的正常曲线数据量远大于故障曲线数据量，导致数据存在严重不均衡性。二是针对神经网络算法的道岔故障诊断，是基于已有的电流曲线数据进行特征提取、神经网络训练，存在数据量小的情况下神经网络模型的精度不够，数据量大的情况下训练时间过长导致模型计算复杂等问题。

SMOTE是一种合成少数类过采样技术，该算法主要是通过部分少数类样本来合成新的少数类样本，控制新生成样本的数量和分布情况，从而实现多类样本与少类样本的平衡。GAN是生成对抗网络模型，通过生成器G和判断器D两个网络之间的相互对抗和博弈，以达到生成器生成的样本具有以假乱真的能力。通过SMOTE和GAN方法可以使故障数据集得到扩充，以达到故障样本与正常样本数目平衡。

云计算是一种高效处理大量数据的有效方式，可以作为处理大量数据的神经网络道岔故障诊断网络架构。但云服务器通常被部署在固定位置，有时离终端距离远，且随着铁路覆盖面进一步增加，云计算网络带宽负载将对整个运维系统的稳定性产生严重影响，因此单纯的云计算网络架构难以满足日益增长的铁路运维系统的需求。

边缘计算是通过在网络边缘部署带有计算及存储能力的服务器，对边缘终端进行业务处理。其最重要特征是边缘节点与边缘终端的物理接近，与传统的云计算方式相比，这种特征可以有效地降低迟延、节约能效、有利于隐私保护、减少带宽占用与提高系统实时性等。对于铁路运维系统而言，边缘计算可以将大量的业务处理过程在本地边缘层完成，而无需交由云端处理，这将大大提升整个运维系统的业务处理效率，减轻云端负荷。而由于更加靠近列车等移动终端，能够提供更快响应，减少故障发生以确保列车安全运行。

因此，基于边缘计算网络架构，结合SMOTE和GAN网络等数据增强技术，并采用人工智能神经网络，将大量数据处理的模型训练配置到中心节点，而将数据预处理等计算量小的任务配置到边缘节点，可以有效解决因道岔设备分布广、数据不均衡、云计算带宽占用和边缘节点计算能力不足等问题，提高现有智能运维系统的稳定性和高效性。

发明内容

本发明的目的在于提供一种基于边缘计算网络架构的道岔智能故障诊断方法，解决了现有技术中存在的数据不均衡和针对人工智能神经网络故障诊断算法的模型计算复杂、云计算带宽占用和边缘节点计算能力不足等问题。