[发明专利]基于边缘计算与机器学习的轨道交通智能运维系统及方法

说明书

本发明公开了基于边缘计算与机器学习的轨道交通智能运维系统及方法，系统包括端服务层、边服务层和云服务层；端服务层包括端传感器、端控制器、端服务器和车辆TCMS系统；边服务层位于包括线路智能运维系统、生产业务管理系统和车辆智能检修系统；云服务层包括智能运维大数据中心。本发明充分利用物联网技术，在车辆上实现统一进行数据采集，数据能够深度融合；能够及时就地处理数据；利用机器算法实现优化，在提高车辆系统安全的同时也为运维人员提供数据决策支持；通过端、端协同，车辆上的端服务器能够通过自身无线通信与设定距离内车辆的端服务器进行连接通讯，能够实时智能感知设定距离内车辆的健康状态及故障信息，及时地避免安全隐患。

技术领域

本发明涉及轨道交通运维技术领域，具体涉及一种基于边缘计算与机器学习的轨道交通智能运维系统及方法。

背景技术

随着轨道交通行业的发展，投入运营的轨道车辆逐年增多。轨道车辆在向智能化方向发展的过程中，为了保证轨道车辆的行车安全，通常需要实时对轨道车辆作出诊断，精确掌握车辆的健康状态。在传统模式下，涉及轨道交通行车相关的多专业包括车辆、供电、信号、站台门、轨道弓网等专业、各自分别部署了一套智能运维系统，智能运维系统是指利用先进传感器技术获取被管理系统的实时运行状态信息，并借助大数据、人工智能等先进技术手段及模糊逻辑等推理算法，根据实时数据、当前工况因素和历史数据等，对被管理系统进行健康状态评估和故障预测。通过人工读取各个系统的运行状态来做出下一步的决策,无法做到及时快捷，另外，各系统产生的数据缺乏及时有效分析以及相应的数据共享，造成“数据孤岛”，导致维修统筹能力不足，具体而言，轨道车辆涉及的数据包括在途实时运行状态数据(车门、转向架、牵引动力系统、制动系统、车载信号、辅助系统、弓网检测、轮轨检测等)，车辆智能检修系统数据(智能检修机器人、车侧走行部检测、车辆360°视觉检测、轮对等效锥度检测等)，生产业务管理系统数据(车辆状态管理、站台设备管理、运营日计划管理、施工维护管理、关键设备定位管理、智能手持终端等)，运控子系统等。各个系统间信息无法充分共享，当设备发生故障时，各专业系统无法准确的定位故障，尤其是跨专业的结合部故障定位，排查故障时间长，专业数据挖掘瓶颈等问题。

一是数据采集设备众多。涉及车辆在途监测数据系统繁多、数据庞大、相互存在数据交互协议不统一、数据难以深度融合的问题，行成数据孤岛。

二是数据分析不及时。轨道车辆在途监测数据大多不是实时诊断、实时分析。例如振动数据，一般系统设定相应的采集周期和采集时间，采集结束后再进一步进行数据分析诊断，这样会存在故障点遗漏和诊断结果延迟情况，数据通过无线传输到云平台处理要进行实时分析，对相应的网络带宽和时延要求高。

三是专业数据挖掘瓶颈。轨道交通设备种类繁多，关键子系统零部件专业化极强，造成技术装备系统、核心零部件、关键设备子系统专业化分工明显，对运维人员经验要求高。对专业化极强的设备进行分析和挖掘建立及优化算法模型，相应的算法模型无法更新或自学习，并且对所有车辆都用相同、单一的算法模型，导致预测准确性低，并且不能实时进行更新，存在很大的瓶颈。

四是车辆与车辆无法直接通讯。目前没有实现自动驾驶的车辆基本都是与控制中心直接建立通讯，当出现极端情况无网络时，车辆就无法对外建立有效通讯，其他在同线路车辆也无法获得故障车辆信息，导致一定的安全隐患。

综上所诉，现在迫切需要一种能提高轨道交通车辆行车安全及运维效率，降低劳动成本的先进的运维方法。

发明内容

针对现有技术中的上述不足，本发明提供的基于边缘计算与机器学习的轨道交通智能运维系统及方法解决了现有技术轨道交通车辆行车安全及运维效率低的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于边缘计算与机器学习的轨道交通智能运维系统，其包括端服务层、边服务层和云服务层；

端服务层位于车辆上，包括端传感器、端控制器、端服务器和车辆TCMS系统；