基于边缘计算的大规模减速顶在线监测及智能预警系统

魏瀚峰

(中国铁路上海局集团有限公司 运输部， 上海 221000)

0 引言

减速顶在编组站的大量使用，在全路范围内安装运用各类减速顶超过100多万台，目前减速顶的巡检、监测、维修还停留在传统的粗放管理状态。

(1) 减速顶的检测维修，依靠人力日常巡检为主，拉网式的巡检，效率低。

(2) 巡检以肉眼观察、工人脚踩来判断，缺乏标准的量化手段做支撑，容易导致检查盲区。

(3) 巡检在行车窗口期间进行，无法实现减速顶工况实时监控，无法做到事前预防和安全预警。

(4) 无法对车辆过顶速度、过顶压力、调速效果进行有效的实时监测，以及综合分析。

(5) 由于缺乏数据支撑，无法获取减速顶的轮压次数、使用损耗、状态信息，使得减速顶的安装、使用、维修，依赖粗放经验估计，无法做到精益管理。

不少研究人员从不同方向致力于减速顶故障监测的研究和探索。

郑百玲等[1]提出减速顶故障判定方法，通过在减速顶底部安装压力传感器，通过压力传感器采集压力信号并根据该压力信号绘制压力时间曲线图，查看周期内的压力值波峰数，根据波峰数判定减速顶是否正常。

闫祖东[2]提出了减速顶动态性能监测管理系统设计与应用，该方法是使用计算机替代人工记录减速顶的维修使用和耗材磨损情况，建立减速顶维修及耗材记录数据库。通过对相关数据的统计分析，推断车站减速顶的磨损情况和使用状态。

鞠欣然[3]提出减速顶信息采集及网络管理系统，综合分析系统中汇总的检修数据，以减速顶检修记录和股道滚压次数为基础，进行综合分析，实现对达到检修条件的减速顶进行汇总预警。

要义勇等[4]提出的减速顶物联网故障预警方法,通过NB-IoT组网技术将减速顶设计成物联网感知层的节点，实现对减速顶运动曲线的监测、存储、处理和联网转发。通过部署云端数据库实现减速顶各节点数据的批量化存储和应用，通过构造标准周期曲线、计算多区间运动曲线的样本熵系数来评价减速顶的健康状态。

Bezukladnikov[5]提出了监测和控制车站和港口集装箱的系统，特点在于对多个对象进行监测和控制，相关的车辆减速器作为对象之一，作为整个系统的输入之一。

Tu Xuyue[6]提出的空气压缩机的监测方法，可以远程监测4台空气压缩机的参数，这种方法还无法采集和处理大规模数量的对象。

总结上述研究者的研究结果，概括为以下4种方法，如图1所示。

图1 减速顶分析方法

由于减速顶使用的站场环境复杂，减速顶影响因素众多的情况，针对这种情况，目前研究的减速顶故障监测方法还存在着如下局限性。

(1) 考虑因素单一。过顶压力是减速顶作用的一个很重要的因素，但由于现场情况复杂，影响因素多，只考虑过顶压力一个因素难以代表全面性。

(2) 有些方式是根据减速顶的检修记录来进行分析，这需要工作人员在事后将大量的检修记录手动输入管理系统，难以起到实时监测的作用。

(3) 采用互联网传输减速顶数据，通过部署公有云端数据库实现减速顶各节点数据的存储和应用，这种方式存在着铁路数据的安全性问题。

(4) 考虑铁路运输作业的特点，目前的测试和监测都是在模拟环境下进行，而在实际铁路运输作业过程中，以及车列真实运行环境下，没有实现减速顶工况数据实时采集。

(5) 即有的研究还停留在减速顶工厂对单个减速顶进行模拟工况测试的程度，无法满足铁路运输道上作业实际应用的需要。

通过仔细研究减速顶的实际应用场所—--编组站的各方面情况，提取减速顶应用重要特征如下。

(1) 对于一个编组站，减速顶使用数量非常大，达到几千个甚至上万个。

(2) 对时间响应要求高，工作人员需要及时掌握所有减速顶的工作状态。

(3) 减速顶的工作状态受到多个因素的影响，诸如，过顶压力、过顶速度、外界温度和车辆载货重量等。

(4) 减速顶的使用场地广阔，环境复杂，场地内已经部署了很多各类电线、信号线以及其他管线等。此环境下，对每个减速顶部署数据传输线不可行。

鉴于以上特征，已有的研究中还没有一个有效的方法，本文提出了基于边缘计算的大规模减速顶在线监测及智能预警系统，采用物联网技术连接编组站所有减速顶，自动采集传输数据。通过构建边缘计算节点，实现数据在边缘计算节点的预处理，提高整个系统大数据量的处理速度及传输效率，满足对大规模减速顶状态实时监测的需要。通过神经网络模型获得减速顶的健康状态参数，实现对减速顶工作状态的智能预警。本系统部署在上海南翔站，使用了18个月，验证了本系统在实际环境下的有效性。

1 系统架构

随着物联网相关技术的快速成熟发展，结合站场调车业务的需求，提出了基于边缘计算的大规模减速顶在线监测及智能预警系统。

整个系统包括：传感器、采集网关、汇聚网关、应用控制器以及减速顶在线监测及智能预警系统软件平台，如图2所示。

图2 系统网络拓扑

整个数据传输结构采用物联网的结构：感知层、传输层、应用层。

(1) 感知层

感知层起到采集减速顶状态数据的作用。包含有减速顶和采集网关两部分。其中，压力传感器内嵌在减速顶中，压力传感器中内置了智能芯片，压力传感器采集到压力，通过对应的转换计算，保存在智能芯片中，同时把相关的过顶时间值也保存在该芯片中。

通过高频对车轮滚过减速顶的过程中采集过顶压力，采集周期结束后，智能芯片保存一系列压力数据和过顶时间点，并将这些数据传送到对应的采集网关。

(2) 传输层

传输层起到把数据传送到应用控制器的作用。

采集网关与汇聚网关之间，通过无线传送方式进行数据传送。现场环境复杂，通过布线的方式建立传输网络，施工难度大，且网线在现场环境下易折断，并妨碍现场设备的部署和现场作业人员的快速移动。

综合各方面现场因素的考虑，采用zigbee无线组网技术，底层采用IEEE 802.15.4标准规范协议。

该无线协议具备以下技术特点。

① 该协议组成的一个无线网络，理论最大节点数就是2的16次方(即65 536)。对于规模大的编组站，其最大减速顶数量不超过20 000台，以上节点数量可满足减速顶的现场使用，具有很强的扩展性。② 网络中的任意节点之间都可进行数据通信。在有节点加入和撤出时，网络具有自动修复功能。对于多个采集网关，只要在网络通信的范围内自动找到对方，他们就可以快速形成互连的网络。而且，由于采集网关的有效性变动，通过重新搜索通信对象，确定它们之间的联系来重置原始网络，形成自组网，极大提高了无线网络的自适应性，保证了采集网关正常无线传输的可靠性[7]。

当一个网络节点的生存路径变化后，可以自动更新网络路径，通过迂回路由保持网络节点通路可达，如图3所示。

图3 标准规范协议

汇聚网关与应用控制器之间数据传送到汇聚网关后，汇聚网关通过IP网络把数据送到应用层。

(3) 应用层

在应用层包含有应用控制器、减速在线监测及智能预警系统软件平台就部署在应用控制器上，调车管理人员通过访问应用控制器，查询相关的减速顶数据，实时掌握各个减速顶的运行状态，实现在线监测和智能预警等。

2 融合边缘计算技术实现大数据处理

对于一个编组站来说，一条股道就要安装几十个乃至上百个减速顶，而这种股道至少有几十条。对于繁忙的编组站来说，一条股道一天溜放的车厢达到上百节，在这种情况下，产生并要传送的数据量是很大的。

随着物联网、大数据等信息技术的快速发展，传统的网络中心节点的结构已经无法满足智能感知、远程监控、远程控制等场景对低延迟的高要求。而现场调车业务对系统的实时性有较高的要求，这就要求网络具备传输低延迟。

按照传统的网络设计，把大量的减速顶的数据全部传送到中心节点上进行处理，这种结构存在两种弊端。

(1) 大量未经处理的数据传到中心节点后，加大了中心节点的负担，使中心节点超负荷运转，降低了中心节点的效率。

(2) 大量未经处理的数据，不断通过网络传输到中心节点，占据了大量的网络带宽，会导致整个网络传送效率的下降，并影响车务及其他业务的网络运行效率。

为了解决这个问题，通过边缘计算技术来优化系统架构，提升系统的性能。边缘计算，是指在靠近数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务等方面的基本需求[8]。

把汇聚网关作为边缘计算节点，对原始数据进行预处理：数据过滤、数据净化、数据转换等计算处理后，把经过处理后的数据传送到中心节点，由中心节点进行全局的、深度化的处理，如图4所示。

图4 减速顶数据计算节点

(1) 采集网关传送的大量数据在汇聚网关(边缘计算节点)进行数据预处理，然后传送到应用控制器(中心节点)，减少了中心节点计算资源的消耗，提升中央节点处理全面、深度业务的性能。

(2) 在汇聚网关进行预处理后，形成的中间结果数据的数量大大减少，在传送过程中所占用的带宽资源也减少，为保证网络整体传输性能发挥了巨大作用。

(3) 基于物联网的结构设计，未来对系统有更智能化的需求，将会根据中心节点计算的处理结果，以一种新的智能方式推送到边缘计算节点，以控制终端迅速做出调整，由于边缘计算节点更加靠近终端，将使系统的实时性更好。这种低时延的要求，是边缘计算节点一个重要的特点[9]，如图5所示。

图5 减速顶数据流程

3 减速顶的智能预警

从大量的实际经验中，得出只依靠过顶压力作为唯一因素判别减速顶状态是不全面的，因此，需要把相关的多种因素作为智能算法的输入变量。

在数据分析方面，本系统结合各个维度的数据进行分析，有静态数据，也有动态数据，各方面的数据汇聚到系统中，由于因素多，相关性复杂，依靠经典算法，难以找出数据之间的关联关系。本系统采用人工神经网络，对大量的现场数据进行训练，在数据分析方面起到了很明显的效果。

本系统采用三层神经网络结构，进行分析计算[10]，如图6所示。

图6 减速顶数据计算模型

其中，输入层，用于变量的输入。隐含层，通过连接的权重及节点的函数得出一系列中间过程数据。输出层，通过权重与中间过程数据的计算，得出最后的结果。

选择的输入变量有。

(1) 过顶压力(x1)

(2) 过顶速度(x2)

(3) 持续天数(x3)

(4) 现场温度(x4)

输出结果y为减速顶健康状态结果。结果的范围区间为[0,1]，如果结果小于阈值，该系统就开始预警，让工作人员注意该减速顶的工作状况，消除工作中的安全隐患。

先根据采集的数据以及现场工作人员的经验，形成神经网络的数据训练集，对神经网络模型进行训练[11]。

训练完后才能把该神经网络模型部署到应用控制器上，对实际调车工作中产生的数据进行计算判断，得出减速顶的健康状态。

该模型扩展性强，对于新的影响因素，可通过增加输入变量的方式，并重新训练神经网络模型即可，形成持续的学习模式。

4 实际应用效果

本系统选定上海南翔站下行场19道作为试用股道，在19道共安装减速顶100台。具体减速顶安装数据如表1所示。

表1 南翔站19道减速顶布顶间距明细表

现场减速顶间距情况如图7所示。

图7 减速顶现场部署示意图

减速顶智能单元包括可无线发送数据的采集网关和采集终端，汇聚网关安装在室外防水箱内。同时从灯桥旁边的站房将网线接入到灯桥旁边的防水箱内，并提供接入IP口和IP地址，汇聚网关天线固定在灯桥上面，如图8所示。

图8 减速顶现场部署网络接入

4.1 验证效果

(1) 该系统进入大规模实用阶段，具备在线监控10 000个减速顶的能力。在上海南翔站现场部署了一条股道100台减速顶，系统运行了1年半，经受了各种气候的考验，整个系统运行正常。

(2) 所用的减速顶经过各种车辆上万次的轮压，整个系统采集、传送、存储、处理功能均正常。

(3) 有效性验证。智能预警的方法得到了站场的有效实际验证，对于被预警的减速顶，维护人员实地检查，发现有问题的减速顶确实存在油压不足等问题，起到精准预警的作用。

(4) 可靠性验证。通过相邻减速顶数据、历史数据、运输作业数据进行智能大数据分析、避免误报和漏报，满足现场实际运输作业安全管理的要求。

5 总结

本系统采用高频采集数据，采集到车轮通过减速顶时的整个压力变化过程。专家研究指出，减速顶效果理想的压力变化过程如图9所示。

图9 性能良好的减速顶压力波形

而有些减速顶状态在实际使用中工况劣化如图10所示。

图10 减速顶性能劣化后的压力曲线图

经过分析，发现减速顶由健康状态发展到亚健康、不健康状态，将有几个月、甚至几年的时间过程。通过持续完善数据的采集，提升数据算法，结合车轮过顶压力变化的全过程，找出减速顶状态变化的规律，更早的发现隐患，做好更精准的监测工作。