一种基于云边协同的公路交通多能变换装备实时监测系统

1.本发明涉及一种多能变换装备监测系统，具体涉及一种基于云边协同的公路交通多能变换装备实时监测系统。


背景技术：

2.随着我国在公路交通领域飞速发展，我国已形成了巨大的公路交通网络，由于地域原因，公路网络涉及高原、山地、沙漠、隧道等不同场景，这就导致了公路交通多能变换装备服役环境复杂化，服役性能受雷暴、高低温、机械应力、电磁应力、烟雾腐蚀等影响巨大，并且不同地域对服役性能的影响程度不一，因此，对于多能变换装备的实时运行状态进行监测是十分有必要的。
3.从目前我国公路交通针对多能变换装备监测系统来看，目前主要存在以下问题1)监测数据量大，存在过多无用数据，导致决策传达滞后；2)目前的监测体系单一；3)对异常数据的检测效率低，无法对大量的传输数据中的异常数据进行快速识别。
4.专利公开号：cn 113110386 a，涉及一种gis/gil设备机械振动状态在线监测及机械故障云诊断系统，通过gis/gil设备云诊断平台对多变电站交互数据的接入、处理等功能，实现电力设备的智能运维，但该发明在处理振动信号时，由于振动信号产生数据量大，缺少对数据的预处理，容易使监测数据的大量堆积，监测系统反应缓慢，造成故障误诊，无法保证设备的正常运行；专利公开号：cn 111784026a，涉及一种变电站电气设备监测、分析、处理系统，特别是一种基于云边端协同感知的变电站电气设备全方位体检系统，通过全方位利用监测数据、能够提供智能化处理方案，推动建设智慧变电站建设，提升变电站电气设备状态的智能评估和安全预警水平，但该发明在面对海量监测数据时，存在对数据的利用率不高，对异常数据的分析处理过于简单等缺陷；专利公开号：cn 11142049 a，涉及一种基于边云协同机制的变压器智能故障诊断方法，以期采用多种参数值全面监测变压器故障并利用中心云一边缘端一终端的三层架构协同实现变压器的故障诊断，但该发明在处理监测数据手段过于简单，且监测数据不能够得到有效的保护，容易造成数据丢失泄露等隐患；专利公开号：cn 115098330 a，涉及基于云边协同模式的设备异常检测系统及方法，通过多个隐层维度不同的故障检测模型之间的集成互补来提高设备异常检测性能，并且无需构建特定于问题场景的模型结构、无需先验经验与专业知识，但该发明对异常数据的检测效率较低，无法对大量的传输数据中的异常数据进行快速识别，可能会导致决策传达滞后，不能保证监测设备的正常运行。


技术实现要素：

5.为了解决以上技术缺陷和不足，本发明提出一种基于云边协同的公路交通多能变换装备实时监测系统，利用边缘计算，云端计算等技术手段，形成一套技术成熟、安全可靠、反应迅速的多能变换装备监测系统。
6.一种基于云边协同的公路交通多能变换装备实时监测系统，包括前端数据采集单
元、网络传输单元、后端云边协同数据处理单元以及应用层报警单元，其特征为：前端数据采集单元通过网络传输单元将采集的数据传输至后端云边协同数据处理单元的边缘层对数据进行初步处理；所述边缘层将异常数据上传至后端云边协同数据处理单元的云端对异常数据智能分析，并识别出故障类型后向应用层报警单元发出故障信号，该应用层报警单元接收到故障信号后在信息显示模块显示出故障类型。
7.优选为：所述前端数据采集单元包括传感模块、信号放大模块、a/d转换模块、网络传输模块、存储模块、串口通信模块、微处理器模块、电源模块；所述传感模块包括温度传感、振动传感、电流传感、电压传感、电磁传感、机械应力传感，分别用于采集多能变换装备的温度、振动、电流、电压、电磁、机械应力实时运行数据，所述信号放大模块将采集到的信号进行放大，提高信号的可信度；所述a/d转换模块将电信号转换成数字信号；所述网络传输模块采用sx1268芯片将监测数据发送至云边协同数据处理部分；所述存储模块采用at24c02芯片将监测数据存储起来；所述串口通信模块采用rs-485通信接口建立与边缘层之间的通信连接；所述微处理器模块采用stm32l芯片进行监测数据的预处理；所述电源模块采用lm2575和lm1117-3.3芯片为传感器提供稳定电源；
8.优选为：所述网络传输模块包括通过5g通信、lora组网通信和公路沿线已经建成的有线网络链路将监测数据传输至边缘层。
9.优选为：所述数据采集单元通过网络传输模块将采集的数据传输至边缘层，边缘层对数据进行初步处理，识别出异常数据。
10.本发明还公开一种基于云边协同的公路交通多能变换装备实时监测方法，其特征在于：包括如下步骤：
11.步骤1：前端数据采集单元实时采集多能变换装备的运行数据：采集多能变换装备的温度、振动、电流、电压、电磁、机械应力实时运行数据；
12.步骤2：前端数据采集单元通过网络传输模块将采集到的数据上传至边缘层，边缘层对数据进行初步处理，通过异常数据识别方法，筛选出异常数据c,并将其进行标记，所述边缘层可以是路边部署的基站、路侧单元，智能网关等；
13.步骤3：云端通过故障类型识别流程进行异常数据的智能运算，通过训练样本矩阵求解异常数据c的测试数据矩阵x，以此来判断故障类型；
14.步骤4：云端通过对异常数据的智能运算，识别出故障类型，立即向应用层报警单元发出故障信号，应用层报警单元接收到故障信号后迅速响应，在信息显示模块显示出故障类型，同时报警模块立刻发出警报声音，维护调修人员可以根据信息显示模块的故障类型提醒迅速进行维修，从而保证多能变换装备的正常运行。
15.有益效果
16.本发明利用边缘层对采集到的数据进行初步处理，筛选出异常数据，再将异常数据上传至云端；云端通过故障识别架构对异常数据进行计算分析，得到故障类型，再向应用层报警单元发出故障信号；应用层报警单元接收到故障信号后立即响应，维护调修人员便可迅速做出处理，通过云边协同处理在提高数据准确性的同时又减少了预警时间，从而达到预警快速响应与精准性。
附图说明
17.图1为数据采集单元示意图；
18.图2为异常数据识别流程图；
19.图3为多能变换装备故障识别流程图；
20.图4为多能变换装备在线监测系统示意图。
具体实施方式
21.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
22.实施例1
23.一种基于云边协同的公路交通多能变换装备实时监测系统，包括前端数据采集单元、网络传输单元、后端云边协同数据处理单元以及应用层报警单元，所述前端数据采集单元与后端云边协同数据处理单元建立网络通信。
24.其特征在于：所述前端数据采集单元用于采集多能变换装备实时运行数据，并通过网络传输模块上传至边缘层；
25.所述边缘层对数据进行初步处理，通过异常数据识别方法，筛选出异常数据c,并将其进行标记，所述边缘层可以是路边部署的基站、路侧单元，智能网关等；
26.所述云端通过故障识别框架进行异常数据的智能运算，通过训练样本矩阵求解异常数据c的测试数据矩阵x，以此来判断故障类型；
27.所述应用层报警单元接收到故障信号后迅速响应，在信息显示模块显示出故障类型，同时报警模块立刻发出警报声音，维护调修人员可以根据信息显示模块的故障类型提醒迅速进行维修。
28.所述前端数据采集单元包括传感模块、信号放大模块、a/d转换模块、网络传输模块、存储模块、串口通信模块、微处理器模块、电源模块；所述传感模块包括温度传感、振动传感、电流传感、电压传感、电磁传感、机械应力传感，分别用于采集多能变换装备的温度、振动、电流、电压、电磁、机械应力实时运行数据，所述信号放大模块将采集到的信号进行放大，提高信号的可信度；所述a/d转换模块将电信号转换成数字信号；所述网络传输模块采用sx1268芯片将监测数据发送至云边协同数据处理部分；所述存储模块采用at24c02芯片将监测数据存储起来；所述串口通信模块采用rs-485通信接口建立与边缘层之间的通信连接；所述微处理器模块采用stm32l芯片进行监测数据的预处理；所述电源模块采用lm2575和lm1117-3.3芯片为传感器提供稳定电源；
29.所述网络传输模块包括通过5g通信、lora组网通信和公路沿线已经建成的有线网络链路将监测数据传输至边缘层。
30.所述数据采集单元通过网络传输模块将采集的数据传输至边缘层，边缘层对数据进行初步处理，识别出异常数据。
31.如附图1所示为本发明的前端数据采集单元示意图：包括：传感模块、电源模块、信号放大模块、a/d转换模块，微处理器模块、存储模块、无线通信模块、串行通信模块；具体的：
32.电源模块提供电能；
33.传感模块将被测的参量转换成相应的电信号，送到信号放大模块；
34.信号放大模块将电信号进行滤波、放大后送至a/d转换模块；
35.a/d转换模块将电信号转换成数字信号后送达至微处理；
36.微处理器对接收的信号进行计算、存储、数据分析后，将数据传输至边缘层；
37.串行通信模块负责建立传感器监测的数据与边缘层建立通信连接；
38.无线通信模块将处理器输出的数据通过无线信道与周围的基站建立通信，达到数据的发射。
39.如附图2所示为边缘层对前端数据采集单元采集到的数据进行异常数据识别流程：获取边缘层在某一时刻接收到的数据集合c；利用c确定对应数据的平均值；获取边缘层在某一数据处理周期内的数据集合d，利用d确定对应的数据平均值；由可得在某一时刻数据处理周期内最大数据平均值和最小数据平均值；当所述或者时，则该数据异常，需将异常数据进行标记；由，可以确定正常数据区间，当所述或者时，将所述数据c标记为异常数据。
40.如附图3所示为多能变换装备故障识别及预警流程：具体流程为构建多能变换装备故障异常信号训练样本、以训练样本矩阵描述测试样本、求解测试样本稀疏向量以及输出故障类型判定。
41.将多能变换装备发生故障时的异常信号进行采集，将采集到的故障特征组成训练样本c，各种故障的样本组成训练样本矩阵ai，若多能变换装备发生第i类故障，则能够使用次序为i的多能变换装备故障训练样本集合来描述第i类故障所组成的测试样本，可得到多能变换装备测试数据矩阵x，在分类指定的未知多能变换装备测试样本过程中，通过多能变换装备测试数据矩阵x获得各故障测试数据c的稀疏向量x，且x中关于该样本的ni个系数均不等与0，则能够获得待测样本的故障类型。
42.以此，在不同环境条件条件下，根据相同故障在不同环境下所表现出来的特征值，来构建故障训练样本，通过反复的训练、测试得到不同环境条件下的训练样本数据，将训练样本数据上传至云端，云端根据故障识别及预警流程，通过大数据智能计算，从而掌控全局，若多能变换装备出现故障，云端便可快速识别故障，发出预警信号。
43.如附图4所示为多能变换装备在线实时监测系统概念图：他包括前端数据采集单元、网络传输单元、后端云边协同数据处理单元以及应用层报警单元。
44.前端数据采集单元包含电源模块，由lm2575与lm1117-3.3两个电源芯片组成，可以同时分别提供不同电压，满足不同传感模块的电源需求。
45.采用stm32l芯片，该芯片具有功耗低、模拟技术性能优良、运行稳定等优势，尤其对恶劣环境适应性极强，可在-40℃-85℃环境下运行。
46.其存储单元选用at24c02，能有效避免中心节点出现掉电现象时造成的数据丢失问题。
47.无线通信单元采用sx1268芯片，并将ieee802.15.4作为射频标准，最大发射功率可达22dbm，数据传输速率为300bps-62.5kbps。
48.串行通信单元采用rs-485接线方式。
49.边缘层通过对前端数据采集单元采集的数据进行局部分析、局部计算，从而筛选出异常数据，去除其他无用数据，大大减少了数据传输量，也提高了采集数据的可靠性。
50.云端进行故障识别，通过构建的多能变换装备故障异常信号训练样本、以训练样本矩阵描述测试样本、求解测试样本稀疏向量以及输出故障类型判定识别架构，精准的故障进行快速识别；
51.应用层报警单元接收到故障信号后迅速响应，在信息显示模块显示出故障类型，同时报警模块立刻发出警报声音，维护调修人员可以根据信息显示模块的故障类型提醒迅速进行维修。
52.实施例2
53.一种基于云边协同的公路交通多能变换装备实时监测方法，包括上述的应对多变环境下的多能变换装备实时监测系统，其特征在于：
54.步骤1：前端数据采集单元实时采集多能变换装备的运行数据：采集多能变换装备的实时运行数据；
55.步骤2：前端数据采集单元通过网络传输模块将采集到的数据上传至边缘层，边缘层对数据进行初步处理，通过异常数据识别方法，筛选出异常数据c,并将其进行标记，所述边缘层为路边部署的基站、路侧单元，智能网关；
56.异常数据识别方法包括如下步骤：
57.1)边缘层在某一时刻接收到的数据集合为c＝{c1,c2,...,ci,...cn}，其中，ci为边缘层所接收前端数据采集单元采集的第i个数据大小，n为边缘层在该时刻所接收的数据总数量；
58.2)根据1)中的c，求出其数据平均值c:
59.其中i＝1,2...n
60.3)边缘层在某一数据处理周期内的数据集合为d＝{d1,d2,...dj,...dm}，其中dj为在该数据处理周期内第j个时刻数据大小，m为在该数据处理周期的所有时刻的数据总数量，其中，所述某一时刻数据处理周期是指在时间上先于1)中所述的某一时刻；
61.4)根据2)求出边缘层在某一数据处理周期内的数据平均值：
62.其中为在该数据处理周期内第j个时刻数据平均值，j＝1,2....m；
63.5)由4)可得在某一时刻数据处理周期内最大数据平均值和最小数据平均值，其中为中的最大值，为中的最小值，当所述或者时，则该数据异常，需将异常数据进行标记；
64.6)所述异常标记，数据由4)和5)中所述可以确定正常数据区间,其中:
[0065][0066]
[0067]
其中：avg()为提前设置的平均值处理函数，当所述或者或者时，将所述数据c标记为异常数据。
[0068]
步骤3：边缘层将异常数据上传至云端，云端通过故障类型自动识别流程进行异常数据的智能运算，通过训练样本矩阵求解异常数据c的测试数据矩阵x，以此来判断故障类型；
[0069]
故障类型自动识别流程如下：
[0070]
1)构建故障异常数据训练样本矩阵ai：
[0071]ai
＝[v
i,1
,v
i,2
,
…
,v
i,ni
]，其中ni为第i类多能变换装备故障的训练样本数，v
i,j
为次序为i的故障中第j个训练样本；
[0072]
2)将需要诊断的故障测试样本用c描述：
[0073]
c＝a
i,1ci,1
+...+a
i,nici,ni
，其中c
i,j
为第i类故障中第j个训练样本集合，a
i,j
为第i种故障中第j个测试样本的权重系数；
[0074]
3)指定的多能变换装备故障测试数据c，用训练样本矩阵a的线性形式对c进行描述：
[0075][0076]
4)由3)得到测试数据矩阵x：
[0077]
式中a
i,j
为第i种故障中第j个测试样本的权重系数，j＝1,2...n，
[0078]
若c的故障类型次序为i，则只需要第i类样本数据的描述c即可，此时可得到：
[0079]
x＝[0，
…
，0，a
i,1
,
…
,a
i,n
,0,
…
0]，x的系数中不等于0的仅有一个，其余系数均等于0，此时x为稀疏向量，是c的稀疏分解；
[0080]
5)在描述多能变换装备故障测试样本过程中，通过4)获得稀疏向量x，通过x中关于该样本的ni个系数不等于0，可得到故障类型。
[0081]
步骤4：云端通过对异常数据智能分析，识别出故障类型，立即向应用层报警单元发出故障信号，应用层报警单元接收到故障信号后迅速响应，在信息显示模块显示出故障类型，同时报警模块立刻发出警报声音，维护调修人员可以根据信息显示模块的故障类型提醒迅速进行维修，从而保证多能变换装备的正常运行。
[0082]
本发明通过云边协同共同完成多能变换装备的在线实时监测，通过边缘层对数据的初步处理减少了无用及冗余数据，极大的减少了数据传输量，提高了监测数据的可靠性；通过云端对异常数据的故障识别从而可快速判定故障类型，做到快速响应、精准识别、迅速处理，保证了多能变换装备的安全可靠运行。
[0083]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

技术特征：
1.一种基于云边协同的公路交通多能变换装备实时监测系统，包括前端数据采集单元、网络传输单元、后端云边协同数据处理单元以及应用层报警单元，其特征为：前端数据采集单元通过网络传输单元将采集的数据传输至后端云边协同数据处理单元的边缘层对数据进行初步处理；所述边缘层将异常数据上传至后端云边协同数据处理单元的云端对异常数据智能分析，并识别出故障类型后向应用层报警单元发出故障信号，该应用层报警单元接收到故障信号后在信息显示模块显示出故障类型。2.根据权利要求1所述的一种基于云边协同的公路交通多能变换装备实时监测系统，其特征为：所述前端数据采集单元包括传感模块、信号放大模块、a/d转换模块、网络传输模块、存储模块、串口通信模块、微处理器模块、电源模块；所述传感模块采集多能变换装备的实时运行数据；所述信号放大模块将采集到的运行数据进行放大；所述a/d转换模块将放大的信号转换成数字信号；所述网络传输模块将所述数字信号发送至云边协同数据处理部分；所述存储模块将监测的运行数据存储；所述串口通信模块采用rs-485通信接口建立与边缘层之间的通信连接；所述微处理器模块采用stm32l芯片进行监测数据的预处理；所述电源模块采用lm2575和lm1117-3.3芯片为传感器提供稳定电源。3.根据权利要求1所述的一种基于云边协同的公路交通多能变换装备实时监测系统，其特征为：所述网络传输单元包括通过5g通信、lora组网通信和公路沿线已经建成的有线网络链路。4.根据权利要求2所述的一种基于云边协同的公路交通多能变换装备实时监测系统，其特征在于：所述实时运行数据为多能变换装备的温度、振动、电流、电压、电磁、机械应力数据。5.一种基于云边协同的公路交通多能变换装备实时监测方法，其特征在于，包括如下步骤：步骤1：前端数据采集单元实时采集多能变换装备的运行数据：采集多能变换装备的实时运行数据；步骤2：前端数据采集单元通过网络传输模块将采集到的数据上传至边缘层，边缘层对数据进行初步处理，通过异常数据识别方法，筛选出异常数据c,并将其进行标记，所述边缘层为路边部署的基站、路侧单元，智能网关；步骤3：边缘层将异常数据上传至云端，云端通过故障类型识别流程进行异常数据的智能运算，通过训练样本矩阵求解异常数据c的测试数据矩阵x，以此来判断故障类型；步骤4：云端通过对异常数据智能分析，识别出故障类型，立即向应用层报警单元发出故障信号，应用层报警单元接收到故障信号后迅速响应，在信息显示模块显示出故障类型，同时报警模块立刻发出警报声音，维护调修人员可以根据信息显示模块的故障类型提醒迅速进行维修，从而保证多能变换装备的正常运行。6.根据权利要求5所述的一种基于云边协同的公路交通多能变换装备实时监测方法，其特征为：所述异常数据的识别方法包括如下步骤：1)边缘层在某一时刻接收到的数据集合为c＝{c1,c2,...,c
i
,...c
n
}，其中，c
i
为边缘层所接收前端数据采集单元采集的第i个数据大小，n为边缘层在该时刻所接收的数据总数量；2)根据1)中的c，求出其数据平均值
其中i＝1,2...n3)边缘层在某一时刻数据处理周期内的数据集合为d＝{d1,d2,...d
j
,...d
m
}，其中d
j
为在该数据处理周期内第j个时刻数据大小，m为在该数据处理周期的所有时刻的数据总数量，其中，所述某一时刻数据处理周期是指在时间上先于步骤1)中的某一时刻；4)根据步骤2)求出边缘层在某一数据处理周期内的数据平均值：其中为在该数据处理周期内第j个时刻数据平均值，j＝1,2....m；5)由步骤4)获得某一时刻数据处理周期内最大数据平均值和最小数据平均值其中为中的最大值，为中的最小值，当所述或者时，将该数据进行异常标记；6)所述异常标记的数据由步骤4)和步骤5)中所述6)所述异常标记的数据由步骤4)和步骤5)中所述确定正常数据区间其中:其中:其中：avg()为提前设置的平均值处理函数，当所述或者或者时，将所述数据c标记为异常数据。7.根据权利要求5所述的一种基于云边协同的公路交通多能变换装备实时监测方法，其特征在于：故障类型识别流程为：构建多能变换装备故障异常数据训练样本a
i
、构建故障测试样本c、用训练样本矩阵a的线性形式对c进行描述、求解测试数据矩阵x、通过x识别故障类型；1)构建多能变换装备故障异常数据训练样本a
i
：a
i
＝[v
i,1
,v
i,2
,
…
,v
i,ni
]，其中ni为第i类多能变换装备故障的训练样本数，v
i,j
为次序为i的故障中第j个训练样本；2)将需要诊断的故障测试样本用c表示：c＝a
i,1
c
i,1
+...+a
i,ni
c
i,ni
，其中c
i,j
为第i类故障中第j个训练样本集合，a
i,j
为第i种故障中第j个测试样本的权重系数；3)指定的多能变换装备故障测试数据c，用训练样本矩阵a的线性形式对c进行描述：4)由3)得到测试数据矩阵x：x＝[a1,a2…
a
k
]，式中a
i
＝[a
i,1
,
…
a
i,n
]
t
，a
i,j
为第i种故障中第j个测试样本的权重系数，j＝1,2...n,若c的故障类型次序为i，则只需要第i类样本数据的描述c即可，此时可得到：x＝[0，
…
，0，a
i,1
,
…
,a
i,n
,0,
…
0]，x的系数中不等于0的仅有一个，其余系数均等于0，
此时x为稀疏向量，是c的稀疏分解；5)在描述多能变换装备故障测试样本过程中，通过4)获得稀疏向量x，通过x中关于该样本的ni个系数不等于0，可得到故障类型。8.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求5至7中任意一项所述的方法。9.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求5至7中任意一项所述的方法。

技术总结
一种基于云边协同的公路交通多能变换装备实时监测系统，包括前端数据采集单元、网络传输单元、后端云边协同数据处理单元以及应用层报警单元，其特征为：前端数据采集单元通过网络传输单元将采集的数据传输至后端云边协同数据处理单元的边缘层对数据进行初步处理；所述边缘层将异常数据上传至后端云边协同数据处理单元的云端对异常数据智能分析，并识别出故障类型后向应用层报警单元发出故障信号，该应用层报警单元接收到故障信号后在信息显示模块显示出故障类型。示模块显示出故障类型。


技术研发人员：王健 吴炜 闫豪生 陈晨 王伟 任瀚文 李庆民
受保护的技术使用者：华北电力大学
技术研发日：2022.12.12
技术公布日：2023/7/25