CN112187942B - 一种服务于智能机舱的边缘计算系统 - Google Patents

一种服务于智能机舱的边缘计算系统 Download PDF

Info

Publication number
CN112187942B
CN112187942B CN202011063904.0A CN202011063904A CN112187942B CN 112187942 B CN112187942 B CN 112187942B CN 202011063904 A CN202011063904 A CN 202011063904A CN 112187942 B CN112187942 B CN 112187942B
Authority
CN
China
Prior art keywords
data
equipment
intelligent
module
gateway
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011063904.0A
Other languages
English (en)
Other versions
CN112187942A (zh
Inventor
陈智君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011063904.0A priority Critical patent/CN112187942B/zh
Publication of CN112187942A publication Critical patent/CN112187942A/zh
Application granted granted Critical
Publication of CN112187942B publication Critical patent/CN112187942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters 

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种服务于智能机舱的边缘计算系统，包括：智能机舱设备，包括多种机舱内的设备；硬件监测单元，包括基础模块、振动分析模块、缸压分析模块；用于对智能机舱设备进行监测，每个智能机舱设备通过这三种功能模块的组合来完成数据的分析处理后，将数据发送给智能网关单元；智能网关单元，用于对智能机舱设备相关数据进行数据清洗、数据选样、数据变换、数据归约后将有效信息上传至云平台；云平台，用于进行有效信息的交互，并通过云平台对智能机舱设备进行远程控制。本发明通过引入边缘计算，实现了机舱设备当地诊断、互联互通，又降低了机舱边缘设备与云端数据交互的负荷，能自适应选择网络与云端进行数据交互。

Description

一种服务于智能机舱的边缘计算系统
技术领域
本发明涉及智能化船舶技术领域，尤其涉及一种服务于智能机舱的边缘计算系统。
背景技术
智能化是船舶未来发展的重要方向，智能机舱是智能船舶的六大智能系统之一，是实现船舶智能化的重要体现。智能机舱应具有如下基本功能：
(1)对机舱内主推进相关的设备与系统运行状态进行监测；
(2)基于状态监测数据，对设备与系统的运行状态、健康状况进行分析和评估；
(3)根据分析与评估结果，提出合理建议，为设备与系统的使用、操作和控制、检修、管理等方面的决策提供支持；
(4)主推进装置应能由驾驶室控制站远程控制，机器处所包括机舱集控站(室)周期无人值班；
(5)无人值班周期内，机舱内的设备及系统应能连续正常运行。
要实现以上基本功能，需要使用自动化控制技术、计算机监测技术、动力系统故障诊断及预测技术并结合基于云平台的物联网及大数据挖掘技术来完成。
在传统基于云平台的物联网技术中，当传感器采集的数据量非常庞大时，会给回传链路，特别是无线回传链路带来巨大的容量和时延压力；基于云计算进行大数据挖掘会产生较大的延时，导致在延时敏感场景中无法实现及时控制和诊断；云计算在数据回传和集中存储处理中存在信息安全隐患，对内容敏感数据并不合适；至云端的回传距离长，且船舶为水路工具，容易出现链路不可靠、数据丢失、维护成本高等问题。
针对船舶移动、网络不稳定和监测设备种类多等特点，将云计算模型扩展到物联网的边缘网络来增强以云为中心的物联网，其中网络中间节点参与信息处理和决策，以提高安全性、认知、敏捷性、延迟性能和效率。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种服务于智能机舱的边缘计算系统。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种服务于智能机舱的边缘计算系统，该系统包括：
智能机舱设备，包括多种机舱内的设备，将这些设备作为监测对象；
硬件监测单元，包括三种功能模块：基础模块、振动分析模块、缸压分析模块；硬件监测单元用于对智能机舱设备进行监测，每个智能机舱设备配备至少一种，至多三种的功能模块；每个智能机舱设备通过这三种功能模块的组合来完成数据的分析处理后，将数据发送给智能网关单元；
智能网关单元，用于对接收到的智能机舱设备相关数据进行数据清洗、数据选样、数据变换、数据归约后将有效信息上传至云平台；
云平台，用于进行有效信息的交互，并通过云平台对智能机舱设备进行远程控制，以及控制或诊断算法的在线升级。
进一步地，本发明的所述智能机舱设备包括：主机、发电机组、泵浦、压缩机组、气油管路、推进轴系、轴承、齿轮箱。
进一步地，本发明的所述硬件监测单元中的三种功能模块具体为：
基础模块，包括ARM核心、电源供电、无线通讯收发端、有线网口收发端以及对应各种通讯协议的数据端口；基于ARM的基础模块基于通信总线得到某智能机舱设备的一系列热力参数，同时采集发动机的上止点位置、瞬时转速以及排温信号，实现基于瞬时转速的故障诊断以及对热力参数的处理和分析；同时能够接收由振动分析模块、缸压分析模块传来的分析数据，再通过无线及有线的通讯方式将数据信息发送给振动分析模块、缸压分析模块；
振动分析模块，包括DSP核心、振动信号接收端、与基础模块之间的通讯协议数据端口、与缸压分析模块之间的通讯协议数据端口；振动分析模块采集智能机舱设备的振动信号，再利用相应算法将数据进行实时分析，同时保证该模块与基础模块、缸压分析模块能够完成正常的数据交互；
缸压分析模块，包括DSP核心、缸压信号接收端、与基础模块之间的通讯协议数据端口、与振动分析模块之间的通讯协议数据端口；缸压分析模块同样采集智能机舱设备的缸压信号，根据对应的算法将数据进行实时处理，并完成数据信息与基础模块、振动分析模块的交互。
进一步地，本发明的所述硬件监测单元中的数据处理算法为：利用采集到的发动机的上止点信号、各缸压信号以及各路振动信号来对发动机的健康状况进行分析，通过采集到的各路信号，计算时域及频域的某些特征因子，再由特征因子来分析柴油机健康状态；其具体过程为：
(1)根据缸压信号和上止点信号的来确定截取一个完整周期的振动信号；
(2)设计一个Butterworth低通滤波器，将完整周期的振动信号经过滤波器完成滤波；
(3)时域处理得到时域特征因子：峰值因子，波形因子，脉冲因子，裕度因子，峭度因子，偏度因子，燃烧段时域能量，IVC段时域能量，EVC段时域能量；
(4)频域处理得到频域特征因子：重心频率，频率偏差，均方频率。
进一步地，本发明的所述的时域特征因子和频域特征因子的计算方法具体为：
基于Matlab语言，时域特征因子计算表达式如下所示：
ma＝max(y)
mi＝min(y)
pk＝ma-mi
av＝mean(abs(y))
rm＝rms(y)
C＝pk/rm
S＝rm/av
I＝pk/av
L＝pk/mean(sqrt(abs(y)))^2
Kr＝kurtosis(y)
Sk＝skewness(y)
P1＝sum(data1^2)
P2＝sum(data2^2)
P3＝sum(data3^2)
其中，y为经过滤波后得到的振动信号数据，pk为峰峰值，ma表示信号数据的最大值，mi表示信号数据的最小值；av为信号数据的平均值；rm为信号数据的均方根值；C为峰值因子；S为波形因子；I为脉冲因子；L为裕度因子；Kr为峭度因子；Sk为峭度因子；P1为燃烧段时域能量，P2为IVC段时域能量，P3为EVC段时域能量；
基于Matlab语言，频域特征因子计算表达式如下：
py＝fft(y)
f＝fs/2*linspace(0,1,round(n/2+1))
Y＝2*abs(py(1；round(n/2+1)))/n
FC＝sum(f*Y)/sum(Y)
VF＝sum((f-FC)^2*Y)/sum(Y)
MSF＝sum((f)^2*Y)/sum(Y)
其中，py为信号数据经过FFT快速傅里叶变换得到的结果；fs为采样频率，f为每个FFT点的频率；Y为频域幅值；FC为重心频率；VF为频率偏差；MSF为均方频率。
进一步地，本发明得到时域和频域因子后，采用BP神经网络进行故障诊断，其具体方法为：
(1)初始化BP神经网络结构，初始化种群规模、维度，以及每个粒子的速度、位置结构；
(2)计算粒子群算法适应度，比较每个粒子的适应度，确定个体极值点及全局最优极值点，更新粒子的速度和位置；其具体方法为：
设目标空间搜索空间为D维，有m个粒子的粒子群体，令其中第i个粒子的位置向量为XI＝(xi1，xi2，xi3，......xim)，令速度向量为VI＝(vi1，vi2，vi3，......vim)，令第i个粒子当前所搜索到的最佳位置PI＝(pi1，pi2，pi3，......pim)，令整个粒子群当前所搜索到的最佳位置为Pg＝(Pg1，Pg2，Pg3，......Pgm)，则粒子更新公式为：
Vid(t+1)＝wVid(t)+c1r1(Pid-xid(t))+c2r2(Pgd-xid(t))
Xid(t+1)＝Xid(t)+Vid(t+1)
式中，i＝1，2，……m；d＝1，2，3……D；c1，c2为加速常速，w为惯性权重；t为迭代步数；r1，r2为[0,1]之间的随机数；当Vid＞Vmax时，Vid＝Vmax；当Vid＜-Vmax时，Vid＝-Vmax；
(3)通过迭代，将最优粒子各维度的值作为神经网络的权值、阈值，得到训练好的BP神经网络模型；
(4)将计算得到的时域因子和频域因子输入构建好的BP神经网络模型中，输出船舶设备的故障检测结果。
进一步地，本发明的所述智能网关单元包括：边缘计算网关模块硬件、边缘计算网关模块软件及应用部分、设备接入驱动、消息路由、远程运维管理、子设备集成LoRaWAN协议栈、数据显示模块；其中：
边缘计算网关模块硬件，支持多种边缘计算的高阶能力包括边缘规则、边缘数据分析、云端远程配置、部署更新、云端监测功能；
边缘计算网关模块软件及应用部分，包括设备接入驱动、数据分析功能、消息路由功能、本地存储、远程运维管理功能；
设备接入驱动，负责认证子设备，网关获取到子设备数据后转换为智能网关单元可识别的规范的数据格式，并上报到云平台，驱动处理云平台对于网关设备的操作请求，并完成对网关设备的服务调用和处理调用结果，最终返回给云平台；
消息路由，即通过路由规则动态规划消息的传输路径，使消息按照过滤条件，从消息源路由到目标节点；
远程运维管理，远程服务访问包含了远程连接、远程文件管理和基于TCP协议的网络服务远程访问，远程连接和远程文件管理基于SSH技术实现，方便远程登录网关设备进行设备控制和文件管理；
子设备集成LoRaWAN协议栈，用于连接边缘计算网关模块硬件，通过开发的基于LoRaWAN协议的设备接入驱动将智能机舱设备接入网关；
数据显示模块，实时显示部分来自智能机舱设备且在边缘计算网关中处理后的数据结果，并具备监控和报警的功能。
进一步地，本发明的所述云平台包括：物联网平台、数据分析平台、应用开发平台；其中：
物联网平台，为设备提供安全可靠的连接通信能力，向下连接海量设备，支撑设备数据采集上云；向上提供云端API，服务端通过调用云端API将指令下发至设备端，实现远程控制；提供完整的设备生命周期管理功能，支持设备注册、功能定义、数据解析、在线调试、远程配置、固件升级、远程维护、实时监控、分组管理、设备删除功能；提供多重防护，有效保障设备和云端数据的安全；智能网关单元以及其连接的智能机舱设备接入物联网平台；
数据分析平台，具备数据分析能力，同时将数据分析的编码应用下发到网关执行；
应用开发平台，开发Web可视化应用以及移动应用APP。
本发明产生的有益效果是：本发明的服务于智能机舱的边缘计算系统，该系统通过智能网关边缘设
备将功能独立的机舱设备与云平台组成物联网系统。机舱设备(如主机、发电机组、泵浦、压缩机组、气油管路、推进轴系、轴承、齿轮箱等)通过本地通讯模块的有线或无线接口，将数据传递到智能网关边缘设备，通过边缘设备，进行机舱设备信息的本地数据的清洗、数据选样、数据变换、数据归约后将有效信息上传至云平台。
1.首次将物联网的边缘计算引入船舶机舱设备的监测诊断与健康评估，即实现了机舱设备当地诊断、互联互通，又降低了机舱边缘设备与云端数据交互的负荷，能自适应选择网络与云端进行数据交互。
2.智能机舱边缘计算系统搭建了机舱设备与云平台的桥梁，使得传统的机舱设备成为物联网的子设备，通过物联网平台方便进行信息的交互，并可以完成控制或诊断算法的在线升级，大大节省了设备维护升级成本。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的边缘计算系统组成示意图；
图2是本发明实施例的边缘计算系统示意图；
图3是本发明实施例的基于粒子群优化的BP神经网络故障诊断的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的服务于智能机舱的边缘计算系统，该系统包括：
智能机舱设备，包括多种机舱内的设备，将这些设备作为监测对象；智能机舱设备分为主机、发电机组、泵浦、压缩机组、气油管路、推进轴系、轴承、齿轮箱等。
硬件监测单元，包括三种功能模块：基础模块、振动分析模块、缸压分析模块；硬件监测单元用于对智能机舱设备进行监测，每个智能机舱设备配备至少一种，至多三种的功能模块，实现机舱的安全运行。自此，三种类型的功能模块与智能网关组成以主机设备为服务对象的智能机舱边缘计算系统的某一子系统。每一个监测的对象通过这三种类型的硬件功能模块的组合来完成数据的分析处理后，将数据发送给智能网关单元
智能网关单元，用于对接收到的智能机舱设备相关数据进行数据清洗、数据选样、数据变换、数据归约后将有效信息上传至云平台；
云平台，用于进行有效信息的交互，并通过云平台对智能机舱设备进行远程控制，以及控制或诊断算法的在线升级。
一、硬件监测单元：
1、基础模块：
基础模块包括ARM核心、电源供电、无线通讯收发端(WiFi、LoRa)、有线网口收发端以及对应各种通讯协议的数据端口。
基于ARM的基础模块基于通信总线得到某机舱设备的一系列热力参数，同时采集发动机的上止点位置、瞬时转速以及排温信号等，可以实现基于瞬时转速的故障诊断以及对热力参数的处理和分析。同时能够接收由振动分析模块、缸压分析模块等传来的分析数据，再通过无线及有线的通讯方式将数据信息发送给其它模块。
2、振动分析模块：
振动分析模块包括DSP核心、振动信号接收端、与基础模块之间的通讯协议数据端口、与缸压分析模块之间的通讯协议数据端口。
振动分析模块采集机舱设备的振动信号，再利用相应算法将数据进行实时分析，同时保证该模块与其它模块能够完成正常的数据交互。
3、缸压分析模块：
缸压分析模块包括DSP核心、缸压信号接收端、与基础模块之间的通讯协议数据端口、与振动分析模块之间的通讯协议数据端口。
缸压分析模块同样采集机舱设备的缸压信号，根据对应的算法将数据进行实时处理，并完成数据信息与其他模块的交互。
硬件监测单元中的数据处理算法为：利用采集到的发动机的上止点信号、各缸压信号以及各路振动信号来对发动机的健康状况进行分析，通过采集到的各路信号，计算时域及频域的某些特征因子，再由特征因子来分析柴油机健康状态；其具体过程为：
(1)根据缸压信号和上止点信号的来确定截取一个完整周期的振动信号；
(2)设计一个Butterworth低通滤波器，将完整周期的振动信号经过滤波器完成滤波；
(3)时域处理得到时域特征因子：峰值因子，波形因子，脉冲因子，裕度因子，峭度因子，偏度因子，燃烧段时域能量，IVC段时域能量，EVC段时域能量；
(4)频域处理得到频域特征因子：重心频率，频率偏差，均方频率。
时域特征因子和频域特征因子的计算方法具体为：
基于Matlab语言，时域特征因子计算表达式如下所示：
ma＝max(y)
mi＝min(y)
pk＝ma-mi
av＝mean(abs(y))
rm＝rms(y)
C＝pk/rm
S＝rm/av
I＝pk/av
L＝pk/mean(sqrt(abs(y)))^2
Kr＝kurtosis(y)
Sk＝skewness(y)
P1＝sum(data1^2)
P2＝sum(data2^2)
P3＝sum(data3^2)
其中，y为经过滤波后得到的振动信号数据，pk为峰峰值，ma表示信号数据的最大值，mi表示信号数据的最小值；av为信号数据的平均值；rm为信号数据的均方根值；C为峰值因子；S为波形因子；I为脉冲因子；L为裕度因子；Kr为峭度因子；Sk为峭度因子；P1为燃烧段时域能量，P2为IVC段时域能量，P3为EVC段时域能量；
基于Matlab语言，频域特征因子计算表达式如下：
py＝fft(y)
f＝fs/2*linspace(0,1,round(n/2+1))
Y＝2*abs(py(1；round(n/2+1)))/n
FC＝sum(f*Y)/sum(Y)
VF＝sum((f-FC)^2*Y)/sum(Y)
MSF＝sum((f)^2*Y)/sum(Y)
其中，py为信号数据经过FFT快速傅里叶变换得到的结果；fs为采样频率，f为每个FFT点的频率；Y为频域幅值；FC为重心频率；VF为频率偏差；MSF为均方频率。
如图3所示，研究故障特征与故障原因之间联系的方法为故障诊断，并使用可靠的理论方法进行故障原因和症状的诊断。故障检测方法常常有以下几种：借助信号分析的手段、数学模型以及借助人工智能算法。本系统中采取的方法为人工智能算法中的基于BP神经网络故障诊断，其最大优点为其自学习能力，能够自发进行学习，并用于不断优化改进参数。基于BP神经网络的故障检测算法核心思想是：将神经网络模型作为故障检测的主要部份，借助初始参数优化后的BP神经网络对数据集进行训练，基于梯度信息、局部搜索能力强等有点对神经网络进行训练。BP神经网络虽然非常有效，但其弱点在于计算复杂、计算速度慢、容易陷入局部最优解等，利用粒子群算法优化BP神经网络是弥补BP神经网络不足的一种有效方式。
得到时域和频域因子后，采用BP神经网络进行故障诊断，其具体方法为：
(1)初始化BP神经网络结构，初始化种群规模、维度，以及每个粒子的速度、位置结构；
(2)计算粒子群算法适应度，比较每个粒子的适应度，确定个体极值点及全局最优极值点，更新粒子的速度和位置；其具体方法为：
设目标空间搜索空间为D维，有m个粒子的粒子群体，令其中第i个粒子的位置向量为XI＝(xi1，xi2，xi3，......xim)，令速度向量为VI＝(vi1，vi2，vi3，......vim)，令第i个粒子当前所搜索到的最佳位置PI＝(pi1，pi2，pi3，......pim)，令整个粒子群当前所搜索到的最佳位置为Pg＝(Pg1，Pg2，Pg3，......Pgm)，则粒子更新公式为：
Vid(t+1)＝wVid(t)+c1r1(Pid-xid(t))+c2r2(Pgd-xid(t))
Xid(t+1)＝Xid(t)+Vid(t+1)
式中，i＝1，2，……m；d＝1，2，3……D；c1，c2为加速常速，w为惯性权重；t为迭代步数；r1，r2为[0,1]之间的随机数；当Vid＞Vmax时，Vid＝Vmax；当Vid＜-Vmax时，Vid＝-Vmax；
(3)通过迭代，将最优粒子各维度的值作为神经网络的权值、阈值，得到训练好的BP神经网络模型；
(4)将计算得到的时域因子和频域因子输入构建好的BP神经网络模型中，输出船舶设备的故障检测结果。
二、智能网关单元：
智能网关单元主要包括基于边缘计算的边缘计算网关模块和数据显示模块；同时还包括基于Modbus的通讯总线读取排放在线检测单元、轴系检测单元、泵检测单元以及能效检测单元的检测数据。
边缘计算网关模块硬件应支持多种边缘计算的高阶能力包括边缘规则、边缘数据分析、云端远程配置、部署更新、云端监测等功能。
边缘计算网关模块软件及应用部分主要包括设备接入驱动、数据分析功能、消息路由功能、本地存储、远程运维管理等功能。
设备接入驱动负责认证子设备，网关获取到子设备数据后转换为网关可识别的规范的数据格式，并上报到云平台，驱动可以处理云平台对于网关设备的操作请求，并完成对网关设备的服务调用和处理调用结果，最终返回给云平台；
消息路由即通过路由规则动态规划消息的传输路径，使消息按照过滤条件，从消息源路由到目标节点。通过消息路由，可实现对数据路由的灵活控制和提高数据安全性。
远程运维管理，远程服务访问包含了远程连接(SSH协议)、远程文件管理(SFTP协议)和其他基于TCP协议的网络服务远程访问，远程连接和远程文件管理基于SSH技术实现，方便远程登录网关设备进行设备控制和文件管理。
子设备集成LoRaWAN协议栈，主要是连接边缘计算网关硬件，通过开发的基于LoRaWAN协议的设备接入驱动将子设备接入网关。
数据显示模块主要实时显示部分来自子设备且在边缘计算网关中处理后的数据结果，并具备监控和报警的功能。
三、云平台：
1、物联网平台：
物联网平台为设备提供安全可靠的连接通信能力，向下连接海量设备，支撑设备数据采集上云；向上提供云端API，服务端通过调用云端API将指令下发至设备端，实现远程控制。
设备管理：物联网平台提供完整的设备生命周期管理功能，支持设备注册、功能定义、数据解析、在线调试、远程配置、固件升级、远程维护、实时监控、分组管理、设备删除等功能。
安全能力：物联网平台提供多重防护，有效保障设备和云端数据的安全。
设备接入：边缘计算网关以及其连接的子设备接入物联网平台。
2、数据分析平台：
云平台具备数据分析能力，同时也可将数据分析的编码应用下发到网关执行。
3、应用开发平台：
云平台可开发Web可视化应用以及移动应用APP。
子设备：指没有集成接入驱动的设备，这些设备通常没有IP地址，不能直接与物联网平台建立连接。如本系统的配子设备以及通过有线通信MODBUS连接入网关的设备。
网关：集成了接入驱动的设备，可以与物联网平台建立连接，并代理子设备连接到物联网平台。如本系统中的边缘计算网关设备。网关接入网络：网关往往使用LoRaWAN、modbus、RS485等协议连接子设备，网关用于连接子设备的网络称为网关的接入网络。
网关需要连接到物联网平台，然后当一个子设备连接到网关的接入网络后，由网关告知物联网平台该网关代理了该子设备，子设备的身份认证、上线与离线均由网关告知物联网平台，子设备上传的数据、云端发送给子设备的数据均通过网关进行中转。
当网关告知物联网平台代理了某个子设备后，物联网平台会将该子设备加入到网关的子设备拓扑表。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种服务于智能机舱的边缘计算系统，其特征在于，该系统包括：
智能机舱设备，包括多种机舱内的设备，将这些设备作为监测对象；
硬件监测单元，包括三种功能模块：基础模块、振动分析模块、缸压分析模块；硬件监测单元用于对智能机舱设备进行监测，每个智能机舱设备配备至少一种，至多三种的功能模块；每个智能机舱设备通过这三种功能模块的组合来完成数据的分析处理后，将数据发送给智能网关单元；
智能网关单元，用于对接收到的智能机舱设备相关数据进行数据清洗、数据选样、数据变换、数据归约后将有效信息上传至云平台；
云平台，用于进行有效信息的交互，并通过云平台对智能机舱设备进行远程控制，以及控制或诊断算法的在线升级；
所述硬件监测单元中的三种功能模块具体为：
基础模块，包括ARM核心、电源供电、无线通讯收发端、有线网口收发端以及对应各种通讯协议的数据端口；基于ARM的基础模块基于通信总线得到某智能机舱设备的一系列热力参数，同时采集发动机的上止点位置、瞬时转速以及排温信号，实现基于瞬时转速的故障诊断以及对热力参数的处理和分析；同时能够接收由振动分析模块、缸压分析模块传来的分析数据，再通过无线及有线的通讯方式将数据信息发送给振动分析模块、缸压分析模块；
振动分析模块，包括DSP核心、振动信号接收端、与基础模块之间的通讯协议数据端口、与缸压分析模块之间的通讯协议数据端口；振动分析模块采集智能机舱设备的振动信号，再利用相应算法将数据进行实时分析，同时保证该模块与基础模块、缸压分析模块能够完成正常的数据交互；
缸压分析模块，包括DSP核心、缸压信号接收端、与基础模块之间的通讯协议数据端口、与振动分析模块之间的通讯协议数据端口；缸压分析模块同样采集智能机舱设备的缸压信号，根据对应的算法将数据进行实时处理，并完成数据信息与基础模块、振动分析模块的交互；
所述硬件监测单元中的数据处理算法为：利用采集到的发动机的上止点信号、各缸压信号以及各路振动信号来对发动机的健康状况进行分析，通过采集到的各路信号，计算时域及频域的某些特征因子，再由特征因子来分析柴油机健康状态；其具体过程为：
(1)根据缸压信号和上止点信号的来确定截取一个完整周期的振动信号；
(2)设计一个Butterworth低通滤波器，将完整周期的振动信号经过滤波器完成滤波；
(3)时域处理得到时域特征因子：峰值因子，波形因子，脉冲因子，裕度因子，峭度因子，偏度因子，燃烧段时域能量，IVC段时域能量，EVC段时域能量；
(4)频域处理得到频域特征因子：重心频率，频率偏差，均方频率；
所述的时域特征因子和频域特征因子的计算方法具体为：
基于Matlab语言，时域特征因子计算表达式如下所示：
ma＝max(y)
mi＝min(y)
pk＝ma-mi
av＝mean(abs(y))
rm＝rms(y)
C＝pk/rm
S＝rm/av
I＝pk/av
L＝pk/mean(sqrt(abs(y)))^2
Kr＝kurtosis(y)
Sk＝skewness(y)
P1＝sum(data1^2)
P2＝sum(data2^2)
P3＝sum(data3^2)
其中，y为经过滤波后得到的振动信号数据，pk为峰峰值，ma表示信号数据的最大值，mi表示信号数据的最小值；av为信号数据的平均值；rm为信号数据的均方根值；C为峰值因子；S为波形因子；I为脉冲因子；L为裕度因子；Kr为峭度因子；Sk为峭度因子；P1为燃烧段时域能量，P2为IVC段时域能量，P3为EVC段时域能量；
基于Matlab语言，频域特征因子计算表达式如下：
py＝fft(y)
f＝fs/2*linspace(0,1,round(n/2+1))
Y＝2*abs(py(1；round(n/2+1)))/n
FC＝sum(f*Y)/sum(Y)
VF＝sum((f-FC)^2*Y)/sum(Y)
MSF＝sum((f)^2*Y)/sum(Y)
其中，py为信号数据经过FFT快速傅里叶变换得到的结果；fs为采样频率，f为每个FFT点的频率；Y为频域幅值；FC为重心频率；VF为频率偏差；MSF为均方频率。
2.根据权利要求1所述的服务于智能机舱的边缘计算系统，其特征在于，所述智能机舱设备包括：主机、发电机组、泵浦、压缩机组、气油管路、推进轴系、轴承、齿轮箱。
3.根据权利要求1所述的服务于智能机舱的边缘计算系统，其特征在于，得到时域和频域因子后，采用BP神经网络进行故障诊断，其具体方法为：
(1)初始化BP神经网络结构，初始化种群规模、维度，以及每个粒子的速度、位置结构；
(2)计算粒子群算法适应度，比较每个粒子的适应度，确定个体极值点及全局最优极值点，更新粒子的速度和位置；其具体方法为：
设目标空间搜索空间为D维，有m个粒子的粒子群体，令其中第i个粒子的位置向量为XI＝(xi1，xi2，xi3，......xim)，令速度向量为VI＝(vi1，vi2，vi3，......vim)，令第i个粒子当前所搜索到的最佳位置PI＝(Pi1，Pi2，Pi3，......Pim)，令整个粒子群当前所搜索到的最佳位置为Pg＝(Pg1，Pg2，Pg3，......Pgm)，则粒子更新公式为：
Vid(t+1)＝wVid(t)+c1r1(Pid-xid(t))+c2r2(Pgd-xid(t))
Xid(t+1)＝Xid(t)+Vid(t+1)
式中，i＝1，2，……m；d＝1，2，3……D；c1，c2为加速常速，w为惯性权重；t为迭代步数；r1，r2为[0,1]之间的随机数；当Vid＞Vmax时，Vid＝Vmax；当Vid＜-Vmax时，Vid＝-Vmax；
(3)通过迭代，将最优粒子各维度的值作为神经网络的权值、阈值，得到训练好的BP神经网络模型；
(4)将计算得到的时域因子和频域因子输入构建好的BP神经网络模型中，输出船舶设备的故障检测结果。
4.根据权利要求1所述的服务于智能机舱的边缘计算系统，其特征在于，所述智能网关单元包括：边缘计算网关模块硬件、边缘计算网关模块软件及应用部分、设备接入驱动、消息路由、远程运维管理、子设备集成LoRaWAN协议栈、数据显示模块；其中：
边缘计算网关模块硬件，支持多种边缘计算的高阶能力包括边缘规则、边缘数据分析、云端远程配置、部署更新、云端监测功能；
边缘计算网关模块软件及应用部分，包括设备接入驱动、数据分析功能、消息路由功能、本地存储、远程运维管理功能；
设备接入驱动，负责认证子设备，网关获取到子设备数据后转换为智能网关单元可识别的规范的数据格式，并上报到云平台，驱动处理云平台对于网关设备的操作请求，并完成对网关设备的服务调用和处理调用结果，最终返回给云平台；
消息路由，即通过路由规则动态规划消息的传输路径，使消息按照过滤条件，从消息源路由到目标节点；
远程运维管理，远程服务访问包含了远程连接、远程文件管理和基于TCP协议的网络服务远程访问，远程连接和远程文件管理基于SSH技术实现，方便远程登录网关设备进行设备控制和文件管理；
子设备集成LoRaWAN协议栈，用于连接边缘计算网关模块硬件，通过开发的基于LoRaWAN协议的设备接入驱动将智能机舱设备接入网关；
数据显示模块，实时显示部分来自智能机舱设备且在边缘计算网关中处理后的数据结果，并具备监控和报警的功能。
5.根据权利要求1所述的服务于智能机舱的边缘计算系统，其特征在于，所述云平台包括：物联网平台、数据分析平台、应用开发平台；其中：
物联网平台，为设备提供安全可靠的连接通信能力，向下连接海量设备，支撑设备数据采集上云；向上提供云端API，服务端通过调用云端API将指令下发至设备端，实现远程控制；提供完整的设备生命周期管理功能，支持设备注册、功能定义、数据解析、在线调试、远程配置、固件升级、远程维护、实时监控、分组管理、设备删除功能；提供多重防护，有效保障设备和云端数据的安全；智能网关单元以及其连接的智能机舱设备接入物联网平台；
数据分析平台，具备数据分析能力，同时将数据分析的编码应用下发到网关执行；
应用开发平台，开发Web可视化应用以及移动应用APP。
CN202011063904.0A 2020-09-30 2020-09-30 一种服务于智能机舱的边缘计算系统 Active CN112187942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011063904.0A CN112187942B (zh) 2020-09-30 2020-09-30 一种服务于智能机舱的边缘计算系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011063904.0A CN112187942B (zh) 2020-09-30 2020-09-30 一种服务于智能机舱的边缘计算系统

Publications (2)

Publication Number Publication Date
CN112187942A CN112187942A (zh) 2021-01-05
CN112187942B true CN112187942B (zh) 2022-01-11

Family

ID=73948432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011063904.0A Active CN112187942B (zh) 2020-09-30 2020-09-30 一种服务于智能机舱的边缘计算系统

Country Status (1)

Country Link
CN (1) CN112187942B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114050970B (zh) * 2021-11-10 2024-05-24 山东电工电气集团数字科技有限公司 一种智能低压断路器工作参数远程配置系统及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110026910A (ko) * 2009-09-09 2011-03-16 현대중공업 주식회사 선박블록 운영관리장치
CN104103198B (zh) * 2014-07-15 2015-09-30 重庆广播电视大学 船舶周边目标检测报警系统
CN104503414B (zh) * 2014-12-29 2018-06-08 广州文冲船厂有限责任公司 一种智能船舶信息监控系统
KR102471665B1 (ko) * 2015-08-27 2022-11-25 포그혼 시스템스 인코포레이티드 에지 인텔리전스 플랫폼 및 사물 인터넷 센서 스트림 시스템
CN107276816B (zh) * 2016-11-03 2019-06-25 厦门嵘拓物联科技有限公司 一种基于云服务的远程监测与故障诊断系统及故障诊断方法
CN108536961B (zh) * 2018-04-09 2021-10-12 杭州电子科技大学 一种船舶柴油机气阀定量检测装置
CN109543969A (zh) * 2018-11-09 2019-03-29 中国船舶重工集团公司第七〇九研究所 通用型海工设备一体化云保障平台及保障方法
CN209589122U (zh) * 2019-02-21 2019-11-05 南京点连能源科技有限公司 无线船舶靠泊监测系统
CN110456695A (zh) * 2019-07-30 2019-11-15 武汉理工大学 一种基于stm32的可移植柴油机智能监控报警系统

Also Published As

Publication number Publication date
CN112187942A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN111507489B (zh) 一种云边协同的游乐设备故障预测与健康管理系统及方法
CN112668237A (zh) 一种基于工业互联网云平台的数字孪生模型及其构建方法
CN108508856B (zh) 一种工业设备智能控制系统及方法
CN112594142B (zh) 一种基于5g的端云协同风电运维诊断系统
CN107193271A (zh) 用于工业信息物理系统的前置服务适配和故障诊断装置
AU2020103722A4 (en) A Dynamic Early Warning System for Power Station Operating Parameters Based on Cloud Platform
CN101192997A (zh) 分布式设备远程状态监测与故障诊断系统
CN203241783U (zh) 阴极保护远程管理系统
CN204883352U (zh) 烟草异味处理设备运行状态远程监控系统
CN108597057A (zh) 一种基于噪音深度学习的无人机故障预测诊断系统及方法
CN103246204A (zh) 多无人机系统仿真与验证方法与装置
CN111160616B (zh) 一种基于边云协同的厨电设备预测性维护系统及方法
CN110543142A (zh) 一种数控机床故障诊断与预警系统
CN109639483B (zh) 一种风力发电机组数据互通共享平台及其故障穿越方法
CN112187942B (zh) 一种服务于智能机舱的边缘计算系统
CN114139949A (zh) 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
CN112770285A (zh) 基于5g网络的数字孪生工厂建模方法及装置
CN114648212A (zh) 一种基于云计算的船舶设备性能智能管理系统及方法
CN113868803A (zh) 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法
CN111064402B (zh) 一种长连接小数据流量的柴油发电机组云通讯模块
CN111077851A (zh) 一种基于气相色谱雾计算框架的化工过程故障诊断系统
CN116090626A (zh) 一种基于云边协同的风电机组状态评估与智能预警系统及方法
CN113312709B (zh) 一种基于数智融合的船舶赛博机舱
CN114609969A (zh) 一种基于云计算的数控机床轨迹误差补偿方法
CN115033253A (zh) 一种深度学习模型的云边协同训练和部署系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant