摘要：由于傳統(tǒng)機電設(shè)備運行狀態(tài)監(jiān)測主要采用本地計算的方式，導(dǎo)致監(jiān)測結(jié)果受工作環(huán)境等因素影響存在較大誤差，故提出一種基于云平臺的高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測方法。首先將機電設(shè)備運行產(chǎn)生的監(jiān)測大數(shù)據(jù)存儲在云平臺中，并進行去噪處理，然后在云平臺上部署一個監(jiān)測數(shù)據(jù)識別模型，最后根據(jù)識別結(jié)果實現(xiàn)對機電設(shè)備運行狀態(tài)的在線診斷。實驗結(jié)果表明：應(yīng)用本文設(shè)計方法，其高速公路機電設(shè)備運行狀態(tài)監(jiān)測結(jié)果的相關(guān)指數(shù)為0.979，相較于對照組方法，分別提升了0.095、0.167，證實了該方法具有較高的監(jiān)測精度。

關(guān)鍵詞：云平臺；機電設(shè)備；監(jiān)測方法；卷積神經(jīng)網(wǎng)絡(luò)；相關(guān)指數(shù)

0" "引言

高速公路作為交通運輸?shù)闹匾A(chǔ)設(shè)施，其機電設(shè)備的正常運行對于保障道路交通的順暢和安全具有至關(guān)重要的作用。然而，高速公路機電設(shè)備數(shù)量眾多且運行環(huán)境復(fù)雜，設(shè)備的故障往往難以預(yù)測和及時發(fā)現(xiàn)，給設(shè)備的維護和管理帶來了很大挑戰(zhàn)。實時監(jiān)測高速公路機電設(shè)備運行狀態(tài)，及時發(fā)現(xiàn)和排除故障，對于提高設(shè)備的運行效率和使用壽命，保障道路交通的安全和順暢具有重要意義。目前，已有一些學(xué)者針對高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測方法進行了研究。于艷波等人[1]根據(jù)機電設(shè)備的運行特點和關(guān)鍵參數(shù)，設(shè)計一種完備的設(shè)備狀態(tài)評估體系，可以提升我國隧道養(yǎng)護管理的智能化與高效化。任立民等人[2]利用物聯(lián)網(wǎng)技術(shù)進行機電設(shè)備的運行狀態(tài)監(jiān)測，可以解決傳統(tǒng)人工監(jiān)測方法實時性差等問題。

在信息化技術(shù)不斷發(fā)展的時代背景下，高速公路機電設(shè)備的運行狀態(tài)監(jiān)測技術(shù)逐漸完善，但設(shè)備的健康狀態(tài)在運行狀態(tài)監(jiān)測數(shù)據(jù)上的表征仍不夠明確。在實際監(jiān)測中，通常需要對大量數(shù)據(jù)進行深入分析。基于此，本文研究設(shè)計了一種基于云平臺的高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測方法。

1" "基于云平臺的機電設(shè)備監(jiān)測方法

1.1" "數(shù)據(jù)預(yù)處理

1.1.1" "構(gòu)建運行環(huán)境

在我國高速公路機電設(shè)備日常運行過程中，勢必會產(chǎn)生大量的運行數(shù)據(jù)。如果采用本地計算的方式，僅存儲加工后的“熟數(shù)據(jù)”，很難保障運行狀態(tài)監(jiān)測結(jié)果的準確性，所以本文引入了云平臺，構(gòu)建一個分布式運行環(huán)境。這樣不僅可以滿足海量機電設(shè)備監(jiān)測大數(shù)據(jù)的存儲需要，而且可以并行處理監(jiān)測數(shù)據(jù)，以保障監(jiān)測結(jié)果的實時性[3]。

1.1.2" "數(shù)據(jù)預(yù)處理流程

結(jié)合高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測數(shù)據(jù)的特點，本文采用多副本一致性哈希存儲算法，進行監(jiān)測大數(shù)據(jù)的存儲，并將監(jiān)測大數(shù)據(jù)上傳至云平臺。同時，將其拆分成多個數(shù)據(jù)塊，將這些數(shù)據(jù)塊分別存儲至集群中的不同數(shù)據(jù)節(jié)點上。

具體流程如下：首先，根據(jù)配置文件對高速公路機電設(shè)備運行狀態(tài)監(jiān)測大數(shù)據(jù)的相關(guān)性和冗余的副本數(shù)量進行預(yù)定義；然后，在云平臺的Hadoop集群中，通過MapReduce程序計算各個數(shù)據(jù)節(jié)點的哈希值。再通過式（1）所示的哈希函數(shù)，將任意長度的數(shù)據(jù)映射為固定的128bit的散列值：

Hash（M）=Md5（x）" " " " " " （1）

式中：Md5（x）表示哈希函數(shù)；x表示待計算哈希值的原始高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測數(shù)據(jù)。

在生成128bit散列值后，從中抽取32bit作為哈希值，再將其一一映射至哈希環(huán)上。根據(jù)實際情況，高速公路機電設(shè)備運行監(jiān)測數(shù)據(jù)的哈希值和Hadoop集群數(shù)據(jù)節(jié)點的哈希值，用于確定數(shù)據(jù)塊的存儲位置。通過比較這兩個哈希值，可以確定數(shù)據(jù)存儲在云平臺中的位置。

1.2" "數(shù)據(jù)去噪處理

受外界惡劣運行環(huán)境等因素的影響，原始存儲的監(jiān)測數(shù)據(jù)存在大量噪聲，影響監(jiān)測結(jié)果判定的精度和效率，所以本章還需對云平臺中存儲的數(shù)據(jù)做去噪處理[4]。本文主要采用了EEMD方法進行數(shù)據(jù)去噪處理，其計算流程如下：

假設(shè)包含了噪聲數(shù)據(jù)的原始設(shè)備運行監(jiān)測時序數(shù)據(jù)為X（t），通過式（2）對數(shù)據(jù)進行EMD分解獲得各階IMF分量：

（2）

式中：im?i（t）表示原始設(shè)備運行監(jiān)測時序數(shù)中的IMF分量；t表示數(shù)據(jù)剩余項；n為IMF分量的數(shù)量。

通常情況下，EMD分解所得設(shè)備運行監(jiān)測數(shù)據(jù)中若干階IMF分量，僅由噪聲產(chǎn)生，可以根據(jù)閾值濾除噪聲分量。本次采用硬閾值法，根據(jù)式（3）可確定去噪閾值η：

（3）

式中：ε表示噪聲分量標準差。

由于原始時序數(shù)據(jù)分解后的IMF分量中存在有用數(shù)據(jù)和無用的噪聲數(shù)據(jù)，所以根據(jù)式（3）所求閾值對IMF分量做閾值處理，即可將噪聲分量去除，得到僅由有用數(shù)據(jù)生成的INM分量。將其重構(gòu)，即可得到剔除噪聲后的機電設(shè)備運行狀態(tài)監(jiān)測數(shù)據(jù)。通過上述流程，完成數(shù)據(jù)預(yù)處理，為后續(xù)運行狀態(tài)的診斷識別提供數(shù)據(jù)支撐。

2" "在線監(jiān)測數(shù)據(jù)的識別

2.1" "識別方法的選擇

2.1.1" "引入卷積神經(jīng)網(wǎng)絡(luò)

對于高速公路機電設(shè)備而言，其一旦內(nèi)部發(fā)生故障，故障所在部位就會產(chǎn)生異?，F(xiàn)象，進而影響其安全穩(wěn)定運行狀態(tài)，所以通過對機電設(shè)備監(jiān)測大數(shù)據(jù)的分類識別，即可判定出設(shè)備當(dāng)下運行狀態(tài)[5]。

在進行機電設(shè)備運行狀態(tài)在線監(jiān)測數(shù)據(jù)識別時，本文引入了卷積神經(jīng)網(wǎng)絡(luò)。這是一種在數(shù)據(jù)分類領(lǐng)域中被廣泛應(yīng)用的深度學(xué)習(xí)方法，可通過矩陣之間的卷積運算來高效提取機電設(shè)備在線監(jiān)測數(shù)據(jù)的特征，進而保障識別結(jié)果的精度。

2.1.2" "卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要分為卷積、激活、池化和全連接層，其中卷積層是通過卷積核的卷積運算來獲得一維輸出結(jié)果。每個卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中可能存在多層卷積層，所以在進行卷積運算時，需要將上一層的輸出結(jié)果當(dāng)作下一層的輸入樣本，其表達式如下所示：

（4）

式中：yim、yim-1分別表示卷積神經(jīng)網(wǎng)絡(luò)第m個和第m-1個卷積層的第i個輸出數(shù)據(jù)特征，ωm" " 表示卷積神經(jīng)網(wǎng)絡(luò)第m個卷積層中第h個卷積核的權(quán)重，qim表示卷積神經(jīng)網(wǎng)絡(luò)第m個卷積層的權(quán)重，N表示數(shù)據(jù)特征數(shù)量。

一般卷積層可以為樣本數(shù)據(jù)賦予權(quán)值，且這個過程是線性的，但機電設(shè)備運行監(jiān)測數(shù)據(jù)的線性表達會造成大量特征流失，所以為提升卷積神經(jīng)網(wǎng)絡(luò)的表達能力，還需在結(jié)構(gòu)中設(shè)置激活層，并采用常用的sigmoid函數(shù)作為激活層的激活函數(shù)。

2.2" "卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

池化層通常和卷積層成對使用，目的在于降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度，避免數(shù)據(jù)識別過程中發(fā)生過擬合現(xiàn)象。本次主要采用了2×2的最大池化層，在保留原始樣本特征的同時，降低數(shù)據(jù)規(guī)模。這3層結(jié)構(gòu)是網(wǎng)絡(luò)的核心，共同對輸入的機電設(shè)備運行監(jiān)測數(shù)據(jù)做特征提取。

在提取完特征后，將其輸入到全連接層內(nèi)進行分類識別。全連接層位于整個卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的后端，由大量神經(jīng)元構(gòu)成，起到數(shù)據(jù)樣本分類的作用。結(jié)合機電設(shè)備運行數(shù)據(jù)的特點，本文采用softmax函數(shù)作為全連接層的激活函數(shù)。

將上述內(nèi)容所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型部署在云平臺上，用于機電設(shè)備運行狀態(tài)監(jiān)測數(shù)據(jù)的分類識別[6]。先輸入樣本數(shù)據(jù)進行模型的訓(xùn)練，訓(xùn)練過程中利用式（5）來優(yōu)化模型實際識別結(jié)果和期望數(shù)據(jù)之間的損失：

（5）

式中：uk、vk分別表示卷積神經(jīng)網(wǎng)絡(luò)中第k個輸入樣本的期望輸出和實際輸出；K表示輸入樣本數(shù)量。

當(dāng)神經(jīng)網(wǎng)絡(luò)損失達到最小時訓(xùn)練結(jié)束，對模型超參數(shù)進行設(shè)置，再用訓(xùn)練完后的卷積神經(jīng)網(wǎng)絡(luò)模型分類識別機電設(shè)備運行監(jiān)測數(shù)據(jù)，從而診斷出設(shè)備的實際運行狀態(tài)。

3" 仿真實驗

3.1" "實驗準備

為驗證基于云平臺的高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測方法的有效性與正確性，本文將展開仿真對比實驗。實驗中以本文設(shè)計方法為實驗組，將采用基于物聯(lián)網(wǎng)和SCADA的高速公路機電設(shè)備運行狀態(tài)監(jiān)測方法作為對照組。

首先，選擇IEEE PHM 2014 data challenge的數(shù)據(jù)作為實驗數(shù)據(jù)。這是一個由IEEE可靠性協(xié)會提供的軸承故障診斷數(shù)據(jù)集，里面包含眾多軸承運行數(shù)據(jù)，其狀態(tài)分為正常和故障兩種狀態(tài)，所以本次仿真實驗以軸承作為實驗對象。

3.2" "實驗方法

實驗過程中，根據(jù)軸承型號將原始軸承運行數(shù)據(jù)劃分為6種不同類型，并從中隨機抽取70%的樣本作為訓(xùn)練樣本，剩余30%作為測試樣本，具體分布情況如表1所示。

利用上述實驗數(shù)據(jù)完成實驗組與對照組的設(shè)備運行狀態(tài)監(jiān)測模型的訓(xùn)練后，將各方法中的超參數(shù)配置為最優(yōu)值，然后開始進行測試，并根據(jù)式（6）所求指標來評估各方法下監(jiān)測結(jié)果的真實情況：

（6）

式中：R2表示相關(guān)指數(shù)，主要用于評估高速公路機電設(shè)備運行狀態(tài)監(jiān)測結(jié)果和真實數(shù)據(jù)之間的擬合程度，其值越接近于1，表示監(jiān)測精度越高；y'、yi分別表示機電設(shè)備運行狀態(tài)監(jiān)測結(jié)果與真實數(shù)據(jù)；y_i表示機電設(shè)備運行狀態(tài)真實值樣本的均值。

3.3" "實驗結(jié)果分析

根據(jù)式（6）對實驗組與對照組方法所得測試結(jié)果進行統(tǒng)計與分析，從而得到高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測結(jié)果，如圖1所示。

從圖1中可以看出，本文采用云平臺進行高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測時，所得監(jiān)測結(jié)果和實際數(shù)據(jù)之間的擬合效果更好，也就是監(jiān)測值和實際值之間誤差更小。同時，本文設(shè)計方法在每一種類型的軸承運行狀態(tài)監(jiān)測上，監(jiān)測精度均較為穩(wěn)定，平均相關(guān)指數(shù)為0.979，相較于對照組方法，分別提升了0.095、0.167。

由此可以說明，相較于傳統(tǒng)的監(jiān)測方法，應(yīng)用本文設(shè)計方法，監(jiān)測結(jié)果更加準確，在實際應(yīng)用中具有更好的參考價值。

4" "結(jié)束語

在高速公路日常運營中，機電設(shè)備的安全穩(wěn)定工作狀態(tài)對整個公路正常行車具有重要作用，基于此，本文提出一種基于云平臺的高速公路機電設(shè)備運行狀態(tài)在線監(jiān)測方法。

文中將設(shè)備運行產(chǎn)生的監(jiān)測數(shù)據(jù)存儲在云平臺上，并通過預(yù)處理來確保多維數(shù)據(jù)的完整性與一致性。然后根據(jù)對數(shù)據(jù)的分類識別來判定機電設(shè)備的實際運行狀態(tài)。通過仿真對比實驗，結(jié)果驗證了本文設(shè)計方法更具準確性，具有更加廣泛的行業(yè)應(yīng)用前景。

參考文獻

[1] 于艷波，黃凱.公路隧道機電設(shè)施狀態(tài)檢測及評估技術(shù)分析[J].

公路，2021，66（11）：365-368.

[2] 任立民，薛曉，陳華敏.基于物聯(lián)網(wǎng)的煤礦井下機電設(shè)備安全

監(jiān)測系統(tǒng)設(shè)計[J].煤炭技術(shù)，2021，40（10）：166-168.

[3] 謝鋒云，王玲嵐，閆少石，等.基于云平臺和物聯(lián)網(wǎng)技術(shù)的電機

遠程監(jiān)測系統(tǒng)[J].機械設(shè)計與研究，2023，39（2）：153-157+161.

[4] 魯強，高正中.基于TLink云平臺的車載信息遠程監(jiān)測系統(tǒng)設(shè)

計[J].儀表技術(shù)與傳感器，2022（1）：53-56.

[5] 金曉航，許壯偉，孫毅，等.基于SCADA數(shù)據(jù)分析和稀疏自編

碼神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組在線運行狀態(tài)監(jiān)測[J].太陽能學(xué)報，2021，

42（6）：321-328.

[6] 沈江飛，李懷洲，黃立軍，等.基于局部離群因子和神經(jīng)網(wǎng)絡(luò)

模型的設(shè)備狀態(tài)在線監(jiān)測方法研究[J].核動力工程，2021，42（3）：

160-165.