Intelligent railway construction site production management system based on edge computing
-
摘要: 分析基于云计算架构的铁路工程管理平台的应用现状及面临的问题,基于边缘计算策略,提出智慧铁路工地生产管理系统的架构设计,并结合混凝土拌和站生产管理、铁路工地视频监控、隧道工程围岩变形监测3类场景开展应用探索,为智慧铁路工地的生产自动化、现场实时监控、数据优化、智能分析等应用提供更佳解决方案。
-
关键词:
- 铁路工程管理平台 /
- 边缘计算 /
- 智慧铁路工地生产管理系统
Abstract: The application status and problems of the railway engineering management platform built in cloud computing are analyzed. Based on the concept of edge computing, the architecture design of the railway intelligent construction site production management system is proposed and its applications in the three scenario of concrete mixing station production automation, video surveillance for railway construction site, surrounding rock deformation detection in tunnel engineering are explored in hope of seeking better solutions for production automation, real-time monitoring, data optimization, intelligent analysis and other applications of intelligent railway construction site. -
随着铁路工程建设规模的不断扩大,为落实铁路信息化发展战略要求,王同军[1]在智能高铁战略研究中提出,利用云计算、物联网、大数据、移动互联等现代信息技术,融合先进管理理念,实现铁路工程建设期间各生产场景信息的全面感知、泛在互联、融合处理和决策分析。容建华等人[2-3]提出“智慧工地”的概念,通过铁路工地“人、机、料、法、环”诸要素的信息化,实现铁路施工过程的有效监管。
2013年以来,基于云计算架构的铁路工程管理平台在全路推广应用,经过几年的发展,在现场设备接入、生产数据采集、过程管理控制等方面已取得长足的发展,但也面临着如下问题和挑战:
(1)工地网络覆盖较差,生产数据采集上传不及时;
(2)数据接口不统一,终端应用多源异构,难以实现统一管理;
(3)专业间难以共享和集成数据,现场采集的数据不能被有效挖掘和利用;
(4)存在大量冗余数据,数据利用率低,占用大量云端资源和传输带宽[4]。
为此,针对云计算架构下海量数据的分析与储存对网络带宽带来的挑战,提出基于边缘计算的智慧铁路工地生产管理系统,并结合混凝土拌和站生产自动化、铁路工地现场视频监控、隧道工程围岩变形监测3类场景开展应用探索,实现生产数据就近高效处理分析、超差实时报警、变化趋势自动评判等边缘侧智能应用,解决“云-端”交互时异构接入和传输时延等问题。
1 边缘计算概念及特点
1.1 边缘计算的概念
边缘计算是在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的分布式开放平台,就近提供边缘智能服务,满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求[5]。
1.2 边缘计算的特点
基于边缘计算的应用场景具有以下特点。
(1)异构联接:支持多种不同类型终端与边缘侧设备的实时连接,同时保证连接适配的可靠性和安全性。
(2)智能分析:边缘侧设备具备数据分析能力,能通过多种类型得终端采集数据,并自动执行业务逻辑。
(3)高度自治:利用人工智能、深度学习等新技术,边缘侧设备更加智能化,可独自完成业务数据的计算和分析,形成区域自治节点。
2 智慧铁路工地生产管理系统的架构设计
2.1 系统部署架构
基于边缘计算的智慧铁路工地生产管理系统的部署可划分为现场层、边缘层和云平台层,如图1所示。
2.1.1 现场层
现场层主要指工地施工作业现场的各类数据采集、控制终端节点;这些节点通过总线、蓝牙或以太网等通信方式,与边缘侧设备节点连接,实现现场层和边缘层之间数据流和控制信息的连通。
2.1.2 边缘层
边缘层是系统核心,主要包含边缘网关、边缘服务器等边缘侧设备,负责接收、处理和转发来自现场层的数据流,提供终端节点接入、数据筛查、数据分析和传输优化等边缘服务,同时还可根据业务逻辑编排,实现对现场工控设备的实时控制。
2.1.3 云平台层
云平台层提供集中管控、决策支持等上层服务,通过获取边缘层数据流,实现对工地现场各类作业机械设备施工作业数据的整合,构建面向各类用户的综合应用服务,对工地现场生产管理进行全局调度和指挥决策。
2.2 系统业务逻辑架构
结合铁路工地生产管理现状,从信息化发展及现场实际管理需求出发,在信息安全保障体系支撑下,基于边缘计算的智慧铁路工地生产管理系统的业务逻辑架构分为3个层次:现场接入层,边缘使能层和平台应用层,如图2所示。
2.2.1 现场接入层
现场接入层主要是铁路工地现场各种生产场景中的信息终端节点以不同接入方式,实现与边缘侧设备的泛在互联。
2.2.2 边缘使能层
边缘使能层通过在工地现场部署边缘设备,集成计算、存储、网络和通信接口等硬件资源,提供面向现场实时应用的虚拟机、容器等系统资源,实现对现场终端节点的接入和控制;同时,根据业务逻辑编排规则,对采集到的生产数据进行筛查、分析和优化,并上传至云平台。
2.2.3 平台应用层
平台应用层主要通过云计算平台,向用户提供诸如拌和站生产自动化、工地现场视频监控、隧道围岩变形监测等应用,使管理人员能够即时掌控铁路工地的生产作业过程、现场施工动态及环境状况。
2.3 系统网络架构
基于边缘计算的智慧铁路工地生产管理系统的网络架构可划分为3层:边缘侧、网络侧和平台侧,如图3所示。
2.3.1 边缘侧
边缘侧主要是工地作业现场的节点设备,如拌和站工控设备、围岩量测测绘设备、桥梁在线监测设备、路基沉降监测设备和工地视频监控设备等数据采集终端,以及部署在工地现场的边缘网关或边缘服务器;这些设备完成生产作业数据的采集、边缘侧数据融合、数据分析以及业务逻辑编排等。
2.3.2 网络侧
网络侧主要承担边缘侧与平台侧数据之间的传输,可采用互联网、专网、VPN或移动网络等多种传输方式。
2.3.3 平台侧
平台侧通过部署虚拟化计算节点,搭建云计算服务平台,构建上层应用,提供面向多用户的数据分析、个性化应用、智能评判和决策指挥;管理节点可对云端节点进行管理,也可向边缘侧节点下达指令,实现资源全局调整与优化。
3 应用探索
3.1 基于边缘计算的混凝土拌和站生产自动化
混凝土拌和站生产管理是工程建设期中一个重要环节,混凝土拌和站的产能和生产质量关乎线路工程实体的进度和品质。
利用边缘设备强大的数据计算、存储和分析能力,通过互联网、总线技术以及精确的控制逻辑,构建混凝土拌和站生产自动化系统[6],业务逻辑关系如图4所示。
在原材料进场阶段,采集磅房数据,包括进场原材料的类型、数量、运输车次等,生成原材料进场批次记录;记录原材料的送检取样和检验结果,并将进场原材料记录与检验结果相关联。
在混凝土拌和站生产过程中,边缘设备通过分析原材料配料单,与混凝土拌和站工控设备实现联动,精准控制各种原材料的投料数量、搅拌时间等[7],实现混凝土生产质量的高效可控,确保生产数据真实有效。
在混凝土运输阶段,记录混凝土拌和站出料时罐车车次、混凝土方量以及罐车行进路线等信息,生成运输记录。
借助边缘设备的业务逻辑分析能力,对生产记录进行关联分析,实现混凝土拌和站从原材料进场、检验、生产到运输的全过程自动管控。
3.2 基于边缘计算的铁路工地视频监控
铁路工地地处偏僻,作业条件环境恶劣,极易发生生产安全事故。工地视频监控作为日常生产作业安全监管的辅助设施,可对施工作业、人员操作、机械运转等实时监控,及时发现施工质量、违规操作等安全隐患,提升施工安全管理水平[8]。
铁路工地现场作业面广、监控范围受限、网络接入困难,为满足监控需求,传统的铁路工地视频监控系统中往往需要设置多个不同角度的高清晰度摄像机。摄像机清晰度越高,占用网络带宽越大;而大部分视频监控画面数据的利用价值不高,占用大量后端存储,浪费存储资源。
为此,引入边缘计算和视频压缩处理技术[9],通过边缘侧设备对接入的视频监控数据进行压缩处理,去除视频图像中冗余信息,减少视频数据存储量。同时,边缘侧设备还可通过智能分析,自动判断作业区内安全隐患和违规作业事件,实时进行标记,并立即向现场安全管理人员推送报警信息。
3.3 基于边缘计算的铁路隧道工程围岩变形监测
铁路隧道施工具有施工技术复杂、不可预见风险多、地质条件复杂多变等特点,隧道围岩的变形监测对保障施工安全的具有重要影响,同时,隧道围岩的监测也是衡量施工工艺与设计是否相符的重要手段。利用信息化手段对隧道围岩变形进行监控和预测,可为围岩稳定性判别提供直观、可靠的信息[10]。然而,隧道围岩变形是一个复杂的过程,仅靠直接采集变形数据很难判别其变形规律。
为此,根据隧道围岩变形的时间序列变化特性,建立基于深度学习的人工神经网络预测模型[11],对隧道围岩变形进行预测。通常,基于深度学习的模型训练与推理逻辑部署在云端数据中心,现场监测终端设备将围岩变形数据采集上传至云端数据中心,云端完成处理后,再将结果推送回用户终端。在这种信息处理模式下,大量数据通过传输延时较大、带宽波动的互联网在云端和用户端之间传输,会造成较大的端到端数据传输延时及报警滞后。通过在边缘侧设备搭载神经网络算法的方式,监测数据无需频繁在监测终端和云端数据中心间传输数据,边缘设备既能够确保监测数据快速实时采集上传,同时通过本地化处理分析,实现快速的报警响应。
4 结束语
铁路工地生产管理具有作业面广、作业类型多、终端设备多等特点,智慧铁路工地的发展需要不断引入新技术。基于边缘计算的策略,提出智慧铁路工地生产管理系统的架构设计,以混凝土拌和站生产自动化、工地现场视频监控、隧道工程围岩变形监测3类场景开展应用实践,支持智慧铁路工地生产管理终端异构连接和相关业务实时管控。
随着铁路智能建造的发展,边缘计算策略将在更多智慧工地场景中得到应用。
-
[1] 王同军. 中国智能高铁发展战略研究 [J]. 中国铁路,2019(1):9-14. [2] 容建华,王万齐,刘 闯. 铁路工程智慧工地管理信息系统设计与实现 [J]. 铁路计算机应用,2018,27(7):99-104. DOI: 10.3969/j.issn.1005-8451.2018.07.022 [3] 曾凝霜,刘 琰,徐 波. 基于BIM的智慧工地管理体系框架研究 [J]. 施工技术,2015,44(10):96-100. DOI: 10.7672/sgjs2015100096 [4] 陈 亮. 铁路工程建设期信息化建设探讨 [J]. 铁路技术创新,2016(3):23-26. [5] 边缘计算产业联盟. 边缘计算产业联盟白皮书[Z].北京: 边缘计算产业联盟, 2016. [6] 马海丰. 信息化在铁路拌和站混凝土质量控制中的探索和应用 [J]. 工程管理,2017(9):168-169. [7] 范文娜. 铁路工程建设中拌合机报警情况分析研究 [J]. 铁路计算机应用,2017,26(10):32-35. DOI: 10.3969/j.issn.1005-8451.2017.10.010 [8] 郝小银. 远程视频监控系统在工地项目上的设计与应用 [J]. 建设科技,2016(12):116-117. [9] 施巍松,孙 辉,曹 杰,等. 边缘计算:万物互联时代新型计算模型 [J]. 计算机研究与发展,2017,54(5):907-924. DOI: 10.7544/issn1000-1239.2017.20160941 [10] 智 鹏,史天运,王万齐,等. 高速铁路隧道工程精益化建设管理关键技术 [J]. 现代隧道技术,2018,55(6):26-32. [11] 施江旭,张成良,吕文乾,等. 基于BP神经网络对隧道围岩变形的预测 [J]. 中国水运,2017(8):300-302. -
期刊类型引用(1)
1. 何昆霖,周国强,张超. 基于容器云技术的信号集中监测系统架构研究. 铁道通信信号. 2024(11): 15-20 . 百度学术
其他类型引用(1)