Mobile edge computing applied to railway industry
-
摘要:
为满足智能铁路的快速发展对铁路应用数据大容量传输、计算处理的实时性、安全性提出的更高要求，文章研究移动边缘计算（MEC，Mobile Edge Computing）的相关概念和基本框架，分析其关键技术、应用场景；针对铁路MEC业务需求，总结MEC在智能运营、智能装备、智能建造场景下的应用方案；结合当前存在的问题，展望MEC未来发展的技术趋势，为提升铁路智能化提供助力。
-
关键词:
- 智能铁路 /
- 移动边缘计算（MEC） /
- 智能运营 /
- 智能装备 /
- 智能建造
Abstract:In order to meet the higher requirements of the rapid development of intelligent railway for the real-time and security of railway application data mass transmission and computing processing, this paper studied the related concepts and basic framework of Mobile Edge Computing (MEC), and analyzes its key technologies and application scenarios, summarized the application solutions of MEC in intelligent operation, intelligent equipment, and intelligent construction scenarios, targeting the business needs of railway MEC, combined the current problems and looked forward to the technological trends of MEC's future development, provided assistance for improving railway intelligence.
-
机车走行公里是指导机车分级整备和检修作业的重要数据，是机车修程修制改革、机车故障预测与健康管理等工作的核心依据[1]。2021年11月，中国国家铁路集团有限公司（简称：国铁集团）印发了《机车整备管理规则》[2]，对机车的分级整备管理作出了明确指示，要求电力机车的全面整备、基础整备周期按照时间或公里执行。2015年1月，中国铁路总公司公布了和谐型交流传动机车修程修制改革方案[3]，方案中对各修程周期作出明确规定。
目前，机车走行公里统计数据来源于司机报单、列车运行监控装置（LKJ）运行文件等，由于人、列车交路的不同，这2种统计方式存在时间滞后、走行公里数累积不及时、效率低下等问题，无法在机车入库前获取走行公里数，难以提前精准安排分级整备作业；此外，由于存在人工录入环节，可能导致数据不准确。在实时计算方面，目前，和谐型机车加装了机车车载综合信息监测装置（LDP，Locomotive onboard general Data monitoring Platform），能够实时采集微机网络控制系统（TCMS，Train Control and Monitoring System）中的机车走行公里数据，并将数据通过中国机车远程监测与诊断（CMD，China locomotive remote Monitoring and Diagnosis ）系统实时回传到地面应用[4]，但CMD系统目前主要安装于和谐型机车，使用范围有限，TCMS轮径值未能实现实时校正，因此，计算得到的走行公里值存在一定偏差。由此可见，现有的几种方式存在着及时性不强、精确度不高等问题，难以满足当前机车分级整备、跨铁路局集团公司（简称：局）跨段整备，以及防止失修、超修发生的精准检修管理需求，亟需从全国铁路（简称：全路）范围整体提升机车走行公里数据的时效性和准确性，实现整备预警、检修预警，合理制定检修计划，从而提升运用效率，减少运输安全风险。
基于此，本文提出一种可覆盖各种机车型号的走行公里采集、传输及应用的方法，研发了机车实时走行公里应用系统，可用于机车分级整备作业和检修作业，为机车精准检修提供信息化技术支持。
1 系统架构
机车实时走行公里应用系统由车载、通信传输和地面应用这3部分组成，其架构如图1所示。
1.1 车载部分
车载部分由机车走行公里采集装置、天线、配套车载软件等组成。采集装置安装于机车安全信息综合监测装置预留的备用插槽中，可实时接收LKJ的司机、车次、速度、列车状态、前方距离、累计位移等数据，经过一定的逻辑计算后，通过3G/4G网络实现数据的无线传输，依据设定的时间周期和协议内容将数据发送至地面服务器。
机车走行公里采集装置由电源模块、LKJ信息接收模块、CPU核心板、通信模块、统计模块等组成，如图2所示。该采集装置对内与机车安全信息综合监测装置母板相连，为了减少对该监测装置本身性能的影响，机车走行公里采集装置与机车安全信息综合监测装置之间采用电路隔离的方式。
1.2 通信传输部分
依托3G/4G移动网络和机辆信息管理平台内/外网传输通道，实现全路机车在线运行走行公里数据的实时传输和应用。通过机辆信息管理平台和国铁集团安全平台，落地国铁集团主数据中心，符合铁路网络和信息安全建设、内/外网数据交互等相关要求。
采用高传输效率、低延迟的用户数据报协议（UDP，User Datagram Protocol），制定协议框架、协议头、协议内容、数据项点、传输频率等内容，通过定制化的协议设计满足数据通信和业务应用需求。
1.3 地面应用部分
数据落地国铁集团主数据中心后，存储于铁路机务信息管理系统（JMIS，Jiwu Management Information System）走行公里数据库中，面向国铁集团、铁路局集团公司、机务段（机辆段/检修段）三层级用户统一提供应用服务。用户通过客户端浏览器访问，实现机车走行公里综合查询、走行公里对比分析、机车整备预测及机车修程预测等业务功能。
2 系统功能
结合各级用户需求，以及时、准确反映全路机车走行公里统计数据、为机车维修提供科学决策指导为目标进行机车实时走行公里应用系统功能架构设计，如图3所示。
2.1 走行公里综合查询
实现实时走行公里数据及相应明细的查询，为机车整备、机车检修提供数据基础。依据LKJ机车状态可将走行公里数据按照牵引走行公里、站内走行公里、本局走行公里、局外走行公里等方式统计，实现走行公里数据的多维度统计和分析。
2.2 走行公里对比分析
实现对同一台机车相同时间范围累积的机车工作成绩燃料消耗综合报表（热报-6）走行公里、TCMS及LKJ实时走行公里等数据的对比展示，对不同来源统计数据的准确性进行综合对比分析。
2.3 机车整备预测
通过设定机车整备预警、报警和超整备的阈值，将机车实际走行公里、运行时长与设定的阈值进行比较，对到达预警值、报警值或超整备里程的机车进行预警或报警提醒。整备车间根据本系统提示，对需要整备的机车进行及时入库整备操作，防止机车超整备周期出库担当牵引任务，减少运输安全风险，降低机车故障发生几率。
2.4 机车修程预测
通过设置机车不同机型、不同修程的检修公里上、下限阈值，对每台机车当前修程和检修走行公里进行初始化，将机车实际走行公里与设定的阈值进行比较，对达到修程公里下限阈值的机车进行检修报警提示。为机车检修计划编制提供参考数据，从而及时对机车开展检修作业。
3 关键技术
3.1 机车实时走行公里统计计算模型构建
提高走行公里数值准确度的关键在于统计计算模型的构建。LKJ通过自动或人工校正轮径值，输出经过校准的沿线走行公里数据；通过在地面应用中配置调车、有动力停留等参数信息，自动计算得到机车换算走行公里数据；同时，该模型解决了机车重联等业务场景的数据计算问题。走行公里计算模型由车载层和地面层构成，如图4所示。
3.1.1 车载层
LKJ设备的速度信息来自安装在机车轮对轴头上的光电式速度传感器[5]，走行公里可通过式（1）计算得出，为
L=πD⋅NZ (1) 式（1）中，L为机车走行公里；D为轮对直径；N为光电式速度传感器的脉冲数；Z为旋转盘通孔数。可见，轮对直径是走行公里计算的重要参数。
轮对在运用过程中必然会受到磨损造成轮径值的变化[6]，这种动态变化对走行公里计算结果会产生一定的误差积累，因此，为了使计算数据更为准确，需要及时对轮对直径进行校准。LKJ设备的校正原理是在检测到通过轨道绝缘节时，将LKJ中储存的信号机位置和当前实际位置进行比对，若存在超前或滞后误差，可自动校正或手动修正LKJ距离误差[7]，当连续相同类型（超前或滞后）的误差达到规定次数时，会对预设的轮径值进行自动调整，进而计算得到更为准确的走行公里数值。
3.1.2 地面层
走行公里采集装置将获取的实时走行公里、LKJ监控状态等参数按照设定的时间间隔发送到地面服务器后，地面应用根据不同的业务场景，制定如下计算规则：
（1）当监控状态为通常且速度大于0时，机车在运行途中，地面应用累积采集装置发送的周期内走行公里数据；
（2）当监控状态为调车时，机车处于调车状态，根据《铁路机车统计规则》[8]预设换算走行公里数值，地面应用据此进行时间和里程的换算；
（3）当监控状态为通常且速度等于0时，机车处于有动力停留状态，根据《铁路机车统计规则》预设换算走行公里数值，地面应用据此进行时间和里程的换算；
（4）当机车为重联机车时，除了更新本务机走行公里外，还应查询重联机车车号对应关系，更新相应重联机车里程数值。
3.2 多源走行公里大数据对比分析技术
选取不同机型的部分机车进行机车走行公里实时采集、计算、传输试验，通过阶段性数据积累从多机型、多台车等维度对热报-6日走行公里、TCMS实时走行公里、LKJ实时走行公里等数据进行综合对比分析，从而得出实时走行公里数据准确性分析结果。多源走行公里大数据对比分析技术架构如图5所示。
（1）数据源：采集多源异构数据，包括JMIS中的热报-6走行数据、CMD系统中的TCMS走行数据、通过走行公里装置采集的LKJ走行公里数据。LKJ实时走行公里采集装置每5 min回传一条走行公里数据；热报-6统计数据是通过司机报单上传的每日走行公里数据；系统每10 min获取一条由CMD系统回传的TCMS走行公里数据。
（2）数据采集：运用Kafka、MQ等消息队列及Web Service接口等方式，实现数据多系统、跨平台的平稳高效接入。
（3）数据存储：对采集的数据进行清洗、处理后，利用HDFS、Oracle等实现数据存储，为数据计算和应用提供基础。
（4）融合处理：利用Yarn资源管理框架实现资源的全局配置管理；通过Storm等实现实时数据流的处理和分析；运用MapReduce等处理大规模数据集，实现数据批处理计算；采用Redis、Hbase等分布式数据库技术持久化存储一定时间范围的计算结果数据，实现查询计算，以便提高对比分析数据的查询速率。
（5）数据服务：实现数据报表、数据的可视化展示，提供Restful接口等数据服务，进而实现对不同走行公里数据统计方式的对比分析。
4 系统应用
目前，机车实时走行公里应用系统已经在上海、郑州等试点局段进行功能试用，实现了走行公里数据多维度查询和多源数据对比分析，为机车跨局段、分级整备及修程预测提供数据支撑。与局段整备系统实现整备预测等级等数据贯通，实现机车入库后根据实时走行公里和配置规则自动生成本次整备等级和工序任务，及时、合理地指导现场整备作业。
5 结束语
本文设计了面向全路、兼容各种机车型号、集采集和传输及应用等功能为一体的机车实时走行公里应用系统。基于列车运行安全监控装置在线数据开展了机车走行公里信息实时传输关键技术研究，构建了更为精准的走行公里计算模型，并利用大数据技术实现了多源数据接入、处理及综合对比；机车实时走行公里地面应用功能，为实现机车精准施修提供了数据支持，有效解决了超公里修、过度修等问题。随着本系统的推广和应用，将根据使用情况不断研究、完善实时走行公里计算模型，使其更加贴合现场实际，从而达到降低维修成本、保障安全质量、提升运用效率的目的。
-
[1] 王同军. 中国智能高速铁路2.0的内涵特征、体系架构与实施路径[J]. 铁路计算机应用,2022,31(7):1-9. DOI: 10.3969/j.issn.1005-8451.2022.07.01 [2] Ai B, Molisch A F, Rupp M, et al. 5G key technologies for smart railways[J]. Proceedings of the IEEE, 2020, 108(6): 856-893. DOI: 10.1109/JPROC.2020.2988595
[3] 刘佳佳,吴 昊,李盼盼. 铁路5G移动通信系统边缘计算安全研究[J]. 计算机工程与应用,2021,57(12):1-10. DOI: 10.3778/j.issn.1002-8331.2102-0052 [4] 谷晓会,章国安. 移动边缘计算在车载网中的应用综述[J]. 计算机应用研究,2020,37(6):1615-1621. DOI: 10.19734/j.issn.1001-3695.2019.01.0001 [5] 韩晓非,宋青芸,韩瑞寅,等. 移动边缘计算卸载技术综述[J]. 电讯技术,2022,62(9):1368-1376. DOI: 10.3969/j.issn.1001-893x.2022.09.025 [6] 李 毅,董根才,蔺 伟,等. 边缘计算技术在铁路5G移动通信中的应用研究[J]. 中国铁路,2020(11):23-30. DOI: 10.19549/j.issn.1001-683x.2020.11.023 [7] 谢人超,廉晓飞,贾庆民,等. 移动边缘计算卸载技术综述[J]. 通信学报,2018,39(11):138-155. DOI: 10.11959/j.issn.1000-436x.2018215 [8] Liu J, Mao Y Y, Zhang J, et al. Delay-optimal computation task scheduling for mobile-edge computing systems[C]//Proceedings of 2016 IEEE International Symposium on Information Theory, 10-15 July, 2016, Barcelona, Spain. New York, USA: IEEE, 2016: 1451-1455.
[9] Mao Y Y, Zhang J, Letaief K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12): 3590-3605. DOI: 10.1109/JSAC.2016.2611964
[10] Jia M K, Cao J N, Yang L. Heuristic offloading of concurrent tasks for computation-intensive applications in mobile cloud computing[C]//Proceedings of 2014 IEEE Conference on Computer Communications Workshops, 27 April, 2014-2 May, 2014, Toronto, ON, Canada. New York, USA: IEEE, 2014: 352-357.
[11] Kamoun M, Labidi W, Sarkiss M. Joint resource allocation and offloading strategies in cloud enabled cellular networks[C]//Proceedings of 2015 IEEE International Conference on Communications, 8-12 June, 2015, London, UK. New York, USA: IEEE, 2015: 5529-5534.
[12] Zhang H L, Guo J, Yang L C, et al. Computation offloading considering fronthaul and backhaul in small-cell networks integrated with MEC[C]//Proceedings of 2017 IEEE Conference on Computer Communications Workshops, 1-4 May, 2017, Atlanta, GA, USA. New York, USA: IEEE, 2017: 115-120.
[13] You C S, Huang K B. Multiuser resource allocation for mobile-edge computation offloading[C]//Proceedings of 2016 IEEE Global Communications Conference, 4-8 December, 2016, Washington, DC, USA. New York, USA: IEEE, 2016: 1-6.
[14] Muñoz O, Pascual-Iserte A, Vidal J. Optimization of radio and computational resources for energy efficiency in latency-constrained application offloading[J]. IEEE Transactions on Vehicular Technology, 2015, 64(10): 4738-4755. DOI: 10.1109/TVT.2014.2372852
[15] Nan Y C, Li W, Bao W, et al. Adaptive energy-aware computation offloading for cloud of things systems[J]. IEEE Access, 2017 (5): 23947-23957. DOI: 10.1109/ACCESS.2017.2766165
[16] Liu L Q, Chang Z, Guo X J, et al. Multi-objective optimization for computation offloading in mobile-edge computing[C]//Proceedings of 2017 IEEE Symposium on Computers and Communications, 3-6 July, 2017, Heraklion, Greece. New York, USA: IEEE, 2017: 832-837.
[17] Di Valerio V, Lo Presti F. Optimal Virtual Machines allocation in mobile femto-cloud computing: an MDP approach[C]//Proceedings of 2014 Wireless Communications and Networking Conference Workshops, 6-9 April, 2014, Istanbul, Turkey. New York, USA: IEEE, 2014: 7-11.
[18] Zhao T C, Zhou S, Guo X Y, et al. A cooperative scheduling scheme of local cloud and internet cloud for delay-aware mobile cloud computing[C]//Proceedings of 2015 IEEE Globecom Workshops, 6-10 December, 2015, San Diego, CA, USA. New York, USA: IEEE, 2015: 1-6.
[19] Guo X Y, Singh R, Zhao T C, et al. An index based task assignment policy for achieving optimal power-delay tradeoff in edge cloud systems[C]//Proceedings of 2016 IEEE International Conference on Communications, 22-27 May, 2016, Kuala Lumpur, Malaysia. New York, USA: IEEE, 2016: 1-7.
[20] Wang C M, Yu F R, Liang C C, et al. Joint computation offloading and interference management in wireless cellular networks with mobile edge computing[J]. IEEE Transactions on Vehicular Technology, 2017, 66(8): 7432-7445. DOI: 10.1109/TVT.2017.2672701
[21] Oueis J, Calvanese-Strinati E, De Domenico A, et al. On the impact of backhaul network on distributed cloud computing[C]//Proceedings of 2014 IEEE Wireless Communications and Networking Conference Workshops, 6-9 April, 2014, Istanbul, Turkey. New York, USA: IEEE, 2014: 12-17.
[22] 武继刚,刘同来,李境一,等. 移动边缘计算中的区块链技术研究进展[J]. 计算机工程,2020,46(8):1-13. DOI: 10.19678/j.issn.1000-3428.0057749 [23] Tang W D, Zhao X, Rafique W, et al. A blockchain-based offloading approach in fog computing environment[C]//Proceedings of 2018 IEEE International Conference on Parallel & Distributed Processing with Applications, Ubiquitous Computing & Communications, Big Data & Cloud Computing, Social Computing & Networking, Sustainable Computing & Communications, 11-13 December, 2018, Melbourne, VIC, Australia. New York, USA: IEEE, 2018: 308-315.
[24] Zhao H W, Zhang Y, Peng Y, et al. Lightweight backup and efficient recovery scheme for health blockchain keys[C]//Proceedings of the 13th International Symposium on Autonomous Decentralized System, 22-24 March, 2017, Bangkok, Thailand. New York, USA: IEEE, 2017: 229-234.
[25] Zhang L. Key management scheme for secure channel establishment in fog computing[J]. IEEE Transactions on Cloud Computing, 2021, 9(3): 1117-1128. DOI: 10.1109/TCC.2019.2903254
[26] Ma Z F, Wang X C, Jain D K, et al. A blockchain-based trusted data management scheme in edge computing[J]. IEEE Transactions on Industrial Informatics, 2020, 16(3): 2013-2021. DOI: 10.1109/TII.2019.2933482
[27] ETSI. Multi-access edge computing (MEC); phase 2: use cases and requirements: ETSI GS MEC 002 V2.1. 1[S]. ETSI, 2018.
[28] 刘语馨,陈 姝,钟章队. 边缘云技术在智能铁路中的应用[J]. 铁道通信信号,2019,55(S1):7-12. DOI: 10.13879/j.issn1000-7458.2019-S1.19446 [29] 艾 渤,马国玉,钟章队. 智能高铁中的5G技术及应用[J]. 中兴通讯技术,2019,25(6):42-47,54. DOI: 10.12142/ZTETJ.201906007 [30] 张心宇,王 喆,郭 歌,等. 铁路信息系统云边协同体系架构研究[J]. 铁路计算机应用,2022,31(10):1-5. [31] 葛伟涛. 铁路5G网络边缘计算技术研究[J]. 铁路通信信号工程技术,2023,20(2):33-36,67. DOI: 10.3969/j.issn.1673-4440.2023.02.007 [32] 郜城城,周 旭,范鹏飞,等. 移动边缘计算技术在高铁通信网络中的应用[J]. 计算机系统应用,2018,27(8):56-62. DOI: 10.15888/j.cnki.csa.006507 [33] 杨兴磊,鲁玉龙,张俊尧,等. 基于边缘计算的智慧铁路工地生产管理系统[J]. 铁路计算机应用,2020,29(10):26-29. DOI: 10.3969/j.issn.1005-8451.2020.10.006
下载:
计量
- 文章访问数: 105
- HTML全文浏览量: 33
- PDF下载量: 41
