一种基于声波探测的车轴异常AI识别系统的制作方法

一种基于声波探测的车轴异常ai识别系统
技术领域
1.本发明涉及计算机技术领域和声波探测ai识别技术领域，具体为一种基于声波探测的车轴异常ai识别系统。


背景技术：

2.随着时代的变迁，火车的速度越来越高，高速运行下的车轴，其故障发生率也在提高；同时，随着运输量的扩大，货运火车的载重要求也在提高，这也提升了货运火车车厢的车轴故障率。但是，目前，是培养熟练的技工在车辆进站之后，对车辆的车轴进行检查，主要依赖于人在进行。主要是基于个人的经验，对车厢的车轴基于回声进行判断，工作量非常大，人手严重不足。


技术实现要素：

3.本发明的目的在于提供一种基于声波探测的车轴异常ai识别系统，引入ai技术，基于标准化的技术手段，降低人为判断的因素，既满足了各个路局缺乏熟练的维修工人的问题；还引入预防性的措施，将问题消灭在萌芽状态。
4.为实现上述目的，本发明采用的技术方案是：提供一种基于声波探测的车轴异常ai识别系统，其特征在于，包括：电力产生模块、声波探测模块、数据传输模块、前端ai/云端ai、学习集逻辑；所述电力产生模块，采用轴外壳处安装永磁体制成定子，在轴上安装包括线圈的部分做转子，轴转动带动转子转动，切割永磁体定子，用于提供发电功能，同时电力将临时存入超级电容，提供设备瞬间工作时需要的电力；所述声波探测模块，分为产生装置和接收装置设计，用于支撑声波产生装置的输出，以及声波探测装置的接收，以及数据的上传；所述数据传输模块为3g/4g/5g以及lora，用于上传数据信息到互联网上；所述前端ai或云端ai，位于远端/云端，为一组定制的服务器，用于集中处理数据的上传；所述学习集逻辑，用于接收新的故障的轴之后，将其历史上探测获得的超声波数据和声波数据作为学习集的组成部分，再次进行深度学习，形成新的ai识别逻辑，并下发到一组ai处理服务器，改善ai处理服务器对上报数据的分析处理效果，在分析出来异常之后，将触发紧急的处置事件，对轴进行紧急养护或更换，确保行车的安全。
5.优选地，所述电力产生模块，采用太阳能发电、转子线圈切割永磁体定子发电或内部旋转动能发电。
6.优选地，所述声波探测模块，产生装置为超声波发生器或电子弹簧撞击针，接收装置为超声波接收器或数字拾音器。
7.优选地，所述声波探测模块，由一个声波发生装置和一个声波接收装置组成，在车辆静止状态下进行工作，声波发生装置为超声波发生器，或是敲击、震动装置，声波接收装
置为超声波接收器，或是数字拾音器；所述声波发生装置和声波接收装置安装在一起，或者分开安装于轴的两边。
8.优选地，所述数据传输模块，数据用lora或者光电传输方式上传，或存储在存储卡上人工定期取得。
9.优选地，所述学习集逻辑针对采样并上传的超声波和声波数据进行深度学习，方法如下：s1：确定一组无故障的轴，如100个样本，获取它们在不同时间段采集到的超声波或声波数据，每个正常样本提供100个数据，作为神经网络的输入ok集合；s2：确定一组有各种异常的轴，无论是检查到何种异常，每种异常寻找1个以上的样本，并获取他们在不同时间段采集到的超声波或声波数据，每个异常样本提供100个数据，作为神经网络的输入er集合；s3：经过对ok集合和er集合的深度学习，学习集逻辑即可获得一个ai算法，ai算法将可以分析新获得的超声波和声波数据，评估提供该数据的轴，究竟是处于正常轴的分类中，还是处于特定的异常状态轴的分类中。
10.优选地，包括如下步骤：s1：在安全环境中，对数据传输模块放号，将id和密钥分别登记于数据传输模块和云端ai中，云端ai与数据传输模块基于安全链路连接，云端ai为全部轴上的测量设备的上报信息进行解密；s2：数据传输模块的设备与云端ai基于登录协议互认；s3：数据传输模块无论是否获得最新的探测消息，只要系统的电力超过80%，总是定时发出状态上报消息，如果前端测量模块的上报异常，通知管理人员安排维修处置；s4：云端ai的数据的需要先将数用密钥解密，再分析数据传输模块的消息合法性，如果非法则丢弃，如果合法，则基于id进行分组存储，同时，对收到的所有的消息，均回时间戳和确认，确保前端设备始终具有合法的时间；s5：前端ai的数据主要来自于声波探测模块，在每次停靠时，都对属于本地的声波数据做实时分析，分析其是否为正常工作的轴的声音，如果有异常，数据传输模块可以发出紧急提示，提醒工作人员立即检修；s6：当声波探测模块将测量值上报到前端ai或云端ai，无论ai逻辑的位置，ai逻辑将分析和处理上报的声波数据，如果ai算法识别出异常，则立即启动即时告警处理机制，安排紧急维护和更换；s7：生产人员，要按照数据传输模块的放号id，在前端轴上测量设备的显目位置喷涂或打印输出id，使其与内部放号的id保持一致，以方便运维人员定期的核查各个轴上监测设备的自身状态。
11.优选地，述步骤s2中，互认协议包括id和基于id的密钥进行的加密，以及预定义参数。
12.优选地，所述步骤s3中，数据传输模块的上报消息，只能被具备相应密钥的云端ai进行解读；其中，消息进行加密，序号和时间戳均是单调递增。
13.优选地，将不同时间段接收到的声波大小数值建立学习集，所述学习集逻辑中归一化处理的公式为：
其中max(x)为接收声波中的最大值;min(x)为接收声波中的最小值;为要归一化的i时段数据；为归一化后的i时段数据；x为声波大小数值；i为某个时段值。
14.与现有技术对比，本发明具备以下有益效果：1、本发明中采用数字拾音器等接收测量的声音信号，然后再将其传到前端ai或云端ai，进行ai识别，从而，可以在每次停车的过程中，早期发现车轴的问题，并采取行动。
15.2、本发明的数据传输模块(dtm)的数据上报，总是基于加密规则的，因此，只有合法的数据上报，才能被云端ai（fai）所接收和认可，这就防止系统被恶意攻击。
16.3、本发明的系统中声波探测模块(adm)分为声波和超声波两种，可以独立安装，也可以混合安装，还可以只安装其中的一种。
17.4、在本发明的系统中，云端ai（fai）采用先认证，在上传的方案，必须要提高临时的许可密钥，数据才能进入内部，因此，均是安全可信的。
18.该基于声波探测的车轴异常ai识别系统，引入ai技术，基于标准化的技术手段，降低人为判断的因素，既满足了各个路局缺乏熟练的维修工人的问题；还引入预防性的措施，将问题消灭在萌芽状态。
附图说明
19.图1为本发明的电力产生模块；图2为本发明静止时测量超声波探伤示意图。
20.图3为本发明静止时测量敲击声波探伤示意图。
21.图4为本发明数据上传和处理框图；图5为本发明基于声波探测的车轴异常ai识别系统的管理方法的流程图。
具体实施方式
22.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
24.应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
25.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；对于相同或相似的概念或过程可能在某些实施例不再赘述。
26.实施例1：一种基于声波探测的车轴异常ai识别系统:包括：电力产生模块、声波探测模块、数据传输模块、前端ai/云端ai、学习集逻辑；所述电力产生模块，采用轴外壳处安装永磁体制成定子，在轴上安装包括线圈的部分做转子，轴转动带动转子转动，切割永磁体定子，用于提供发电功能，同时电力将临时存入超级电容，提供设备瞬间工作时需要的电力；所述声波探测模块，分为产生装置和接收装置设计，用于支撑声波产生装置的输出，以及声波探测装置的接收，以及数据的上传；所述数据传输模块为3g/4g/5g以及lora，用于上传数据信息到互联网上；所述前端ai或云端ai，位于远端/云端，为一组定制的服务器，用于集中处理数据的上传；采用数字拾音器等接收测量的声音信号，然后再将其传到前端ai或云端ai，进行ai识别，从而，可以在每次停车的过程中，早期发现车轴的问题，并采取行动；数据传输模块(dtm)的数据上报，总是基于加密规则的，因此，只有合法的数据上报，才能被云端ai（fai）所接收和认可，这就防止系统被恶意攻击。
27.该基于声波探测的车轴异常ai识别系统，引入ai技术，基于标准化的技术手段，降低人为判断的因素，既满足了各个路局缺乏熟练的维修工人的问题；还引入预防性的措施，将问题消灭在萌芽状态；所述学习集逻辑，用于接收新的故障的轴之后，将其历史上探测获得的超声波数据和声波数据作为学习集的组成部分，再次进行深度学习，形成新的ai识别逻辑，并下发到一组ai处理服务器，改善ai处理服务器对上报数据的分析处理效果，在分析出来异常之后，将触发紧急的处置事件，对轴进行紧急养护或更换，确保行车的安全；电力产生模块，采用太阳能发电、转子线圈切割永磁体定子发电或内部旋转动能发电；所述声波探测模块，产生装置为超声波发生器或电子弹簧撞击针，接收装置为超声波接收器或数字拾音器；声波探测模块，由一个声波发生装置和一个声波接收装置组成，在车辆静止状态下进行工作，声波发生装置为超声波发生器，或是敲击、震动装置，声波接收装置为超声波接收器，或是数字拾音器；所述声波发生装置和声波接收装置安装在一起，或者分开安装于轴的两边。
28.声波探测模块(adm)分为声波和超声波两种，可以独立安装，也可以混合安装，还可以只安装其中的一种；云端ai（fai）采用先认证，在上传的方案，必须要提高临时的许可密钥，数据才能进入内部，因此，均是安全可信的。
29.请参阅图1
‑
2所示，本发明的一种基于声波探测的车轴异常ai识别系统，包括电力产生模块（power generation module）、声波探测模块（acoustic detection module）、数据传输模块（data transmission module）、前端ai（front end ai）、学习集逻辑（learning set logic）。
30.电力产生模块（pgm）在车辆运动时开始工作，基本原理就是安装线圈转子在轴上，安装永磁体定子在固定轴的外壳处，轴的转动将带动线圈转子不停的转动，并切割永磁体定子，从而发电，对于线圈产生的交流电，将由整流模块处理并dc/dc升压再ld降压，做二级稳压，用于为电力存储模块(psm)
在本发明中声波探测模块(adm)通常是功耗较高的，它只能在电力存储模块有足够电力，且当前不处于发电状态，即车轴静止状态时进行启动和测量，主要是提供超声波探测（声波记录分析），对轴的工作状态进行分析，通常为一收一发装置，可以安装在轴的一侧或者两侧，安装在轴的两侧时，两侧均有独立的发电和电力存储装置。发生装置一般可以是超声波发生器，或者是敲击装置，或者是震动装置，接收装置，一般是超声波接收器，或者是数字拾音器或者录音装置。
31.在本技术方案中，所述前端ai（fai）通常位于本地，为定制的处理逻辑，同时，云端ai（fai）将这些数据，按照归属的轴、车厢、车辆进行分门别类的存储，并进行格式化存储，由于同时上传数据的节点众多，可以采用一组服务器来处理数据的上传。
32.在本技术方案中，所述学习集逻辑(ala)通常对上传的数据进行实时分析，也可以批量获取和分析，还可以对存在疑问的历史数据进行回归分析，总之，在分析出来异常之后，将触发紧急的处置事件，对轴进行紧急养护甚至于更换，通常情况下，云端ai（fai）将定期的产生轴的养护计划，以及对达到预期寿命的轴进行更换，总之，确保行车的安全。
33.本发明的数据传输模块(dtm)的工作原理：首先，数据传输模块(dtm)由天线板和主控板构成，均可由单片机独立实现，它的id和密钥可以在安全（或涉密）机房内进行id放号和密钥分配，不使用统一的密钥，以此来消除被网络抓包破解或被暴力破解的问题发生。
34.另外，数据传输模块(dtm)通常不使用任何操作系统，可以认为无法被网络攻击，在安全环境下被内置了id和数据加密密钥，且该id和数据加密密钥也记录于云端ai（fai），所以能够确云端ai（fai）与数据传输模块(dtm)安全可靠。
35.再次，在本发明的系统中，数据传输模块(dtm)传输时，将基于本机的设备id、时间戳、消息序号、启动tick值、随机数、计算出一个临时密钥1，再基于本机密钥和设备id、时间戳、消息序号，计算出临时密钥2等，用两者对数据内容进行加密，并将其发送到云端ai（fai），由于密钥自身从不在网络上传输，因此，数据传输安全、可靠。
36.最后，云端ai（fai）将数据传输模块(dtm)的主控板配合，数据传输模块(dtm)在探测到动作和区域之后，现场运维技术人员基于阈值训练系统（tts）的管理界面，对动作的特征和区域做阈值判定。云端ai（fai）基于内部预分配的id和密钥，接收数据传输模块(dtm)的加密消息的上报，防止恶意消息攻击系统，从而做出是否告警的判断。
37.实施例2：本实施例的学习集逻辑针对采样并上传的超声波和声波数据进行深度学习，方法如下：s1：确定一组无故障的轴，如100个样本，获取它们在不同时间段采集到的超声波或声波数据，每个正常样本提供100个数据，作为神经网络的输入ok集合；s2：确定一组有各种异常的轴，无论是检查到何种异常，每种异常寻找1个以上的样本，并获取他们在不同时间段采集到的超声波或声波数据，每个异常样本提供100个数据，作为神经网络的输入er集合；s3：经过对ok集合和er集合的深度学习，学习集逻辑即可获得一个ai算法，ai算法将可以分析新获得的超声波和声波数据，评估提供该数据的轴，究竟是处于正常轴的分类中，还是处于特定的异常状态轴的分类中。
38.本实施例的包括如下步骤：s1：在安全环境中，对数据传输模块放号，将id和密钥分别登记于数据传输模块和云端ai中，云端ai与数据传输模块基于安全链路连接，云端ai为全部轴上的测量设备的上报信息进行解密；s2：数据传输模块的设备与云端ai基于登录协议互认；s3：数据传输模块无论是否获得最新的探测消息，只要系统的电力超过80%，总是定时发出状态上报消息，如果前端测量模块的上报异常，通知管理人员安排维修处置；s4：云端ai的数据的需要先将数用密钥解密，再分析数据传输模块的消息合法性，如果非法则丢弃，如果合法，则基于id进行分组存储，同时，对收到的所有的消息，均回时间戳和确认，确保前端设备始终具有合法的时间；s5：前端ai的数据主要来自于声波探测模块，在每次停靠时，都对属于本地的声波数据做实时分析，分析其是否为正常工作的轴的声音，如果有异常，数据传输模块可以发出紧急提示，提醒工作人员立即检修；s6：当声波探测模块将测量值上报到前端ai或云端ai，无论ai逻辑的位置，ai逻辑将分析和处理上报的声波数据，如果ai算法识别出异常，则立即启动即时告警处理机制，安排紧急维护和更换；s7：生产人员，要按照数据传输模块的放号id，在前端轴上测量设备的显目位置喷涂或打印输出id，使其与内部放号的id保持一致，以方便运维人员定期的核查各个轴上监测设备的自身状态；步骤s2中，互认协议包括id和基于id的密钥进行的加密，以及预定义参数；步骤s3中，数据传输模块的上报消息，只能被具备相应密钥的云端ai进行解读；其中，消息进行加密，序号和时间戳均是单调递增。
39.将不同时间段接收到的声波大小数值建立学习集，所述学习集逻辑中归一化处理的公式为：其中max(x)为接收声波中的最大值;min(x)为接收声波中的最小值;为要归一化的i时段数据；为归一化后的i时段数据；x为声波大小数值；i为某个时段值。
40.在此步骤过程中，本地运维人员只需要采用web、app、或者专用程序，即可远程访问运维逻辑，即可得知看护对象的异常情况，并采取处置措施。
41.在具体的实施时，将id和密钥分别登记于数据传输模块和云端ai中，云端ai与数据传输模块基于安全链路连接，云端ai为全部轴上的测量设备的上报信息进行解密，数据传输模块在系统的电力超过80%时，定时发出状态上报消息，同时前端测量模块在停靠时，分析是否为正常工作的轴的声音，如果有异常，通过数据传输模块传输信息到云端ai中，提醒工作人员立即检修上报的异常，通知管理人员安排维修处置。
42.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。