轨道列车运维是轨道交通安全的重要保障,基于物联网和人工智能（Artificial Intelligence,AI）技术实现轨道列车关键部件在线监测是当前智能化列车运维的发展趋势。轨道列车在线监测主要包含两个关键步骤:数据采集和故障诊断。由于轨道列车车体结构和运行环境的复杂性,基于物联网和AI技术实现列车数据采集和故障诊断仍面临诸多问题。一方面,大量已有列车车体底部的一些关键部件所处的位置未预留电源线,部署传感网节点进行数据采集面临供电难题。另一方面,基于云计算模式的故障诊断方式面临车地通信数据量大、时延高以及数据隐私泄露等问题。近年来,能量收集传感网技术和边缘计算技术发展迅速,为解决上述问题提供了有效途径。然而,如何高效利用上述技术构建轨道列车在线监测平台仍然面临多方面问题:平台架构方面,缺乏系统性的研究方案,需要设计高效的平台架构以综合利用能量收集传感网节点、边缘计算和云计算资源,为数据采集和故障诊断构建平台基础;数据采集方面,面临传感网节点能量收集速率不稳定的问题,需要设计合适的能量资源适配方法以提高节点工作的稳定性,保障稳定的数据采集;故障诊断方面,面临大规模列车部件数据的实时分析处理难题,需要设计高性能的计算卸载方法以提高故障诊断的实时性。针对上述问题,本文沿着“平台架构-数据采集-故障诊断”的研究步骤,分别对轨道列车在线监测边缘计算平台架构、数据采集任务资源适配技术和故障诊断任务计算卸载技术三方面展开了研究。本文的主要工作和创新点如下:（1）轨道列车在线监测边缘计算平台架构研究。提出了一种端-边-云协同的轨道列车在线监测边缘计算平台架构,综合利用车载能量收集无线传感网节点、车载边缘计算资源和云计算资源进行列车数据采集、故障诊断,解决传感网节点缺乏电源、车地通信时延高和数据隐私保护等问题。首先,设计了基于轨道列车振动能量收集的无线传感网节点方案,通过收集列车振动能量为节点数据采集任务供电,实现了自供电的数据采集。该方案得到了第三方权威机构认证。其次,提出了车载多级协同故障诊断机制,第一级故障诊断由能量收集传感网节点进行数据粗分类,第二级故障诊断由边缘网关进行精准分类,并将诊断结果传回到云平台,以降低能量收集传感网节点能耗、数据上传量和故障诊断时延。然后,提出了车云协同联邦学习模型训练机制,由车载边缘计算服务器和云平台协同完成故障诊断模型训练,无需将列车上的原始数据传输到云端,以保障数据的隐私安全。最后,在真实地铁环境中对所提出的架构进行了验证和性能测试,结果表明,所提的边缘计算架构相对于云计算架构在节点能耗、故障诊断时延和隐私保护方面均具有一定优势。（2）轨道列车在线监测数据采集任务资源适配技术研究。提出了一种边缘计算辅助的时间公平能量分配方法,在能量收集速率不稳定的情况下,保证能量收集传感网节点数据采集的稳定性。首先,设计了一个边缘计算辅助的能量收集节点能量分配框架,使得对内存和计算资源要求高的深度学习能量预测算法可以卸载到边缘网关进行计算。然后,将时间公平的能量分配问题建模为最大化时间公平效用函数的优化问题,以提高节点在不同时隙能量分配的公平性和能量利用率,从而保证能量供给的稳定性。为解决该问题,将最大化时间公平效用函数的优化问题转化为欧氏最短路径问题,并提出了一种基于欧氏最短路径的快速时间公平能量分配算法,所提出的算法可以显著减少迭代次数,减少最优能量分配结果求解的时间开销。最后,搭建了实验平台对所提方法进行了验证。结果显示,所提边缘计算辅助的时间公平能量分配方法在能量分配的公平性、算法计算时间和实用性方面均优于传统方法。上述方法在所提端-边-云协同的边缘计算架构基础上,进一步提高了基于能量收集传感节点进行数据采集的稳定性和可靠性。（3）轨道列车在线监测故障诊断任务计算卸载技术研究。提出了基于强化学习的多边协同故障诊断任务计算卸载方法,以提高大规模列车部件数据分析处理的实时性。首先,构建了多边协同故障诊断AI模型推理系统,该系统通过多个边缘网关和边缘服务器协同地处理故障诊断任务。然后,针对多边协同推理系统中的故障诊断AI模型推理任务卸载问题,建立了多目标优化问题,旨在最大化推理任务的平均准确率并最小化推理任务的平均计算延迟。为解决该问题,提出了一种基于强化学习的任务卸载算法LSTM-TD3,整合了长短期记忆网络（Long Short-Term Memory,LSTM）和双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradients,TD3）探索跨时间的最优任务卸载策略。最后,通过仿真实验,对所提算法任务卸载的平均准确率和平均计算延迟性能进行了评估,实验结果验证了算法的有效性。上述方法在所提端-边-云协同的边缘计算架构基础上,进一步提高了车载多级协同故障诊断机制中的第二级故障诊断在大规模列车部件数据分析处理场景下的实时性。