智能交通系統中故障精確定位方法研究

劉尊民，劉慶元，曲大義，陳秀鋒,3

(1.青島理工大學 機械與汽車工程學院，山東 青島 266520； 2. 山東省交通規劃設計院，山東 濟南 250001； 3. 青島海信網絡科技股份有限公司，山東 青島 266071)

0 引 言

現階段交通運維系統中各個設備是相互獨立的，設備之間沒有建立網絡鏈路、數據鏈路關系,當一個核心節點出現故障時，系統會報掛載在其下的所有外場設備的故障[1-2]。傳統故障診斷方法通過收集故障原始信息，通過各種分析、處理手段結合工作人員的豐富經驗，對故障信息進行綜合分析及識別[3-4]。該方法依托操作人員的干預完成，診斷結果受人為因素影響大，且針對交通運維系統的診斷工作量巨大，不適合信息化發展的需求。目前智能故障診斷方法研究較多，如人工智能應用中的專家系統、神經網絡技術、模糊理論等，具有傳統方法無法比擬的優勢，是故障診斷領域的重要發展方向[5-7]。但成熟的故障診斷技術方法，在大數據背景下的智能交通系統中，普遍存在適應性不強，專門解決該應用的技術方法相對較少等諸多問題[8-9]。

針對以上情況，提出了一種采用基于雙層鏈路的故障反推演定位方法，給出了智能交通系統中終端設備、網絡設備及數據鏈路的故障精確定位方法。所能判別的故障信息包括：終端設備故障(硬件)、網絡設備故障(硬件)、通信服務適配器(軟件)故障。其中終端設備可定位到某臺設備，若設備上傳故障代碼可精確到故障類型；網絡設備可定位到網絡結構中的某臺設備；通信服務程序可定位到軟件構架中的某個程序接口。

1 整體技術方案

為了保障故障定位的準確性，解決外場設備自動報障故障原因不精確，設備維修過度依賴于維修人員經驗的問題，采用基于雙層鏈路的故障反推演定位方法，通過對硬件構架及軟件接口模塊的多維度診斷處理，實現智能交通系統中設備故障的精確定位。系統主流程如圖1。

圖1 系統主流程Fig. 1 System main process

基于雙鏈路的設備故障定位方法通過以下步驟實現：①自動產生設備數據上傳時間間隔閾值，若超限且未上報準確故障信息，則進入第②步；②依據網絡設備鏈路結構，對網絡鏈路采用多維度反推演方法進行故障定位，若判斷無故障則進入第③步；③在數據鏈路層面，根據報障設備信息，啟動多維診斷線程，探測各服務適配器程序通信及數據鏈路狀態，若判斷無故障則進入第④步；④排除網絡設備及數據鏈路設備后，可精確定位到設備本身故障。故障處理過程中，自動更新維護服務器端故障設備表格。

2 故障閾值判斷

運維服務器端自動維護設備閾值表格及設備信息表格，智能交通設備與服務器始終維持鏈接狀態，采用基于設備數據采集頻率特征自適應運算產生方法，自動設置時間間隔閾值，該閾值為設備與服務器未發生通信的時間間隔。時間間隔閾值的設置方法如下：

1)根據設備統計周期內的歷史數據，提取歷史數據上傳時間間隔，假設采集到N+1個數據，計算數據間的時間間隔，生成數據序列，記為{Ti|i=1,2,3,...,N}。

2)數據序列中極大極小值分別為Tmin、Tmax，忽略后計算平均值，記為Tmin。計算公式如下：

(1)

3)去除Tmin、Tmax后，重新組織數據序列為{Ti|i=1,2,3,...,N-2}。計算N-2個數據序列方差，記為Tσ。計算公式如下：

(2)

4)計算數據偏差，剔除異常數據。其中k為系數，在程序中動態設定，以確定剔除數據的比例：

|Ti-TM|≥k·Tσ

(3)

5)假設剔除異常數據個數為m個，重新組織數據序列為{Ti|i=1,2,3,...,N-m-2}，重新計算數據平均值及方差如下：

(4)

(5)

6)定時計算當前未上傳數據設備的時間間隔Td，當Td滿足公式(6)時，啟動故障診斷步驟。其中k′為系數，根據數據方差值動態設定：

(6)

3 網絡層故障檢測

利用網絡適配器，對所有網絡設備廣播發送巡檢指令，對網絡鏈路的所有節點進行檢測。若所有節點通信正常，則進入數據鏈路層故障檢測，否則進行網絡層故障檢測。

從底層網絡故障節點逐層追溯網絡狀態，以輪詢的方式發送診斷指令，對返回結果進行識別判斷，一直追溯到無故障節點。簡化網絡結構，說明網絡層故障檢測方法。假設網絡為5層結構，其簡化示意如圖2。

圖2 網絡節點簡化示意Fig. 2 Diagram of network node

假設C0節點故障，該節點下所有節點都處于異常通信狀態，檢測方法如下：

第1條鏈路：巡檢順序為E0, D0，C0，B0。到B0正常節點后結束。

第2條鏈路：巡檢順序為E1，D0，C0，B0。到B0正常節點后結束。

第3條鏈路：巡檢順序為E2，D1，C0，B0。到B0正常節點后結束。

則其他鏈路檢測方法同上。

C0節點下的所有通信異常節點反向追溯到B0節點，每條鏈路檢測結果可定位到C0為故障節點，滿足所有節點的故障判斷狀態一致后，即多異常節點的互相驗證后，確定C0為故障節點。若故障節點下的網絡節點數量大于100個，為提高遍歷速度，則只判斷100個節點的互鎖驗證狀態，屏蔽其它節點的故障信息。

通過上述方法反向逐層多路診斷，并發多線程多維度進行反推演，以網絡設備故障定位相互驗證，并屏蔽已獲驗證的網絡設備下層節點故障信息，可精確定位故障到網絡設備。

若網絡故障修復完成，或無網絡故障，故障仍然存在，則故障來源為數據鏈路故障或終端設備故障，進入數據鏈路層故障檢測。

4 數據鏈路層故障檢測

傳統運維管理系統中通常不監測數據鏈路故障，對設備和服務之間的數據流向不進行管理，當軟件服務出現故障導致設備數據無法正常傳輸時，系統會報設備的故障，無法自動判斷并準確定位故障來源。

基于雙層鏈路的故障精確定位方法中判斷無網絡故障后，啟動數據鏈路的通信測試線程，進行數據鏈路的故障排除。由上位機服務器下發測試指令，在數據層面各服務適配器程序依序返回回傳數據。如果異常，修改數據鏈路表的異常標識，標識此節點服務故障，進行報障。通過該診斷方法，可精確定位故障到數據通信服務適配器。

若數據鏈路修復完成，或無數據鏈路層故障，故障仍然存在，可精確定位到設備本身故障。通過更換設備或設備檢修排除該類型故障。故障處理完成后，更新服務器端設備信息表格。

5 應用效果

該方法已在青島智能交通運維系統世園會子項目中試點應用，可實現系統級數據鏈路故障定位及設備級故障定位。其中設備級故障主要包括網絡設備故障及外場設備故障，外場設備種類較多，目前已實現電子警察、卡口、超速監測、移動抓拍、誘導屏、信號機、視頻監控、流量檢測器、事件檢測器、氣象檢測、喊話系統、霧區防撞12種類型設備的狀態監測。累計跟蹤9天的維修單數據，系統共檢測出故障數為174個，其中系統級軟件服務故障11個，設備故障163個。如表1所示，報障樣本中，159個檢測準確，檢測準確率為91.4%，滿足用戶需求。

表1 故障統計結果Table 1 Statistical results of fault

隨著智能交通系統規模的增大，類似“網絡設備故障，導致大片外場設備報障”的情況經常發生，影響維修效率。該方法基于網絡拓撲和數據鏈路的故障自動識別技術，解決了由上游節點故障導致的關聯設備重復誤報問題，青島項目中平均每天自動合并設備故障200多個，避免因誤報產生的無效派工及排查工作，設備運維效率得到了顯著提升。

6 結 論

1)提出了一種基于采集頻率特征的自適應閾值產生方法。基于設備歷史數據的上傳頻率自動產生時間間隔數據序列，剔除異常數據后，通過統計平均法，獲取設備的數據上傳時間間隔標準值，在加權方差的基礎上，自適應運算產生時間間隔閾值，超過閾值后，自動啟動故障診斷流程。

2)提出了一種基于雙層鏈路的故障精準定位方法。通過開辟網絡鏈路監測線程及數據鏈路監測線程，對智能交通系統全故障狀態進行精準定位。在網絡鏈路層采用多維度反推演故障定位方法，依據網絡設備鏈路結構及終端數，設置多維度網絡故障探測線程。依據探測返回信息，進行故障反推演定位。從網絡底層開始逐層探測，定位到網絡設備故障信息源，若有多個報障信息，結合已報故障設備地址信息，進行故障信息互鎖驗證。

參考文獻(References)：

[1] 吳明遠,林保華. 智能交通設備運維系統[C]//第九屆中國智能交通年會大會論文集.廣州:電子工業出版社,2014:1178-1180.

WU Mingyuan,LIN Baohua. Intelligent transportation system equipment operation and maintenance[C]//Proceedingsof9thChinaAnnualConferenceonintelligenttransportsystems.Guangzhou:Electronic Industry Press, 2014:1178-1180.

[2] 趙懷柏. 基于故障溯源技術的交通設備管理系統設計[D].上海:復旦大學,2013.

ZHAO Huaibai.TheDesignofTrafficEquipmentManagementSystemBasedontheTechnologyofFaultTracing[D]. ShangHai:Fudan University, 2013.

[3] 李晗,蕭德云. 基于數據驅動的故障診斷方法綜述[J]. 控制與決策,2011,26(1):1-8.

LI han,XIAO Deyun.Survey on data driven fault diagnosis methods[J].ControlandDecision, 2011,26(1):1-8.

[4] 馬曄,崔寶同. 網絡控制系統的故障檢測[J]. 科學技術與工程,2012,12(7):1544-1547.

MA Ye,CUI Baotong. Fault detection for networked control system[J].ScienceTechnologyandEngineering, 2012,12(7):1544-1547.

[5] 王智弘，李東輝. 基于小波變換和粗糙集的電力電子電路故障診斷方法[J].電氣自動化，2015,37(3) : 109-111.

WANG Zhihong, LI Donghui. A fault diagnosis method for power electronic circuits based on wavelet transformation and rough set[J].ElectricalAutomation,2015,37(3) : 109-111.

[6]CORRECHER A, GARCIA E, MORANT F, et al. Intermittent failure dynamics characterization[J].IEEETrans-actionsonReliability, 2012, 61(3): 649-658.

[7] 王禮軍. 模糊神經網絡專家系統在故障診斷中的應用[J]. 重慶交通大學學報(自然科學版), 2012, 31(3):469-472.

WANG Lijun,Application on fuzzy neural network expert system in fault diagnosis[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2012, 31(3):469-472.

[8] 段苗花.智能交通設備運維監控系統的設計與實現[D].杭州:浙江工業大學,2015.

DUAN Miaohua.DesignandRealizationofIntelligentMaintenanceandMonitoringSystemofTransportationEquipment[D].Hangzhou: Zhejiang University of Technology, 2015.

[9] 陸百川, 郭桂林, 肖汶謙,等. 基于多尺度主元分析法的動態交通數據故障診斷與修復[J]. 重慶交通大學學報(自然科學版), 2016, 35(1):134-137.

LU Baichuan, GUO Guilin, XIAO Wenqian, et al. Fault diagnosing and modifying of dynamic traffic data based on MSPCA[J].JournalofChongqingJiaotongUniversity(NaturalScience),2016, 35(1):134-137.