基于智能運維平臺的城軌車輛關鍵部件異常實時監測

■劉 洋 李沛海 王遠瑾

（1.重慶市軌道交通（集團） 有限公司，重慶 401120；2.重慶長征重工有限責任公司，重慶 400083）

隨著城市化發展進程的加快，加上道路交通建設的不斷推進， 使得城市人口越發呈現集中的趨勢，城市軌道交通車輛數量也因此處于不斷增長的態勢。 然而，大幅度增長的車輛給車輛監測工作造成了較大的壓力。 在未來的城市交通系統中，智能運維平臺將占據重要位置[1]。 隨著智能運維平臺的不斷發展，向著信息化與自動化不斷進步，智能運維平臺的應用已經是交通行業關注重點[2]。 在近些年的研究建設中，智能運維平臺在交通領域各方面都起到了巨大作用，例如：交通運營、交通監控等[3]。由于城軌車輛工作性質的原因， 過于頻繁啟動、停車、加速、剎車，車輛的關鍵部件容易發生異常，使車輛運行安全無法得到保障[4]。 城軌車輛作為城市居民運輸的重要工具， 每天乘坐居民數量極大，其安全性、穩定性是發展的根本。 因此，一套良好的車輛關鍵部件異常實時監測方法，是支撐城市交通發展的基礎。 本文通過對智能運維平臺的分析，提出關于城軌車輛實時監測的方法，希望可以提升城軌交通的安全性。

1 智能運維平臺分析

智能運維平臺，是指以自動化、智能化的平臺為基礎，運維工程師需要低成本、高質量完成客戶需求[5]。 城軌車輛關鍵部位異常如果得不到及時監測維修，極易造成停車、追尾、擁堵等交通事故，存在較大的安全隱患[6]。 在城軌交通中運用智能運維理念，數據的收集與存儲是最基礎的項目，強調的重點是保證城軌交通車輛質量安全。 智能運維是將多種先進技術進行有效融合，其中包括通信、計算機、電子器件等。 將智能運維應用在城市交通管理中，在保證了應用范圍廣、作用大的同時，還確保了應用中的實時性與準確性。

在城軌車輛運行中，應及時發現問題，合理制定維修策略，在保證車輛安全的基礎上，延長車輛生命周期，以達到運營的可持續發展，并最優化配置資源[7-8]。 隨著對車輛監測問題的重視程度不斷加強，現已可以將智能設備放置于車輛頂部、底部、側面， 從而實現對車輛關鍵部件的異常實時監測；在大數據支持下， 對城軌車輛運行狀態進行掌握，保障車輛的運行順暢[9-10]。

2 基于智能運維的城軌車輛關鍵部件異常實時監測設計

為了保證城軌交通安全、可持續發展，以智能運維系統平臺為基礎，通過各設備系統故障對車輛運行的影響分析，以及智能化建設成本研究，進行城軌車輛關鍵部件的實時監測[11-12]；其中關鍵部件包括高壓部、變流器、牽引電機等，這些部件是列車“能量流”和“動力鏈”轉換的核心部件。 數據是智能運維背景下城軌車輛部件異常監測的基礎。 因此，在整個實時監測中，先進行數據采集與存儲，再構建ACE 框架、制定異常判別標準、優化部件異常判別，這3 個步驟完成了對車輛的監測工作，最后通過平臺展示監測結果，整個監測系統如圖1 所示。

圖1 城軌車輛異常監測系統

2.1 車輛部件數據采集與存儲

數據采集主要指的是城軌車輛關鍵部件信息數據的收集，并與車輛外部放置的外場設備進行實時通訊， 從而確保對關鍵部件數據分析的準確性，保證城軌車輛運行狀態[13-14]。 在保持通訊的前提下進行數據采集，在數據采集過程中需要保證外場設備與網絡之間的連通性， 才能有效采集部件信息。車輛部件數據采集的流程如圖2 所示。

圖2 車輛部件數據采集

數據采集主要依靠采集服務器，通過服務器對車輛關鍵部件狀態、信息進行收集，采集完成后將數據存入數據庫。 采集信息一般會隨著車輛實時運行狀況的變化而改變，屬于實時性數據。 負責信息采集的服務器在建立正常通訊后，將進行初始化工作，連接數據庫，并通過計時器設定數據采集周期，采集完成后發送指令給外場設備。 外場設備將發送設備的類型、運行狀態數據等實時數據信息，并把信息解析后整理至數據庫保存。

而數據存儲模塊的核心就是將采集的數據按照邏輯進行存儲， 在這個過程中需要注意2 個重點：一是要按照實際需求來規劃數據庫；二是要將數據盡量簡便處理，以減輕數據維護難度。 此外，數據存儲還有一個作用就是允許用戶對數據進行操作。

2.2 構建數據處理框架

在城軌車輛關鍵部件異常實時監測中，主要目標是對車輛部件的異常分析。 在獲取部件實時有效數據后，需要選擇合適的算法，完成對車輛部件異常判別工作。 因此，對于異常判別算法的要求較為嚴苛，而構建的框架決定了算法的選取。 在構建框架時， 本文選擇的是最為流行的c++開發框架Adaptive Communication Environment， 簡稱為ACE框架。 該框架在車輛部件實時監測應用中的要求有：（1）多線程，通過多線程對socket 或者數據進行操作，同步是其中最需要思考的問題。 當多個部件檢測設備同時進行請求，可以通過多線程完成ACE框架的并發機制處理。 （2）在業務處理方面，應將異常判別算法的c++實現作為重點處理工作。（3）事件分離，多個部件檢測設備同時請求時，采用ACE 分離機制處理，提高運行效率。 以上述內容為需求構建的ACE 框架， 可以較好地實現部件異常監測功能。 構建ACE 框架過程中，有一個需要重視的環節就是處理中心類，在初始化數據庫、部件實例創建、分析線程設備啟動方面都發揮巨大作用。 在處理中心類中，包含3 個接口，每個接口都有相應的負責工作內容：一是DbInit（）接口，其職責是完成初始化數據庫工作，還有數據庫與occi 環境的連接；二是CreateDevAlarm（）接口，該接口的職責是需要同時進行多個部件實例的創建； 三是DevAnalysis U 函數接口，其工作內容在于將CreateDevAlarm（）接口創建的實例進行分析線程的執行工作。 當ACE 框架構建完成后即可投入運用。

除此之外，后臺報警程序的開發，需根據各部件的異常判斷方法進行設計。 在數據庫同監測平臺進行聯系的過程中，ACE 的線程等待也不可或缺；而線程作為處理函數的主動對象具有異步性特點。

2.3 制定異常判別標準

在ACE 框架搭建完成之后， 檢測系統的輪廓就大致呈現。 隨后進行部件異常判別標準的制定，為以后的監測數據分析提供模板，后續的分析工作便可依據模板流程推進。 城軌車輛關鍵部件異常判斷需針對3 方面進行分析： 網絡連接正常與否、車輛部件數據讀取是否正常、采集到數據與常規數據是否相符；以此作為標準制定的依據，本文設計了報警基類CBaseAlarm 及一些子類， 子類分別對應車輛的關鍵部件。 在實時監測過程中， 基類CBaseAlarm 負責接口的功能。表1 為基類接口的定義與功能。

表1 接口的定義及功能

2.4 優化部件異常判別

車輛關鍵部件異常實時監測，其本質在于部件異常判斷技術。 部件異常判斷的依據是特征提取，也就是通過數據采集與存儲模塊實現后的數據信息，進行有效分析數據的提取，將冗余數據進行刪除。然而。由于城軌車輛部件信息繁多、功能復雜，使得采集的數據依舊存在一部分的不相關或不重要數據。 如果進行特征提取時，使用這部分冗余數據，會造成資源消耗增加。 作為異常判斷技術的重要環節，特征提取是整個監測過程的導向。 部件異常判斷算法的優化， 也要通過基類的3 個接口來實現。

首先是NetPing 接口， 其主要作用在于查看網絡連接狀態。 這個接口的實現方式在于IP 地址是否能ping 通，如果ping 通正常，就代表網絡連接狀態良好。 反之，即表示部件出現異常。 Ping 的進行，依靠的是網絡IP 協議，通過報文的數量、時間間隔等相關數據來判別。

其次是實時數據分析接口，第1 步將各個部件的相關實時數據進行讀??； 第2 步對數據ID進行判斷，當數據沒有顯示為空的狀態下，代表部件正常，當數據顯示為空，代表部件出現異常；第3 步對比異常情況與報警表異常記錄，檢查所出現情況是否已經做了記錄。 沒有記錄的情況下，將異常補充進去，如果有過記錄，就要檢查現在與之前的報警等級是否相同；第4 步觀察報警等級，報警等級相同不用處理，等級出現變化時應及時更新。

最后是關于報警信息入庫的實現。 需要將接口與數據庫相連接， 接口中包含返回結果集查詢、數據庫的插入等，將相關接口通過occi 進行實現。 先利用Connection 類對象完成一個對象的生成，再進行數據循環填充。 循環結束后，將生成的對象批量插入數據庫，最后完成事務提交。 在過程中加入異常檢錯代碼，從而進行部件異常信息捕捉。 通過以上所有步驟，完成車輛部件異常監測工作。

2.5 展示監測結果

在實現城軌車輛關鍵部件實時監測后，還需設置一個平臺將監測結果展示出來，當系統監測到異常信息時，工作人員可以通過可視化操作進一步判斷關鍵部件的狀態， 有利于后期的異常運維處理。監測平臺按照系統的要求，以表格形式詳細展示監測結果和報警信息；平臺展示是監測工作與運維工作的連接點，有利于實現快速高效溝通。

3 實驗與分析

為驗證本文所提出監測方法的有效性，采用同一輛城市軌道車進行實驗論證。 首先采用視頻監測方法， 通過攝像機采集城軌車輛部件實時圖像，由處理器處理， 以監測車輛關鍵部件的異常情況；共進行5 次監測實驗，每次實驗同時增加檢測的關鍵部件數量，記錄其檢測結果；然后利用微波監測方法，在車輛上設置發射天線和發射接收器，通過低能量的連續頻率調制微波信號發射，根據回波信號對車輛不同部件情況進行檢測， 同樣進行5 次實驗，監測部件依次增加，記錄監測情況；最后采用本文所提出的實時監測方法， 提前的采集與存儲部件相關數據，在關鍵部件附近放置相關設備，根據設備實時收集的數據進行后臺分析， 判斷部件異常情況，與前2 種方法相同，也進行5 次測驗，并記錄了監測結果。 經過實驗，3 種方法的監測情況如表2 所示。

表2 3 種方法的監測結果

通過表2 可知，3 種監測方法在監測條件與監測部件數量完全相同的情況下，傳統視頻監測與微波監測方法隨著監測部件數量的增加，其準確度不斷下降，從一開始監測2 個部件時，視頻監測準確度為87%，微波監測為94%，實時監測的準確度為96%。 隨后2 種傳統方法準確度不斷下降，直到同時監測10 個部件時，視頻監測準確率下降至57%。微波監測降至65%， 而實時監測方法并未受到影響， 無論監測數量如何變化， 其準確度均保持在90%以上。 因此可以得出結論，本文所提出的城軌車輛關鍵部件異常實時監測方法在實際應用中是更加有效的，可在同時監測多個部件時仍舊保持其監測準確度；該方法是以數據為依托，基于智能運維平臺設計出的監測方法，有利于檢測工作的順利進行與監測準確度的提升， 保證城軌車輛安全、可靠發展。

4 結語

本文以智能運維平臺為基礎，對城軌車輛關鍵部件異常實時監測進行探究，在明確監測現狀后提出了新的監測方法，并經由實驗論證，認為該方法實際應用效果良好， 可加強城軌車輛監測力度，推進智能運維平臺的應用，保證城市交通安全發展。