刘尊民，刘庆元，曲大义，陈秀锋,3

(1.青岛理工大学 机械与汽车工程学院，山东 青岛 266520； 2. 山东省交通规划设计院，山东 济南 250001； 3. 青岛海信网络科技股份有限公司，山东 青岛 266071)

0 引 言

现阶段交通运维系统中各个设备是相互独立的，设备之间没有建立网络链路、数据链路关系,当一个核心节点出现故障时，系统会报挂载在其下的所有外场设备的故障[1-2]。传统故障诊断方法通过收集故障原始信息，通过各种分析、处理手段结合工作人员的丰富经验，对故障信息进行综合分析及识别[3-4]。该方法依托操作人员的干预完成，诊断结果受人为因素影响大，且针对交通运维系统的诊断工作量巨大，不适合信息化发展的需求。目前智能故障诊断方法研究较多，如人工智能应用中的专家系统、神经网络技术、模糊理论等，具有传统方法无法比拟的优势，是故障诊断领域的重要发展方向[5-7]。但成熟的故障诊断技术方法，在大数据背景下的智能交通系统中，普遍存在适应性不强，专门解决该应用的技术方法相对较少等诸多问题[8-9]。

针对以上情况，提出了一种采用基于双层链路的故障反推演定位方法，给出了智能交通系统中终端设备、网络设备及数据链路的故障精确定位方法。所能判别的故障信息包括：终端设备故障(硬件)、网络设备故障(硬件)、通信服务适配器(软件)故障。其中终端设备可定位到某台设备，若设备上传故障代码可精确到故障类型；网络设备可定位到网络结构中的某台设备；通信服务程序可定位到软件构架中的某个程序接口。

1 整体技术方案

为了保障故障定位的准确性，解决外场设备自动报障故障原因不精确，设备维修过度依赖于维修人员经验的问题，采用基于双层链路的故障反推演定位方法，通过对硬件构架及软件接口模块的多维度诊断处理，实现智能交通系统中设备故障的精确定位。系统主流程如图1。

图1 系统主流程Fig. 1 System main process

基于双链路的设备故障定位方法通过以下步骤实现：①自动产生设备数据上传时间间隔阈值，若超限且未上报准确故障信息，则进入第②步；②依据网络设备链路结构，对网络链路采用多维度反推演方法进行故障定位，若判断无故障则进入第③步；③在数据链路层面，根据报障设备信息，启动多维诊断线程，探测各服务适配器程序通信及数据链路状态，若判断无故障则进入第④步；④排除网络设备及数据链路设备后，可精确定位到设备本身故障。故障处理过程中，自动更新维护服务器端故障设备表格。

2 故障阈值判断

运维服务器端自动维护设备阈值表格及设备信息表格，智能交通设备与服务器始终维持链接状态，采用基于设备数据采集频率特征自适应运算产生方法，自动设置时间间隔阈值，该阈值为设备与服务器未发生通信的时间间隔。时间间隔阈值的设置方法如下：

1)根据设备统计周期内的历史数据，提取历史数据上传时间间隔，假设采集到N+1个数据，计算数据间的时间间隔，生成数据序列，记为{Ti|i=1,2,3,...,N}。

2)数据序列中极大极小值分别为Tmin、Tmax，忽略后计算平均值，记为Tmin。计算公式如下：

(1)

3)去除Tmin、Tmax后，重新组织数据序列为{Ti|i=1,2,3,...,N-2}。计算N-2个数据序列方差，记为Tσ。计算公式如下：

(2)

4)计算数据偏差，剔除异常数据。其中k为系数，在程序中动态设定，以确定剔除数据的比例：

|Ti-TM|≥k·Tσ

(3)

5)假设剔除异常数据个数为m个，重新组织数据序列为{Ti|i=1,2,3,...,N-m-2}，重新计算数据平均值及方差如下：

(4)

(5)

6)定时计算当前未上传数据设备的时间间隔Td，当Td满足公式(6)时，启动故障诊断步骤。其中k′为系数，根据数据方差值动态设定：

(6)

3 网络层故障检测

利用网络适配器，对所有网络设备广播发送巡检指令，对网络链路的所有节点进行检测。若所有节点通信正常，则进入数据链路层故障检测，否则进行网络层故障检测。

从底层网络故障节点逐层追溯网络状态，以轮询的方式发送诊断指令，对返回结果进行识别判断，一直追溯到无故障节点。简化网络结构，说明网络层故障检测方法。假设网络为5层结构，其简化示意如图2。

图2 网络节点简化示意Fig. 2 Diagram of network node

假设C0节点故障，该节点下所有节点都处于异常通信状态，检测方法如下：

第1条链路：巡检顺序为E0, D0，C0，B0。到B0正常节点后结束。

第2条链路：巡检顺序为E1，D0，C0，B0。到B0正常节点后结束。

第3条链路：巡检顺序为E2，D1，C0，B0。到B0正常节点后结束。

则其他链路检测方法同上。

C0节点下的所有通信异常节点反向追溯到B0节点，每条链路检测结果可定位到C0为故障节点，满足所有节点的故障判断状态一致后，即多异常节点的互相验证后，确定C0为故障节点。若故障节点下的网络节点数量大于100个，为提高遍历速度，则只判断100个节点的互锁验证状态，屏蔽其它节点的故障信息。

通过上述方法反向逐层多路诊断，并发多线程多维度进行反推演，以网络设备故障定位相互验证，并屏蔽已获验证的网络设备下层节点故障信息，可精确定位故障到网络设备。

若网络故障修复完成，或无网络故障，故障仍然存在，则故障来源为数据链路故障或终端设备故障，进入数据链路层故障检测。

4 数据链路层故障检测

传统运维管理系统中通常不监测数据链路故障，对设备和服务之间的数据流向不进行管理，当软件服务出现故障导致设备数据无法正常传输时，系统会报设备的故障，无法自动判断并准确定位故障来源。

基于双层链路的故障精确定位方法中判断无网络故障后，启动数据链路的通信测试线程，进行数据链路的故障排除。由上位机服务器下发测试指令，在数据层面各服务适配器程序依序返回回传数据。如果异常，修改数据链路表的异常标识，标识此节点服务故障，进行报障。通过该诊断方法，可精确定位故障到数据通信服务适配器。

若数据链路修复完成，或无数据链路层故障，故障仍然存在，可精确定位到设备本身故障。通过更换设备或设备检修排除该类型故障。故障处理完成后，更新服务器端设备信息表格。

5 应用效果

该方法已在青岛智能交通运维系统世园会子项目中试点应用，可实现系统级数据链路故障定位及设备级故障定位。其中设备级故障主要包括网络设备故障及外场设备故障，外场设备种类较多，目前已实现电子警察、卡口、超速监测、移动抓拍、诱导屏、信号机、视频监控、流量检测器、事件检测器、气象检测、喊话系统、雾区防撞12种类型设备的状态监测。累计跟踪9天的维修单数据，系统共检测出故障数为174个，其中系统级软件服务故障11个，设备故障163个。如表1所示，报障样本中，159个检测准确，检测准确率为91.4%，满足用户需求。

表1 故障统计结果Table 1 Statistical results of fault

随着智能交通系统规模的增大，类似“网络设备故障，导致大片外场设备报障”的情况经常发生，影响维修效率。该方法基于网络拓扑和数据链路的故障自动识别技术，解决了由上游节点故障导致的关联设备重复误报问题，青岛项目中平均每天自动合并设备故障200多个，避免因误报产生的无效派工及排查工作，设备运维效率得到了显著提升。

6 结 论

1)提出了一种基于采集频率特征的自适应阈值产生方法。基于设备历史数据的上传频率自动产生时间间隔数据序列，剔除异常数据后，通过统计平均法，获取设备的数据上传时间间隔标准值，在加权方差的基础上，自适应运算产生时间间隔阈值，超过阈值后，自动启动故障诊断流程。

2)提出了一种基于双层链路的故障精准定位方法。通过开辟网络链路监测线程及数据链路监测线程，对智能交通系统全故障状态进行精准定位。在网络链路层采用多维度反推演故障定位方法，依据网络设备链路结构及终端数，设置多维度网络故障探测线程。依据探测返回信息，进行故障反推演定位。从网络底层开始逐层探测，定位到网络设备故障信息源，若有多个报障信息，结合已报故障设备地址信息，进行故障信息互锁验证。

参考文献(References)：

[1] 吴明远,林保华. 智能交通设备运维系统[C]//第九届中国智能交通年会大会论文集.广州:电子工业出版社,2014:1178-1180.

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

[2] 赵怀柏. 基于故障溯源技术的交通设备管理系统设计[D].上海:复旦大学,2013.

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

[3] 李晗,萧德云. 基于数据驱动的故障诊断方法综述[J]. 控制与决策,2011,26(1):1-8.

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

[4] 马晔,崔宝同. 网络控制系统的故障检测[J]. 科学技术与工程,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，李东辉. 基于小波变换和粗糙集的电力电子电路故障诊断方法[J].电气自动化，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] 王礼军. 模糊神经网络专家系统在故障诊断中的应用[J]. 重庆交通大学学报(自然科学版), 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.智能交通设备运维监控系统的设计与实现[D].杭州:浙江工业大学,2015.

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

[9] 陆百川, 郭桂林, 肖汶谦,等. 基于多尺度主元分析法的动态交通数据故障诊断与修复[J]. 重庆交通大学学报(自然科学版), 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.