基于智能运维平台的城轨车辆关键部件异常实时监测

■刘 洋 李沛海 王远瑾

（1.重庆市轨道交通（集团） 有限公司，重庆 401120；2.重庆长征重工有限责任公司，重庆 400083）

随着城市化发展进程的加快，加上道路交通建设的不断推进， 使得城市人口越发呈现集中的趋势，城市轨道交通车辆数量也因此处于不断增长的态势。 然而，大幅度增长的车辆给车辆监测工作造成了较大的压力。 在未来的城市交通系统中，智能运维平台将占据重要位置[1]。 随着智能运维平台的不断发展，向着信息化与自动化不断进步，智能运维平台的应用已经是交通行业关注重点[2]。 在近些年的研究建设中，智能运维平台在交通领域各方面都起到了巨大作用，例如：交通运营、交通监控等[3]。由于城轨车辆工作性质的原因， 过于频繁启动、停车、加速、刹车，车辆的关键部件容易发生异常，使车辆运行安全无法得到保障[4]。 城轨车辆作为城市居民运输的重要工具， 每天乘坐居民数量极大，其安全性、稳定性是发展的根本。 因此，一套良好的车辆关键部件异常实时监测方法，是支撑城市交通发展的基础。 本文通过对智能运维平台的分析，提出关于城轨车辆实时监测的方法，希望可以提升城轨交通的安全性。

1 智能运维平台分析

智能运维平台，是指以自动化、智能化的平台为基础，运维工程师需要低成本、高质量完成客户需求[5]。 城轨车辆关键部位异常如果得不到及时监测维修，极易造成停车、追尾、拥堵等交通事故，存在较大的安全隐患[6]。 在城轨交通中运用智能运维理念，数据的收集与存储是最基础的项目，强调的重点是保证城轨交通车辆质量安全。 智能运维是将多种先进技术进行有效融合，其中包括通信、计算机、电子器件等。 将智能运维应用在城市交通管理中，在保证了应用范围广、作用大的同时，还确保了应用中的实时性与准确性。

在城轨车辆运行中，应及时发现问题，合理制定维修策略，在保证车辆安全的基础上，延长车辆生命周期，以达到运营的可持续发展，并最优化配置资源[7-8]。 随着对车辆监测问题的重视程度不断加强，现已可以将智能设备放置于车辆顶部、底部、侧面， 从而实现对车辆关键部件的异常实时监测；在大数据支持下， 对城轨车辆运行状态进行掌握，保障车辆的运行顺畅[9-10]。

2 基于智能运维的城轨车辆关键部件异常实时监测设计

为了保证城轨交通安全、可持续发展，以智能运维系统平台为基础，通过各设备系统故障对车辆运行的影响分析，以及智能化建设成本研究，进行城轨车辆关键部件的实时监测[11-12]；其中关键部件包括高压部、变流器、牵引电机等，这些部件是列车“能量流”和“动力链”转换的核心部件。 数据是智能运维背景下城轨车辆部件异常监测的基础。 因此，在整个实时监测中，先进行数据采集与存储，再构建ACE 框架、制定异常判别标准、优化部件异常判别，这3 个步骤完成了对车辆的监测工作，最后通过平台展示监测结果，整个监测系统如图1 所示。

图1 城轨车辆异常监测系统

2.1 车辆部件数据采集与存储

数据采集主要指的是城轨车辆关键部件信息数据的收集，并与车辆外部放置的外场设备进行实时通讯， 从而确保对关键部件数据分析的准确性，保证城轨车辆运行状态[13-14]。 在保持通讯的前提下进行数据采集，在数据采集过程中需要保证外场设备与网络之间的连通性， 才能有效采集部件信息。车辆部件数据采集的流程如图2 所示。

图2 车辆部件数据采集

数据采集主要依靠采集服务器，通过服务器对车辆关键部件状态、信息进行收集，采集完成后将数据存入数据库。 采集信息一般会随着车辆实时运行状况的变化而改变，属于实时性数据。 负责信息采集的服务器在建立正常通讯后，将进行初始化工作，连接数据库，并通过计时器设定数据采集周期，采集完成后发送指令给外场设备。 外场设备将发送设备的类型、运行状态数据等实时数据信息，并把信息解析后整理至数据库保存。

而数据存储模块的核心就是将采集的数据按照逻辑进行存储， 在这个过程中需要注意2 个重点：一是要按照实际需求来规划数据库；二是要将数据尽量简便处理，以减轻数据维护难度。 此外，数据存储还有一个作用就是允许用户对数据进行操作。

2.2 构建数据处理框架

在城轨车辆关键部件异常实时监测中，主要目标是对车辆部件的异常分析。 在获取部件实时有效数据后，需要选择合适的算法，完成对车辆部件异常判别工作。 因此，对于异常判别算法的要求较为严苛，而构建的框架决定了算法的选取。 在构建框架时， 本文选择的是最为流行的c++开发框架Adaptive Communication Environment， 简称为ACE框架。 该框架在车辆部件实时监测应用中的要求有：（1）多线程，通过多线程对socket 或者数据进行操作，同步是其中最需要思考的问题。 当多个部件检测设备同时进行请求，可以通过多线程完成ACE框架的并发机制处理。 （2）在业务处理方面，应将异常判别算法的c++实现作为重点处理工作。（3）事件分离，多个部件检测设备同时请求时，采用ACE 分离机制处理，提高运行效率。 以上述内容为需求构建的ACE 框架， 可以较好地实现部件异常监测功能。 构建ACE 框架过程中，有一个需要重视的环节就是处理中心类，在初始化数据库、部件实例创建、分析线程设备启动方面都发挥巨大作用。 在处理中心类中，包含3 个接口，每个接口都有相应的负责工作内容：一是DbInit（）接口，其职责是完成初始化数据库工作，还有数据库与occi 环境的连接；二是CreateDevAlarm（）接口，该接口的职责是需要同时进行多个部件实例的创建； 三是DevAnalysis U 函数接口，其工作内容在于将CreateDevAlarm（）接口创建的实例进行分析线程的执行工作。 当ACE 框架构建完成后即可投入运用。

除此之外，后台报警程序的开发，需根据各部件的异常判断方法进行设计。 在数据库同监测平台进行联系的过程中，ACE 的线程等待也不可或缺；而线程作为处理函数的主动对象具有异步性特点。

2.3 制定异常判别标准

在ACE 框架搭建完成之后， 检测系统的轮廓就大致呈现。 随后进行部件异常判别标准的制定，为以后的监测数据分析提供模板，后续的分析工作便可依据模板流程推进。 城轨车辆关键部件异常判断需针对3 方面进行分析： 网络连接正常与否、车辆部件数据读取是否正常、采集到数据与常规数据是否相符；以此作为标准制定的依据，本文设计了报警基类CBaseAlarm 及一些子类， 子类分别对应车辆的关键部件。 在实时监测过程中， 基类CBaseAlarm 负责接口的功能。表1 为基类接口的定义与功能。

表1 接口的定义及功能

2.4 优化部件异常判别

车辆关键部件异常实时监测，其本质在于部件异常判断技术。 部件异常判断的依据是特征提取，也就是通过数据采集与存储模块实现后的数据信息，进行有效分析数据的提取，将冗余数据进行删除。然而。由于城轨车辆部件信息繁多、功能复杂，使得采集的数据依旧存在一部分的不相关或不重要数据。 如果进行特征提取时，使用这部分冗余数据，会造成资源消耗增加。 作为异常判断技术的重要环节，特征提取是整个监测过程的导向。 部件异常判断算法的优化， 也要通过基类的3 个接口来实现。

首先是NetPing 接口， 其主要作用在于查看网络连接状态。 这个接口的实现方式在于IP 地址是否能ping 通，如果ping 通正常，就代表网络连接状态良好。 反之，即表示部件出现异常。 Ping 的进行，依靠的是网络IP 协议，通过报文的数量、时间间隔等相关数据来判别。

其次是实时数据分析接口，第1 步将各个部件的相关实时数据进行读取； 第2 步对数据ID进行判断，当数据没有显示为空的状态下，代表部件正常，当数据显示为空，代表部件出现异常；第3 步对比异常情况与报警表异常记录，检查所出现情况是否已经做了记录。 没有记录的情况下，将异常补充进去，如果有过记录，就要检查现在与之前的报警等级是否相同；第4 步观察报警等级，报警等级相同不用处理，等级出现变化时应及时更新。

最后是关于报警信息入库的实现。 需要将接口与数据库相连接， 接口中包含返回结果集查询、数据库的插入等，将相关接口通过occi 进行实现。 先利用Connection 类对象完成一个对象的生成，再进行数据循环填充。 循环结束后，将生成的对象批量插入数据库，最后完成事务提交。 在过程中加入异常检错代码，从而进行部件异常信息捕捉。 通过以上所有步骤，完成车辆部件异常监测工作。

2.5 展示监测结果

在实现城轨车辆关键部件实时监测后，还需设置一个平台将监测结果展示出来，当系统监测到异常信息时，工作人员可以通过可视化操作进一步判断关键部件的状态， 有利于后期的异常运维处理。监测平台按照系统的要求，以表格形式详细展示监测结果和报警信息；平台展示是监测工作与运维工作的连接点，有利于实现快速高效沟通。

3 实验与分析

为验证本文所提出监测方法的有效性，采用同一辆城市轨道车进行实验论证。 首先采用视频监测方法， 通过摄像机采集城轨车辆部件实时图像，由处理器处理， 以监测车辆关键部件的异常情况；共进行5 次监测实验，每次实验同时增加检测的关键部件数量，记录其检测结果；然后利用微波监测方法，在车辆上设置发射天线和发射接收器，通过低能量的连续频率调制微波信号发射，根据回波信号对车辆不同部件情况进行检测， 同样进行5 次实验，监测部件依次增加，记录监测情况；最后采用本文所提出的实时监测方法， 提前的采集与存储部件相关数据，在关键部件附近放置相关设备，根据设备实时收集的数据进行后台分析， 判断部件异常情况，与前2 种方法相同，也进行5 次测验，并记录了监测结果。 经过实验，3 种方法的监测情况如表2 所示。

表2 3 种方法的监测结果

通过表2 可知，3 种监测方法在监测条件与监测部件数量完全相同的情况下，传统视频监测与微波监测方法随着监测部件数量的增加，其准确度不断下降，从一开始监测2 个部件时，视频监测准确度为87%，微波监测为94%，实时监测的准确度为96%。 随后2 种传统方法准确度不断下降，直到同时监测10 个部件时，视频监测准确率下降至57%。微波监测降至65%， 而实时监测方法并未受到影响， 无论监测数量如何变化， 其准确度均保持在90%以上。 因此可以得出结论，本文所提出的城轨车辆关键部件异常实时监测方法在实际应用中是更加有效的，可在同时监测多个部件时仍旧保持其监测准确度；该方法是以数据为依托，基于智能运维平台设计出的监测方法，有利于检测工作的顺利进行与监测准确度的提升， 保证城轨车辆安全、可靠发展。

4 结语

本文以智能运维平台为基础，对城轨车辆关键部件异常实时监测进行探究，在明确监测现状后提出了新的监测方法，并经由实验论证，认为该方法实际应用效果良好， 可加强城轨车辆监测力度，推进智能运维平台的应用，保证城市交通安全发展。