首页 > 论文范文 > 工程工业论文 > 工业综合论文 > 城市交通论文 > 基于动态故障树的交通信号灯监测系统故障分析

基于动态故障树的交通信号灯监测系统故障分析

2024-07-22 10 上传者：管理员

摘要：针对交通灯故障无法及时处理影响交通效率与安全的问题，设计了基于ZigBee技术的监测终端，根据监测系统中部件发生故障的时序关系建立动态故障树模型，分别采用二元决策图法BDD(binary decision diagrams)和马尔科夫模型对静态子树和动态子树进行定量分析，确定监测系统底事件对系统整体的概率重要度，计算得到导致交通灯故障的主要原因为光纤传感器位置移动和灯珠寿命到期。使用动态故障树法设计交通灯监测系统为工作人员快速分析故障原因提供了理论依据。

关键词：
ZigBee
交通信号灯
动态故障树
故障监测
算法设计
静态故障树
加入收藏

随着城镇道路的优化和建设，信号灯的安装规模也在不断扩大。目前，交通灯的维护和检修工作一般是采用人工检修的方式进行，但是检修周期具有不确定性并且工作量大[1]。交通灯发生故障时，很多驾驶人会存在侥幸心理不遵守交通规则，极易引发交通事故，因此，及时发现交通灯故障并快速定位故障原因极为重要。

国内学者对交通灯故障监测进行研究，黄悦华等[2]采用电子传感器监测信号灯状态，并设计了交通灯状态监测系统。孙乐乐[3]介绍了基于ZigBee技术的交通信号灯监测系统的设计和应用，以期有助于故障监测并防止交通事故的发生。卢志椿[4]设计了交通灯电压和电流检测硬件并基于SIM卡实现交通灯故障诊断。

目前检测交通灯故障方法大多是通过设计硬件电路辅以软件系统实现，虽然可以及时发现交通灯故障，但是当检测交通灯状态的硬件电路也出现问题时，反而让交通灯故障维修工作更加复杂。针对上述问题，本文基于ZigBee技术使用动态故障树法，建立监测交通灯数据异常的动态故障树模型来直观反映交通灯监测系统中各部件发生故障的时序关系，通过对动态故障树模型进行定性和定量分析，从而确定引起交通灯监测系统发生故障的主要原因，为工作人员维修交通灯故障提供理论依据。

1、动态故障树分析法

1.1动态逻辑门

动态故障树在传统故障树基础上引入动态逻辑门，达到对有顺序相关等特性的动态系统进行建模的效果。动态逻辑门包括优先与门(priority-and gate ,PAND)、功能相关门(fuctional dependency gate, FDEP)、顺序相关门(sequence enforcing, SEQ)、冷备件门(cold spare gate, CSP)等动态逻辑[5]。例如优先与门事件之间必须按照特定顺序发生，只有当A先发生B后发生时，事件C才发生；如果出现A后于B发生或A和B都不发生这两种情况，则C不发生。优先与门在故障树中的表示如图1所示。

图1优先与门(PAND)

1.2模块化处理与重要度分析

在对动态故障树分析过程中，可以将整个故障树转化为马尔科夫链进行处理，但是随着故障的增加和多样化，数据将会以爆炸式程度增长[6]。为了提高计算效率，需要对故障树进行模块化处理，选择深度优先最左遍历算法DFLM(depth first left most)可以快速识别出静态和动态子树。只包含静态门的子树为静态子树，至少包含一个动态门的子树为动态子树[7]。静态子树常用数值组合和二元决策图法BDD(binary decision diagrams)法进行求解，动态子树常被转化为马尔科夫模型、贝叶斯网络模型或Petri网模型。本文使用BDD法和马尔科夫模型分别对动态故障树中静态子树和动态子树进行分析。

重要度是描述底事件发生概率对于故障树顶事件发生概率的影响程度，针对底事件故障率变化故障状态的不同，得出不同的重要度，从不同角度得到系统的薄弱环节[8]。本文采用概率重要度作为动态故障树模型分析参数，概率重要度是指当系统中只有第i个部件由正常状态变化为故障状态时，顶事件发生概率的变化率。在动态故障树中概率重要度可以反映底事件状态变化对系统顶事件发生概率变化的影响，从而反映出底事件在系统中的重要程度，作为系统故障分析的依据。

2、基于马尔科夫模型的动态子树求解过程

马尔可夫模型可以研究系统各状态之间相互转化的关系。对于马尔科夫模型的定量分析，顶上事件的发生概率计算主要分为4步：①定义状态，分为0和1分别代表正常和故障；②使用马尔科夫模型求解动态子树，需要将动态部分转化为状态转移图，将动态逻辑门的求解转化为对马尔科夫链的求解；③根据马尔科夫链图，列出对应的状态转移方程，从而得到微分方程组；④求解微分方程组，对动态子树进行定量分析[9]。

2.1顶事件发生概率

若一条马尔科夫链在任意时段内，从状态i转移到状态j的转移概率与状态的起始时间无关，则：

式中：P表示底事件处于某状态的概率。

马尔科夫链中的转移概率只与时间差t有关，把Pij作为元素组成转移概率矩阵P,转移率矩阵为A=P-U,U为P的同阶单位矩阵。则状态方程为：

P′=AP (2)

式中：P为各状态概率的列向量；P′为各状态导数的列向量。求解该微分方程即得出顶事件发生概率。

2.2底事件概率重要度

不同独立模块相对系统整体的概率重要度为Ipsystem(k)

,基本事件Xi相对其子树的概率重要度为Ip(i)

。将两者相乘即可得到基本事件对系统整体的概率重要度：

Ipsystem=Ipsystem(k)×Ip(i) (3)

3、交通信号灯监测系统故障树分析

3.1信号灯监测终端介绍

交通信号灯监测终端使用STM32F103RET6作为处理器，实现数据采集、数据处理等功能。信号灯电源由交流220 V转化为5 V和3.3 V,备用电源可以保证监测终端主电源故障仍能持续工作。电流互感器采集交通灯电缆电流数据，光纤传感器采集交通灯亮灭状态，其输出端连接到单片机GPIO口，塑料光纤一端放在信号灯前端，不会影响信号灯正常显示，另一端接在光纤传感器接收端，信号灯灯光可以经过塑料光纤传输到光纤传感器控制单片机I/O口的高低电平。ZigBee无线传输技术实现采集数据的转发，使用Modbus协议作为通讯协议。监测系统硬件框图如图2所示，实物如图3所示。

图2监测终端硬件框图

图3监测终端硬件实物

3.2交通信号灯监测系统故障树

本文设计的交通信号灯监测终端实现了对交通灯运行状态实时监测，通过对系统进行测试，根据记录的交通信号灯监测终端发生过的故障对故障类型进行分类，其中包括交通灯自身发生的故障，也包括交通灯监测终端发生的故障。通过分析系统中部件发生故障的时序关系，建立交通信号灯监测系统动态故障树模型，将底事件的失效率作为先验概率，来确定引起交通灯监测系统数据异常的主要原因。

路口交通灯数据异常作为顶上事件，交通灯监测数据异常的原因为交通灯故障、监测终端异常或光纤传感器异常。交通灯故障原因可能为供电电压或交通灯自身故障。监测终端异常较为复杂，可能为主备电源故障导致设备不工作或信号灯配时系统出现混乱。交通信号灯数据异常动态故障树如图4所示。

图4交通信号灯数据异常动态故障树

图4中各事件说明：T,路口交通灯数据异常；M1,交通灯故障；M2,监测终端异常；M3,光纤传感器异常；M4,电流互感器异常；M5,交通灯自身故障；M6,主备电源故障；M7,交通灯时间异常；M8,信号灯珠损坏；M9,主电源故障；M10,备用电源故障；M11,供电故障；M12,线路故障；X1,电流互感器损坏；X2,接线端子不牢固；X3,电压过大；X4,灯珠寿命到期；X5,人为破坏；X6,区域断电；X7,AC-DC损坏；X8,线路老化；X9,接线端子不牢固；X10,法拉电容损坏；X11,充放电量减少；X12,固定配时系统混乱；X13,时序错误；X14,光纤传感器位置移动；X15,光纤传感器损坏。将动态故障树模块化处理后得到静态子树M1、M2、M3、M4、M5、M7、M8、M9、M10、M11、M12,动态子树M6。交通信号灯监测系统故障树底事件发生概率采用在某企业故障测试100 d统计数据，引起故障发生的各个概率如表1所示。

3.3基于BDD的静态子树定量分析

基于BDD的静态子树定量分析需要将中间事件转化为BDD图找到最小割集后进行计算，通过故障树分析软件得到各静态子树的顶事件概率如表2所示。

表1交通信号灯监测系统底事件概率

表2各静态子树顶事件概率

通过对静态子树概率进行分析方便对顶事件发生概率以及底事件概率重要度进行计算，静态子树分析结果中M3中间事件发生概率最大。

3.4动态子树定量分析

动态子树M6由冷备件门构成。分析M6动态子树，可以转化为M6作为顶事件，M9、M10为底事件的形式，M9和M10全部使用或门连接底事件，将其转化为马尔科夫模型如图5所示。

图5动态子树M6对应的马尔科夫模型

将动态逻辑门转化为马尔科夫模型的形式，其中{0,1……,12}代表底事件发生故障的状态链，根据冷备件门对底事件发生故障的时序进行分析可知{0,1,2,3,4}为M6无故障状态，{5,6,7,8,9,10,11,12}为M6发生故障的状态。假设事件发生故障概率为λi,事件在t时刻发生故障的概率则为：

Pi(t)=1−e−λit (4)

该动态子树的顶事件M6发生故障的概率为P5+P6+P7+P8+P9+P10+P11+P12。求解P1的微分方程得：

P1=λ6(e−(λ6+λ7+λ8+λ9)t−e−(λ10+λ11)t)(λ10+λ11−λ6−λ7−λ8−λ9)

将X6,X7,X8,X9故障概率及t=100代入上式：P5+P6+P7+P8+P9+P10+P11+P12=0.003 542。

动态子树顶事件概率计算完成后，可以计算出静态子树M2监测终端异常和M6信号灯时间异常发生概率分别为0.005 833和0.003 542。通过对整个动态故障树的静态子树和动态子树分析，最终可以得到故障树顶上事件发生的概率为0.024 808。

3.5动态故障树概率重要度

将整体动态故障树简化，计算不同独立模块相对系统整体的概率重要度。计算静态子树和动态子树分别对应的概率重要度，得出基本事件相对其子树的概率重要度。两者相乘即可得到基本事件对系统整体的概率重要度，底事件概率重要度如表3所示。

表3底事件概率重要度

由概率重要度分析可得各个底事件的概率重要度排序为X14>X4>X15>X11>X2>X12>X3>X13>X5>X10>X8>X6>X9>X7。根据分析结果，交通信号灯监测终端在运行过程中，经常引起信号灯监测数据异常的为X14(光纤传感器位置移动)、X4(灯珠寿命到期)、X15(光纤传感器损坏)等事件，在工作人员日常维护以及维修工作中应该重点检查这些设备的运行情况。

4、结论

本文应用动态故障树算法对交通灯监测系统进行分析，通过计算交通信号灯监测数据发生异常的底事件概率重要度大小，可以得出路口信号灯数据异常概率呈指数趋势增长，随着时间的增加系统发生故障的概率也在不断增加，其中导致数据异常的主要原因为光纤传感器位置移动和灯珠寿命到期。通过分析交通信号灯监测系统发生异常的主要原因，能够帮助维修人员确定导致故障发生的主要原因，方便工作人员对交通灯监测系统故障进行分析和处理，从而减少交通事故的发生。研究对交通信号灯监测和故障分析具有重要意义。

参考文献:

[1]胡明伟,吕品,蔡金梅.基于PLC的智能交通信号灯控制系统设计[J].现代电子技术,2022,45(18):26-30.

[2]黄悦华,史振利,胡智莹,等.基于LabVIEW的交通信号灯工作状态智能监测系统研究[J].现代电子技术,2020,43(16):34-38,43.

[3]孙乐乐.基于ZigBee技术的交通信号灯监测系统设计和应用分析[J].中国设备工程,2022(14):202-205.

[4]卢志椿.基于SIM卡的交通灯故障诊断及报警系统开发与研究[J].自动化应用,2020(1):53-55,72.

[5]乔心州,武琛琛,刘鹏,等.基于故障树的柔索驱动拣矸机器人系统分拣可靠性研究[J].工矿自动化,2022,48(8):107-113.

[6]钟志成,徐封杰,李超超,等.基于动态故障树的汽车系统故障诊断方法[J].电子测量技术,2023,46(14):131-137.

[7]何燕,李晓阁,杨莉琼,等.基于动态故障树的深坑施工安全风险分析[J].建筑经济,2022,43(增刊1):323-327.

[8]包勇,张德银,庄绪岩.基于动态故障树技术的故障诊断专家系统[J].四川大学学报(自然科学版),2014,51(6):1211-1216.

[9]张小波,陆远,胡莹,等.基于动态故障树分析的全自动液压机故障分析[J].组合机床与自动化加工技术,2013(3):74-76,79.

基金资助:河北省高等学校科学技术研究项目青年基金(QN2020155);

文章来源:张宇轩,马增强,远松灵.基于动态故障树的交通信号灯监测系统故障分析[J].国防交通工程与技术,2024,22(04):27-30+56+61.