基于以太网实时监测技术的列车通信质量可靠性分析

陈 谦，石艳红，马国栋，范 昊

(中车青岛四方机车车辆股份有限公司 技术中心网络开发部，山东 青岛 266111)

随着高速列车智能化程度及安全性要求的不断提高，需要接入的网络设备和借助网络传输的数据量进一步增多，促使列车通信网络(TCN)从传统的现场总线转向以太网，以寻求带宽与速率的突破。相对于其他应用领域，列车控制系统对信息传递的可靠性和实时性要求较高，传统网络中故障诊断存在的滞后性问题一直没有得到有效解决。相对于传统成熟的列车总线WTB/MVB网络，车载以太网采用交换机组成信息传输的基本架构，采用组播方式进行数据的传递，可以提高列车控制系统对于信息传递的可靠性以及实时性。

1 列车以太网拓扑

中国标准动车组新一代网络控制系统以太网网络主要实现列车控制信息、故障数据、状态信息的交互，其拓扑结构主要分为列车级以太网(ETB)和车辆级以太网(ECN)两层结构(图1)。列车级采用ETB总线贯穿全车，通过在1车、8车各设置2个互为冗余的ETBN实现跨编组数据交互，通信链路采用双线链路聚合实现ETB链路冗余；整车分为2个牵引单元，1～4车为1个牵引单元，5～8车为1个牵引单元。单元内每辆车采用2个ECNN交换机组成ECN环网贯穿整个牵引单元；车辆内部各子系统单通道接入ECNN，实现与CCU的通信。

ETBN.骨干以太网交换机；ERPT.以太网中继器；ECNN.编组以太网交换机；CCU.中央控制单元；HMI.人机接口显示屏；IOM. 输入输出模块；BCU. 制动控制单元；ATDS.轴温检测系统；HVAC.空调控制单元；FAS.烟火报警系统；DCU.车门控制器；BVDS.振动监测系统；TCU.牵引控制单元；PIS.旅客信息系统；BC.充电机；WTD.无线传输装置；EEMS.电能监控系统。

2 以太网通信质量实时监测内容

2.1 设备及端口

单元内每辆车采用2个ECNN组成ECN环网贯穿整个牵引单元，由于车辆内部各子系统单通道接入ECNN实现与CCU的通信，所监测端口均接入ECN中。通过监测主机对表1中所示的设备及端口进行以太网实时监测。

表1 列车以太网通信设备端口

2.2 相关数据

2.2.1 数据丢包率

在对列车控制系统潜在的通信质量问题进行预测时，可以通过分析镜像端口的丢包率来进一步确定列车的通信质量。首先，可以根据镜像端口所接收到表1中的各个子系统端口中各个数据包对应的序号标识，确定镜像端口在预设时间段内的丢包率，若该镜像端口的丢包率较大，则表明待检测端口的丢包率也较大，进而可以针对该待检测端口进行通信可靠性分析。

以太网数据丢包率的统计由CCU主机接收端完成，接收端通过监测TRDP过程数据包的序号来判断丢包情况。需要使用TRDP进行通信的设备，必须支持符合IEC 61375-2-3：2014《电子铁路设备-列车通信网(TCN)》[1]的TRDP协议，TRDP过程数据报文格式如图2所示。

图2 TRDP过程数据报文格式

TRDP报文的序号每发送一个报文，计数器加1。CCU底层通过TRDP协议中的序号计数器判断接收数据包是否有丢包情况，并累计丢包数量。计算5 min内丢包数与接收到的数据包的比值即可得到该时段的丢包率。

2.2.2 通信周期

除了根据镜像端口的丢包率分析来进行异常预警或故障报警以外，还可以根据该镜像端口的通信周期确定待检测端口是否发生异常。列车以太网监测主机接入网络的位置如图3所示。

图3 镜像端口数据抓取

其中，选择主CCU的以太网端口进行端口镜像，通过镜像端口连续抓取本牵引单元以太网环网所要监测端口的5 min时长的数据包，采用Wireshark软件对数据包的通信周期进行统计，通信周期为前后2个数据包的时间间隔。令第n个数据包在T时刻的通信周期为Pn，则：

Pn=Tn+1-Tn

(1)

2.2.3 带宽占用率

除以上2种方式外，还可根据镜像端口对应的带宽占用率确定是否对待检测端口进行异常预警。选择主CCU的以太网端口进行端口镜像，通过镜像端口连续抓取本牵引单元以太网环网所要监测端口的5 min时长的数据包，可以根据镜像端口所接收到的目标数据包中各个数据包对应的序号标识，确定该目标数据包中数据包的数量，即确定镜像端口在预设时间段内总共接收到了多少数据包，然后，根据该目标数据包中数据包的数量n以及该预设时间段的时长t，计算出镜像端口的通信速率v，计算公式如下：

v=n×s/t

(2)

式中：s——每个数据包的数据大小。

带宽占用率即为镜像端口通信速率与以太网带宽的比值，本文中所监测动车组采用百兆以太网带宽通信，则带宽占用率σ的计算公式为：

σ=v/(1 024×100)

(3)

3 以太网通信质量实时监测分析

3.1 数据丢包率

实车试验结果显示，列车以太网网络整体通信良好，但部分设备存在丢包现象。丢包率监测结果如图4所示。由于5 min采样时段较短，采样时刻的列车状态存在不确定性，部分数据存在一定的波动。

图4 列车设备丢包率监测结果

3.2 通信周期符合率及带宽占用率

分析列车网络设备端口的通信周期发现，整车107个网络端口95%以上满足通信周期符合性的要求，周期波动不超过30%。抽取某日的列车数据对所有的端口进行通信周期性统计，仅有BVDS的通信周期存在抖动较大的时刻，其他系统端口的通信周期符合率均为100%。考虑到BVDS的丢包率较高，重点对其端口的通信周期符合率进行统计分析。

TRDP协议中规定厂家A的BVDS(1、5、6、7、8车)通信周期设定为50 ms，因此暂按通信周期50 ms进行统计。针对频繁丢包的BVDS进行通信周期符合率的统计时，由于厂家B的BVDS(2、3、4车)通信周期存在较大问题，绝大多数通信周期在150～160 ms之间，个别通信周期可能达1 600 ms，按照通信周期延时不超过30%的标准均不符合要求，因此暂不作统计。从5 min抓取的一个典型的BVDS数据包通信周期分布图可以看出，绝大多数数据包的通信周期分布在50 ms附近，符合设定周期，但有少数数据包周期偏差较大。经监测分析，2个牵引单元占用带宽平均在7.2 Mb/s左右，通过带宽占用率计算公式可得出带宽占用率。图5为BVDS端口的通信周期符合率及典型通信周期分布。

图5 BVDS端口周期符合率及典型通信周期分布

4 通信质量可靠性预测

4.1 灰色预测模型

通过实时以太网监测技术分析获取到的包括端口数据丢包率、通信周期符合率、带宽占用率的列车实时数据包，得到各个端口的状态信息，结合目标列车车载以太网的网络拓扑结构信息对目标列车的端口状态信息进行分析，进而利用预测算法预测出目标列车车载以太网的网络状态[2]，同时结合误差分析对预测结果进行评价。

预测算法可以利用灰色预测模型，灰色预测模型是灰色系统理论的重要组成部分，主要用于灰色不确定性问题的预测[3]。灰色预测模型是灰色预测技术的基本模型，其建模原理如下。

设原始特征数据序列为：

x(0)={x(0)(1)，x(0)(2)，…，x(0)(n)}

(4)

对其进行一次累加生成新的数据序列：

x(1)={x(1)(1)，x(1)(2)，…，x(1)(n)}

(5)

令z(1)为灰色预测模型的背景值，对x(1)作紧邻均值生成：

z(1)={z(1)(2)，z(1)(3)，…，z(1)(n)}

(6)

x(0)(k)+az(1)(k)=b为灰色预测模型的均值形式。采用一阶单变量微分方程拟合并生成序列，得到白化微分方程为：

(7)

式(7)中，a、b分别为灰色预测模型的发展系数和灰作用量。发展系数反映预测还原值的发展趋势，灰作用量揭示原始数据的内在变化。用最小二乘法可以求得参数a和b[4]。白化形式的数据预测模型表示为：

(8)

由此得到序列数据的预测：

(9)

4.2 预测模型评价参数

为了评估该灰色预测模型的预测性能，采用平均绝对误差(M)和均方根误差(R)等指标。其中M可以较准确地反映预测值和真值之间的差异，而R则是预测模型最常用的性能指标之一，计算的是预测值和真值之间差异的标准偏差[5]。M和R计算公式如下：

(10)

(11)

式中：yi——真值；

选取本文前述的8车厂家A的BVDS的丢包率、通信周期符合率、带宽占用率数据，结合目标列车车载以太网的网络拓扑结构信息，利用灰色预测算法预测目标列车车载以太网的BVDS故障状态。

当镜像端口的丢包率大于90%、通信周期符合率小于10%时，会使该待检测端口在完成某项业务数据或者指令的传输过程中，数据遗缺较大，这些数据包即视为无效数据包，可以不对其进行预测分析。当镜像端口的丢包率大于50%、通信周期符合率小于50%时，这些数据视为异常数据，针对存在异常数据情况判定该时刻监测端口实际状态为故障状态。因此监测端口存在无效数据和异常数据时不影响试验数据的分析预测。当确定待检测端口的丢包率较大时，可以针对该待检测端口进行异常预警模型预测结果及误差分析，如表2所示。

表2 8车(厂家A) BVDS状态预测结果及误差分析

续表2

表2中实际状态为设备运转状态，设备出现故障为1，设备正常运转为0，对BVDS设备的故障状态预测值与实际值之间进行了比较，通过绝对误差分析得出灰色预测模型预测值的平均绝对误差为1.99%，均方根误差为0.47%。可见，灰色预测值与实际值之间的符合程度较好，因此，该灰色预测模型的预测精度较高。

5 结束语

本文预测目标列车车载以太网的健康状态时，首先利用端口镜像的方式接入目标列车的车载以太网，以便通过对应的镜像端口获取目标列车端口的数据包，然后再对获取到的数据包进行分析，得到各个端口的状态信息，进而利用预测算法，结合目标列车车载以太网的网络拓扑信息，对目标列车的端口状态信息进行分析，预测出目标列车车载以太网的网络状态。

与现有的预测模型相比，未来多种预测模型的组合预测模型可以集成现有单一预测模型的优点，能更好地分析和处理数据，提高预测的精度和稳定性。本文用到的灰色预测模型后续可用于进一步研究其他单一模型的组合，实现多种预测方法的改进与有机融合， 进一步提高列车网络状态预测的准确性。