智慧运维背景下地铁 AFC 系统故障预警与维护决策研究

1 引言

城市轨道交通已成为缓解城市交通拥堵的关键设施，近年来表现出网络化、高密度和高负荷的运营特点。自动售检票（AFC）系统，作为地铁与乘客互动的关键环节，包括自动售票机（TVM）、闸机（AGM）、车站计算机系统（SC）和清分中心系统（ACC）等核心部分，对票务交易、客流统计和收益管理等方面发挥着关键作用。AFC 系统的故障不仅可能导致票务损失，还可能造成乘客滞留，扰乱运营秩序。本文针对智慧运维环境下的 AFC 系统故障预警和维护决策进行研究，构建“数据采集-预警模型-决策优化”的综合性框架，旨在克服传统维护的被动性，提高 AFC 系统的可靠性和运维效率，为城市轨道交通智慧运维体系的完善提供借鉴。

2 地铁 AFC 系统与智慧运维的核心关联

2.1 地铁 AFC 系统的功能架构与故障特征

地铁的 AFC 系统采用“五层架构”设计，由上至下包括清分中心层（ACC）、线路中心层（LC）、车站层（SC）、终端设备层（包括TVM、AGM 及手持检票机等）和票卡层。各层级通过专用网络进行数据交换和指令传输，实现了“票务交易 - 数据传输 - 清分结算”的连续操作。在功能上，AFC 系统不仅提供基本票务服务，还利用客流数据进行运营调度支持，其运作状况直接关联到地铁的服务质量。AFC 系统故障表现为多样、连锁且影响广泛，根据故障原因可划分为硬件和软件两类：硬件问题多集中在终端设备，如TVM 的纸币识别问题、AGM 的闸机部件磨损、传感器信号异常等，通常与设备使用时长和环境因素（如湿度、粉尘）有关，呈现逐步恶化趋势；软件问题涉及系统兼容性、数据传输延误、数据库错误等，例如SC 与LC 间通信中断可能造成车站票务数据遗失，此类故障突然发生，易于触发连锁效应。

2.2 智慧运维对 AFC 系统的赋能需求

智慧运维的核心是通过技术赋能实现 “预测性维护”，其对 AFC 系统的赋能需求主要体现在三方面：一是实时数据采集需求，需构建覆盖 AFC系统全层级的感知网络，采集终端设备运行参数（如 TVM 的电压波动、AGM 的通行时间）、业务数据（交易成功率、退票次数）及环境数据（车站温湿度、粉尘浓度），为故障预警提供数据基础；二是多源数据融合需求，AFC 系统数据具有 “多维度、非结构化” 特征，需通过数据清洗、特征提取等技术，将分散的设备数据、业务数据与环境数据融合，挖掘故障关联因子；三是智能决策需求，需基于故障预警结果，结合运维资源约束（人员、备件、时间窗口），自动生成最优维护方案，实现 “预警 - 决策- 执行” 的闭环管理。

3 智慧运维背景下 AFC 系统故障预警体系构建

3.1 故障预警的数据源与采集机制

多源数据源是 AFC 系统故障预警的基础，需按 “全层级、全维度” 原则确定数据源范围：在终端设备层，通过部署物联网传感器采集硬件运行数据，如 TVM 的纸币识别模块电流、AGM 的闸机开合速度与振动频率、票卡读写器的信号强度等，采样频率设为 1 次 / 分钟，确保捕捉设备运行的细微波动；在车站与线路层，通过 SC 与 LC 系统日志采集软件运行数据，包括数据传输速率、指令响应时间、数据库连接数等，重点监测异常日志（如 “数据传输超时”“指令执行失败”）；在环境层，通过车站环境监测设备采集温湿度、粉尘浓度、电磁干扰强度等数据，分析环境因素对

设备稳定性的影响。

3.2 基于数据驱动的故障预警模型设计

初始阶段，进行数据准备。对搜集到的多元数据源进行净化，运用插值技术来填补数据空缺，并使用Z-Score 方法进行标准化处理以消除不同度量单位之间的差异。面对故障样本的不均衡（正常数据远多于故障数据）问题，应用 SMOTE 算法创建合成的故障样本，以调整训练集的分布，防止模型过度依赖正常数据。接着，进行特征提取。通过皮尔逊相关系数和互信息熵分析，筛选出与故障高度相关的特征：对于硬件故障，侧重选取AGM 闸机的振动频率标准差、TVM 纸币识别模块的电流波动等特征；对于软件故障，则关注数据传输延迟次数和指令响应时间的平均值等，最终确定12 个关键特征作为模型输入。随后，进行模型构建与优化。将数据处理后的数据集分为 70% 的训练集和 30% 的验证集，使用长短期记忆（LSTM）网络来捕捉时序数据，设置LSTM 的输入维度为12（与核心特征数量相匹配），隐藏层为两层（每层含64 个神经元），输出层产生时序特征向量。

4 基于预警信息的 AFC 系统维护决策优化

4.1 维护决策的核心目标与约束条件

在确保系统稳定性的基础上，AFC 系统的维护决策旨在实现维护资源的最佳分配，其关键目标涵盖三个主要方面：首先，追求经济性，旨在最小化维护的总成本，这包括劳动力成本、备件采购成本以及因故障导致的停机损失（即运营中断导致的收入损失）；其次，追求可靠性，目标是提升设备的可用性，确保AFC 系统设备正常运行的时间比例至少达到 99.5% ；最后，追求服务性，目标是减轻故障对运营的冲击，减少乘客等待时间。

4.2 智能化维护决策模型的实现路径

构建维护决策矩阵。根据预警等级划分维护优先级：重度预警（故障将在 24 小时内发生）优先级最高，需立即安排紧急维护；中度预警（故障将在 72 小时内发生）优先级次之，需在 24 小时内制定维护计划；轻度预警（故障将在 1 周内发生）优先级最低，可结合设备运行周期安排计划维护。

结语

本研究基于智慧运维的视角，针对地铁AFC 系统传统维护方式的局限性，对故障预警和维护决策进行了探讨。该研究为AFC 系统的智能化维护提供了实际操作的建议，尽管存在局限：模型训练所使用的数据主要基于一个城市的地铁数据，未来应拓宽数据来源，增强模型的普遍适用性；维护决策尚未考虑不同系统之间的协同作用，未来可以研究跨系统协同的运维模式。随着5G 和AI 技术的进一步推广，地铁AFC 系统的智慧运维预计将朝向“实时响应、协同作业、自动化”的方向演进，从而为城市轨道交通的运营效率提升提供更强大的技术支持。

参考文献

1. 赵晓明，王芳，张慧敏. 智慧运维背景下地铁AFC 系统故障预警与维护决策研究[J]. 交通运输工程学报，2022，22（4）：78-85.

2. 张伟，刘洋，陈思敏. 基于大数据的地铁AFC 系统故障预警与维护决策研究[J]. 计算机工程与科学，2023，45（1）：1-8.

3. 李强，黄宇，陈晓东. 智慧运维模式下地铁AFC 系统故障预警与维护策略研究[J]. 交通运输系统工程与信息，2021，21（6）：765-772.