動車組運行狀態(tài)智能檢測裝備

張 望，劉碩研，柴金川

（1. 中國鐵建電氣化局集團有限公司，北京 100041；2. 中國鐵道科學(xué)研究院集團有限公司 電子計算技術(shù)研究所，北京 100081；3. 中國鐵道科學(xué)研究院集團有限公司 國家鐵道試驗中心，北京 100015）

目前，動車組檢修模式大致分為庫內(nèi)靜態(tài)檢修和正線動態(tài)檢修兩種模式。其中，入庫地溝式靜態(tài)檢修，可以精準定位故障位置及等級，然而卻缺乏對運行列車的動態(tài)狀況監(jiān)控，而運行過程的潛在故障會隨著列車長距離行駛，大大增加事故的發(fā)生幾率。為此，人們提出了正線動態(tài)檢修模式[1-3]，該模式旨在關(guān)注高速行進中的動車，通過高速線陣相機采集通過觀測站的列車圖像，由人工監(jiān)控排查運行動車的故障位置。然而人工監(jiān)控效率較慢，極易引起延判、誤判等情況，從而造成大量不必要的途中停車，增加了行車調(diào)度負擔。鑒于此，本文提出了一套0.5級動車組智能檢測裝備，該裝備安裝在入庫口，既能識別運行過程中的列車故障，也不影響行車調(diào)度，此外預(yù)判的故障也可作為入庫靜態(tài)監(jiān)控的重點觀察部件，從而提升故障識別準確率。

0.5級動車組智能檢測裝備是一套集車底車頂可視部位自動圖像檢測、受電弓工作位壓力自動檢測、受電弓滑板磨耗及中心偏移量自動檢測等主要功能為一體的綜合自動在線檢測系統(tǒng)。該系統(tǒng)按布局可分為檢測站、檢測主機室、遠程控制室3部分，檢測站安裝于檢測線路的檢測設(shè)備，包括走行部的5個檢測箱體（3個沉箱，2個側(cè)箱）、受電弓檢測一體箱、壓力檢測設(shè)備；檢測主機室位于檢測線路軌邊，檢測站檢測數(shù)據(jù)經(jīng)檢測主機室預(yù)處理上傳至遠程控制室經(jīng)專家診斷，系統(tǒng)平臺綜合分析后傳輸至段、鐵路局信息化系統(tǒng)。

為了使該系統(tǒng)更具備智能化特性，本系統(tǒng)針對受電弓滑板磨耗值監(jiān)測和運行狀態(tài)故障識別，分別提出一套智能化算法，使其能夠更好地為工作人員提供便利：基于3D點云的受電弓滑板磨耗深度測量方法和基于Region with CNN（R-CNN）的列車運行故障檢測算法。最后將智能識別算法的結(jié)果與人工監(jiān)控模式相輔助，從而在保證故障識別率的同時，盡可能地降低人工勞動強度。

1 動車組運行狀態(tài)智能檢測設(shè)備

動車組智能檢測裝備圖如圖1所示。系統(tǒng)安裝在動車入庫線上，對每天入庫的全編組列車運行狀況進行綜合檢測，不需要停車、頂輪，檢測車頂、車底及側(cè)部的關(guān)鍵零部件缺失、變形等異常情況，能及時發(fā)現(xiàn)危害性缺陷，自動識別缺陷并預(yù)（報）警，綜合評價并跟蹤整車質(zhì)量狀態(tài)，更好地保證動車組運行安全，極大地提高了檢修效率，節(jié)約成本。

圖1 動車組智能檢測裝備圖

1.1 基于R-CNN的列車運行故障檢測算法

列車走行部智能檢測設(shè)備如圖2所示，主要用于識別動車組車底車頂關(guān)鍵部件脫落、缺失等異常。該系統(tǒng)利用軌邊安裝的線陣攝像頭，采集運行動車組走行部、制動配件、底架懸吊件、車體兩側(cè)裙板、轉(zhuǎn)向架等部位圖像，與其最近過車的歷史圖像進行比對，監(jiān)測當前運行動車的結(jié)構(gòu)件是否有變化、變化趨勢以及變化類型，實現(xiàn)故障的實時報警。然而，由于車速、大氣、光線、抖動等諸多外部因素的不同，使得不同時期采集的兩幅圖像之間存在亮度、分辨率、長度等差異，因此目前單純采用圖像比對方法[4]的圖像故障識別算法存在大量的誤報現(xiàn)象，故障定位不精準。

圖2 列車走行部智能檢測設(shè)備

基于R-CNN[5-6]的列車運行故障檢測算法流程圖如圖3所示。基于R-CNN算法將列車車頭、車廂連接處、車尾等部位進行目標定位；根據(jù)車頭、車尾及車廂連接處的位置將列車圖像按照車廂節(jié)數(shù)進行準確分割，從而保證識別的故障可以準確定位；定位列車車輪位置，將采集的圖像分為轉(zhuǎn)向架區(qū)域和非轉(zhuǎn)向架區(qū)域，針對不同的圖像類型，采用不同的故障識別策略，即針對轉(zhuǎn)向架區(qū)域，以圖像區(qū)域作為目標進行故障識別定位，根據(jù)故障分數(shù)值判定是否存在故障；針對非轉(zhuǎn)向架區(qū)域，以部件為目標進行故障識別定位，同理，根據(jù)分數(shù)值判定是否存在故障。

以列車車輪為例，將各種車型在不同光照、不同車速下的車頭照片作為訓(xùn)練樣本，對以caffe框架利用ILSVRC 2012的數(shù)據(jù)集（imagenet）訓(xùn)練得到的網(wǎng)絡(luò)模型進行fine-tuning 訓(xùn)練，使網(wǎng)絡(luò)模型中的參數(shù)適用于車頭特定領(lǐng)域的參數(shù)。針對測試樣本圖像，采用Region Proposal方法選擇候選區(qū)域，即將不同寬高的滑動窗口，通過滑動獲得潛在的目標圖像；提取CNN特征，根據(jù)輸入進行卷積/池化等操作，得到固定維度的輸出；進行分類與邊界回歸，對上一步的輸出向量進行分類（需要根據(jù)特征訓(xùn)練分類器）；通過邊界回歸（bounding-box regression) 得到精確的目標區(qū)域，由于實際目標會產(chǎn)生多個子區(qū)域，旨在對完成分類的前景目標進行精確的定位與合并，避免多個檢出,從而將列車車輪的位置準確定位，確定轉(zhuǎn)向架的區(qū)域，以便采用不同的方法進行故障識別。R-CNN特征提取方法如圖4所示。

圖3 基于R-CNN的故障檢測算法流程圖

圖4 R-CNN特征提取方法

1.2 基于3D點云信息的受電弓滑板磨耗深度測量值檢測算法

受電弓及車頂狀態(tài)動態(tài)檢測系統(tǒng)[7-8]采用高速、高分辨率、非接觸式圖像分析測量技術(shù)，實現(xiàn)了對受電弓滑板磨耗、中心線偏移、工作壓力等關(guān)鍵特定參數(shù)的動態(tài)自動檢測和車頂異物及關(guān)鍵部件狀態(tài)的室內(nèi)可視化觀測。

基于3D點云信息的受電弓滑板磨耗深度測量值檢測設(shè)備如圖5所示，主要包括補光燈、光電開關(guān)、3D激光傳感器、高分辨率照相機等。當受電弓通過檢測設(shè)備時，補光燈會根據(jù)當時的光照條件對光線進行調(diào)整和補償，3D激光傳感器將激光發(fā)射到碳滑板上，而面陣相機接收反射光線，從而構(gòu)成大量的3D點云數(shù)據(jù)，以便進行滑板磨耗值測量。

圖5 基于3D點云信息的受電弓滑板磨耗深度測量值檢測設(shè)備

現(xiàn)有的受電弓測量方式大多采用雙目相機，利用拍攝的受電弓圖像，重構(gòu)三維空間距離，計算出滑板磨耗值。為了使得測量數(shù)據(jù)更加精準、有效，提出一種基于3D點云的受電弓健康狀態(tài)預(yù)警模型[9]。采用三維激光掃描技術(shù)直接得到真實物體表面的空間采樣點，即點云數(shù)據(jù)，利用點云數(shù)據(jù)的局部拓撲信息，近鄰位置重構(gòu)三維物體表面情況，獲取該受電弓的滑板磨耗值、中心線偏移量以及前后傾斜角度等測量數(shù)據(jù)，為工作人員提供受電弓的健康情況指導(dǎo)和數(shù)據(jù)依據(jù)。

2 動車組運行狀態(tài)智能檢測算法的應(yīng)用情況

動車組運行狀態(tài)智能檢測裝備采用高速、高分辨率、非接觸式圖像分析測量技術(shù)，實現(xiàn)了對列車走行部、閘瓦、受電弓滑板磨耗、中心線偏移、工作壓力等關(guān)鍵特定參數(shù)的動態(tài)自動檢測。該系統(tǒng)的引入可顯著提高動車組工裝設(shè)備檢修的自動化水平，減輕工作人員的勞動強度，提高勞動效率。

該裝備自動采集的圖像有列車走行部圖像和受電弓3D點云圖像。列車走行部圖像采集設(shè)備包含3套沉箱、2套側(cè)箱和1個車頂相機，其中，3套沉箱共安置5個超高速高清晰線陣相機，用于采集動車底部的高清圖像（包括制動裝置、驅(qū)動裝置、牽引裝置、轉(zhuǎn)向架、輪軸、車鉤及車底部其他部位）；左右側(cè)部各安裝,1套高速線陣相機，用于采集轉(zhuǎn)向架和裙擺圖像；車頂相機采集列車頂部的工作狀態(tài)（如瓷瓶，空調(diào)，以及其他區(qū)域等）。受電弓3D點云圖像主要是采集激光在滑板不同位置的反射信息構(gòu)成的。如圖6所示。

2.1 基于3D點云信息的受電弓滑板磨耗深度測量算法應(yīng)用

圖6 動車組智能檢測裝備采集的圖像

根據(jù)激光掃描受電弓碳滑板獲取的3D點云數(shù)據(jù)，采用大數(shù)據(jù)分析技術(shù)和三維重構(gòu)技術(shù)，獲取受電弓滑板磨耗值、中心線偏移量以及前后傾斜角度等健康數(shù)據(jù),可以給工作人員提供該弓形的評價指標和數(shù)據(jù)，為其更換提供數(shù)據(jù)支持。

2.2 基于R-CNN的列車運行故障檢測算法應(yīng)用

分析基于R-CNN算法的列車車頭、車廂連接處、車尾及車輪的定位準確性。非極大值抑制（NMS）計算出每一個bounding box的面積，根據(jù)score進行排序，把score最大的bounding box作為選定的框，計算其余bounding box與當前最大score的IoU，去除IoU大于設(shè)定閾值的bounding box。重復(fù)上面的過程，直至候選bounding box為空，再將score小于一定閾值的選定框刪除得到一類的結(jié)果。

圖7展示了車頭、車輪的定位圖像。

圖7 基于R-CNN的車頭和車輪定位圖像

隨后評價本算法的故障識別性能，本文使用漏報率和誤報率來評價算法。漏報率是指在故障檢測中存在N次故障有M次未能檢測出；誤報率是指在檢測出的N次故障中，其中,有M次不是故障。經(jīng)過算法的多次運行獲得的誤報率為13.5%，漏報率為26.5%。由于車速、大氣、光線、抖動等因素的不同，使得不同時期采集的兩幅圖像之間存在亮度、分辨率、長度等差異，因此會將一些污漬、光照等情況判斷為故障，造成了一定的誤報率；動車組中的故障有些非常隱蔽，行車速度不均衡，將會造成漏報率。在此后的實驗過程中，加大圖像的預(yù)處理，從而使得拍攝的照片更大程度地表征列車故障的真實情況。

以實際車廂圖像為例，與現(xiàn)有故障識別算法進行性能比較，如圖8所示。該算法可以有效地識別故障，并確定其位置，雖然仍存在一些誤報區(qū)域，但其位置鄰近實際故障區(qū)域。此外，漏報率也在可控范圍之內(nèi)。而完全基于圖像比對的故障識別算法存在大量的誤報區(qū)域，并未從真正意義上減輕工作人員的勞動量。由此可見，本文算法有效地抑制了誤報情況，提升了故障實時檢測和自動報警的效率。

圖8 算法的性能展示

3 結(jié)束語

動車組智能檢測裝備是一套集高速數(shù)字圖像采集技術(shù)、高亮度半導(dǎo)體光源技術(shù)、圖像分割識別技術(shù)、大容量圖像數(shù)據(jù)實時處理技術(shù)和精確定位技術(shù)、自動控制技術(shù)以及故障自動識別技術(shù)于一體的智能系統(tǒng)。該系統(tǒng)采用3D激光測量技術(shù)，根據(jù)受電弓滑板上3D點云分布情況，測量滑板磨耗值和中心線偏移等關(guān)鍵特定參數(shù)是否達到報警程度；通過安置在軌道底部、側(cè)部及頂部的高速高分辨率線陣相機實時拍攝的列車全方位關(guān)鍵部件圖像，采用深度學(xué)習方法對不同區(qū)域采用不同的故障識別算法進行評判。該裝備可顯著提高動車組、大功率機車工裝設(shè)備的檢修自動化水平，減輕工作人員的勞動強度，提高勞動效率。