地鐵列車360°外觀故障圖像檢測系統(tǒng)的應用

文/陸其波、梁桂琦、古鵬、冉春燕、劉曉曼王順

1 前言

目前，地鐵列車故障檢測和預防大多采用人工巡檢的方式，處于定期維修與故障維修的模式。列車結構復雜、部件多造成了人工巡檢效率低下，檢測結果依賴巡檢員主觀感受和個人經(jīng)驗，無法保證檢修質(zhì)量。隨著開行線路密集、列車數(shù)量的不斷增加，傳統(tǒng)的地鐵運營方式已經(jīng)不能滿足地鐵行業(yè)發(fā)展的急迫需求。因此，將機器視覺、模式識別等技術運用到地鐵列車故障檢測中[1]，并建立車輛健康狀態(tài)履歷，為設備故障預測分析提供一種新的檢測模式，實現(xiàn)從“人檢”向“機檢”轉(zhuǎn)變，降低運維成本，為采用圖像檢測的檢修運維模式奠定基礎[2]。該模式形成資源節(jié)約、效率提高的價值創(chuàng)造點，為列車運行提供安全保障，對軌道交通實際運營具有指導意義。

2 總體方案與技術方案

針對軌道交通領域的故障檢測：首先完成精準樣本數(shù)據(jù)采集；其次，在干擾環(huán)境下對部件特征提取，建立車底、兩側、車頂?shù)炔考_數(shù)據(jù)模型；通過正負樣本數(shù)據(jù)建立故障失效形式模型，并對數(shù)據(jù)模型進行識別；最后結合相關軟硬件搭建整體系統(tǒng)平臺。

通過對國內(nèi)外現(xiàn)有的城軌列車關鍵部件圖像識別系統(tǒng)相關理論及工程成果深入調(diào)查，以鎮(zhèn)龍車輛段21號線為試點，廣州地鐵B型車為研究對象，進行列車關鍵部件故障檢測研究。根據(jù)項目的實際需要和目標，進行整體系統(tǒng)架構設計、圖像采集方案設計、圖像預處理、故障形式建模、關鍵部件的參數(shù)化數(shù)學模型建立、電子履歷的生成及模型構建等，最后完成部件圖像識別關鍵技術研究，并服務于實際現(xiàn)場。

根據(jù)總體方案分解項目關鍵技術如下：

2.1 列車關鍵部件圖像采集

獲取高質(zhì)量列車外觀圖像，結合列車運行各種實際工況，采集系統(tǒng)應適應動態(tài)變化的車速，適應白天、夜晚等多種外部環(huán)境。

2.2 列車部件特征提取

針對采集系統(tǒng)無法解決干擾問題，如泥污、水漬等，建立針對性的特征提取算法模型，減少干擾對特征提取準確性的影響。

2.3 建立圖像數(shù)據(jù)模型

提取集電靴、制動單元、轉(zhuǎn)向架等特征數(shù)據(jù)，針對車型、部件位置等不同信息參數(shù)，建立圖像模型。

2.4 建立失效部件特征模型及數(shù)據(jù)集

部件特征模型建立后，根據(jù)任務需求劃分六大類失效模型。分別為狀態(tài)類、斷裂類、測量類、缺失類、松動類、污漬異物類，并進行異常檢測算法的定制化開發(fā)，形成故障部件數(shù)據(jù)集。

2.5 智能檢測及軟件的應用

基于數(shù)據(jù)采集系統(tǒng)、數(shù)據(jù)預處理、特征提取、模式識別等，搭建整體硬件及軟件系統(tǒng)應用平臺，實現(xiàn)列車車底、兩側、車頂?shù)汝P鍵部件檢測?；贐/S架構實現(xiàn)應用程序，生成故障檢修單，形成的完整檢修作業(yè)流程。

3 系統(tǒng)功能架構

地鐵列車360°外觀故障圖像檢測系統(tǒng)基于對檢修修程、檢測項點梳理和算法可行性分析，覆蓋四日檢修程83%，覆蓋檢修部件項點8600余項（101類），占總檢修部件項點78%。其中，影響行車安全的關鍵項點就2000余項（26類），達到全部覆蓋的水平。

地鐵列車360°外觀故障圖像檢測系統(tǒng)按照功能主要分為圖像采集子系統(tǒng)、圖像分析子系統(tǒng)、業(yè)務信息子系統(tǒng)。三個子系統(tǒng)之間通過光纖、UDP等完成狀態(tài)傳遞和數(shù)據(jù)傳輸。

3.1 圖像采集子系統(tǒng)

為獲取車底、兩側、車頂?shù)却蠓鶊D像，系統(tǒng)采用多個線掃描相機進行數(shù)據(jù)采集。相比于面陣相機，線掃描相機具有高分辨率、圖像邊緣畸變小、動態(tài)視覺范圍大、掃描速度與信號轉(zhuǎn)換速度快、抗干擾、穩(wěn)定性高的明顯優(yōu)勢。圖像采集系統(tǒng)位于檢測現(xiàn)場，實現(xiàn)列車車底、兩側、車頂圖像采集功能。該子系統(tǒng)包含觸發(fā)開關、圖像采集模組、軌邊控制單元以及輔助系統(tǒng)實現(xiàn)車號檢測功能的車號識別系統(tǒng)等，工作區(qū)域配置情況如表1。

3.2 圖像分析子系統(tǒng)

將采集原始圖像進行相關處理，通過圖像分析子系統(tǒng)對可視關鍵部件進行故障數(shù)據(jù)分析對比和故障判斷，實現(xiàn)車體關鍵部件的圖像自動識別和故障及時上報。圖像配準完成后，對列車車底、兩側、車頂?shù)炔考M行故障檢測，從圖像預處理到關鍵部件特征提取再到模式識別三個階段，采用圖像分割、邊緣提取、Hough變換、圖像匹配等。對于線掃描相機的采集頻率，需要與車速實時綁定。由于測速雷達在工作環(huán)境中，會出現(xiàn)延時情況，并且列車通過測速區(qū)域時行駛速度會上下波動。因此，相機采集頻率在匹配列車速度上存在誤差，造成采集圖像的拉伸、壓縮等畸變問題，影響目標定位精度和故障識別準確度。

表1 相機工作區(qū)域配置

3.3 業(yè)務信息子系統(tǒng)

業(yè)務信息子系統(tǒng)主要由遠程控制中心服務器、顯示終端、交換機和光端機組成。遠程控制中心服務器用于支撐業(yè)務信息子系統(tǒng)。顯示終端顯示故障提示、過車記錄、工單日志等信息，主要完成圖像信息的顯示、故障信息的收集以及工作信息的記錄。業(yè)務系統(tǒng)設置多權限、多用戶功能操作流程設計，結合傳統(tǒng)檢修業(yè)務組織形式，將傳統(tǒng)檢修業(yè)務干系人，如檢修員、班長、調(diào)度員、技術員等職能融入業(yè)務終端操作系統(tǒng)中，結合檢修作業(yè)信息化，延續(xù)傳統(tǒng)檢修的紙質(zhì)化檢修報告復合模式。對于整個業(yè)務流程，可通過PC端確認部件是否發(fā)生故障。對于有疑問的部件，檢修員通過手持終端在現(xiàn)場快速校核，然后將檢測結果推送到智能運維系統(tǒng)或檢修管理系統(tǒng)，統(tǒng)一地接收故障報告單，對領取物料進行分發(fā)，實現(xiàn)檢修一體化。

4 廣州地鐵21號線B8車型故障檢測試驗

檢測項點來源于對修程的梳理，通過現(xiàn)場車輛各部件清點，一共梳理出11232項。通過簡易的采集設備獲取列車高清成像示意圖，在圖中梳理出8640項項點能夠響應，約占總檢修部件項點78%，從業(yè)務發(fā)生度、嚴重度和圖像識別的適用性等多方角度，篩選出具有代表性的重點項點90類進行試驗。系統(tǒng)準確率驗證方法，采集數(shù)據(jù)10000次，減去誤報次數(shù)或誤差范圍外的次數(shù)，這個數(shù)作為分子，數(shù)據(jù)采集總次數(shù)作為分母，該數(shù)據(jù)即為故障準確率。

系統(tǒng)的故障檢測立項關鍵指標如表：

表2 立項指標與實際結果對比

2019年9月系統(tǒng)試運行后，截至2020年5月30日檢測數(shù)據(jù)為：共計檢測列車1758次，項點1538243個，檢測出模擬故障336個，檢測出真實故障56例，無漏報，誤報項點19373個，系統(tǒng)統(tǒng)計的檢測準確率98.87%。

基于廣州地鐵21號線既有作業(yè)流程，嘗試結合檢修生產(chǎn)投入試用至今，檢測部件占人工四日檢項點83%（關鍵項點全覆蓋），由傳統(tǒng)25分鐘2人的無電作業(yè)，優(yōu)化為1人PC端檢測（5分鐘）和1人現(xiàn)場復核剩下未檢測項點（25分鐘），檢視工作量降低40%，總流程時間優(yōu)化33.3%，系統(tǒng)為八日檢提供支撐。

5 展望

實現(xiàn)地鐵列車關鍵部件故障檢測能降低人工成本，提高故障檢測效率。相比于傳統(tǒng)人檢模式，采用圖像檢測系統(tǒng)在檢測精度大幅提高，在列車重大事故的安全防護上發(fā)揮著重要作用。但在故障識別過程中，依然存在局限性，沒有利用好大量樣本的優(yōu)勢。雖然在軌道交通領域中故障樣本的數(shù)量少，但現(xiàn)如今已經(jīng)存在一些針對正負樣本不均衡的深度學習算法。深度學習在圖像領域中的目標檢測、實例分割等方面已有成功應用，未來可以將適用于軌道交通行業(yè)的深度學習算法使用到列車關鍵部件故障檢測當中。隨著計算機計算能力的提高，針對整列車所有關鍵部件全覆蓋的深度學習檢測方式也會實現(xiàn)。當然，考慮到列車檢測環(huán)境的復雜性和不確定性，提高深度學習在不同正線上的泛化能力將是未來需要深入研究方向。