基于數(shù)據(jù)挖掘技術(shù)的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)

王 鵬,李百泉,趙永鋼

(1.國(guó)能鐵路裝備有限責(zé)任公司，北京 100048；2.哈爾濱國(guó)鐵科技集團(tuán)股份有限公司，黑龍江 哈爾濱 150006；3.天津哈威克科技有限公司，天津 301799)

1 引言

鐵路貨運(yùn)列車最為重要的部件之一就是車輪，車輪在貨運(yùn)列車運(yùn)行過程中占據(jù)重要的地位[1]。現(xiàn)階段，我國(guó)的客運(yùn)列車重點(diǎn)朝著高速以及舒適化的方向發(fā)展，貨運(yùn)列車則以重載為發(fā)展方向。輪對(duì)是決定貨運(yùn)列車能否正常運(yùn)行的重要組件，對(duì)其進(jìn)行缺陷狀態(tài)參數(shù)在線檢測(cè)[2-3]是有效確保貨運(yùn)列車安全運(yùn)行的重要措施之一。科學(xué)技術(shù)的迅猛發(fā)展，促使車輪的安全面臨著十分嚴(yán)峻的挑戰(zhàn)，國(guó)內(nèi)外相關(guān)學(xué)者已經(jīng)針對(duì)該方面內(nèi)容展開研究。

近年來，相關(guān)學(xué)者重點(diǎn)針對(duì)貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)方法進(jìn)行了研究，但是經(jīng)過具體的分析可知，現(xiàn)階段我國(guó)的鐵路車輛段修一直處于手工階段，主要使用第四種檢測(cè)器以及輪徑尺等工具實(shí)現(xiàn)測(cè)量。針對(duì)貨運(yùn)列車車輪對(duì)缺陷檢測(cè)也主要采用人工進(jìn)行觀測(cè)，在必要的情況下能夠進(jìn)行人工測(cè)量，但是這會(huì)增加勞動(dòng)者的工作強(qiáng)度，降低整體的工作效率，同時(shí)不同測(cè)量者在測(cè)量的過程中會(huì)產(chǎn)生不同程度的誤差，對(duì)測(cè)量精度以及可靠性產(chǎn)生影響。

劉晶等人提出基于聲音信號(hào)Teager能量算子解調(diào)的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)檢測(cè)方法，該方法對(duì)貨運(yùn)列車車輪對(duì)進(jìn)行聲音信號(hào)采集，通過Teager 能量算子對(duì)聲音信號(hào)進(jìn)行解調(diào)處理，得到貨運(yùn)列車車輪對(duì)信號(hào)的瞬時(shí)能量波形，通過包絡(luò)譜分析完成貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)檢測(cè)[4]。陳慶等人提出基于位移傳感器的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)檢測(cè)方法，該方法通過上位機(jī)處理采集到的貨運(yùn)列車車輪對(duì)數(shù)據(jù)信息，計(jì)算貨運(yùn)列車車輪對(duì)橢圓化參數(shù)，在制動(dòng)工況下對(duì)貨運(yùn)列車車輪對(duì)的橢圓化情況進(jìn)行檢測(cè)，得到貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)檢測(cè)結(jié)果[5]。隨著社會(huì)的不斷進(jìn)步以及發(fā)展，現(xiàn)階段已有的技術(shù)已經(jīng)無法滿足貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)檢測(cè)的需求。結(jié)合上述分析，提出一種基于數(shù)據(jù)挖掘技術(shù)的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)方法。仿真實(shí)驗(yàn)結(jié)果表明，所提方法具有較高的檢測(cè)精度，同時(shí)適應(yīng)性較強(qiáng)。

2 缺陷狀態(tài)參數(shù)在線檢測(cè)

貨運(yùn)列車車輪對(duì)故障一般發(fā)生在軸承部位，因此本文主要針對(duì)貨運(yùn)列車車輪對(duì)軸承缺陷狀態(tài)參數(shù)進(jìn)行檢測(cè)，研究所用圖像為鐵路科研所提供。

2.1 圖像預(yù)處理

通過計(jì)算輸入輪對(duì)圖像的初始數(shù)據(jù)，經(jīng)過多種不同的操作得到滿意的圖像預(yù)處理結(jié)果。實(shí)際上就是將一幅圖像的像素位置映射到新的圖像當(dāng)中，同時(shí)對(duì)其進(jìn)行旋轉(zhuǎn)、拉伸等操作，使其完成空間變換[6-8]。

在圖像進(jìn)行預(yù)處理的過程中，需要針對(duì)圖像進(jìn)行幾何變換，具體的操作步驟如下所示：

(1) 將圖像內(nèi)的坐標(biāo)進(jìn)行空間轉(zhuǎn)換；

(2) 灰度內(nèi)插，實(shí)際上就是針對(duì)經(jīng)過空間變換的圖像像素賦予新的幅度值，其中坐標(biāo)變換能夠轉(zhuǎn)換為以下的形式：

式中，(v，w)代表原始圖像中像素的坐標(biāo)；(x，y)表示變換后圖像中像素的坐標(biāo)。較為常見的空間坐標(biāo)變換之一則是仿射[9]，具體的表現(xiàn)形式如下所示：

在整個(gè)變換的過程中，由于整個(gè)矩陣中不同元素的取值完全不同，所以重點(diǎn)需要針對(duì)其中一組坐標(biāo)點(diǎn)進(jìn)行尺度旋轉(zhuǎn)以及平移等操作。

由于不同的噪聲分別來自不同的地方，所以能夠通過噪聲來源將噪聲進(jìn)行劃分。但是最為系統(tǒng)的分類方式就是通過概率密度函數(shù)進(jìn)行劃分，即：

(1) 高斯噪聲：

高斯噪聲主要是指概率密度函數(shù)服從高斯分布的噪聲，它也被稱為正態(tài)噪聲[10-11]，方便對(duì)其進(jìn)行處理，其中概率密度函數(shù)分布模式如下所示：

(2) 瑞利噪聲：

概率函數(shù)從瑞利分布的噪聲即為瑞利噪聲，即：

針對(duì)不同類型的噪聲，需要選取不同的去噪方法，圖像去噪方法有很多種。圖像預(yù)處理的流程如圖1所示。

圖1 圖像預(yù)處理具體操作流程

根據(jù)圖1得到圖像預(yù)處理的步驟為：

(1) 通過小波包進(jìn)行去噪處理，同時(shí)有效保留圖像目標(biāo)中重要的邊界信息；

(2) 將灰度圖像進(jìn)行二值處理，為后續(xù)貨運(yùn)列車車輪對(duì)缺陷精準(zhǔn)定位以及檢測(cè)奠定堅(jiān)實(shí)的基礎(chǔ)。

在小波分析的基礎(chǔ)上，產(chǎn)生了小波包分析，它重點(diǎn)針對(duì)小波分析沒有進(jìn)行分解的高頻部分進(jìn)行進(jìn)一步完善，提供一種更好的圖像去噪方法。通過被分析信號(hào)的特征，選取和其對(duì)應(yīng)的頻帶，使其和信號(hào)頻譜更加匹配。

通過小波包對(duì)圖像進(jìn)行去噪處理，能夠有效刪除圖像中的噪聲，同時(shí)有效保留圖像中重要的信息。將Symlets 作為小波基函數(shù)，數(shù)據(jù)熵作為評(píng)價(jià)指標(biāo)，分別將不同層次的分解數(shù)據(jù)進(jìn)行閾值處理以及小波重構(gòu)，得到去噪后的圖像。

在圖像分割中，較為常用的一項(xiàng)分割技術(shù)即為閾值分割，閾值分割在處理前期，需要選取一個(gè)或者多個(gè)閾值進(jìn)行對(duì)比，通常情況下，一幅圖像能夠劃分多個(gè)明確的部分。

采用Outs 進(jìn)行分割時(shí)，需要將圖像中的信息劃分為兩部分，分別為：

(1) 背景；

(2) 目標(biāo)。

其中處理過程就是得到對(duì)兩者進(jìn)行區(qū)分的閾值，通過該閾值，能夠?qū)D像中各個(gè)像素點(diǎn)進(jìn)行判斷。

經(jīng)過預(yù)處理之后的圖像需要進(jìn)行客觀評(píng)價(jià)，一般情況下采用信噪比的方法，但是由于在實(shí)際操作的過程中，需要針對(duì)噪聲進(jìn)行去除，所以需要選取對(duì)應(yīng)的計(jì)算式模型，其中計(jì)算模型能夠表示為以下的形式：

其中：

在上述分析的基礎(chǔ)上，已經(jīng)有效刪除了圖像中大部分的高斯噪聲，以下需要針對(duì)整幅圖像進(jìn)行二值化處理，有效刪除圖像中的背景噪聲。如果設(shè)定閾值為TH，圖像中任意一點(diǎn)的灰度值為f(i，j)。在實(shí)際計(jì)算的過程中，需要結(jié)合Otsu方法進(jìn)行閾值計(jì)算，即：

2.2 周期干擾性去除

在信號(hào)的處理領(lǐng)域中，通過互相關(guān)函數(shù)進(jìn)行兩個(gè)信號(hào)之間相似程度的描述。設(shè)定兩個(gè)連續(xù)的信號(hào)分別為x(t)和y(t)，結(jié)合互相關(guān)函數(shù)的相關(guān)定義，能夠獲取以下的計(jì)算式：

式中，τ代表延遲時(shí)間；N代表采樣點(diǎn)的數(shù)量。

由于貨運(yùn)列車的部分車輪型號(hào)含有輻板孔，針對(duì)檢測(cè)結(jié)果能夠產(chǎn)生較強(qiáng)的干擾，所以需要有效刪除輻板孔回波干擾。

周期性信號(hào)具有十分廣泛的應(yīng)用，周期性干擾是帶輻板孔貨運(yùn)列車車輪檢測(cè)圖像的一個(gè)重要特征。

二維圖像f(x，y)的二元周期函數(shù)能夠表示為以下的形式：

針對(duì)周期性的干擾，需要將原始圖像在空間內(nèi)進(jìn)行拓展，將其拓展為原始圖像的兩倍；然后在中間得到整個(gè)周期圖像，將其和原始圖像相減，即可有效刪除周期性干擾。

2.3 基于數(shù)據(jù)挖掘技術(shù)的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)

數(shù)據(jù)挖掘技術(shù)的各種分析工具能夠在海量數(shù)據(jù)中發(fā)現(xiàn)不同數(shù)據(jù)之間的關(guān)系以及模型，這些模型以及關(guān)系能夠方面用于預(yù)測(cè)分析。數(shù)據(jù)挖掘包含多種不同的模型以及算法，在模型中，數(shù)據(jù)挖掘貫穿于整個(gè)檢測(cè)過程中，利用數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理以及數(shù)據(jù)挖掘等過程，通過檢測(cè)完成一個(gè)完整的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)過程。

(1) 將采集到的數(shù)據(jù)進(jìn)行分析；

(2) 將數(shù)據(jù)進(jìn)行預(yù)處理；

(3) 數(shù)據(jù)挖掘。

貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)特征提取是進(jìn)行檢測(cè)的前提，選取合適的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)，能夠最大程度地將缺陷參數(shù)以及非缺陷參數(shù)進(jìn)行分離，有效提升檢測(cè)精度。

在進(jìn)行特征向量選取前期，需要明確檢測(cè)對(duì)象，然后針對(duì)相同的目標(biāo)進(jìn)行特征提取，但是由于不同目標(biāo)中含有不同的屬性，各個(gè)屬性分別對(duì)應(yīng)的不同的數(shù)值，導(dǎo)致特征向量中數(shù)據(jù)存在較大差別，所以在實(shí)現(xiàn)特征提取之后，需要對(duì)針對(duì)所提取特征向量的數(shù)值進(jìn)行處理，為提升檢測(cè)精度奠定堅(jiān)實(shí)的基礎(chǔ)。

在上述分析的基礎(chǔ)上，結(jié)合數(shù)據(jù)挖掘技術(shù)，獲取貨運(yùn)列車車輪對(duì)的缺陷質(zhì)心以及面積，即：

結(jié)合上述計(jì)算結(jié)果，能夠?qū)崿F(xiàn)原始數(shù)據(jù)中缺陷定位，同時(shí)達(dá)到貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)的目的。

3 仿真實(shí)驗(yàn)

為了驗(yàn)證所設(shè)計(jì)基于數(shù)據(jù)挖掘技術(shù)的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)方法的綜合有效性，需要進(jìn)行仿真實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)采用的計(jì)算機(jī)配置為IntelCore TMi52.93GHz，內(nèi)存4GB，操作系統(tǒng)為32 位Windows7旗艦版，實(shí)驗(yàn)環(huán)境為Matlab2014a。

3.1 漏檢率與誤檢率對(duì)比

將人工模擬缺陷的貨運(yùn)列車車輪對(duì)作為仿真實(shí)驗(yàn)測(cè)試的對(duì)象，實(shí)驗(yàn)選取漏檢率以及誤檢率作為評(píng)價(jià)指標(biāo)進(jìn)行仿真實(shí)驗(yàn)數(shù)據(jù)，具體的實(shí)驗(yàn)對(duì)比結(jié)果如表1-表6所示。

表1 所提方法的漏檢率變化情況

表2 文獻(xiàn)[4]方法的漏檢率變化情況

表3 文獻(xiàn)[5]方法的漏檢率變化情況

表4 所提方法的誤檢率變化情況

表5 文獻(xiàn)[4]方法的誤檢率變化情況

表6 文獻(xiàn)[5]方法的誤檢率變化情況

綜合分析以上表格中的實(shí)驗(yàn)數(shù)據(jù)可知，隨著訓(xùn)練樣本數(shù)量的持續(xù)增加，各種檢測(cè)方法的漏檢率以及誤檢率也在不斷變化，相比兩種文獻(xiàn)對(duì)比檢測(cè)方法，所提方法的誤檢率以及漏檢率明顯較低，這說明所提方法能夠獲取較為理想的檢測(cè)結(jié)果。

3.2 響應(yīng)時(shí)間對(duì)比

利用下圖詳細(xì)給出在不同實(shí)驗(yàn)次數(shù)下，各種檢測(cè)方法的響應(yīng)時(shí)間變化情況，如圖2所示。

圖2 不同檢測(cè)方法的響應(yīng)時(shí)間對(duì)比結(jié)果

綜合分析上圖中的實(shí)驗(yàn)數(shù)據(jù)可知，相比文獻(xiàn)對(duì)比方法，所提檢測(cè)方法的響應(yīng)時(shí)間明顯更低一些，所提檢測(cè)方法的最高響應(yīng)時(shí)間不超過0.30min，而兩種文獻(xiàn)對(duì)比檢測(cè)方法的最高響應(yīng)耗時(shí)分別達(dá)到0.49min、0.78min。因此充分說明所提出檢測(cè)方法具有更快的響應(yīng)速度。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)方法存在檢測(cè)效果不理想以及響應(yīng)時(shí)間較長(zhǎng)等問題，結(jié)合數(shù)據(jù)挖掘技術(shù)，提出一種基于數(shù)據(jù)挖掘技術(shù)的貨運(yùn)列車車輪對(duì)缺陷狀態(tài)參數(shù)在線檢測(cè)方法。通過具體的仿真實(shí)驗(yàn)數(shù)據(jù)，全面驗(yàn)證了所提方法的有效性以及適應(yīng)性。