軌道列車車輪型面線點云數(shù)據(jù)處理方法研究

包思遠

摘 要：隨著軌道列車交通的迅速發(fā)展，為了保證列車運行的安全性，需要及時檢測列車車輪型面的磨損。非接觸式的激光檢測裝置由于其具有精度高、方便快捷等原因，逐漸應用到列車車輪檢測的工作中。但在使用激光傳感器掃描列車車輪型面時，由于車輪型面復雜導致光線的不均勻反射，傳感器得到的車輪型面中存在部分異常點。異常點的存在會影響車輪型面參數(shù)的測量與車輪磨損程度判斷，因此本文提出一種基于夾角-弓高-曲率聯(lián)合判別的異常點方法，對車輪型面所有采樣點建立統(tǒng)一偏差尺度，并采用移動窗口的方法對超出局部閾值的噪聲點進行識別并剔除，再對剔除后的數(shù)據(jù)進行多項式濾波處理。實驗結果表明，所提出的數(shù)據(jù)處理算法能夠很好地剔除異常點，且處理后能夠明顯降低車輪型面參數(shù)的測量誤差，方便車輪檢修人員精準記錄車輪數(shù)據(jù)，從而保障列車的安全運行。

關鍵詞：列車車輪 線點云 異常點剔除 多項式濾波

Abstract：With the rapid development of rail train traffic， in order to ensure the safety of train operation， it is necessary to detect the wear of train wheel profiles in time. The non-contact laser detection device is gradually applied to the work of train wheel inspection due to its high precision， convenience and speed. However， when scanning the wheel profile of the train with a laser sensor， there are some abnormal points in the wheel profile obtained by the sensor due to the uneven reflection of light due to the complex wheel profile. Therefore， this paper proposes an anomaly point method based on joint discrimination of angle-bow height-curvature， establishes a unified deviation scale for all sampling points of the wheel profile， and uses the method of moving window to identify and reject the noise points beyond the local threshold， and then performs polynomial filtering processing on the rejected data. The experimental results show that the proposed data processing algorithm can eliminate abnormal points well， and the measurement error of wheel profile parameters can be significantly reduced after processing， which is convenient for wheel maintenance personnel to accurately record wheel data， so as to ensure the safe operation of trains.

Key words：train wheels， line point cloud， anomaly point culling， polynomial filtering

1 引言

軌道交通因其便捷、舒適等原因逐漸成為居民在城際出行的重要方式之一。高頻次、高運載量、快速的車次也對如何保證軌道列車的安全性提出巨大挑戰(zhàn)。車輪作為軌道列車的重要組成部分之一，在列車運行時，服役的車輪承擔著列車與軌道之間的動、靜載荷以及外界環(huán)境的侵蝕。隨著運行時間的推移，輪對型面會發(fā)生磨損，需要及時檢修、更換從而保障列車的安全運行。由于輪對型面輪廓曲線較為復雜，采用傳統(tǒng)第四種檢查器手動測量輪對參數(shù)存在測量工作量大、檢測效率低等問題。由于非接觸式測量具有精度高、速度快、零損傷的特點，可實現(xiàn)離線-在線的自動測量，完成了車輪參數(shù)的測量、保證了列車的安全運行，同時也對實現(xiàn)軌道運維的數(shù)字化與智能化有著重要的意義。

在使用激光傳感器對車輪型面進行掃描檢測時，由于車輪型面的不均勻反射、外界環(huán)境的振動干擾以及傳感器測量精度等問題，得到的數(shù)據(jù)含有大量異常點，這些異常點會影響型面幾何參數(shù)的測量以及磨損程度的判斷。對于線點云數(shù)據(jù)中的異常點的處理方法一般有人工檢查法、擬合曲線法、偏差過濾法。人工檢查法就是依靠人眼識別數(shù)據(jù)中明顯偏離線點云輪廓的點，工作量大且具有主觀性。擬合曲線法需要對線點云進行曲線擬合處理，但車輪型面較為復雜，盲目的擬合會破壞原始的型面特征。偏差過濾法需要建立合適的偏差判別函數(shù)，判別函數(shù)的判斷準則決定了異常點的剔除效果好壞。

本文針對采集到的車輪型面線點云中采樣點的形態(tài)特征，建立了基于夾角-弓高-曲率聯(lián)合的偏差判別函數(shù)進行異常值剔除，再采用多項式濾波。根據(jù)處理后的線點云結果進行車輪型面參數(shù)的測量，并對照型面輪廓參數(shù)標準值，從而驗證該方法在車輪型面檢測中自動處理異常值中的有效性。

2 車輪型面數(shù)據(jù)采集原理與數(shù)據(jù)處理方法

2.1 激光三角原理

激光傳感器本質上是基于激光三角原理。通過激光光源投射線激光到目標區(qū)域，再使用相機進行拍攝。投射的激光與被測物表面接觸時，相機圖像會中有亮線出現(xiàn)，由于激光接觸到的物體表面存在一定的高度差，因此在相機拍攝到的亮線在輸出的圖像上的像素位置也會發(fā)生改變，不再呈現(xiàn)一條直亮線。根據(jù)已知激光光源與相機的鏡頭參數(shù)之間的相對位置，三角測量法即可得到圖像像素位與實際高度的映射關系。

2.2 線點云數(shù)據(jù)處理方法

而采集到的線點云數(shù)據(jù)中某采樣點在被認為為是異常的重要形態(tài)特征之一，就是該點的存在使線點云輪廓在視覺上呈現(xiàn)局部凸起或凹陷，如圖2所示。而凹凸形態(tài)的數(shù)學描述方法可從以下三種描述對應：1）該點分別與左右相鄰點組成的向量夾角大小與正常點相比偏??；2）該點到相鄰兩點組成的向量距離（弓高）相較于正常點偏大；3）異常點處的曲率值較正常曲率值偏大。因此本文考慮夾角、弓高、曲率三個約束準則，對輪對型面線點云中的噪聲點建立數(shù)學模型，針對線點云上的每個數(shù)據(jù)點，采用移動窗口法進行統(tǒng)計分析，并建立離群判別函數(shù)，計算以當前點為中心的窗口內部分數(shù)據(jù)的統(tǒng)計值，從而設定適當閾值，對壞點進行識別并剔除。

算法具體步驟如下：

該算法兼具夾角、弓高、曲率三個約束，其中夾角可用于衡量噪聲點與左右鄰點相距較近時的離群程度，弓高可用于衡量噪聲點與左右鄰點相距較遠時的離群程度，曲率則強調了該點處是否為車輪型面固有的曲率變化點，防止將車輪自身具有的曲率形態(tài)特征點被識別為異常點錯誤剔除。

為了保證在濾波平滑的過程中不破壞車輪型面的原有形貌，本文選用多項式濾波器（S-G濾波器）對剔除異常點后的車輪型面線點云數(shù)據(jù)進行濾波處理。多項式濾波原理的是一種移動窗口的加權平均算法，通過對窗口內的采樣點進行最小二乘擬合。而當前窗口中心值的濾波結果本質是獲得擬合多項式的常數(shù)項。因此可采用矩陣表達形式記為A·P=B，通過矩陣變形為P=A-1·B的形式求得系數(shù)矩陣P，從而完成型面線點云的數(shù)據(jù)濾波處理。

3 試驗測試與分析

3.1 輪對型面輪廓檢測裝置

輪對型面輪廓檢測過程如圖4所示。其中列車走行部型號為CRH380B，車輪型號為LMA-30型，選用?？低暤募す鈧鞲衅?。

3.2 線點云數(shù)據(jù)異常點處理

某條線點云原始數(shù)據(jù)與處理后數(shù)據(jù)如圖5所示，其中圖5（a）為激光傳感器掃描型面剔除異常點后的由1477個采樣點組成的線點云，而處理器有1782個點，經過夾角-弓高-曲率聯(lián)合偏差判別函數(shù)處理后，異常點有296個，占原始數(shù)據(jù)總數(shù)的17.11％。圖5（b）～（d）分別為輪緣頂部、輪緣底部和車輪踏面中部的輪廓細節(jié)，可以看到由于異常值的存在導致處理前車輪型面呈現(xiàn)鋸齒狀，經處理后的車輪型面鋸齒狀噪聲較少，整體更為平滑更接近車輪的實際情況。

3.3 車輪型面幾何參數(shù)測量

車輪型面參數(shù)定義如圖6所示。其中，輪緣厚度為踏面水平線向輪緣頂部垂直移動12mm與輪緣形成的交點，此交點與輪緣內測基線的水平距離；輪緣高度指輪緣最高點到踏面水平線（過基點的水平線）的垂直距離。使用鐵道車輛車輪第四種檢查器測量車輪的輪緣厚度和輪緣高度標準值，如圖7所示。將處理后的激光傳感器采集到的線點云數(shù)據(jù)進行車輪型面幾何參數(shù)的提取，通過對比處理前后車輪型面幾何參數(shù)的誤差，驗證本文所提的預處理方法的可靠性。

在表1中，記錄了車輪型面4個位置型面參數(shù)的標準值與處理前后測得的型面參數(shù)值。結果表明，經過所提方法處理后的輪緣厚度的誤差降低了29.59～65.31%，而輪緣高度的誤差降低了31.73～83.12%。

4 結語

本文研究了在獲得激光傳感器測得的車輪型面輪廓數(shù)據(jù)中存在異常點問題，提出了一種數(shù)據(jù)處理方法用來剔除異常點從而提高車輪型面參數(shù)的測量精度。首先根據(jù)線點云中異常點的特征形態(tài)，建立了基于夾角-弓高-曲率聯(lián)合偏差判別函數(shù)，根據(jù)偏差判別函數(shù)的判別值對車輪型面中存在的異常點進行識別并剔除。再通過比較去除異常點后車輪型面參數(shù)測量結果與標準值的誤差，驗證了該方法有效且可行。該方法在針對激光檢測車輪時具有很好的應用價值，能夠幫助車輪檢測維修人員準確記錄車輪型面的相關參數(shù)以及磨耗情況，從而保證軌道列車的安全運行。

參考文獻：

[1]汪鳴.中國軌道交通未來發(fā)展趨勢[J].現(xiàn)代城市軌道交通，2019（7）：1-4.

[2]溫銀放.數(shù)據(jù)點云預處理及特征角點檢測算法研究[D].哈爾濱工程大學，2007.

[3]王曉嘉，高雋，王磊.激光三角法綜述[J].儀器儀表學報，2004（S2）：601-604+608.

[4]Hermann S，Klette R. Multigrid Analysis of Curvature Estimators[C]// IVCNZ 2003. OAI，2003.

[5]蔡天凈，唐瀚.Savitzky-Golay平滑濾波器的最小二乘擬合原理綜述[J].數(shù)字通信，2011，38（1）：63-68+82.

[6]朱墨子，包鑫.異常點檢測與Savitzky-Golay濾波算法在手寫系統(tǒng)中的應用[J].機電工程，2008（08）：5-7+24.

[7]中華人民共和國國家鐵路局.機車車輛車輪輪緣踏面外形：TB/T 449-2016[S]. 2016.中國鐵道出版社，2016.