張 望，劉碩研，柴金川

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

目前，動(dòng)車(chē)組檢修模式大致分為庫(kù)內(nèi)靜態(tài)檢修和正線動(dòng)態(tài)檢修兩種模式。其中，入庫(kù)地溝式靜態(tài)檢修，可以精準(zhǔn)定位故障位置及等級(jí)，然而卻缺乏對(duì)運(yùn)行列車(chē)的動(dòng)態(tài)狀況監(jiān)控，而運(yùn)行過(guò)程的潛在故障會(huì)隨著列車(chē)長(zhǎng)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(dòng)態(tài)檢修模式[1-3]，該模式旨在關(guān)注高速行進(jìn)中的動(dòng)車(chē)，通過(guò)高速線陣相機(jī)采集通過(guò)觀測(cè)站的列車(chē)圖像，由人工監(jiān)控排查運(yùn)行動(dòng)車(chē)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(chē)，增加了行車(chē)調(diào)度負(fù)擔(dān)。鑒于此，本文提出了一套0.5級(jí)動(dòng)車(chē)組智能檢測(cè)裝備，該裝備安裝在入庫(kù)口，既能識(shí)別運(yùn)行過(guò)程中的列車(chē)故障，也不影響行車(chē)調(diào)度，此外預(yù)判的故障也可作為入庫(kù)靜態(tài)監(jiān)控的重點(diǎn)觀察部件，從而提升故障識(shí)別準(zhǔn)確率。

0.5級(jí)動(dòng)車(chē)組智能檢測(cè)裝備是一套集車(chē)底車(chē)頂可視部位自動(dòng)圖像檢測(cè)、受電弓工作位壓力自動(dòng)檢測(cè)、受電弓滑板磨耗及中心偏移量自動(dòng)檢測(cè)等主要功能為一體的綜合自動(dòng)在線檢測(cè)系統(tǒng)。該系統(tǒng)按布局可分為檢測(cè)站、檢測(cè)主機(jī)室、遠(yuǎn)程控制室3部分，檢測(cè)站安裝于檢測(cè)線路的檢測(cè)設(shè)備，包括走行部的5個(gè)檢測(cè)箱體（3個(gè)沉箱，2個(gè)側(cè)箱）、受電弓檢測(cè)一體箱、壓力檢測(cè)設(shè)備；檢測(cè)主機(jī)室位于檢測(cè)線路軌邊，檢測(cè)站檢測(cè)數(shù)據(jù)經(jīng)檢測(cè)主機(jī)室預(yù)處理上傳至遠(yuǎn)程控制室經(jīng)專(zhuān)家診斷，系統(tǒng)平臺(tái)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(duì)受電弓滑板磨耗值監(jiān)測(cè)和運(yùn)行狀態(tài)故障識(shí)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(diǎn)云的受電弓滑板磨耗深度測(cè)量方法和基于Region with CNN（R-CNN）的列車(chē)運(yùn)行故障檢測(cè)算法。最后將智能識(shí)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(shí)別率的同時(shí)，盡可能地降低人工勞動(dòng)強(qiáng)度。

1 動(dòng)車(chē)組運(yùn)行狀態(tài)智能檢測(cè)設(shè)備

動(dòng)車(chē)組智能檢測(cè)裝備圖如圖1所示。系統(tǒng)安裝在動(dòng)車(chē)入庫(kù)線上，對(duì)每天入庫(kù)的全編組列車(chē)運(yùn)行狀況進(jìn)行綜合檢測(cè)，不需要停車(chē)、頂輪，檢測(cè)車(chē)頂、車(chē)底及側(cè)部的關(guān)鍵零部件缺失、變形等異常情況，能及時(shí)發(fā)現(xiàn)危害性缺陷，自動(dòng)識(shí)別缺陷并預(yù)（報(bào)）警，綜合評(píng)價(jià)并跟蹤整車(chē)質(zhì)量狀態(tài)，更好地保證動(dòng)車(chē)組運(yùn)行安全，極大地提高了檢修效率，節(jié)約成本。

圖1 動(dòng)車(chē)組智能檢測(cè)裝備圖

1.1 基于R-CNN的列車(chē)運(yùn)行故障檢測(cè)算法

列車(chē)走行部智能檢測(cè)設(shè)備如圖2所示，主要用于識(shí)別動(dòng)車(chē)組車(chē)底車(chē)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(yùn)行動(dòng)車(chē)組走行部、制動(dòng)配件、底架懸吊件、車(chē)體兩側(cè)裙板、轉(zhuǎn)向架等部位圖像，與其最近過(guò)車(chē)的歷史圖像進(jìn)行比對(duì)，監(jiān)測(cè)當(dāng)前運(yùn)行動(dòng)車(chē)的結(jié)構(gòu)件是否有變化、變化趨勢(shì)以及變化類(lèi)型，實(shí)現(xiàn)故障的實(shí)時(shí)報(bào)警。然而，由于車(chē)速、大氣、光線、抖動(dòng)等諸多外部因素的不同，使得不同時(shí)期采集的兩幅圖像之間存在亮度、分辨率、長(zhǎng)度等差異，因此目前單純采用圖像比對(duì)方法[4]的圖像故障識(shí)別算法存在大量的誤報(bào)現(xiàn)象，故障定位不精準(zhǔn)。

圖2 列車(chē)走行部智能檢測(cè)設(shè)備

基于R-CNN[5-6]的列車(chē)運(yùn)行故障檢測(cè)算法流程圖如圖3所示?；赗-CNN算法將列車(chē)車(chē)頭、車(chē)廂連接處、車(chē)尾等部位進(jìn)行目標(biāo)定位；根據(jù)車(chē)頭、車(chē)尾及車(chē)廂連接處的位置將列車(chē)圖像按照車(chē)廂節(jié)數(shù)進(jìn)行準(zhǔn)確分割，從而保證識(shí)別的故障可以準(zhǔn)確定位；定位列車(chē)車(chē)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(duì)不同的圖像類(lèi)型，采用不同的故障識(shí)別策略，即針對(duì)轉(zhuǎn)向架區(qū)域，以圖像區(qū)域作為目標(biāo)進(jìn)行故障識(shí)別定位，根據(jù)故障分?jǐn)?shù)值判定是否存在故障；針對(duì)非轉(zhuǎn)向架區(qū)域，以部件為目標(biāo)進(jìn)行故障識(shí)別定位，同理，根據(jù)分?jǐn)?shù)值判定是否存在故障。

以列車(chē)車(chē)輪為例，將各種車(chē)型在不同光照、不同車(chē)速下的車(chē)頭照片作為訓(xùn)練樣本，對(duì)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(jìn)行fine-tuning 訓(xùn)練，使網(wǎng)絡(luò)模型中的參數(shù)適用于車(chē)頭特定領(lǐng)域的參數(shù)。針對(duì)測(cè)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(dòng)窗口，通過(guò)滑動(dòng)獲得潛在的目標(biāo)圖像；提取CNN特征，根據(jù)輸入進(jìn)行卷積/池化等操作，得到固定維度的輸出；進(jìn)行分類(lèi)與邊界回歸，對(duì)上一步的輸出向量進(jìn)行分類(lèi)（需要根據(jù)特征訓(xùn)練分類(lèi)器）；通過(guò)邊界回歸（bounding-box regression) 得到精確的目標(biāo)區(qū)域，由于實(shí)際目標(biāo)會(huì)產(chǎn)生多個(gè)子區(qū)域，旨在對(duì)完成分類(lèi)的前景目標(biāo)進(jìn)行精確的定位與合并，避免多個(gè)檢出,從而將列車(chē)車(chē)輪的位置準(zhǔn)確定位，確定轉(zhuǎn)向架的區(qū)域，以便采用不同的方法進(jìn)行故障識(shí)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(cè)算法流程圖

圖4 R-CNN特征提取方法

1.2 基于3D點(diǎn)云信息的受電弓滑板磨耗深度測(cè)量值檢測(cè)算法

受電弓及車(chē)頂狀態(tài)動(dòng)態(tài)檢測(cè)系統(tǒng)[7-8]采用高速、高分辨率、非接觸式圖像分析測(cè)量技術(shù)，實(shí)現(xiàn)了對(duì)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(dòng)態(tài)自動(dòng)檢測(cè)和車(chē)頂異物及關(guān)鍵部件狀態(tài)的室內(nèi)可視化觀測(cè)。

基于3D點(diǎn)云信息的受電弓滑板磨耗深度測(cè)量值檢測(cè)設(shè)備如圖5所示，主要包括補(bǔ)光燈、光電開(kāi)關(guān)、3D激光傳感器、高分辨率照相機(jī)等。當(dāng)受電弓通過(guò)檢測(cè)設(shè)備時(shí)，補(bǔ)光燈會(huì)根據(jù)當(dāng)時(shí)的光照條件對(duì)光線進(jìn)行調(diào)整和補(bǔ)償，3D激光傳感器將激光發(fā)射到碳滑板上，而面陣相機(jī)接收反射光線，從而構(gòu)成大量的3D點(diǎn)云數(shù)據(jù)，以便進(jìn)行滑板磨耗值測(cè)量。

圖5 基于3D點(diǎn)云信息的受電弓滑板磨耗深度測(cè)量值檢測(cè)設(shè)備

現(xiàn)有的受電弓測(cè)量方式大多采用雙目相機(jī)，利用拍攝的受電弓圖像，重構(gòu)三維空間距離，計(jì)算出滑板磨耗值。為了使得測(cè)量數(shù)據(jù)更加精準(zhǔn)、有效，提出一種基于3D點(diǎn)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(shí)物體表面的空間采樣點(diǎn)，即點(diǎn)云數(shù)據(jù)，利用點(diǎn)云數(shù)據(jù)的局部拓?fù)湫畔?，近鄰位置重?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(cè)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(dòng)車(chē)組運(yùn)行狀態(tài)智能檢測(cè)算法的應(yīng)用情況

動(dòng)車(chē)組運(yùn)行狀態(tài)智能檢測(cè)裝備采用高速、高分辨率、非接觸式圖像分析測(cè)量技術(shù)，實(shí)現(xiàn)了對(duì)列車(chē)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(dòng)態(tài)自動(dòng)檢測(cè)。該系統(tǒng)的引入可顯著提高動(dòng)車(chē)組工裝設(shè)備檢修的自動(dòng)化水平，減輕工作人員的勞動(dòng)強(qiáng)度，提高勞動(dòng)效率。

該裝備自動(dòng)采集的圖像有列車(chē)走行部圖像和受電弓3D點(diǎn)云圖像。列車(chē)走行部圖像采集設(shè)備包含3套沉箱、2套側(cè)箱和1個(gè)車(chē)頂相機(jī)，其中，3套沉箱共安置5個(gè)超高速高清晰線陣相機(jī)，用于采集動(dòng)車(chē)底部的高清圖像（包括制動(dòng)裝置、驅(qū)動(dòng)裝置、牽引裝置、轉(zhuǎn)向架、輪軸、車(chē)鉤及車(chē)底部其他部位）；左右側(cè)部各安裝,1套高速線陣相機(jī)，用于采集轉(zhuǎn)向架和裙擺圖像；車(chē)頂相機(jī)采集列車(chē)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(diǎn)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(diǎn)云信息的受電弓滑板磨耗深度測(cè)量算法應(yīng)用

圖6 動(dòng)車(chē)組智能檢測(cè)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(diǎn)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(píng)價(jià)指標(biāo)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(chē)運(yùn)行故障檢測(cè)算法應(yīng)用

分析基于R-CNN算法的列車(chē)車(chē)頭、車(chē)廂連接處、車(chē)尾及車(chē)輪的定位準(zhǔn)確性。非極大值抑制（NMS）計(jì)算出每一個(gè)bounding box的面積，根據(jù)score進(jìn)行排序，把score最大的bounding box作為選定的框，計(jì)算其余bounding box與當(dāng)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(guò)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(lèi)的結(jié)果。

圖7展示了車(chē)頭、車(chē)輪的定位圖像。

圖7 基于R-CNN的車(chē)頭和車(chē)輪定位圖像

隨后評(píng)價(jià)本算法的故障識(shí)別性能，本文使用漏報(bào)率和誤報(bào)率來(lái)評(píng)價(jià)算法。漏報(bào)率是指在故障檢測(cè)中存在N次故障有M次未能檢測(cè)出；誤報(bào)率是指在檢測(cè)出的N次故障中，其中,有M次不是故障。經(jīng)過(guò)算法的多次運(yùn)行獲得的誤報(bào)率為13.5%，漏報(bào)率為26.5%。由于車(chē)速、大氣、光線、抖動(dòng)等因素的不同，使得不同時(shí)期采集的兩幅圖像之間存在亮度、分辨率、長(zhǎng)度等差異，因此會(huì)將一些污漬、光照等情況判斷為故障，造成了一定的誤報(bào)率；動(dòng)車(chē)組中的故障有些非常隱蔽，行車(chē)速度不均衡，將會(huì)造成漏報(bào)率。在此后的實(shí)驗(yàn)過(guò)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(chē)故障的真實(shí)情況。

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

圖8 算法的性能展示

3 結(jié)束語(yǔ)

動(dòng)車(chē)組智能檢測(cè)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(shí)別技術(shù)、大容量圖像數(shù)據(jù)實(shí)時(shí)處理技術(shù)和精確定位技術(shù)、自動(dòng)控制技術(shù)以及故障自動(dòng)識(shí)別技術(shù)于一體的智能系統(tǒng)。該系統(tǒng)采用3D激光測(cè)量技術(shù)，根據(jù)受電弓滑板上3D點(diǎn)云分布情況，測(cè)量滑板磨耗值和中心線偏移等關(guān)鍵特定參數(shù)是否達(dá)到報(bào)警程度；通過(guò)安置在軌道底部、側(cè)部及頂部的高速高分辨率線陣相機(jī)實(shí)時(shí)拍攝的列車(chē)全方位關(guān)鍵部件圖像，采用深度學(xué)習(xí)方法對(duì)不同區(qū)域采用不同的故障識(shí)別算法進(jìn)行評(píng)判。該裝備可顯著提高動(dòng)車(chē)組、大功率機(jī)車(chē)工裝設(shè)備的檢修自動(dòng)化水平，減輕工作人員的勞動(dòng)強(qiáng)度，提高勞動(dòng)效率。