楊 凱，劉 彬，崔中偉，謝 斌

（1.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；2.中國鐵路總公司 機輛部，北京 100844；3.北京經(jīng)緯信息技術(shù)有限公司，北京 100081）

利用動車組運行故障動態(tài)圖像檢測系統(tǒng)（TEDS,Trouble of moving EMU Detection System）[1]對動車組行車安全進行監(jiān)控是保障動車組運行安全的一種重要監(jiān)控手段[2]。

TEDS是一種安裝于高速鐵路軌旁的圖像采集監(jiān)控設(shè)備，其利用軌旁圖像傳感器實現(xiàn)運行動車組走行部，制動配件，底架懸吊件，鉤緩連接，車體兩側(cè)裙板，轉(zhuǎn)向架等部位可見光圖像的實時采集，并在此基礎(chǔ)上，采用圖像自動識別技術(shù)進行處理與分析，發(fā)現(xiàn)動車組車體兩側(cè)，底部的異常狀態(tài)并自動報警提示，能夠為動車組運行狀態(tài)的故障發(fā)現(xiàn)提供技術(shù)支持[3]。然而，由于受光照，天氣，復(fù)雜車體狀態(tài)等圖像采集環(huán)境的變化，以及圖像識別技術(shù)自身發(fā)展限制的影響，單點運行的TEDS故障自動識別存在明顯的識別準(zhǔn)確率低，誤判率高的問題，難以滿足現(xiàn)場運用需要[4]。

目前，TEDS故障自動識別方法主要包括目標(biāo)提取法與差異比較法[5]。其中，受圖像識別技術(shù)發(fā)展，動車組故障發(fā)生率等局限的影響，目前主要采用的是差異比較法。所謂差異比較法[6]，是指利用當(dāng)前采集的動車組監(jiān)控圖像（簡稱：當(dāng)前圖）與參考圖像進行圖像特征的求差，將特征差異明顯的區(qū)域標(biāo)記為故障異常。根據(jù)參考圖像類型的不同，差異比較法又分為2種方式：（1）利用TEDS采集的當(dāng)前圖與動車組的標(biāo)準(zhǔn)圖像進行差異比較（標(biāo)準(zhǔn)圖像比較法）；（2）利用同一列車的當(dāng)前圖與歷史采集圖像進行差異比較（歷史圖像比較法）[7]。標(biāo)準(zhǔn)圖像比較法，參考圖像內(nèi)容精確標(biāo)準(zhǔn)，能夠?qū)崿F(xiàn)當(dāng)前圖像差異的準(zhǔn)確判定，然而受到動車組檢修維護，自然老化等因素的影響，容易將車體正常的變化誤判為故障，誤判率較高。歷史圖像比較法，將當(dāng)前圖與近期的歷史圖進行比較，能夠有效避免車體正常變化帶來的故障誤判問題，由于歷史圖像是實地現(xiàn)場采集，受鐵路沿線復(fù)雜環(huán)境的影響，參考內(nèi)容不夠準(zhǔn)確，亦存在明顯的故障誤判問題。

現(xiàn)有TEDS設(shè)備監(jiān)控及故障識別仍主要采取單點設(shè)備運行的方式，可作參考的圖像主要是當(dāng)前監(jiān)控設(shè)備的歷史監(jiān)控圖像，隨著TEDS設(shè)備綜合聯(lián)網(wǎng)監(jiān)控系統(tǒng)的建設(shè)[8]，同一鐵路線多點的TEDS設(shè)備能夠?qū)崿F(xiàn)對同一列車不同時間，不同地理位置監(jiān)控圖像的采集。如何利用聯(lián)網(wǎng)運行的TEDS[9]，整合不同空間與時間TEDS設(shè)備采集的列車圖像進行多源數(shù)據(jù)分析，研究更加有效的故障識別方法，具有重要的研究價值與意義。

1 方法設(shè)計

1.1 總體流程

為了解決上述問題，本文設(shè)計了一種基于多源數(shù)據(jù)的動車組故障識別方法，如圖1所示。該方法將當(dāng)前TEDS設(shè)備近期采集的該動車組歷史監(jiān)控圖像作為時間歷史圖，同一線路上該動車組最近經(jīng)過的其它TEDS設(shè)備采集的監(jiān)控圖像作為空間歷史圖，當(dāng)前TEDS設(shè)備采集的該動車組監(jiān)控圖像作為當(dāng)前圖，將時間歷史圖，空間歷史圖分別與當(dāng)前圖進行圖像配準(zhǔn)，獲取時間歷史配準(zhǔn)圖及空間歷史配準(zhǔn)圖，將時間歷史配準(zhǔn)圖進行加權(quán)平均作為歷史標(biāo)準(zhǔn)圖，將空間歷史配準(zhǔn)圖進行加權(quán)計算作為故障權(quán)重矩陣，將當(dāng)前圖與歷史標(biāo)準(zhǔn)圖進行變化檢測獲取特征差異矩陣，利用特征差異矩陣與故障權(quán)重矩陣計算得到故障標(biāo)記矩陣，從而得出動車組圖像故障部位并自動提示報警。

圖1 故障識別方法流程圖

1.2 算法步驟

根據(jù)上述方法的總體流程，進一步設(shè)計具體算法，步驟如下：

（1）設(shè)當(dāng)前TEDS設(shè)備近期采集的該動車組歷史監(jiān)控圖像按時間倒序分別為s(0,-1)，s(0,-2)，…，s(0,-n)，同一線路上該動車組最近經(jīng)過的其它TEDS設(shè)備所采集的監(jiān)控圖像按照經(jīng)過順序倒序分別為s(-1,0)，s(-2,0)，…，s(-n,0)，當(dāng)前TEDS設(shè)備采集的當(dāng)前圖為s(0,0)，如圖 2 所 示。 分 別 將s(0,-1)，s(0,-2)， …，s(0,-n)，s(-1,0)，s(-2,0)，…，s(-n,0)以及s(0,0)進行圖像預(yù)處理（包括亮度變換，對比度變換，去噪，去霧等），得到預(yù)處理后的圖像s"(0,-1)，s"(0,-2)，…，s"(0,-n)，s"(-1,0)，s"(-2,0)，…，s"(-n,0)，以及S(0,0)；利用圖像配準(zhǔn)算法分別將s"(0,-1)，s"(0,-2)，…，s"(0,-n)，s"(-1,0)，s"(-2,0)，…，s"(-n,0)與S(0,0)進行圖像配準(zhǔn)，得到時間歷史配準(zhǔn)圖S(0,-1)，S(0,-2)，…，S(0,-n)，以及空間歷史配準(zhǔn)圖S(-1,0)，S(-2,0)，…，S(-n,0)。

圖2 動車組監(jiān)控圖像標(biāo)記示意圖

（2）設(shè)時間歷史配準(zhǔn)圖為S(0,-1)，S(0,-2)，…，S(0,-n)，則歷史標(biāo)準(zhǔn)圖Sh為：

其中，αi—加權(quán)值，

∑αi=1 ；k—整數(shù)。

（3）設(shè)空間歷史配準(zhǔn)圖為S(-1,0)，S(-2,0)，…，S(-n,0)，則故障權(quán)重矩陣W為：

其中，βi—加權(quán)值，

∑βi=1；δ—權(quán)重系數(shù)；

k—整數(shù)。

（4） 將預(yù)處理后的當(dāng)前圖S(0,0)與歷史標(biāo)準(zhǔn)圖Sh分別進行基于小波變換的邊緣提取[10]，得到當(dāng)前特征圖C與歷史特征圖Ch；將當(dāng)前特征圖C與歷史特征圖Ch進行差異比較，得到特征差異矩陣D。

（5） 特征差異矩陣D的各元素與故障權(quán)重矩陣W相應(yīng)的元素進行計算，得到矩陣F"；利用圖像分割算法，對矩陣F"進行計算，得到故障標(biāo)記矩陣F。

矩陣F"利用如下式計算：

設(shè)D={xi|i=1, 2, …,M}，W={yi|i=1, 2,…,M}，分別表示特征差異矩陣與故障權(quán)重矩陣，則矩陣F"的各元素為：

故障標(biāo)記矩陣F利用如下式計算：

其中，F(xiàn)={zi|i=1,2,…,M}，

γ—閾值，常數(shù)。

（6）框選故障標(biāo)記矩陣中值為1的圖像位置，并合并相鄰框，形成故障報警標(biāo)記位置。

2 試驗及效果

2.1 試驗設(shè)計

為驗證上述方法的有效性， 在不影響現(xiàn)場TEDS正常監(jiān)控作業(yè)的情況下，本文僅選取位于上海鐵路局的某TEDS探測站設(shè)備（日均過車較多且臨近探測站較多）開展試驗。由于動車組本身車體狀態(tài)相對穩(wěn)定，運行故障隱患較為稀少，因此，本文僅針對動車組車底，側(cè)下部運行中夾帶的紙團，塑料袋等異物類故障隱患開展識別試驗。

具體試驗步驟設(shè)計為：

（1）選取存在車底，側(cè)下部夾帶異物情況的10列動車組監(jiān)控圖像（僅取故障所在車輛及部件圖像）；

（2）對于每一列車，分別根據(jù)車組號獲取同一探測站下該車最近連續(xù)過車監(jiān)控圖像7列次；

（3）對于每一列車，根據(jù)列車運行交路信息查找該車沿途歷史所經(jīng)車站對應(yīng)的TEDS探測站，獲取2日內(nèi)各探測站該車監(jiān)控圖像；

（4）利用上述數(shù)據(jù)，采用本文算法對列車故障進行識別，并與原探測站當(dāng)日監(jiān)測時原識別算法上報的故障預(yù)警信息情況進行比較。

試驗過程中，本文算法采用MATLAB實現(xiàn)，算法運行硬件環(huán)境為4核3.6 GHz CPU，16 GB內(nèi)存計算機，運行環(huán)境為W indow s 1 064 bit操作系統(tǒng)。所對比的原探測站算法運行于TEDS軌邊機房服務(wù)器上。由于與對比算法運行環(huán)境不同，本試驗過程未計算算法運行時間。

2.2 試驗結(jié)果及分析

經(jīng)試驗統(tǒng)計可知，試驗數(shù)據(jù)中共包括實際故障隱患位置10處；原探測站共計上報疑似故障標(biāo)記128處，準(zhǔn)確預(yù)報故障隱患7處，其余均為誤報，漏報故障隱患3處；采用本文方法共計上報疑似故障標(biāo)記85處，準(zhǔn)確預(yù)報故障隱患9處，如圖3、圖4所示。

圖3 本文方法預(yù)報故障截圖A

圖4 本文方法預(yù)報故障截圖B

其余均為誤報，漏報故障隱患1處。本文方法相較既有方法能夠提高故障自動識別率，降低誤報率。進一步分析發(fā)現(xiàn)，采用本文方法漏報的故障隱患其異物的圖像特征與車體背景較為一致，且總體亮度較暗，人工看圖時亦不易察覺如圖5所示。

圖5 本文方法漏報故障截圖及局部放大示意圖

3 結(jié)束語

本文基于聯(lián)網(wǎng)應(yīng)用的TEDS，結(jié)合傳統(tǒng)的差異檢測法，對不同空間與時間TEDS采集的同一列車圖像進行多源數(shù)據(jù)分析，提出了一種基于多源數(shù)據(jù)的動車組故障識別方法。該方法通過對時間、空間數(shù)據(jù)采取不同方式的配準(zhǔn)融合，并設(shè)計與當(dāng)前采集圖像求取權(quán)重差異，從而實現(xiàn)動車組車體異常部位檢測。試驗表明，本文提出的故障識別方法，能夠建立更為準(zhǔn)確的對比參考源，減少自然環(huán)境，車體運行環(huán)境等對成像內(nèi)容的影響，從而有效提高動車組運行故障自動識別率，降低誤報率。同時，本方法也是一種將故障自動識別歸集于硬件資源更為充裕，運行環(huán)境更為穩(wěn)定的監(jiān)控中心的技術(shù)思路，為優(yōu)化TEDS軌旁設(shè)備結(jié)構(gòu)，提高設(shè)備運行穩(wěn)定性提供了技術(shù)依據(jù)。下一步，將在不斷累積動車組故障類型及數(shù)量的基礎(chǔ)上，針對動車組關(guān)鍵部位及部件開展基于深度學(xué)習(xí)的故障識別研究。