王 鵬,李百泉,趙永鋼

(1.國能鐵路裝備有限責任公司，北京 100048；2.哈爾濱國鐵科技集團股份有限公司，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

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

近年來，相關學者重點針對貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測方法進行了研究，但是經(jīng)過具體的分析可知，現(xiàn)階段我國的鐵路車輛段修一直處于手工階段，主要使用第四種檢測器以及輪徑尺等工具實現(xiàn)測量。針對貨運列車車輪對缺陷檢測也主要采用人工進行觀測，在必要的情況下能夠進行人工測量，但是這會增加勞動者的工作強度，降低整體的工作效率，同時不同測量者在測量的過程中會產(chǎn)生不同程度的誤差，對測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Teager能量算子解調(diào)的貨運列車車輪對缺陷狀態(tài)參數(shù)檢測方法，該方法對貨運列車車輪對進行聲音信號采集，通過Teager 能量算子對聲音信號進行解調(diào)處理，得到貨運列車車輪對信號的瞬時能量波形，通過包絡譜分析完成貨運列車車輪對缺陷狀態(tài)參數(shù)檢測[4]。陳慶等人提出基于位移傳感器的貨運列車車輪對缺陷狀態(tài)參數(shù)檢測方法，該方法通過上位機處理采集到的貨運列車車輪對數(shù)據(jù)信息，計算貨運列車車輪對橢圓化參數(shù)，在制動工況下對貨運列車車輪對的橢圓化情況進行檢測，得到貨運列車車輪對缺陷狀態(tài)參數(shù)檢測結果[5]。隨著社會的不斷進步以及發(fā)展，現(xiàn)階段已有的技術已經(jīng)無法滿足貨運列車車輪對缺陷狀態(tài)參數(shù)檢測的需求。結合上述分析，提出一種基于數(shù)據(jù)挖掘技術的貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測方法。仿真實驗結果表明，所提方法具有較高的檢測精度，同時適應性較強。

2 缺陷狀態(tài)參數(shù)在線檢測

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

2.1 圖像預處理

通過計算輸入輪對圖像的初始數(shù)據(jù)，經(jīng)過多種不同的操作得到滿意的圖像預處理結果。實際上就是將一幅圖像的像素位置映射到新的圖像當中，同時對其進行旋轉、拉伸等操作，使其完成空間變換[6-8]。

在圖像進行預處理的過程中，需要針對圖像進行幾何變換，具體的操作步驟如下所示：

(1) 將圖像內(nèi)的坐標進行空間轉換；

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

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

在整個變換的過程中，由于整個矩陣中不同元素的取值完全不同，所以重點需要針對其中一組坐標點進行尺度旋轉以及平移等操作。

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]，方便對其進行處理，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。圖像預處理的流程如圖1所示。

圖1 圖像預處理具體操作流程

根據(jù)圖1得到圖像預處理的步驟為：

(1) 通過小波包進行去噪處理，同時有效保留圖像目標中重要的邊界信息；

(2) 將灰度圖像進行二值處理，為后續(xù)貨運列車車輪對缺陷精準定位以及檢測奠定堅實的基礎。

在小波分析的基礎上，產(chǎn)生了小波包分析，它重點針對小波分析沒有進行分解的高頻部分進行進一步完善，提供一種更好的圖像去噪方法。通過被分析信號的特征，選取和其對應的頻帶，使其和信號頻譜更加匹配。

通過小波包對圖像進行去噪處理，能夠有效刪除圖像中的噪聲，同時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)熵作為評價指標，分別將不同層次的分解數(shù)據(jù)進行閾值處理以及小波重構，得到去噪后的圖像。

在圖像分割中，較為常用的一項分割技術即為閾值分割，閾值分割在處理前期，需要選取一個或者多個閾值進行對比，通常情況下，一幅圖像能夠劃分多個明確的部分。

采用Outs 進行分割時，需要將圖像中的信息劃分為兩部分，分別為：

(1) 背景；

(2) 目標。

其中處理過程就是得到對兩者進行區(qū)分的閾值，通過該閾值，能夠對圖像中各個像素點進行判斷。

經(jīng)過預處理之后的圖像需要進行客觀評價，一般情況下采用信噪比的方法，但是由于在實際操作的過程中，需要針對噪聲進行去除，所以需要選取對應的計算式模型，其中計算模型能夠表示為以下的形式：

其中：

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

2.2 周期干擾性去除

在信號的處理領域中，通過互相關函數(shù)進行兩個信號之間相似程度的描述。設定兩個連續(xù)的信號分別為x(t)和y(t)，結合互相關函數(shù)的相關定義，能夠獲取以下的計算式：

式中，τ代表延遲時間；N代表采樣點的數(shù)量。

由于貨運列車的部分車輪型號含有輻板孔，針對檢測結果能夠產(chǎn)生較強的干擾，所以需要有效刪除輻板孔回波干擾。

周期性信號具有十分廣泛的應用，周期性干擾是帶輻板孔貨運列車車輪檢測圖像的一個重要特征。

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：

針對周期性的干擾，需要將原始圖像在空間內(nèi)進行拓展，將其拓展為原始圖像的兩倍；然后在中間得到整個周期圖像，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)挖掘技術的貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測

數(shù)據(jù)挖掘技術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)之間的關系以及模型，這些模型以及關系能夠方面用于預測分析。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)挖掘貫穿于整個檢測過程中，利用數(shù)據(jù)采集、數(shù)據(jù)預處理以及數(shù)據(jù)挖掘等過程，通過檢測完成一個完整的貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測過程。

(1) 將采集到的數(shù)據(jù)進行分析；

(2) 將數(shù)據(jù)進行預處理；

(3) 數(shù)據(jù)挖掘。

貨運列車車輪對缺陷狀態(tài)參數(shù)特征提取是進行檢測的前提，選取合適的貨運列車車輪對缺陷狀態(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)進行分離，有效提升檢測精度。

在進行特征向量選取前期，需要明確檢測對象，然后針對相同的目標進行特征提取，但是由于不同目標中含有不同的屬性，各個屬性分別對應的不同的數(shù)值，導致特征向量中數(shù)據(jù)存在較大差別，所以在實現(xiàn)特征提取之后，需要對針對所提取特征向量的數(shù)值進行處理，為提升檢測精度奠定堅實的基礎。

在上述分析的基礎上，結合數(shù)據(jù)挖掘技術，獲取貨運列車車輪對的缺陷質(zhì)心以及面積，即：

結合上述計算結果，能夠實現(xiàn)原始數(shù)據(jù)中缺陷定位，同時達到貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測的目的。

3 仿真實驗

為了驗證所設計基于數(shù)據(jù)挖掘技術的貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測方法的綜合有效性，需要進行仿真實驗測試。實驗采用的計算機配置為IntelCore TMi52.93GHz，內(nèi)存4GB，操作系統(tǒng)為32 位Windows7旗艦版，實驗環(huán)境為Matlab2014a。

3.1 漏檢率與誤檢率對比

將人工模擬缺陷的貨運列車車輪對作為仿真實驗測試的對象，實驗選取漏檢率以及誤檢率作為評價指標進行仿真實驗數(shù)據(jù)，具體的實驗對比結果如表1-表6所示。

表1 所提方法的漏檢率變化情況

表2 文獻[4]方法的漏檢率變化情況

表3 文獻[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[4]方法的誤檢率變化情況

表6 文獻[5]方法的誤檢率變化情況

綜合分析以上表格中的實驗數(shù)據(jù)可知，隨著訓練樣本數(shù)量的持續(xù)增加，各種檢測方法的漏檢率以及誤檢率也在不斷變化，相比兩種文獻對比檢測方法，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結果。

3.2 響應時間對比

利用下圖詳細給出在不同實驗次數(shù)下，各種檢測方法的響應時間變化情況，如圖2所示。

圖2 不同檢測方法的響應時間對比結果

綜合分析上圖中的實驗數(shù)據(jù)可知，相比文獻對比方法，所提檢測方法的響應時間明顯更低一些，所提檢測方法的最高響應時間不超過0.30min，而兩種文獻對比檢測方法的最高響應耗時分別達到0.49min、0.78min。因此充分說明所提出檢測方法具有更快的響應速度。

4 結束語

針對傳統(tǒng)的貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測方法存在檢測效果不理想以及響應時間較長等問題，結合數(shù)據(jù)挖掘技術，提出一種基于數(shù)據(jù)挖掘技術的貨運列車車輪對缺陷狀態(tài)參數(shù)在線檢測方法。通過具體的仿真實驗數(shù)據(jù)，全面驗證了所提方法的有效性以及適應性。