劉堯

（北京市地鐵運(yùn)營有限公司運(yùn)營一分公司，北京 102200）

地鐵車輛的制動(dòng)系統(tǒng)既龐大又復(fù)雜，同時(shí)地鐵車輛的行駛環(huán)境又是不可預(yù)測而多變的[1]。盡管當(dāng)前地鐵車輛的制動(dòng)控制系統(tǒng)均帶有一定的制動(dòng)性能檢測機(jī)制，但是當(dāng)車輛發(fā)生制動(dòng)時(shí)難以發(fā)現(xiàn)組件異常。同時(shí)，地鐵車輛的制動(dòng)控制系統(tǒng)在擴(kuò)展性與精準(zhǔn)度上仍存在不足。為提升地鐵車輛工作效率，確保車輛能夠安全、舒適地行駛，研究出一種有效的地鐵車輛制動(dòng)組件異常檢測技術(shù)就顯得尤為重要。

對(duì)于車輛制動(dòng)檢測問題的研究，文獻(xiàn)[2]中提出一種基于模糊綜合評(píng)價(jià)法的地鐵制動(dòng)異常檢測方法。基于數(shù)據(jù)挖掘理論，編寫了基于模糊綜合評(píng)價(jià)方法的軟件，可以實(shí)現(xiàn)地鐵車輛制動(dòng)異常的檢測。文獻(xiàn)[3]中提出一種利用LSTM 自動(dòng)編碼器檢測地鐵車輛制動(dòng)操作單元異常的方法。首先提取制動(dòng)缸（BC）壓力數(shù)據(jù)，將其分成子序列。將子序列輸入LSTM 自動(dòng)編碼器中，為了從包含異常子序列的測試數(shù)據(jù)中檢測異常，計(jì)算每個(gè)子序列的平均絕對(duì)誤差，根據(jù)誤差判斷是否為異常。以上檢測方法存在檢測效果不理想的問題，因此應(yīng)用多特征融合算法設(shè)計(jì)一種針對(duì)組件的地鐵車輛制動(dòng)組件異常檢測方法。

1 多特征融合下地鐵制動(dòng)組件異常檢測

1.1 多特征提取

通過無人機(jī)與云臺(tái)搭載相機(jī)，采集地鐵車輛制動(dòng)組件運(yùn)行時(shí)的圖像。構(gòu)建Gabor 濾波器，通過Gabor 特征提取方法提取地鐵車輛制動(dòng)組件圖像空間方向與尺度上的多種紋理特征，以及由部分到整體的全面性描述特征[4]。在Gabor 濾波器的構(gòu)建中，通過復(fù)數(shù)形式對(duì)其進(jìn)行表達(dá)，具體如式（1）所示：

式中，(α,β) 是原始的像素點(diǎn)坐標(biāo)；φ是Gabor濾波核的對(duì)應(yīng)橢圓度；?是Gabor 濾波核的實(shí)際工作范圍；ε是正余弦函數(shù)的相位；δ是Gabor 濾波核的方向；χ是Gabor 濾波核的實(shí)際濾波尺度；(α′,β′) 是變量變換后圖像的坐標(biāo)；j是迭代正整數(shù)變量[5]。

(α′,β′) 的表達(dá)式具體如下：

其中，Gabor 濾波器的實(shí)數(shù)部分可以用式（3）來表示：

其虛數(shù)部分可以用式（4）來表示：

構(gòu)建的Gabor 濾波器，選擇以下四個(gè)尺度（7、12、17、22）以及六個(gè)方向（0°、30°、60°、90°、120°、150°）下的濾波器構(gòu)成一個(gè)濾波器組，對(duì)地鐵車輛制動(dòng)組件圖像實(shí)施濾波處理。濾波處理后的地鐵車輛制動(dòng)組件圖像可以用式（5）來表示：

式中，M是濾波圖像個(gè)數(shù)，此處取值為24[7]。各圖的均值計(jì)算公式具體如下：

至此完成地鐵車輛制動(dòng)組件圖像的多特征提取。

1.2 多特征融合

設(shè)計(jì)一種基于信息熵的多特征融合算法，實(shí)現(xiàn)地鐵車輛制動(dòng)組件圖像多個(gè)提取特征的融合[8]。具體融合步驟如下：

1）構(gòu)造數(shù)據(jù)矩陣

用n表示特征差異圖的數(shù)量，其大小為K×L，將各差異圖用Wi(i≤n)來表示，并將其轉(zhuǎn)換為一維列向量。則多個(gè)特征差異圖共同構(gòu)成的數(shù)據(jù)矩陣可以用式（8）來表示：

式中，yn表示第n個(gè)矩陣數(shù)據(jù)；t是矩陣閾值[9]。

2）計(jì)算協(xié)方差矩陣

通過式（9）對(duì)數(shù)據(jù)矩陣Y對(duì)應(yīng)的協(xié)方差矩陣進(jìn)行計(jì)算：

式中，d是數(shù)據(jù)矩陣Y的列數(shù)；是指Y中數(shù)據(jù)的均值。

3）特征矩陣重構(gòu)

對(duì)H的特征值進(jìn)行計(jì)算，從而獲取其特征向量，用ψi來表示。基于累計(jì)貢獻(xiàn)率對(duì)主成分特征向量進(jìn)行選取，并構(gòu)建映射矩陣，具體如式（10）所示：

式中，ψk是第k個(gè)主成分特征向量。通過矩陣Q對(duì)特征矩陣進(jìn)行重構(gòu)，具體如式（11）所示：

4）獲取融合特征的結(jié)構(gòu)

用ui來表示各主成分向融合圖像提供有用信息的概率，獲取融合特征的結(jié)構(gòu)，具體如式（12）所示：

式中，ηk指第k個(gè)融合特征的閾值[10]。

5）多特征融合

根據(jù)融合系數(shù)進(jìn)行特征融合圖，完成地鐵車輛制動(dòng)組件圖像的多特征融合。

1.3 構(gòu)建制動(dòng)組件異常檢測模型

基于CNN 設(shè)計(jì)一種BD-YOLO 地鐵車輛制動(dòng)組件異常檢測模型，實(shí)施制動(dòng)組件異常檢測。其中特征處理網(wǎng)絡(luò)單元由29 個(gè)卷積層構(gòu)成，通過偏差和權(quán)重向量兩個(gè)共享參數(shù)的結(jié)構(gòu)定義各卷積層[12-13]。使用的卷積層激活函數(shù)為Mish 函數(shù)，具體表達(dá)式如式（14）所示：

式（14）中，?是Mish 函數(shù)的自變量。其中，四種最大池化處理的尺寸（大小分別為1×1、5×5、9×9、13×13），多尺度特征融合單元通過添加橫向、自頂向下以及自底向上的路徑，與前兩個(gè)單元相融合，共同輸出處理、集成后特征層的特征信息[14-16]。輸出的異常特征信息具體如式（15）所示：

式（15）中，gin是輸入特征層變量；gtd是gin的中間特征層變量。制動(dòng)組件異常檢測結(jié)果由解碼單元輸出。

2 實(shí)際案例測試

2.1 實(shí)驗(yàn)設(shè)計(jì)

測試地點(diǎn)選在地鐵車輛測試廠房的動(dòng)調(diào)線上，該線路共有兩種方向，一種是下行方向，一種是上行方向。在不同速度級(jí)下，使實(shí)驗(yàn)地鐵車輛多次開往下行方向與上行方向，應(yīng)用設(shè)計(jì)方法對(duì)其制動(dòng)組件實(shí)施異常檢測。分別在兩種工況運(yùn)行模式下測試設(shè)計(jì)方法的組件異常檢測性能。

1）將地鐵車輛靜止與正常運(yùn)行工況設(shè)定為情況1，在此情況下測試設(shè)計(jì)方法的組件異常檢測精確率。精確率計(jì)算公式如式（16）所示：

1.2.3 心理護(hù)理 因甲亢及2型糖尿病均需要長時(shí)間的服用藥物，如果患者負(fù)面情緒較為嚴(yán)重，會(huì)明顯的影響治療效果，所以護(hù)理人員要針對(duì)性的開展心理護(hù)理，疏導(dǎo)負(fù)性情緒，改善患者的心理狀況。護(hù)理人員主動(dòng)關(guān)心患者，溝通真誠進(jìn)行，細(xì)致、體貼的實(shí)施護(hù)理，贏得患者的認(rèn)可及信任。患者及家屬提出問題時(shí)，護(hù)理人員要耐心、詳細(xì)、熱情的解答，直至患者真正了解，減輕其恐懼感，并逐漸的樹立治療信心，積極配合醫(yī)護(hù)人員。

式（16）中，TP 代表真正例；TN 代表真負(fù)例；PN代表假正例；FN 代表假負(fù)例。

2）將地鐵車輛正常運(yùn)行與列車管不充風(fēng)工況設(shè)定為情況2，在此情況下測試設(shè)計(jì)方法的組件異常檢測宏平均召回率。實(shí)驗(yàn)測試中的具體實(shí)施步驟為：

步驟1：多種情況下采集地鐵車輛制動(dòng)組件圖像。使用的無人機(jī)型號(hào)為經(jīng)緯M600 Pro，配置如影云臺(tái)。

步驟2：在云臺(tái)上搭載微單相機(jī)，選用的相機(jī)為定焦35 mm、配置了快門控制器的微單相機(jī)。在地面端，通過裝載Android 系統(tǒng)的智能手機(jī)對(duì)無人機(jī)進(jìn)行控制。

步驟3：通過Gabor 特征提取方法提取地鐵車輛制動(dòng)組件圖像的多種特征。在24 個(gè)Gabor 濾波器的濾波處理中，關(guān)鍵參數(shù)正余弦函數(shù)的相位取值為ε=1，Gabor 濾波核的實(shí)際工作范圍為?=10，Gabor濾波核的對(duì)應(yīng)橢圓度φ=2 。通過式（3）和（4）表示濾波器的實(shí)部和虛部，實(shí)現(xiàn)圖像濾波，得到濾波圖像U(α,β)。

步驟4：通過式（6）和（7）計(jì)算各圖的方差與均值，提取濾波后圖像的多特征。

步驟5：在提取圖像多特征的基礎(chǔ)上，利用信息熵融合多特征圖像，設(shè)融合特征閾值ηk為0.3。

步驟6：使用卷積層激活Mish 函數(shù)提取異常特征信息，利用構(gòu)建的制動(dòng)組件異常檢測模型輸出檢測結(jié)果。

接著通過基于信息熵的多特征融合算法實(shí)施圖像的多特征融合，構(gòu)造各組件的特征融合圖。最后利用地鐵車輛制動(dòng)組件異常檢測模型實(shí)施制動(dòng)組件的異常檢測。

已知地鐵車輛制動(dòng)組件包括磨損超限、損壞、破裂、臟污等異常情況，具體組建名稱及異常內(nèi)容如表1 所示。

表1 地鐵車輛制動(dòng)組件異常內(nèi)容

2.2 實(shí)驗(yàn)結(jié)果分析

在測試中，將文獻(xiàn)[2]方法與文獻(xiàn)[3]方法作為對(duì)比方法，共同進(jìn)行制動(dòng)組件異常檢測性能的測試，以凸顯設(shè)計(jì)方法的優(yōu)勢。

2.2.1 地鐵車輛靜止與正常運(yùn)行情況下的測試結(jié)果

在實(shí)驗(yàn)地鐵車輛靜止與正常運(yùn)行的情況下，設(shè)計(jì)方法與兩種對(duì)比方法的組件異常檢測精確率測試結(jié)果如圖1 所示。

圖1 組件異常檢測精確率

根據(jù)圖1 的測試結(jié)果，在實(shí)驗(yàn)地鐵車輛靜止時(shí)，設(shè)計(jì)方法的組件異常檢測精確率達(dá)到了100%，文獻(xiàn)[2]方法、文獻(xiàn)[3]方法檢測組件異常精確率也較高，分別為99.00%、98.27%。在實(shí)驗(yàn)地鐵車輛正常運(yùn)行的情況下，隨著車輛運(yùn)行速度的提升，三種方法的組件異常檢測精確率均有一定降低，其中設(shè)計(jì)方法的組件異常檢測精確率較高，同時(shí)其降幅也較低，而對(duì)比的兩種方法檢測組件異常精確率較低，降幅則較高。

2.2.2 地鐵車輛正常運(yùn)行與列車管不充風(fēng)情況的測試結(jié)果

在地鐵車輛正常運(yùn)行，但列車管不充風(fēng)的情況下，三種方法的組件異常檢測宏平均召回率測試結(jié)果如圖2 所示。

圖2 組件異常檢測宏平均召回率

根據(jù)圖2 的測試結(jié)果，設(shè)計(jì)方法的組件異常檢測宏平均召回率仍然能夠保持較高的水平，整體高于95%。說明在這種情況下，設(shè)計(jì)方法的組件異常檢測性能仍較好。而對(duì)比的兩種方法檢測組件異常宏平均召回率則低于94%，說明二者的組件異常檢測性能低于設(shè)計(jì)方法。

3 結(jié)束語

地鐵車輛制動(dòng)系統(tǒng)的結(jié)構(gòu)極其復(fù)雜并且組件數(shù)量多，因此組件經(jīng)常發(fā)生異常。為此設(shè)計(jì)了一種地鐵車輛制動(dòng)組件異常檢測方法，通過多特征提取與融合實(shí)現(xiàn)了良好的制動(dòng)組件異常檢測效果，取得了一定研究成果。此次研究中仍存在不足，日后將考慮其他運(yùn)行環(huán)境完善檢測方法。