APP下载

关于提升TEDS故障预警准确率的研究

2019-07-29

轨道交通装备与技术 2019年3期
关键词:图像识别动车组螺栓

刘 洋

(中国铁路武汉局集团有限公司车辆部 湖北 武汉 430071)

为了保障动车组运行安全,在高铁营业线、动车所出入库线安装了动车组运行故障图像检测系统(以下简称TEDS),通过对运行动车组进行动态图像检测,以人机结合的方式,及时发现动车组关键部位故障并按要求处理。TEDS是动车组安全运行的重要监测设备,保障铁路运输安全的重要设施,通过在钢轨两边设置高速摄像头,拍摄动车组车底和车侧的图像,并与前一天的通过车图像进行对比,如发现同一部位照片有差异,及时进行预警[1]。作业人员根据预警信息,进行复核判断,发现故障及时上报并组织检修人员进行处理,充分发挥安全防范作用。但现实使用过程中动车组故障预警的准确率并不高,不能满足运用要求[2]。

1 TEDS使用情况

1.1 TEDS预警故障统计

2018年1月份至10月份,某动车段监控中心TEDS预警故障共计3 925 285件,经过复核真实故障仅有87件,预警准确率只有0.002 22%,远不能满足日常运用要求。具体统计表如表1所示。

鉴于TEDS自动报警的准确率低,目前采用人工查看的方法,对所有经过TEDS的动车组过车图像全部进行人工检查,增加了作业量,导致TEDS故障预警的作用尚未充分发挥。

1.2 原因分析

目前来讲,TEDS对动车组故障预警准确率不高,主要有以下几个原因:一是动车组运行通过TEDS时,不能保证每次均以时速70 km的速度匀速通过,高清摄像图每次拍摄的照片均存在差异,通过图像对比后,误报故障高居不下;二是图像对比技术不能保障故障识别的准确性,有待进一步改进和提升。

表1 TEDS故障预警准确率情况统计

要解决以上两个问题,均有一定的难度。对于动车组运行不能匀速通过的问题,可以采用图像矩阵校正的方法拉伸图像,减少误报率,但是不能从根本上解决问题。对于图像对比技术本身的缺陷,改进的空间也不大。

故通过对图像识别的研究,提出了以下几点解决方法。

2 图像识别

2.1 利用深度学习技术对图像的识别

深度学习在众多领域特别是图像领域取得了成功应用,如目标检测、语义分割、姿态估计、视频理解等,也为动车组故障检测这种具有海量图像数据的问题提供了新的思路。所以在前期研究过程中,利用常用的深度学习技术对图像进行识别,将现有的故障照片进行标定,通过提取故障照片的特征值,建立模型,对故障图片进行识别。常见的故障识别率已经达到了100%,但是对于动车组部件螺栓松动等故障的识别,存在较大的难度,识别率并不理想。

2.2 多特征识别

由于螺栓松动等故障其缺乏具有一定规律的轮廓,因此一种有效的解决思路是在神经网络中加入一些人工设计特征,从另一种角度讲这些人工特征可以认为是训练好的浅层网络,通过与学习的deep特征相结合,从而可以提高检测效果。文中所提出的多特征网络也主要采用了特征融合的思想,针对螺栓松动的特点,在网络前期和后期添加不同的特征,且添加的特征主要为low-level特征和纹理性特征,形成特征互补,从而提高网络的检测效果。

基于以上设想,提出新的方法的总体框架如图1所示,对于输入图像I,首先使用傅里叶变换(FT)得到I的频域图If,利用LBP算法得到相应的特征图Il, 将这三者初步融合得到第三阶段卷积神经网络的输入I={I,If,Il。} ,最后得到high-level特征Fc, 同时,在第二阶段分别计算输入图像I的灰度共生矩阵GLCM以及灰度直方图Hist,然后从中提取若干low-level的统计特征Fg和Fh,并与特征Fc进行融合,得到特征,F=[Fc,Fg,Fh]最终利用MLP模型利用融合特征F对输入图像进行分类预测。在框架中,low-level特征编码图像的外部的整体分布特性,high-level特征编码了内在的语义信息,两者相结合完成预测。

图1 多特征识别总体框架图

在以上方法的基础上,建立模型,通过对动车组部件螺栓松动故障图片的测试,能够识别出故障存在的位置,解决识别不准确的问题。

2.3 综合识别

考虑到动车组故障数据较少,不能涵盖所有的故障。即便通过深度学习技术能够完全识别已经发生过的故障,但是对于未曾发生过的故障,也无法识别,存在缺陷。因此要进一步准确识别故障,同时避免漏报故障,需要采用多种技术综合识别,所以即便图像对比技术存在一定的缺陷,仍旧不能完全抛弃该技术,只有综合利用各项技术,才能将图像识别做到完美。

对此,采取将每个图片进行重新标定、划分区块,再进行对比,重点对比动车组关键部件图像。同一辆动车组不同位置同一部件、不同动车组相同位置,同一动车组不同日期相应的位置等都可以作为对比,是否存在差异,提升对比的准确性。同时融合深度学习技术,对重点部件图片和曾经发生过的故障图片不断进行学习对比,使TEDS功能不断趋于完美。

3 后期的改进措施

(1)利用综合识别技术,改进图像识别准确率,提升TEDS故障报警的准确率。该技术在高校实验室已经验证通过,目前正在逐步转化成产品。

(2)进一步优化算法,还原因动车组运行速度不同造成的图像伸缩,减少TEDS的误报警。该技术高校正在研究中,已经有了突破性进展。

(3)采取在钢轨上设置多个磁钢,达到精准测速的目的,通过提取动车组速度特征值,减少因速度变化而导致的图像变化。

目前上述措施已经在部分铁路局进行了应用,效果良好。

猜你喜欢

图像识别动车组螺栓
M16吊耳螺栓断裂失效分析
预紧力衰减对摩擦型高强螺栓群承载力的影响
“95后”动车组女司机的首个春运
基于Resnet-50的猫狗图像识别
高速公路图像识别技术应用探讨
动车组BTM带内干扰的排查与整治
图像识别在物联网上的应用
螺栓紧固杂谈
图像识别在水质检测中的应用
CRH3型动车组轮对压装曲线研究