关于提升TEDS故障预警准确率的研究

2019-07-29刘洋

轨道交通装备与技术 2019年3期

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。