动车组运行故障图像监测系统(TEDS)自动分类监测作业技术研究

杨凯

（中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081）

1 概述

保障动车组列车运行安全是铁路运输安全的工作重点。动车组运行故障图像监测系统(Train of EMU failures Detection System，TEDS)作为动车组地对车运行状态的重要监测工具[1]，实现了对开行动车组侧部、底部关键运行部件的实时图像检测及故障识别，并通过全路综合联网的集中分析作业及各级应用管理，在保障动车组运行安全方面发挥了重要作用[2]。

当前，受限于图像识别技术发展能力，TEDS系统在实际应用时仍主要以人工监测分析过车图像为主的方式开展。随着联网监测范围的持续扩大，人工监测作业强度随之增大，人力成本不断增高。为此，中国国家铁路集团有限公司(以下简称“国铁集团”)修订了TEDS 运用管理办法[3]，提出对不同开行状况的动车组列车开展不同类型的精细化分类监测作业，以期在保障监测效果的同时有效降低总体分析作业量。

然而，目前现有TEDS 系统并不具备分类监测作业的功能。因此，研究TEDS 自动分类监测作业技术，提出全路范围内跨监控中心的分类监测作业技术方案，实现自动分类监测作业的系统功能，有效降低监测分析作业及相应技术管理的强度和难度，具有重要的研究价值与实际意义。

2 研究现状

TEDS系统是对动车组运行状态实时监测的联网应用系统[4]，该系统将设置于铁路正线关键节点的动车组运行故障图像检测设备(以下简称“探测站”)进行集中联网[5]，构建了国铁集团、动车(车辆)段监控中心二级联网的系统架构，研发了国铁集团、铁路局集团公司、动车(车辆)段、动车所四级应用的系统功能，实现了对动车组侧部、底部关键运行部件的实时图像采集、故障自动识别、集中分析作业、联网应用与综合管理，在保障动车组运行安全方面发挥了重要的技术作用，TEDS系统总体架构如图1所示。

图1 TEDS系统总体架构Fig.1 Overall architecture of TEDS system

其中，探测站在动车组运行通过时，采集过车信息、车体图像，并进行异常算法分析生成自动报警信息，上传至动车(车辆)段监控中心。动车(车辆)段监控中心接入管辖范围内各探测站信息与图像，研发部署了分析作业系统功能，供现场作业人员分析查看过车信息、图像及报警信息[6]。国铁集团接入全路各动车(车辆)段监控中心上传数据，实现全路范围的监测信息管理、数据共享转发及业务应用管理。

当前，受限于TEDS 图像识别技术发展[7-8]，TEDS 异常识别算法的总体性能仍无法满足应用需求，自动报警准确率较低、误报率较高[9]。因此，在实际应用中，现场作业人员仍需对过车图像进行整车图像查看，以发现其中可能存在的异常情况。随着监测范围的不断扩大，TEDS 系统日监测动车组已突破1 万列次，人工监测作业强度不断增大，人力成本随之增高。为适应当前技术瓶颈，在保障动车组运行状态有效监测的基础上，实现国铁集团降本增效的总体战略，业务管理单位修订了TEDS运用管理办法[3]，优化TEDS系统运用管理模式，对精细化分类监测作业提出了明确需求。要求跨局动车组列车TEDS 监测作业遵循动车组运行1 000 km内、一级修后500 km 内、当日不进行一级修的终到前500 km 内和次日上线后500 km 内各作业1 次，其余情况可不作业的原则；局管内动车组列车TEDS 监测作业频次与作业内容由铁路局集团公司自定。

3 方法设计

3.1 总体设计

设计实现了一种TEDS 自动分类监测作业方法，在国铁集团级设计建立了全路动车组开行列车TEDS 分类作业的关联作业图表，提出了利用多源基础数据自动计算作业图表的算法，在动车(车辆)段监控中心设计了本地作业图表的生成方案，研发了自动派工的系统应用功能，实现了依据作业图表分类监测的作业能力。方法流程示意图如图2所示。

图2 方法流程示意图Fig.2 Method flow diagram

其中，在国铁集团级系统中，首先通过网络获取铁路工务、调度、车辆专业相关信息化系统多源基础数据并进行处理，然后通过算法设计求取全路范围的跨局开行列车分类监测作业图表，经相应的系统功能实现作业图表的应用管理后，通过两级联网的系统架构，将作业图表信息分类发至各动车(车辆)段监控中心；在动车(车辆)段监控中心系统中，首先利用局管内的多源基础信息计算生成局管内列车分类监测作业图表，再结合国铁集团下发的跨局作业信息，实现各动车(车辆)段监控中心分类监测作业信息的应用及管理，并通过系统功能的设计与研发，自动对所辖探测站检测的列车进行按类型派工作业。

3.2 国铁集团级

3.2.1 数据获取与处理

TEDS 系统在其国铁集团级系统中，可通过铁路内部服务网，按照铁路信息化总体规划设计方案[10]，与铁路工务、调度、车辆专业相关信息化系统共享数据，获得铁路线路信息、交路开行信息、单位字典信息、系统台账信息、探测站基础信息等数据，并进行相应的数据处理。

其中，通过铁路工务相关信息系统获取铁路线路信息，经处理存储为数据表T1，主要包括线路、沿线车站、车站公里标等数据，线路与沿线车站为一对多、沿线车站与车站公里标为一对一关系；通过调度指挥相关信息系统获取交路开行信息，经处理存储为数据表T2，主要包括交路、车组号、车次、途经车站、到站时间、出站时间、到站属性等数据，交路与车次、车次与途经车站均为一对多关系，途经车站与出站时间、到站时间、到站属性为一对一关系；通过铁路车辆相关信息系统获取单位字典信息，经处理存储为数据表T3，主要包括铁路局集团公司、动车(车辆)段、监控中心等数据，铁路局集团公司与动车(车辆)段、动车(车辆)段与监控中心均为一对多关系；由TEDS 系统自建生成系统台账信息和探测站基础信息，经处理分别存储为数据表T4 和T5。其中，T4 主要包括监控中心、探测站等数据，监控中心与探测站可为多对多关系，T5 主要包括探测站、所在线路、所在公里标等数据，探测站、所在线路、所在公里标均为一对一关系。

在数据处理过程中，对各数据表相同类型项点的数据，设计自动的归一化处理流程，避免不同数据源同类型数据的数据内容差异。

3.2.2 跨局作业图表生成

基于整理后的多源基础数据，设计实现了全路范围的跨局开行列车分类作业图表自动生成方法，具体步骤如下。

（1）计算各线路站间间隔里程。具体方法是依次读取T1 各条线路各个车站与前一车站公里标，并求差得到站间间隔里程，补充至T1 该车站信息项后，记为数据表T1-1，站间间隔里程计算示意图如图3所示。

图3 站间间隔里程计算示意图Fig.3 Schematic diagram of interstation mileage calculation

（2）T1-1 与T5 做关联计算，得到线路、车站、探测站、公里标、站间间隔里程关联数据，记为数据表T6。具体计算时，T1-1 的车站公里标与T5 的探测站公里标采用近似相等的方式，即两值差小于10 km 的认定为同一公里标值，以探测站公里标作为T6中对应项最终记录值，T1-1与T5关联计算示意图如图4所示。

图4 T1-1与T5关联计算示意图Fig.4 Schematic diagram of T1-1 and T5 correlation calculation

（3）计算各交路途经各探测站的运行里程。具体方法是依次读取T2各交路途经线路各车站名称，并从T6中确认该车站是否有对应线路上的探测站，如果有对应探测站，则计算该车站与本交路中上一个有探测站的车站间的运行里程，计算结果补充至T2 该途经车站信息项后，记为数据表T2-1，如两站间跨多条线路(含同条线路)的多个车站则进行间隔里程加总，交路途经探测站里程计算示意图如图5所示。

图5 交路途经探测站里程计算示意图Fig.5 Schematic diagram of route detection station mileage calculation

（4）计算交路途经各探测站分类作业类型。具体方法是按照国铁集团制定的跨局动车组列车分类作业规则，依据T2-1 中各交路运行至各探测站时的运行里程、站停时间、到站属性等数据，判定交路途经各探测站的分类作业类型，生成跨局开行列车分类监测作业图表，记为数据表T7，跨局列车作业图表计算示意图如图6所示。

图6 跨局列车作业图表计算示意图Fig.6 Schematic diagram for calculation of cross-bureau train operation diagram

3.2.3 图表管理与分发

设计研发了TEDS 系统跨局开行列车分类监测作业图表应用管理功能，可在国铁集团级应用界面下，对自动生成的跨局开行列车分类监测作业图表进行数据的增、删、改、查。同时，为应对多源基础数据无法获取的情况，TEDS 系统同时研发相应功能，可直接在系统中通过人工录入的方式，编辑生成跨局开行列车分类监测作业图表。

跨局开行列车分类监测作业图表最终确认后，利用T3 与T4 做关联计算，得到铁路局集团公司、动车(车辆)段、监控中心、探测站关联数据，记为数据表T8，T3与T4关联计算示意图如图7所示。

图7 T3与T4关联计算示意图Fig.7 Schematic diagram of T3 and T4 correlation calculation

在此基础上，即可计算各动车(车辆)段监控中心各探测站通过车次的作业类型。具体方法是逐个按照T5 的探测站检索T7 并分类，形成各个探测站通过车次的作业类型，再依据T8 监控中心与探测站关系进行分类汇总，最终形成各监控中心跨局分类作业图表，记为数据表T9，监控中心作业图表计算示意图如图8所示。

图8 监控中心作业图表计算示意图Fig.8 Calculation diagram of operation chart of section monitoring center

最终，通过TEDS 系统2 级部署的系统架构，将各监控中心跨局分类作业图表分别发送至各动车(车辆)段监控中心系统。

3.3 动车（车辆）段监控中心级

3.3.1 局管作业图表生成

按照运用管理要求，局管内开行动车组列车作业频次与作业内容由各铁路局集团公司自定。为此，对于局管内分类监测作业图表，设计了2 种生成方式。

第一种与跨局列车分类监测作业图表类似，利用多源基础数据与局管内动车组开行信息自动生成，不再赘述。

第二种，则是直接研发作业图表导入与处理功能，可将铁路局集团公司自定的动车组作业频次与内容信息，按约定规范导入至系统，生成局管内分类监测作业图表，再利用T5 与T8 中本铁路局集团公司相关信息，关联计算得到各监控中心的局管内分类作业图表，并发至局管内各动车(车辆)段监控中心系统，局管自定分类监测作业数据规范如表1所示。

表1 局管自定分类监测作业数据规范Tab.1 Self-defined classification monitoring operation data specification

3.3.2 图表管理与分类监测作业

设计研发了TEDS 系统分类监测作业图表应用管理功能，可在动车(车辆)段监控中心系统应用界面下，对跨局、局管内分类监测作业图表进行数据的增、删、改、查，便于对临时开行列车分类监测作业进行项点增加、对停开列车分类监测作业进行项点删除，以及对分类监测作业的其他属性进行修改、查询等。

当列车实际开行通过某一探测站，并将过车信息、检测图像等数据上传至相应动车(车辆)段监控中心时，TEDS 系统依据过车信息中的车组号及通过时间检索T2得到车次，结合列车通过的探测站，从跨局及局管内分类监测作业图表中确定分类监测作业类型，并按照作业类型派工，最终实现自动分类监测作业。

4 系统实现

设计的分类监测作业方法，现已在全路联网应用的TEDS 系统中部分应用。其中，国铁集团级部署跨局作业图表生成及管理功能，动车(车辆)段监控中心部署跨局作业图表查询、局管内作业图表生成及管理、本地作业列表查询、分类派工监测等功能，实现了全路动车组TEDS 分类监测作业能力，满足了国铁集团运用管理办法相关需求。受限于多源基础数据的准确性和实时性问题，目前跨局开行列车分类监测作业图表的生成仍需依靠人工操作的干预。跨局作业图表查询功能界面如图9 所示，本地作业列表查询功能界面如图10 所示，分类派工监测功能界面如图11所示。

图9 跨局作业图表查询功能界面Fig.9 Cross-bureau operation chart query function interface

图10 本地作业列表查询功能界面Fig.10 Local job list query function interface

图11 分类派工监测功能界面Fig.11 Interface diagram of classified dispatching monitoring function

部分铁路局集团公司TEDS 应用情况统计表如表2 所示。其中，“探测列次”为铁路局集团公司所辖所有探测站检测到的过车次数；“监测作业列次”为铁路局集团公司各监控中心实际进行分析作业的列车次数；“异物发现数”是指在监测作业中人工发现的车体底部、侧部挂有异物(如树枝、纸屑、塑料袋等)的情况次数；“千列均异物发现数”是指平均每监测作业1 000 列车中能够发现的挂有异物的次数。

表2 部分铁路局集团公司TEDS应用情况统计表Tab.2 Statistics of TEDS application in some railway bureaus

根据2019 年和2021 年第三季度4 个铁路局集团公司的数据统计情况可见，在探测列车次数基本持平或略有降低(受疫情影响)的情况下，各铁路局集团公司的作业列车次数均明显下降，降幅最高可达52.05%，整体工作量明显减少。同时，在作业相同数量的列车时，千列均异物发现数明显增多，

增幅最高可达493.89%，在监测作业量降低的同时明显提升了工作效率。由此可见，方法的实现有效减少了现场作业工作量，增强了异常发现能力，降低了人力成本压力。

5 结束语

通过研究TEDS 自动分类监测作业技术，设计实现了一种TEDS 自动分类监测作业方法，在国铁集团级设计建立了全路动车组开行列车TEDS 分类作业的关联作业图表，提出了利用多源基础数据自动计算作业图表的算法，在动车(车辆)段监控中心设计了本地作业图表的生成方案，研发了自动派工的系统应用功能，实现了依据作业图表分类监测的作业能力。实际应用表明，提出的方法能够有效减少人工作业工作量、增强异常发现能力、降低人力成本压力，为动车组运行状态的有效监测奠定了良好的技术基础。后续的研究将集中于人机分工作业、故障全自动识别等方向。