動車組運行狀態智能檢測裝備

張 望，劉碩研，柴金川

（1. 中國鐵建電氣化局集團有限公司，北京 100041；2. 中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京 100081；3. 中國鐵道科學研究院集團有限公司 國家鐵道試驗中心，北京 100015）

目前，動車組檢修模式大致分為庫內靜態檢修和正線動態檢修兩種模式。其中，入庫地溝式靜態檢修，可以精準定位故障位置及等級，然而卻缺乏對運行列車的動態狀況監控，而運行過程的潛在故障會隨著列車長距離行駛，大大增加事故的發生幾率。為此，人們提出了正線動態檢修模式[1-3]，該模式旨在關注高速行進中的動車，通過高速線陣相機采集通過觀測站的列車圖像，由人工監控排查運行動車的故障位置。然而人工監控效率較慢，極易引起延判、誤判等情況，從而造成大量不必要的途中停車，增加了行車調度負擔。鑒于此，本文提出了一套0.5級動車組智能檢測裝備，該裝備安裝在入庫口，既能識別運行過程中的列車故障，也不影響行車調度，此外預判的故障也可作為入庫靜態監控的重點觀察部件，從而提升故障識別準確率。

0.5級動車組智能檢測裝備是一套集車底車頂可視部位自動圖像檢測、受電弓工作位壓力自動檢測、受電弓滑板磨耗及中心偏移量自動檢測等主要功能為一體的綜合自動在線檢測系統。該系統按布局可分為檢測站、檢測主機室、遠程控制室3部分，檢測站安裝于檢測線路的檢測設備，包括走行部的5個檢測箱體（3個沉箱，2個側箱）、受電弓檢測一體箱、壓力檢測設備；檢測主機室位于檢測線路軌邊，檢測站檢測數據經檢測主機室預處理上傳至遠程控制室經專家診斷，系統平臺綜合分析后傳輸至段、鐵路局信息化系統。

為了使該系統更具備智能化特性，本系統針對受電弓滑板磨耗值監測和運行狀態故障識別，分別提出一套智能化算法，使其能夠更好地為工作人員提供便利：基于3D點云的受電弓滑板磨耗深度測量方法和基于Region with CNN（R-CNN）的列車運行故障檢測算法。最后將智能識別算法的結果與人工監控模式相輔助，從而在保證故障識別率的同時，盡可能地降低人工勞動強度。

1 動車組運行狀態智能檢測設備

動車組智能檢測裝備圖如圖1所示。系統安裝在動車入庫線上，對每天入庫的全編組列車運行狀況進行綜合檢測，不需要停車、頂輪，檢測車頂、車底及側部的關鍵零部件缺失、變形等異常情況，能及時發現危害性缺陷，自動識別缺陷并預（報）警，綜合評價并跟蹤整車質量狀態，更好地保證動車組運行安全，極大地提高了檢修效率，節約成本。

圖1 動車組智能檢測裝備圖

1.1 基于R-CNN的列車運行故障檢測算法

列車走行部智能檢測設備如圖2所示，主要用于識別動車組車底車頂關鍵部件脫落、缺失等異常。該系統利用軌邊安裝的線陣攝像頭，采集運行動車組走行部、制動配件、底架懸吊件、車體兩側裙板、轉向架等部位圖像，與其最近過車的歷史圖像進行比對，監測當前運行動車的結構件是否有變化、變化趨勢以及變化類型，實現故障的實時報警。然而，由于車速、大氣、光線、抖動等諸多外部因素的不同，使得不同時期采集的兩幅圖像之間存在亮度、分辨率、長度等差異，因此目前單純采用圖像比對方法[4]的圖像故障識別算法存在大量的誤報現象，故障定位不精準。

圖2 列車走行部智能檢測設備

基于R-CNN[5-6]的列車運行故障檢測算法流程圖如圖3所示。基于R-CNN算法將列車車頭、車廂連接處、車尾等部位進行目標定位；根據車頭、車尾及車廂連接處的位置將列車圖像按照車廂節數進行準確分割，從而保證識別的故障可以準確定位；定位列車車輪位置，將采集的圖像分為轉向架區域和非轉向架區域，針對不同的圖像類型，采用不同的故障識別策略，即針對轉向架區域，以圖像區域作為目標進行故障識別定位，根據故障分數值判定是否存在故障；針對非轉向架區域，以部件為目標進行故障識別定位，同理，根據分數值判定是否存在故障。

以列車車輪為例，將各種車型在不同光照、不同車速下的車頭照片作為訓練樣本，對以caffe框架利用ILSVRC 2012的數據集（imagenet）訓練得到的網絡模型進行fine-tuning 訓練，使網絡模型中的參數適用于車頭特定領域的參數。針對測試樣本圖像，采用Region Proposal方法選擇候選區域，即將不同寬高的滑動窗口，通過滑動獲得潛在的目標圖像；提取CNN特征，根據輸入進行卷積/池化等操作，得到固定維度的輸出；進行分類與邊界回歸，對上一步的輸出向量進行分類（需要根據特征訓練分類器）；通過邊界回歸（bounding-box regression) 得到精確的目標區域，由于實際目標會產生多個子區域，旨在對完成分類的前景目標進行精確的定位與合并，避免多個檢出,從而將列車車輪的位置準確定位，確定轉向架的區域，以便采用不同的方法進行故障識別。R-CNN特征提取方法如圖4所示。

圖3 基于R-CNN的故障檢測算法流程圖

圖4 R-CNN特征提取方法

1.2 基于3D點云信息的受電弓滑板磨耗深度測量值檢測算法

受電弓及車頂狀態動態檢測系統[7-8]采用高速、高分辨率、非接觸式圖像分析測量技術，實現了對受電弓滑板磨耗、中心線偏移、工作壓力等關鍵特定參數的動態自動檢測和車頂異物及關鍵部件狀態的室內可視化觀測。

基于3D點云信息的受電弓滑板磨耗深度測量值檢測設備如圖5所示，主要包括補光燈、光電開關、3D激光傳感器、高分辨率照相機等。當受電弓通過檢測設備時，補光燈會根據當時的光照條件對光線進行調整和補償，3D激光傳感器將激光發射到碳滑板上，而面陣相機接收反射光線，從而構成大量的3D點云數據，以便進行滑板磨耗值測量。

圖5 基于3D點云信息的受電弓滑板磨耗深度測量值檢測設備

現有的受電弓測量方式大多采用雙目相機，利用拍攝的受電弓圖像，重構三維空間距離，計算出滑板磨耗值。為了使得測量數據更加精準、有效，提出一種基于3D點云的受電弓健康狀態預警模型[9]。采用三維激光掃描技術直接得到真實物體表面的空間采樣點，即點云數據，利用點云數據的局部拓撲信息，近鄰位置重構三維物體表面情況，獲取該受電弓的滑板磨耗值、中心線偏移量以及前后傾斜角度等測量數據，為工作人員提供受電弓的健康情況指導和數據依據。

2 動車組運行狀態智能檢測算法的應用情況

動車組運行狀態智能檢測裝備采用高速、高分辨率、非接觸式圖像分析測量技術，實現了對列車走行部、閘瓦、受電弓滑板磨耗、中心線偏移、工作壓力等關鍵特定參數的動態自動檢測。該系統的引入可顯著提高動車組工裝設備檢修的自動化水平，減輕工作人員的勞動強度，提高勞動效率。

該裝備自動采集的圖像有列車走行部圖像和受電弓3D點云圖像。列車走行部圖像采集設備包含3套沉箱、2套側箱和1個車頂相機，其中，3套沉箱共安置5個超高速高清晰線陣相機，用于采集動車底部的高清圖像（包括制動裝置、驅動裝置、牽引裝置、轉向架、輪軸、車鉤及車底部其他部位）；左右側部各安裝,1套高速線陣相機，用于采集轉向架和裙擺圖像；車頂相機采集列車頂部的工作狀態（如瓷瓶，空調，以及其他區域等）。受電弓3D點云圖像主要是采集激光在滑板不同位置的反射信息構成的。如圖6所示。

2.1 基于3D點云信息的受電弓滑板磨耗深度測量算法應用

圖6 動車組智能檢測裝備采集的圖像

根據激光掃描受電弓碳滑板獲取的3D點云數據，采用大數據分析技術和三維重構技術，獲取受電弓滑板磨耗值、中心線偏移量以及前后傾斜角度等健康數據,可以給工作人員提供該弓形的評價指標和數據，為其更換提供數據支持。

2.2 基于R-CNN的列車運行故障檢測算法應用

分析基于R-CNN算法的列車車頭、車廂連接處、車尾及車輪的定位準確性。非極大值抑制（NMS）計算出每一個bounding box的面積，根據score進行排序，把score最大的bounding box作為選定的框，計算其余bounding box與當前最大score的IoU，去除IoU大于設定閾值的bounding box。重復上面的過程，直至候選bounding box為空，再將score小于一定閾值的選定框刪除得到一類的結果。

圖7展示了車頭、車輪的定位圖像。

圖7 基于R-CNN的車頭和車輪定位圖像

隨后評價本算法的故障識別性能，本文使用漏報率和誤報率來評價算法。漏報率是指在故障檢測中存在N次故障有M次未能檢測出；誤報率是指在檢測出的N次故障中，其中,有M次不是故障。經過算法的多次運行獲得的誤報率為13.5%，漏報率為26.5%。由于車速、大氣、光線、抖動等因素的不同，使得不同時期采集的兩幅圖像之間存在亮度、分辨率、長度等差異，因此會將一些污漬、光照等情況判斷為故障，造成了一定的誤報率；動車組中的故障有些非常隱蔽，行車速度不均衡，將會造成漏報率。在此后的實驗過程中，加大圖像的預處理，從而使得拍攝的照片更大程度地表征列車故障的真實情況。

以實際車廂圖像為例，與現有故障識別算法進行性能比較，如圖8所示。該算法可以有效地識別故障，并確定其位置，雖然仍存在一些誤報區域，但其位置鄰近實際故障區域。此外，漏報率也在可控范圍之內。而完全基于圖像比對的故障識別算法存在大量的誤報區域，并未從真正意義上減輕工作人員的勞動量。由此可見，本文算法有效地抑制了誤報情況，提升了故障實時檢測和自動報警的效率。

圖8 算法的性能展示

3 結束語

動車組智能檢測裝備是一套集高速數字圖像采集技術、高亮度半導體光源技術、圖像分割識別技術、大容量圖像數據實時處理技術和精確定位技術、自動控制技術以及故障自動識別技術于一體的智能系統。該系統采用3D激光測量技術，根據受電弓滑板上3D點云分布情況，測量滑板磨耗值和中心線偏移等關鍵特定參數是否達到報警程度；通過安置在軌道底部、側部及頂部的高速高分辨率線陣相機實時拍攝的列車全方位關鍵部件圖像，采用深度學習方法對不同區域采用不同的故障識別算法進行評判。該裝備可顯著提高動車組、大功率機車工裝設備的檢修自動化水平，減輕工作人員的勞動強度，提高勞動效率。