標準動車組受電弓智能監測系統研究

馬文龍 中車青島四方機車車輛股份有限公司

一、基于紫外傳感器的燃弧檢測技術

（一）紫外成像技術

紫外成像技術是攝取目標在紫外波段的空間特征，將較大視場范圍內的紫外場景成像在紫外增強器的光敏面上，紫外增強器將極其微弱的紫外輻射圖像轉換成可見光信號輸出，然后將可見光信號轉換為數字視頻圖像，并按照一定接口形式傳輸到光電圖像采集分析系統，通過信號處理傳入觀察記錄設備中，同時對采集到的圖像進行存儲和處理，紫外傳感器實時對弓網運行區域進行紫外線檢測，當出現紫外線時，紫外傳感器對紫外線出現的時長及強度進行檢測，同時紫外相機對燃弧發生瞬間進行圖像采集。采集到的結果通過智能分析程序進行分析，給出報警結果。

（二）燃弧檢測及報警原理

火花放電、火花頻率較高、火花較大。火花放電指產生火花超過碳滑板厚度一半的故障；火花頻率較高指火花每發生10次的總時間間隔在10秒鐘內（可手動設置）的故障；火花較大指火花超過全-景狀態的1/20畫面（可手動設置）的故障；預警（火花放電）、告警（火花頻率較高、火花較大）；火花監測基于實際區域，根據需要重新配置參數。

（三）燃弧率的計算原理

列車運行過程中振動劇烈時，會導致受電弓滑板與接觸導線出現脫離，在離線的瞬間，電流會擊穿受電弓滑板與接觸導線產生放電現象，形成燃弧。在EN 50317-2002標準指出，銅及銅合金的接觸線產生的燃弧存在220nm-225nm或323nm-329nm的波段。該波段屬于紫外波段。因此，可通過紫外線模塊的方式來檢測列車在運行過程中的拉弧現象，主要包括燃弧強度、燃弧時長以及燃弧率。其中，燃弧率由式(3.1)計算,

（四）燃弧檢測案例

列車運行過程中，受電弓與接觸網通過接觸點形成一個相互振蕩與耦合的振動系統。當振動劇烈時，可能造成受電弓滑板與接觸導線脫離接觸，在離線的瞬間，電流擊穿滑板和接觸線之間空氣間隙，產生放電現象，形成燃弧。用紫外相機測量車輛運行過程中燃弧現象（燃弧強度、燃弧時長、燃弧率），并能自動報警。

通過上面的分析我們知道使用傳統算法對監控相機燃弧圖片進行分析會收到背景干擾，無法正常工作，那么使用紫外傳感器和紫外相機結合，對紫外相機抓拍的結果經過分析會比較簡單。

通過設置的ROI，在ROI中做閾值分割，得到閾值分割結果。我們可以依據分割圖像的分析特征進行異常判斷。但是在復雜背景，會存在無法正常提取受電弓的情況，傳統的方法是無法正常分割到受電弓的，這樣就無法進行故障檢測及報警了。

二、基于圖像的受電弓異常檢測技術

（一）計算機圖形圖像處理技術

計算機圖形圖像處理技術指的是在計算機技術飛速發展的背景下應運而生的一種圖形處理技術，計算機圖形圖像處理是利用計算機對圖像進行分析，以滿足所需的結果，計算機圖形圖像處理技術又稱為影像處理。其中圖像處理單指對數字圖像的處理，數字圖像又指的通過工業相機或者攝像機拍攝得到的二維數據，該二維數據中的元素稱之為像素，值為灰值度。圖像處理技術主要由圖像壓縮，增強和復原，匹配、描述和識別等方面組成；計算機圖像處理技術是以計算機圖像學為支撐，在此基礎上對圖像進行的技術處理。計算機圖像處理技術提取出圖像中的質量和圖像的分辨率等信息，根據信息的提取對圖像進行優化處理。

受電弓由安裝在車頂的受電弓數據采集模塊來采集圖像，動車組的受電弓在運行時有各種各樣的背景。在白天強光照射，動車過隧道，夜間運行，動車過橋梁等情況下，受電弓的前景與背景很難區分。在動車高速運行中，受電弓還存在左右搖擺的情況。在這些多種復雜條件下，需要快速與準確的定位和提取受電弓區域圖像。需要注意的是，如果用人工的方式來定位和提取受電弓區域圖像，就失去了智能監測的意義。因此，為了實現智能監測，需要通過機器學習法描述受電弓圖像的特征，并對其進行分類，但此方法效率比較低下。而傳統的圖像處理技術是先對圖像進行形態學的處理、在通過濾波和分割的方法完成對圖像的處理，而該方法同樣存在著難以準確區分目標區域和干擾區域，且準確率也無法保證。基于此，為了同時提高圖像的效率和準確率，本文提出傳統圖像處理與機器學習相結合的方法，提高受電弓組的準確程度，實現智能監測，進而獲得完整的受電弓區域。主要方法如下：

圖像預處理使用了CLAHE，MSR等不同得方法對受電弓圖像進行增強處理；通過設置ROI來確定弓的估計位置；模板匹配的方式來精確定位受電弓的位置。

（二）受電弓異常檢測

受電弓結構檢測采用對比與檢測結合的方式，整體檢測采用對比的方式，若出現對比差異的同時，則基于提取的結構特性進行確認。受電弓的結構特性涵蓋直線、曲線和實際長度截取，作為判斷受電弓的相對特性參數。如圖3-6所示，針對C、E、D檢測區域基于對比算法判斷是否存在缺陷，若存在缺陷則需要進一步符合區域范圍內的邊緣結構特性；針對E區域內則需要進一步確認A、B兩點之間的實際距離的變化。

（三）受電弓結構異常分析等級

受電弓結構異常是系統智能識別的重點和難點。首先通過業務需求分析，確認待檢測的故障形態描述，并依此設計模型樹結構和邏輯依賴關系，建立故障判別邏輯條件。該部分介紹各種故障形態對應的模型結構和邏輯條件。

受電弓結構異常分析等級

（四）深度網絡模型算法（Unet）

使用傳統算法無法應對復雜背景下的受電弓狀態分析，因此本文引入基于深度學習的方法來應對復雜背景下的受電弓狀態分析。基于目標檢測提供的圖像信息有限，難以直接分析受電弓的狀態。因此，可使用深度網絡模型來進行受電弓的分割，進而提取受電弓的狀態。其中前半部分主要為特征提取，后半部分是上采樣。同時，在一些文獻資料中也將這樣的結構稱之為編碼器或者解碼器結構。

該網絡采用了拼接的特征融合方式，有以下幾個優點：

1、可實現對圖像特征的多尺度特征識別。

2、后半部分的上采樣主要融合了前半部分的特征輸出，其實就是將二者之間的多尺度融合在了一起，使其特征表達更為深入。

在動車組實際運行過程中主要有兩種故障會發生，受電弓傾斜和受電弓骨折。

（五）碳滑板磨耗技術分析

只要明確了雙目視覺相機圖像中點的對應關系，就可以準確的定位每一點上的空間坐標，同時利用兩點之間的坐標得出兩點之間的距離，該方法由于不受到受電弓系統姿態的影響，因此對觸發位置的精度要求不高，且還具有很強的抗干擾能力。

雙目視覺相機受電弓滑板磨耗的測量方法如下：

1.通過Canny算子對采集到的受電弓碳滑板圖像進行邊緣提取，分別得出兩組碳滑板的邊緣曲線。

2.利用第1節中的攝像機矩陣為基礎，將兩組碳滑板的邊緣曲線對應起來。

3.結合雙目視覺原理，分別計算每一組對應點的空間坐標，得出受電弓碳滑板的厚度曲線。

三、結束語

現代電氣化列車通過受電弓和接觸網之間的滑動接觸采集電力。任何影響滑動接觸的因素都可能造成接觸網和受電弓的損傷。惡化的滑動接觸可能導致接觸碳條和接觸線的磨損甚至導致電弧放電。隨著高速列車的發展，對鐵路安全的要求也逐步提高。因此，對受電弓進行智能監測早已勢在必得，尤其對受流系統的安全與穩定運行具有極其重要的現實意義，進而還可以降低和減少電氣化鐵路的運行成本。