高鐵受電弓異常狀態檢測方法研究現狀及其發展趨勢

靳業銘

摘 ?要：隨著我國高速鐵路交通網的不斷擴大與增長，高鐵車輛受電弓異常狀態檢測成為廣泛研究熱點之一，本文從高鐵受電弓的檢測方法入手，介紹了國內外常用的各類檢測方法，并介紹了檢測裝置的特點，可為高鐵受電弓狀態檢測提供一定的技術依據。

關鍵詞：高鐵;受電弓;圖像識別;異常狀態檢測

中圖分類號：U255.1 ?文獻標識碼：B

0.引言

交通是興國之要、強國之基。2019年中共中央、國務院印發的《交通強國建設綱要》，明確從2021年到本世紀中葉，我國將分兩個階段推進交通強國建設。到2035年，基本建成交通強國，形成三張交通網、兩個交通圈。隨著我國“交通強國”戰略的推進和國民經濟的穩步增長，截至2020年年底，全國鐵路營業里程14.6萬公里，高速鐵路運營里程達3.79萬公里，穩居世界第一。

列車在接觸網線供電制式的線路運行時，列車的受電弓與接觸網配合完成列車的牽引供電，是列車運行的基礎條件之一。接觸網狀態檢測及維修技術也是軌道交通基礎設施檢測領域的研究熱點[1][2]。目前，對于接觸網檢測技術已經有了較系統的研究。主要可以分為接觸網各類型故障的自動識別技術和基于接觸狀態的維修策略制定兩部分。其中在接觸網狀態識別領域，接觸網異常狀態檢測已經形成了主要以軌道交通供電安全檢測監測系統（6C系統）為基礎的檢測體系。所謂6C，簡單來說就是高速鐵路供電安全檢測監測系統，其中包括高速弓網綜合檢測裝置（CPC）、接觸網安全巡檢裝置（CCV）、車載接觸網運行狀態檢測裝置（CCL）、接觸網懸掛狀態檢測監測裝置（CCH）、受電弓滑板監測裝置（CPV）、接觸網及供電設備地面檢測裝置（CCG），合稱為6C系統[3]。6C系統能夠通過一系列性能指標有效地確定接觸網狀態，為維修養護提供依據，已經成為保障接觸網安全可靠的重要途徑，在接觸網檢測新技術中自動化和智能化已經是主要的發展趨勢[4]。

1.高鐵受電弓結構簡介

隨著高鐵技術的發展和全國范圍的不斷普及，由于其采用電動機驅動的特點，車體和動力組車廂需從接觸網獲取電能，安裝于車廂頂部的取電的電氣設備，其與接觸網接觸的部分形狀像古代弓箭樣式，因此稱為受電弓。高鐵車廂頂部所部署的受電弓如圖1所示，其主要靠支撐桿的壓力與接觸網進行接觸式取電，因此受電弓本身的異常狀態和異物都會對受電弓取電造成一定的影響，嚴重的情況甚至會直接影響列車運行安全，造成列車減速、故障甚至停車，是列車安全運行的隱患之一。

如圖2所示，受電弓一般分單臂弓和雙臂弓兩種，均由滑板、上框架、下臂桿、底架、升弓與降弓機構及其相關配件（例如液壓桿、絕緣子等）等部件組成。因此，對以上機構及其附著異物的及時檢測尤為重要，是排查高鐵運行隱患和保證安全運行的重要手段之一。

近年來，由于模式識別、人工智能和圖像識別技術的迅猛發展，基于以上各類方法的高鐵受電弓異常狀態和異物檢測方法受到了國內外學者的廣泛研究。

2.國內外研究現狀

基于車體接觸網異常狀態識別的計劃檢修是減少地鐵車輛故障，保證正常營運的一種有效預防性措施，但目前該項工作大量依賴相關作業人員進行人工檢修而效率較低，因此列車不停車運行段接觸網異常狀態識別檢測方法是國內外學者廣泛研究的熱點之一。

宋以華等[5]介紹了城軌列車的異物智能識別檢測技術，提出了異物檢測與識別系統開發的必要性，給出了城軌異物檢測的相關技術指標和要求，為城市軌道異物智能檢測與識別提供一定的技術理論依據。其結論可為高鐵受電弓異物識別與檢測提供一定的借鑒價值。文獻[6]提出一種基于Faster R-CNN深度卷積神經網絡的接觸網異常狀態定位和檢測方法，可實現對接觸網支撐裝置中旋轉雙耳開口銷釘缺失故障檢測。文獻[7]針對高鐵高受電弓滑板裂紋檢測效率和精度的優化，設計了一種基于圖像處理技術的的受電弓滑板裂紋檢測方法。作者首先對獲取的受電弓圖像進行圖像濾波技術進行處理，采用移動平行窗口方法實現受電弓滑板裂紋的檢測和識別。但是該方法存在一定的誤識別率，將受電弓污損痕跡識別為裂紋，產生假陽性結果。

劉舒康等[8]提出了一種基于智能數據的增強算法，其思想是對檢測設備獲取的接觸網圖像進行多種方法的增強從而實現特征提取，基于YOLOv3目標檢測算法設計不同尺度的卷積特征圖以強化特征提取網絡，實現對接觸網的吊弦和支架的異常狀態檢測。類似的，文獻[9]改進了輕量化YOLOv3模型，作者在不改變網絡參數量的情況下，提高了模型檢測的準確率，不僅在絕緣子識別率上具有較高的準確率，在檢測速度上也具有一定的優勢。對高鐵受電弓異常狀態識別提供了一定的理論基礎和設計思路。

鄭睿等[10]和呂階軍等[11]都針對高鐵受電弓異常狀態和異物檢測系統進行了詳細的闡述和分析，主要分為分布式和集中式兩種類型的檢測系統。分布式檢測系統如圖3所示，其主要由高速攝像機、邊緣計算模塊和無線傳輸模塊組成，由高速攝像機連續對高鐵受電弓進行采樣，獲取大量樣本圖片。邊緣計算模塊作為核心模塊主要對采樣的高鐵受電弓圖片進行預處理、分類、分割和識別等算法實現，并將結果通過無線傳輸模塊實時傳輸至上位機。當檢測到高鐵受電弓存在異常情況或存在異物時及時進行聲光報警，提醒值班和檢測人員及時排查故障隱患，保證列車運行安全。

集中式高鐵受電弓異常狀態和異物檢測系統如圖4所示，其與分布式檢測系統主要區別在于實時性的差別，集中式檢測系統主要將所有前端高速攝像機采樣的圖片進行匯總，再進行分析。這種情況往往適用于長間隔周期的例行檢查，對實時性要求不高。

高鐵受電弓異常狀態和異物檢測系統往往集中以上兩種系統的優勢，同時部署實施，適用于高鐵受電弓異常狀態和異物檢測的實時性預警與例行檢測兩種工況。

基于以上技術和設計方案，國內外學者和工程師在系統設計實現上提出了各種方案并加以實施。

3.高鐵受電弓檢測裝置研究現狀

近年來國內外的一些廠家制作的高鐵受電弓異常狀態和異物檢測系統，僅通過高速攝像機拍攝列車平面信息，不具備對非明視的關鍵部位的異常狀態檢測，且僅適用于列車低速檢修段。以上檢測系統難以適應高鐵列車運行規律。目前研制并投入使用的各類高鐵受電弓異常狀態和異物檢測系統用于高鐵列車運行段不停車的智能檢測系統，不僅滿足城軌交通日益增加的檢修任務，可實現靈活的檢測模式，由計劃修轉為狀態修，并為均衡修提供數據依據。目前人工智能、大數據和工業物聯網等新興技術在各類檢測系統中已得到應用，數字化、信息化和智能化的城軌車輛智能檢測系統是當前技術發展的主要趨勢[12]。

其一，高鐵受電弓異常狀態和異物檢測系統基于圖像識別的智能算法研究、高速攝像機算法研究、數據的傳輸與檢測算法的研究主要針對高鐵受電弓表面的一些圖像信息，而不易發現具有一定深度信息的靠內的結構和異物，因此研制基于深度信息與可視圖像信息相融合的車輛信息采集方法及裝置是高鐵受電弓異常狀態和異物檢測系統的一類發展方向，可用于高鐵受電弓或者其他領域物體的外觀信息采集，在采集物體的深度信息的同時，收集物體的平面信息，使得采集到的信息更加豐富。

其二，受到現有車輛檢修人員的技術和檢測水平高低不一的影響，計劃檢修主要靠人工主觀檢測故障，如果作業人員鑒別能力不強或工作狀態不好，將直接影響高鐵受電弓異常狀態和異物檢測效果。

其三，高速鐵路接觸網，是架設在鐵路線上空的輸電線路。接觸網接觸不良或者停電，列車只能減速甚至暫停。目前各鐵路局供電管理部門每月全線覆蓋檢測一次，4C檢測裝置采用32個超高清攝像頭對接觸網設備進行全方位拍攝，分辨率最高可達2900萬像素，拍攝圖片方式記錄接觸網設備部件狀態，支持10808 km接觸網設備數據檢測工作。之后需要通過人工復檢的方式進行照片檢查，按鐵路線網建設要求基本50米左右一個立柱，每個立柱對應有30張左右的設備抓取生成照片，每個季度產生幾百萬張的設備待檢查圖片，每個季度這所有的幾百萬張待檢查圖片基本靠集中人工、集中核查模式排查與檢測可能的問題點，瑕疵部位及脫落可能性位置，其工作量巨大，工作強度與準確度都面臨巨大壓力。

針對以上幾類情況，如圖5所示，國內的一些相關領域的學者、機構和公司等提出或設計了高鐵受電弓異常狀態和異物檢測系統的相關理論方法和系統，但是大部分系統只能得到拍攝高鐵受電弓的平面信息，無法得到其深度信息，但是高鐵受電弓的某些關鍵部位的異常或異物往往通過平面圖像的檢測難以被發現，因而需要進行較大程度的改進。

學者和工程師們針對這種情況提出一種基于深度信息與可視圖像信息相融合的車輛信息采集方法及裝置設計想法，可用于高鐵受電弓異常狀態和異物檢測，在采集物體的深度信息的同時，收集物體的平面信息，使得采集到的信息更加豐富[13]。

4.總結

高鐵受電弓異常狀態和異物檢測系統的研發與實施，切合落實新基建中央要求，是人工智能與高鐵受電弓和接觸網異常狀態和異物檢測相結合的前沿系統和研究趨勢。通過人工智能技術實現高鐵受電弓和接觸網異常狀態和異物檢測的智能識別，減少人工分析的勞動強度，提高勞動效率。實際解決鐵路部門供電段人工緊張、人工檢測強度大的問題。通過智能化、系統化、獨立子系統化分析已有、海量待檢查圖片，提高人工效率，降低人工勞動強度，100%核準模型，對高鐵受電弓異常狀態和異物檢測，指導并排查高鐵受電弓異常和故障隱患的消除，屬于鐵路6C系統的發展方向之一，可為高速鐵路的安全守護提供堅實的理論依據和技術方法指導。

參考文獻

[1]馬文龍. 標準動車組受電弓智能監測系統研究[J]. 數碼世界， 2020.

[2]楊志鵬， 趙雋， 張文軒，等. 基于動車組3C裝置檢測信息的非工作受電弓異常升弓狀態分析[J]. 鐵道機車車輛， 2021， 41（5）：4.

[3]李耀云， 高英杰， 張文雍. 高速鐵路供電安全檢測監測系統（6C系統）分析方法探討[J]. 電氣化鐵道， 2019， 30（S01）：4.

[4]毛向德，羅軍. 遺傳算法在受電弓主動控制器中的應用[J]. 計算機系統應用， 2020， 29（12）：7.

[5]宋以華，曾光.城市軌道交通線路異物檢測與識別技術需求分析[J].甘肅科技，2021，37（18）：50-52.

[6]康高強， 高仕斌， 于龍，等. 基于深度學習的高鐵接觸網旋轉雙耳開口銷釘缺失故障檢測[J]. 鐵道學報， 2020， 42（10）：7.

[7]常通帥. 基于計算機圖像處理的受電弓滑板裂紋檢測方法[J]. 中國設備工程， 2021（6）：3.

[8]劉舒康、唐鵬、金煒東. 基于智能數據增強和改進YOLOv3算法的接觸網吊弦及支架檢測研究[J]. 計算機科學， 2020， 47（S02）：5.

[9]劉曉忠. 基于卷積神經網絡的鐵路接觸網的絕緣子故障檢測研究[D].蘭州交通大學.

[10]鄭睿，李峰.視覺識別在軌道交通車輛智能檢修應用探究[J].江蘇科技信息，2021，38（33）：36-38.

[11]呂階軍，賀宏軍，蔣聰健.面向重載機車智能運維的車載弓網檢測系統集成研究[J].機車電傳動，2021（04）：105-111.

[12]馮勇， 宋天源， 錢學明. 基于深度學習的高鐵受電裝置安全狀態快速檢測方法[J]. 西安交通大學學報， 2019， 53（10）：6.

[13]范婷婷. 用于受電弓狀態監控的數字化雙平臺[J]. 鐵路通信信號工程技術， 2020， v.17;No.120（12）：109-109.