電力機(jī)車走行部螺桿松動(dòng)故障智能檢測(cè)

摘要：針對(duì)電力機(jī)車走行部螺桿數(shù)量眾多導(dǎo)致巡檢費(fèi)時(shí)費(fèi)力等問(wèn)題，提出了一種基于深度學(xué)習(xí)的螺桿松動(dòng)故障智能檢測(cè)方法。通過(guò)將采集到的螺桿圖像建成標(biāo)簽數(shù)據(jù)集，并用于Pytorch框架下的YOLOv3網(wǎng)絡(luò)模型訓(xùn)練，可以實(shí)現(xiàn)螺桿快速識(shí)別和裁剪。利用OpenCV計(jì)算機(jī)視覺(jué)庫(kù)對(duì)裁剪得到的螺桿圖像進(jìn)行圖像增強(qiáng)、Canny邊緣檢測(cè)、最小外接矩形算法等傳統(tǒng)圖像處理手段，提取目標(biāo)輪廓并計(jì)算其偏轉(zhuǎn)角度與閾值的差值，實(shí)現(xiàn)螺桿松動(dòng)的定量檢測(cè)。結(jié)果表明，所提方法對(duì)螺桿松動(dòng)故障具有較好的識(shí)別效果，同時(shí)能夠?qū)崿F(xiàn)自動(dòng)化、智能化，避免人為主觀判斷帶來(lái)的影響。

關(guān)鍵詞：機(jī)車走行部；螺桿松動(dòng)；故障檢測(cè)；YOLOv3；邊緣檢測(cè)

一、前言

螺桿是電力機(jī)車走行部廣泛采用的緊固件，具有連接力大、便于裝拆，成本低等優(yōu)點(diǎn)。然而，隨著鐵路運(yùn)輸對(duì)電力機(jī)車速度和軸重的要求不斷提高，走行部承受的載荷狀況越來(lái)越惡劣，使得螺桿在沖擊、振動(dòng)、變載荷等復(fù)雜環(huán)境中工作，此時(shí)螺紋連接的摩擦力和預(yù)緊力會(huì)逐漸減小，反復(fù)多次后造成螺桿松動(dòng)，最終帶來(lái)災(zāi)難性的后果。因此，為保障電力機(jī)車的安全運(yùn)行，對(duì)走行部螺桿進(jìn)行松動(dòng)故障檢測(cè)意義重大。

在螺桿無(wú)損檢測(cè)領(lǐng)域，已經(jīng)提出了諸多使用非破壞性技術(shù)識(shí)別螺桿松動(dòng)的方法，其中基于傳感器的檢測(cè)方法較為常見，主要有聲彈效應(yīng)法、導(dǎo)波法和阻抗法。

聲彈效應(yīng)法使用超聲傳感器通過(guò)對(duì)比收到的回波信號(hào)與發(fā)出信號(hào)在傳播速度上的變化來(lái)測(cè)量螺桿的預(yù)緊力變化[1]；導(dǎo)波法利用壓電傳感器檢測(cè)螺桿預(yù)緊力的動(dòng)態(tài)變化[2]；阻抗法利用壓電材料的正負(fù)壓電效應(yīng)[3]，以檢測(cè)到的電阻抗是否有變化作為依據(jù)，判斷螺桿的松動(dòng)程度，該方法彌補(bǔ)了導(dǎo)波法局部區(qū)域內(nèi)檢測(cè)效果較差的不足，具有較大的頻率帶寬。

基于傳感器的檢測(cè)方法需要給每一個(gè)待檢測(cè)的螺桿配備硬件裝置來(lái)采集檢測(cè)所需要的信號(hào)，存在測(cè)量設(shè)備復(fù)雜，成本昂貴，需要大量傳感器裝置等問(wèn)題，不適用于電力機(jī)車走行部螺桿數(shù)量非常龐大的應(yīng)用場(chǎng)景。

近年來(lái)，隨著人工智能的發(fā)展以及計(jì)算機(jī)視覺(jué)技術(shù)的成熟，利用圖像處理技術(shù)與深度學(xué)習(xí)的螺桿松動(dòng)檢測(cè)成為研究的熱點(diǎn)，主要檢測(cè)方式是通過(guò)計(jì)算機(jī)對(duì)螺桿圖像進(jìn)行分析處理，在圖像中定位螺桿位置，再通過(guò)圖像識(shí)別、圖像分割、數(shù)字圖像處理等手段來(lái)檢測(cè)螺桿在結(jié)構(gòu)或者角度上是否出現(xiàn)了變化，從而判斷螺桿是否松動(dòng)。

文獻(xiàn)[4]基于聚類 RBF 網(wǎng)絡(luò)利用離散變換提取圖像的可識(shí)別分離特征應(yīng)用于飛機(jī)螺桿松動(dòng)檢測(cè)算法；文獻(xiàn)[5]將頂端螺桿的螺紋數(shù)和寬高比兩個(gè)特征作為檢測(cè)依據(jù)，在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出了螺桿異常檢測(cè)方法。

但是上述方法主要適用于螺桿發(fā)生非常明顯松動(dòng)的場(chǎng)景，尚未針對(duì)電力機(jī)車走行部螺桿松動(dòng)問(wèn)題的檢測(cè)方法進(jìn)行研究。本文提出一種數(shù)字圖像處理與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的螺桿松動(dòng)故障檢測(cè)方法，相較于傳統(tǒng)人工實(shí)地目測(cè)有識(shí)別速度快、精度穩(wěn)定、自動(dòng)化程度高等優(yōu)點(diǎn)。

二、YOLOv3算法分析

2018年，Redmon等提出了YOLOv3算法，YOLOv3在YOLO系列上做出的主要改進(jìn)有：設(shè)計(jì)了 Darknet-53 作為特征提取網(wǎng)絡(luò)、構(gòu)建特征金字塔（FPN）、采用３種尺度的YOLO層進(jìn)行預(yù)測(cè)、利用Logistic進(jìn)行目標(biāo)分類。

YOLOv3進(jìn)行目標(biāo)檢測(cè)時(shí)，首先將輸入圖像縮放為 416×416，然后將圖像劃分為S×S個(gè)網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測(cè)中心落在該網(wǎng)格的目標(biāo)，預(yù)測(cè)值見式（1）。

P=S×S×B（5+C）" " " " " " " " " " " " " nbsp; " （1）

式中，P為預(yù)測(cè)結(jié)果，B為預(yù)測(cè)框的數(shù)量，C為檢測(cè)物體類別數(shù)，5 表示預(yù)測(cè)框的坐標(biāo)（x，y）、寬 w、高 h以及預(yù)測(cè)框中檢測(cè)物體的置信得分（如果存在檢測(cè)物體為 1，否則為 0）。

最后，使用非極大抑制（NMS）算法篩選出置信度得分較高的預(yù)測(cè)框?yàn)闄z測(cè)框。

損失函數(shù)的計(jì)算包括預(yù)測(cè)框坐標(biāo)誤差lossxy、預(yù)測(cè)框的寬高誤差losswh、置信度誤差lossconf和類別誤差lossclass，計(jì)算公式如式（2）-（5）[6，7]。

式中，i表示網(wǎng)格序號(hào)，j表示預(yù)測(cè)框序號(hào)。

三、螺桿松動(dòng)智能檢測(cè)算法

（一）螺桿圖像識(shí)別

通過(guò)Pytorch1.2.0+Python3.6.13搭建YOLOv3目標(biāo)檢測(cè)平臺(tái)，利用LabelImg對(duì)采集的螺桿圖像進(jìn)行標(biāo)注，構(gòu)建VOC格式數(shù)據(jù)集投入網(wǎng)絡(luò)訓(xùn)練，最后成功識(shí)別螺桿并裁剪保存[8]。

在配置為Intel Core（TM） i5-8250 CPU@1.60GHz、6GB NVIDIA GeFoce MX150、8GB RAM的 windows10操作系統(tǒng)上進(jìn)行網(wǎng)絡(luò)訓(xùn)練，部分網(wǎng)絡(luò)參數(shù)設(shè)置如表1。訓(xùn)練與驗(yàn)證同時(shí)進(jìn)行，采用余弦學(xué)習(xí)率衰減策略，并使用隨機(jī)梯度下降（SGD）進(jìn)行優(yōu)化。

圖1展示了YOLOv3網(wǎng)絡(luò)訓(xùn)練過(guò)程在訓(xùn)練集與驗(yàn)證集上的損失值收斂曲線。

（二）評(píng)價(jià)指標(biāo)

首先計(jì)算出模型的精確率P為90.48%和召回率R為54.81%，計(jì)算如式（6）和式（7） ，然后結(jié)合這兩個(gè)角度，利用平均準(zhǔn)確度AP評(píng)價(jià)模型的檢測(cè)效果，訓(xùn)練后YOLOv3對(duì)螺桿檢測(cè)準(zhǔn)確達(dá)82.64%，計(jì)算如式（8）。

（三）螺桿松動(dòng)檢測(cè)

檢測(cè)螺桿松動(dòng)的核心思想是提取螺桿防松線區(qū)域（本文中為紅色區(qū)域）的輪廓，計(jì)算所有輪廓的偏轉(zhuǎn)角度θ，如果未達(dá)到閾值則認(rèn)為螺桿沒(méi)有松動(dòng)。

首先，利用Python-Opencv 函數(shù)庫(kù)對(duì)裁剪得到的螺桿圖像進(jìn)行圖像增強(qiáng)，包括圖像去噪、顏色空間轉(zhuǎn)換和圖像二值化，二值化函數(shù)第二和第三個(gè)參數(shù)為紅色在HSV色彩空間中的范圍。然后，通過(guò)圖像形態(tài)學(xué)處理對(duì)二值化圖像降噪，采用先腐蝕后膨脹的操作，可以去除噪點(diǎn)，連接斷點(diǎn)。最后，利用Canny算子進(jìn)行邊緣檢測(cè)。Canny算子不容易受噪聲干擾，能夠檢測(cè)到真正的弱邊緣，它最重要的特點(diǎn)就是試圖將獨(dú)立的候選像素拼裝成輪廓。

在此基礎(chǔ)上，提取并篩選圖像外部輪廓。采用函數(shù)cv2.minAreaRect（）生成最小外接矩形，返回值包括矩形的中心點(diǎn)坐標(biāo)、長(zhǎng)、寬、旋轉(zhuǎn)角度[0，90）。將每個(gè)矩形旋轉(zhuǎn)角度轉(zhuǎn)化為與 OpenCV 中單個(gè)坐標(biāo)軸（x或y）夾角的絕對(duì)值，計(jì)算它們的角度差值并與閾值進(jìn)行比較。

四、實(shí)驗(yàn)結(jié)果與分析

（一）螺桿數(shù)據(jù)集

數(shù)據(jù)集是深度學(xué)習(xí)的基礎(chǔ)，然而針對(duì)電力機(jī)車走行部螺桿檢測(cè)，尚沒(méi)有公開的圖像數(shù)據(jù)集可供使用。本文使用在太原鐵路局湖東電力機(jī)務(wù)段現(xiàn)場(chǎng)拍攝的圖像為主數(shù)據(jù)，將從互聯(lián)網(wǎng)爬取的螺桿圖片作為輔助數(shù)據(jù)，借助 LabelImg 圖像標(biāo)注工具構(gòu)建螺桿圖像標(biāo)簽數(shù)據(jù)集。該數(shù)據(jù)集經(jīng)過(guò)數(shù)據(jù)篩選和數(shù)據(jù)增強(qiáng)后，由 666 張共包含 1025 個(gè)檢測(cè)螺桿的圖像組成。

（二）網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

利用 Anconda 配置虛擬環(huán)境 pytorch，搭建 YOLOv3 目標(biāo)檢測(cè)網(wǎng)絡(luò)。將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集三個(gè)子集，投入網(wǎng)絡(luò)訓(xùn)練如圖2所示。經(jīng)過(guò) 300 個(gè)輪次（epoch）后，loss 收斂至 0.03，模型訓(xùn)練完成。

從螺桿數(shù)據(jù)集中隨機(jī)抽取 6 張圖片進(jìn)行預(yù)測(cè)，紅色檢測(cè)框數(shù)字為置信度（0-1），代表對(duì)檢測(cè)結(jié)果為螺桿的把握，結(jié)果如圖2所示。

結(jié)果表明，訓(xùn)練后的模型可以有效預(yù)測(cè)螺桿松動(dòng)，但當(dāng)一張圖像中存在多個(gè)螺桿時(shí)，置信度會(huì)有所下降。

（三）松動(dòng)判定結(jié)果

從 YOLOv3 預(yù)測(cè)結(jié)果中隨機(jī)選取 10 張螺桿圖像進(jìn)行松動(dòng)檢測(cè)，設(shè)置安全閾值 θ0=6，完成檢測(cè)時(shí)間總共不到 1 秒，檢測(cè)結(jié)果如表2所示。

根據(jù)結(jié)果可知，本文所提方法能快速完成螺桿松動(dòng)檢測(cè)，并返回松動(dòng)程度相關(guān)數(shù)據(jù)，便于掌握螺桿松動(dòng)狀態(tài)。

五、結(jié)語(yǔ)

本文深度學(xué)習(xí)、應(yīng)用到電力機(jī)車走行部檢測(cè)領(lǐng)域，提出了一種螺桿松動(dòng)故障智能檢測(cè)方法。使用采集的螺桿圖像構(gòu)建數(shù)據(jù)集，通過(guò)引入YOLOv3卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后識(shí)別準(zhǔn)確率達(dá) 82.64%。針對(duì)螺桿松動(dòng)判斷，采用 Canny 邊緣檢測(cè)、最小外接矩形算法等傳統(tǒng)圖像處理手段，計(jì)算螺桿偏轉(zhuǎn)角度，實(shí)現(xiàn)定量檢測(cè)。

參考文獻(xiàn)

[1]佘丹.電力機(jī)車裝配過(guò)程中螺紋緊固件的防松處理[J].電力機(jī)車技術(shù)，2002（02）：30-32

[2]劉傳波，孫靜明，莫易敏.螺紋緊固件防松性能影響因素研究[J].現(xiàn)代制造工程，2018（04）：138-143.

[3]潘勤學(xué)，邵唱，肖定國(guó)，等.基于形狀因子的螺栓緊固力超聲檢測(cè)方法研究[J].兵工學(xué)報(bào)，2019，40（04）：880-888.

[4]Pan Q， Pan R， Chang M， et al. A shape factor based ultrasonic measurement method for determination of bolt preload[J]. NDT amp; E International， 2020， 111： 102210.

[5]杜飛，徐超.螺栓連接松動(dòng)的導(dǎo)波監(jiān)測(cè)技術(shù)綜述[J].宇航總體技術(shù)，2018（04）：13-23.

[6]李元生，高慶.基于小波分析的飛行器結(jié)構(gòu)緊固件松動(dòng)故障分析方法[J].強(qiáng)度與環(huán)境，2013，40（04）：48-51.

[7]王濤，楊志武，邵俊華，等.基于壓電阻抗技術(shù)的螺栓松動(dòng)檢測(cè)試驗(yàn)研究[J].傳感技術(shù)學(xué)報(bào)，2014，27（10）：1321-1325.

[8]王慶領(lǐng)，程慶陽(yáng)，謝雋然.螺栓松動(dòng)檢測(cè)的若干關(guān)鍵技術(shù)問(wèn)題[J].科學(xué)技術(shù)與工程，2021，21（22）：9194-9202.

作者單位：中國(guó)鐵路太原局集團(tuán)有限公司機(jī)務(wù)部

■ 責(zé)任編輯：周航