基于線陣相機的鐵路列車變流器超溫故障檢測方法

王正光，杭利平，韋陽

（1.國家能源集團新朔鐵路有限責任公司，呼和浩特 010000；2.武漢利德測控技術有限公司，武漢 430000）

引言

在大準鐵路復線建成之后，各個車站的接發和發車的工作量越來越大，助理值班員要處理好上下兩個方向的列車，這就產生了各種各樣的安全隱患。因此，保障鐵路運輸安全，是當前需要重點研究的目標。目前，大準鐵路的接發工作以人為主，以簡單的人-機組合為主，主要靠值班助理“三面六看”，及時發現并消除始發和運行過程中可能出現的安全隱患。最近幾年，特別是在大準鐵路二線改造之后，交通量出現了跨越式的增加，車流量也變得很大，但是，在接待人員的時候，他們只能夠看見列車的一面，不能及時地發現另一面的安全隱患。為了防止這種情況的發生，大準鐵路迫切需要一種可以準確可靠地檢測出鐵路列車變流器超溫故障檢測方法，它可以實現對數據的實時反饋、緩放回放以及搜索，從而保證大準鐵路的列車安全運行。

現有的故障檢測方法主要分為基于模型算法和基于信號算法，其中文獻[1]提出的基于模型檢測算法，根據實際輸出與模型預測輸出結果是否一致進行故障檢測。通過模塊化多頻電壓觀測器提供的參考電壓建立檢測模型，如果理想與實際電壓之差超過一定臨界值，就可以判定為發生了故障，反之，就可以判定為不發生故障。以模型為基礎的檢測精度對觀測器觀測精度有太大的依賴性，因為觀測器是一種受多種變量影響的非線性系統，所以很難獲得精確檢測結果；文獻[2]提出的基于信號檢測算法，該方法對傳感器采集到的電流和電壓信號，設置了一個故障門限，并根據門限的大小來判定逆變器的故障。因為在確定故障閾值時，需要考慮到噪聲因素，所以給應用信號檢測算法帶來一定困難。為此，提出了基于線陣相機的鐵路列車變流器超溫故障檢測方法。該方法采用改進區域生長-消除法分割變流器紅外熱圖像，通過溫度定標算法計算變流器溫度，校正線陣相機畸變，確定變流器超溫故障位置。

1 改進區域生長-消除法線陣相機圖像分割

鐵路列車變流器電路面板的紅外熱像可劃分為發熱區、輻射區以及背景區，而對象分割與提取方法主要針對發熱區進行研究。傳統的紅外熱像分辨率低、對比度低，容易受到外界環境影響，加之現代電子產品高度小型化和集成化，以及換流器之間的密集布置，使得精確的紅外圖像分割和提取變得更加困難。然而，目前已有多種圖像分割方法，均受其自身特性及局限性影響，無法直接用于線陣相機圖像分割[3]。

考慮到區域生長方法原理簡單，相對容易實現，并且還擁有良好的分割效果，在改進區域生長-消除方法基礎上，研究一種適用于車載熱源變流器的分割方法，如圖1 所示。

圖1 改進區域生長-消除法線陣相機圖像分割流程

由于在場景中分割大區域圖像，導致圖像分割結果往往存在多個小區域。在這種情況下，小區域需要依據相似性進行合并，使小區域圖像塊分布更加密集。常規區域生長方法只能獲取單一對象，而在實際應用中，一個電路板上往往存在多個熱源，而且每個熱源的溫度都不一樣[4,5]。為了求取多個電路板發熱區，提出一種面積增長方法，從原圖像中求取一發熱區，并在原圖像中消去此區（將此區稱為背景灰），再求取另一發熱區，并在原圖像中消去此區，直至原圖像中各像素的灰階接近于背景灰階為止。

線陣相機圖像分割結果，如圖2 所示。

圖2 線陣相機圖像分割結果

由圖2 可知，圖像發熱區域灰度值較小，不發熱區域灰度值較大，通過該分割結果能夠有效區分發熱區域和不發熱區域。

2 基于線陣相機的變流器超溫故障檢測

根據改進區域生長-消除法線陣相機圖像分割結果，獲取發熱區域和不發熱區域。采用溫度定標算法結合最小二乘法多項式曲線擬合方法，計算變流器溫度。在確定發生超溫故障后，對線陣相機進行畸變校正，結合積分波形修復算法，精確定位變流器超溫故障位置。

2.1 基于溫度定標算法的變流器溫度計算

由于線陣相機最終目標是在ARM-Linux系統下實現，電路板上發熱變流器大多數為有源變流器，所以采用了溫度標定紅外測溫方法[6]。在室溫（23±5）℃條件下，通過紅外熱成像技術獲取不同溫度下的黑體樣品的灰度值，利用最小二乘多項曲線擬合，得到溫度與灰度之間的函數關系，可用如下公式表示：

公中：

I—圖像灰度值；

E—多項式系數矩陣。

將變流器內結溫度控制在125 ℃以內，以保證曲線的穩定性和可靠性。因此，在變流器超溫故障判定算法中，以125 ℃為閾值，通過溫度校準算法，計算出變流器表面溫度和周圍溫度，由此對變流器故障狀況進行判斷[7,8]。

對于變流器耗散功率，計算公式為：

式中：

Tc、Ta—變流器表面溫度和環境溫度；

Rc、Ra—變流器內部至變流器表面熱阻和變流器內部至環境的熱阻[9]。變流器功耗是由溫度差和熱阻差決定的，基于此計算環境溫度下的變流器溫度，公式為：

通過公式（3）計算結果可知，如果該計算結果超過閾值125 ℃，那么即可判定變流器發生超溫故障。

2.2 基于線陣相機畸變校正的變流器超溫故障位置確定

鐵路列車變流器在出現超溫故障時，絕緣柵雙極型晶體管定子電流處于非平穩狀態，速度越快定子電流頻率也就越高，線陣相機拍攝的圖像會存在一定程度畸變[10]。為了獲取精確的變流器超溫故障位置，需要對捕獲超溫故障變流器圖像的線陣相機進行畸變校正，示意圖如圖3 所示。

圖3 線陣相機畸變校正示意圖

圖3 中，x2o2y2為被測變流器表面；o1x1為線陣相機的線性傳感方向；o1x1a為平行于變流器表面輔助方向；a為o1x1a與o1x1的夾角[11]。充分考慮線陣相機鏡頭本身的非線性畸變，構建數學模型，公式為：

式中：

λ0、λ1、λ2…λn—畸變系數；

R—目標在線陣相機的線性傳感器方向實際歸一化視覺現場大小[12]。

在畸變校正情況下，精確定位變流器超溫故障位置，詳細步驟為：

步驟1：在信號角度域中同步采樣，獲取初始采樣點，將該點當作電流信號初始點，計算下一個采樣所耗費的時間：

式中：

tc—當前時間；

vc—當前速度；

n—采樣點數量[13]。

步驟2：如果當前采樣點數量能夠滿足檢測要求的樣本，則計算下一個采樣滑動窗口大小，公式為：

式中：

ts—設定的滑動窗口[14]。

步驟3：在劃分的滑動窗口內，采用積分波形修復算法，劃分變流器定子電流波形的前半周期和后半周期，其中電流修復表達式為：

式中：

μ p、μn—正、負半周期幅值；

x—采樣點。

步驟4：根據電流修復表達式，將前后半周期波形與電流等于0 時圍成的面積用如下公式表示：

式中：

sump、-sumn—所選樣本點大于0 和小于0 值的和[15]。

步驟5：為了方便分析，構建了如圖4 所示的三相六階段輸出變流器電路圖。

圖4 三相六階段輸出變流器電路圖

根據前半周期和后半周期電流波形，將數據規范化處理，當相鄰橋臂兩個同側絕緣柵雙極型晶體管發生超溫故障時，例如D1、D3 處出現超高溫，如果A 相電流無法通過D1，那么A 相產生的電流就是非正電流；如果B 相電流無法通過D3，那么B 相產生的電流就是非正電流。根據三相電流之和為0 的原則，當A 相、B 相電流均為負時，C 相電流也為負，這表明相鄰橋臂兩測出現了超溫故障。

3 實驗

3.1 實驗布置

系統部署在神華新朔鐵路大準分公司龍王渠站，分為控制中心和檢測前端，室外設備如圖5 所示。

圖5 室外設備

控制中心主要部署數據服務器、分析服務器、數據存儲磁盤陣列、監控終端等設備，檢測前端主要包含安裝有檢測設備的龍門架和機柜。用于數據采集的線陣相機、面陣相機、激光雷達安裝在龍門架上，拾音器、磁鋼置于鋼軌上，機柜位于龍門架上兩側。本實驗部署的數據包含結構化的文本和數字量數據也包含非結構化的視頻和圖像數據。

3.2 實驗平臺設計

在大準鐵路龍王渠車站D17 信號機外方（對應正線里程K250+590 m-615 m）和龍王渠至老牛灣下行線K250+630-700 m 處安裝鐵路接發列車狀態檢測實驗平臺。

數據采集端主要設備包含：基礎塔架、磁鋼、線陣圖像采集設備、面陣視頻采集設備、車號識別系統、LED 燈、高保真聲音采集器、車輪溫度采集器、系統控制器、信號傳輸等設備。

機房服務端主要實現車輛故障智能識別，過車數據存儲，主要設備包含：數據存儲服務器、算法服務器、網絡交換機等。

車站監控端主要為值班員提供可視化交互終端，實現信息化作業。主要設備包含：應用終端、高清顯示器、音箱、操作臺等設備組成。實驗平臺結構，如圖6 所示。

圖6 實驗平臺結構

當列車接近塔架時，軌道內設置的車輪傳感器觸發系統啟動，高清圖像采集模塊、高清視頻采集模塊、高保真聲音采集模塊、激光雷達測距模塊、溫度檢測模塊和車號采集系統會同時采集車輛數據，過車完畢后，數據采集系統自動關閉，并將圖像、視頻、聲音，溫度等數據上傳至算法服務器，算法服務器搭載圖像智能檢測識別模塊，會根據接收到的數據信息進行實驗驗證分析。

3.3 實驗數據分析

通過實驗平臺獲取了熱成像圖，如圖7 所示。

圖7 熱成像圖

由圖7 可知，正常情況下變流器溫度范圍為（40.0～52.0）℃，該處的溫度超過了正常溫度范圍，說明此處發生了故障。該故障位置對應的電流、電壓波形，如圖8 所示。

圖8 故障電流、電壓波形

由圖8 可知，故障電流、電壓波動范圍分別為[（-1.5～1.5）A]、[（-2～2）V]，且波動曲線存在毛刺，諧波影響了電流、電壓變化。

3.4 實驗結果與分析

根據實驗數據，分別使用基于模型檢測算法、基于信號檢測算法和基于線陣相機檢測方法對比分析故障電流、電壓波形檢測結果是否與實驗數據一致，如圖9所示。

圖9 不同方法故障電流、電壓波形檢測結果對比分析

由圖9（a）可知，使用基于模型檢測算法故障電流、電壓波動范圍分別為[（-0.7～0.7）A]、[（-1.5～1.5）V]，且波動曲線存在毛刺，使用該方法沒有解決諧波問題。

由圖9（b）可知，使用基于信號檢測算法故障電流、電壓波動范圍分別為[（-0.8～1.7）A]、[（-1.5～3）V]，且波動曲線存在毛刺，使用該方法沒有解決諧波問題；

由圖9（c）可知，使用基于線陣相機檢測方法故障電流、電壓波動范圍分別為[（-1.5～1.5）A]、[（-2～2）V]，波動曲線平滑，使用該方法有效解決了諧波問題。

4 結束語

現有檢測方法雖然有效，但受到諧波影響無法獲取標準的故障檢測結果，為此，提出了基于線陣相機的鐵路列車變流器超溫故障檢測方法，并得到如下研究結論：

1）通過最小二乘法多項式曲線擬合方法，擬合發熱區域變流器內部結溫數據；

2）采用溫度定標算法，計算變流器溫度；

3）構建線陣相機畸變校正數學模型，校正線陣相機畸變，結合積分波形修復方法修復電流波形，并消除諧波。

4）通過設計三相六階段輸出變流器電路圖，精確定位變流器超溫故障位置。