楊 凱，劉 彬，崔中偉，謝 斌

（1.中國鐵道科學(xué)研究院集團(tuán)有限公司 電子計(jì)算技術(shù)研究所，北京，100081；2.中國鐵路總公司 機(jī)輛部，北京 100844；3.北京經(jīng)緯信息技術(shù)有限公司，北京 100081）

利用動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測系統(tǒng)（TEDS,Trouble of moving EMU Detection System）[1]對(duì)動(dòng)車組行車安全進(jìn)行監(jiān)控是保障動(dòng)車組運(yùn)行安全的一種重要監(jiān)控手段[2]。

TEDS是一種安裝于高速鐵路軌旁的圖像采集監(jiān)控設(shè)備，其利用軌旁圖像傳感器實(shí)現(xiàn)運(yùn)行動(dòng)車組走行部，制動(dòng)配件，底架懸吊件，鉤緩連接，車體兩側(cè)裙板，轉(zhuǎn)向架等部位可見光圖像的實(shí)時(shí)采集，并在此基礎(chǔ)上，采用圖像自動(dòng)識(shí)別技術(shù)進(jìn)行處理與分析，發(fā)現(xiàn)動(dòng)車組車體兩側(cè)，底部的異常狀態(tài)并自動(dòng)報(bào)警提示，能夠?yàn)閯?dòng)車組運(yùn)行狀態(tài)的故障發(fā)現(xiàn)提供技術(shù)支持[3]。然而，由于受光照，天氣，復(fù)雜車體狀態(tài)等圖像采集環(huán)境的變化，以及圖像識(shí)別技術(shù)自身發(fā)展限制的影響，單點(diǎn)運(yùn)行的TEDS故障自動(dòng)識(shí)別存在明顯的識(shí)別準(zhǔn)確率低，誤判率高的問題，難以滿足現(xiàn)場運(yùn)用需要[4]。

目前，TEDS故障自動(dòng)識(shí)別方法主要包括目標(biāo)提取法與差異比較法[5]。其中，受圖像識(shí)別技術(shù)發(fā)展，動(dòng)車組故障發(fā)生率等局限的影響，目前主要采用的是差異比較法。所謂差異比較法[6]，是指利用當(dāng)前采集的動(dòng)車組監(jiān)控圖像（簡稱：當(dāng)前圖）與參考圖像進(jìn)行圖像特征的求差，將特征差異明顯的區(qū)域標(biāo)記為故障異常。根據(jù)參考圖像類型的不同，差異比較法又分為2種方式：（1）利用TEDS采集的當(dāng)前圖與動(dòng)車組的標(biāo)準(zhǔn)圖像進(jìn)行差異比較（標(biāo)準(zhǔn)圖像比較法）；（2）利用同一列車的當(dāng)前圖與歷史采集圖像進(jìn)行差異比較（歷史圖像比較法）[7]。標(biāo)準(zhǔn)圖像比較法，參考圖像內(nèi)容精確標(biāo)準(zhǔn)，能夠?qū)崿F(xiàn)當(dāng)前圖像差異的準(zhǔn)確判定，然而受到動(dòng)車組檢修維護(hù)，自然老化等因素的影響，容易將車體正常的變化誤判為故障，誤判率較高。歷史圖像比較法，將當(dāng)前圖與近期的歷史圖進(jìn)行比較，能夠有效避免車體正常變化帶來的故障誤判問題，由于歷史圖像是實(shí)地現(xiàn)場采集，受鐵路沿線復(fù)雜環(huán)境的影響，參考內(nèi)容不夠準(zhǔn)確，亦存在明顯的故障誤判問題。

現(xiàn)有TEDS設(shè)備監(jiān)控及故障識(shí)別仍主要采取單點(diǎn)設(shè)備運(yùn)行的方式，可作參考的圖像主要是當(dāng)前監(jiān)控設(shè)備的歷史監(jiān)控圖像，隨著TEDS設(shè)備綜合聯(lián)網(wǎng)監(jiān)控系統(tǒng)的建設(shè)[8]，同一鐵路線多點(diǎn)的TEDS設(shè)備能夠?qū)崿F(xiàn)對(duì)同一列車不同時(shí)間，不同地理位置監(jiān)控圖像的采集。如何利用聯(lián)網(wǎng)運(yùn)行的TEDS[9]，整合不同空間與時(shí)間TEDS設(shè)備采集的列車圖像進(jìn)行多源數(shù)據(jù)分析，研究更加有效的故障識(shí)別方法，具有重要的研究價(jià)值與意義。

1 方法設(shè)計(jì)

1.1 總體流程

為了解決上述問題，本文設(shè)計(jì)了一種基于多源數(shù)據(jù)的動(dòng)車組故障識(shí)別方法，如圖1所示。該方法將當(dāng)前TEDS設(shè)備近期采集的該動(dòng)車組歷史監(jiān)控圖像作為時(shí)間歷史圖，同一線路上該動(dòng)車組最近經(jīng)過的其它TEDS設(shè)備采集的監(jiān)控圖像作為空間歷史圖，當(dāng)前TEDS設(shè)備采集的該動(dòng)車組監(jiān)控圖像作為當(dāng)前圖，將時(shí)間歷史圖，空間歷史圖分別與當(dāng)前圖進(jìn)行圖像配準(zhǔn)，獲取時(shí)間歷史配準(zhǔn)圖及空間歷史配準(zhǔn)圖，將時(shí)間歷史配準(zhǔn)圖進(jìn)行加權(quán)平均作為歷史標(biāo)準(zhǔn)圖，將空間歷史配準(zhǔn)圖進(jìn)行加權(quán)計(jì)算作為故障權(quán)重矩陣，將當(dāng)前圖與歷史標(biāo)準(zhǔn)圖進(jìn)行變化檢測獲取特征差異矩陣，利用特征差異矩陣與故障權(quán)重矩陣計(jì)算得到故障標(biāo)記矩陣，從而得出動(dòng)車組圖像故障部位并自動(dòng)提示報(bào)警。

圖1 故障識(shí)別方法流程圖

1.2 算法步驟

根據(jù)上述方法的總體流程，進(jìn)一步設(shè)計(jì)具體算法，步驟如下：

（1）設(shè)當(dāng)前TEDS設(shè)備近期采集的該動(dòng)車組歷史監(jiān)控圖像按時(shí)間倒序分別為s(0,-1)，s(0,-2)，…，s(0,-n)，同一線路上該動(dòng)車組最近經(jīng)過的其它TEDS設(shè)備所采集的監(jiān)控圖像按照經(jīng)過順序倒序分別為s(-1,0)，s(-2,0)，…，s(-n,0)，當(dāng)前TEDS設(shè)備采集的當(dāng)前圖為s(0,0)，如圖 2 所 示。 分 別 將s(0,-1)，s(0,-2)， …，s(0,-n)，s(-1,0)，s(-2,0)，…，s(-n,0)以及s(0,0)進(jìn)行圖像預(yù)處理（包括亮度變換，對(duì)比度變換，去噪，去霧等），得到預(yù)處理后的圖像s"(0,-1)，s"(0,-2)，…，s"(0,-n)，s"(-1,0)，s"(-2,0)，…，s"(-n,0)，以及S(0,0)；利用圖像配準(zhǔn)算法分別將s"(0,-1)，s"(0,-2)，…，s"(0,-n)，s"(-1,0)，s"(-2,0)，…，s"(-n,0)與S(0,0)進(jìn)行圖像配準(zhǔn)，得到時(shí)間歷史配準(zhǔn)圖S(0,-1)，S(0,-2)，…，S(0,-n)，以及空間歷史配準(zhǔn)圖S(-1,0)，S(-2,0)，…，S(-n,0)。

圖2 動(dòng)車組監(jiān)控圖像標(biāo)記示意圖

（2）設(shè)時(shí)間歷史配準(zhǔn)圖為S(0,-1)，S(0,-2)，…，S(0,-n)，則歷史標(biāo)準(zhǔn)圖Sh為：

其中，αi—加權(quán)值，

∑αi=1 ；k—整數(shù)。

（3）設(shè)空間歷史配準(zhǔn)圖為S(-1,0)，S(-2,0)，…，S(-n,0)，則故障權(quán)重矩陣W為：

其中，βi—加權(quán)值，

∑βi=1；δ—權(quán)重系數(shù)；

k—整數(shù)。

（4） 將預(yù)處理后的當(dāng)前圖S(0,0)與歷史標(biāo)準(zhǔn)圖Sh分別進(jìn)行基于小波變換的邊緣提取[10]，得到當(dāng)前特征圖C與歷史特征圖Ch；將當(dāng)前特征圖C與歷史特征圖Ch進(jìn)行差異比較，得到特征差異矩陣D。

（5） 特征差異矩陣D的各元素與故障權(quán)重矩陣W相應(yīng)的元素進(jìn)行計(jì)算，得到矩陣F"；利用圖像分割算法，對(duì)矩陣F"進(jìn)行計(jì)算，得到故障標(biāo)記矩陣F。

矩陣F"利用如下式計(jì)算：

設(shè)D={xi|i=1, 2, …,M}，W={yi|i=1, 2,…,M}，分別表示特征差異矩陣與故障權(quán)重矩陣，則矩陣F"的各元素為：

故障標(biāo)記矩陣F利用如下式計(jì)算：

其中，F(xiàn)={zi|i=1,2,…,M}，

γ—閾值，常數(shù)。

（6）框選故障標(biāo)記矩陣中值為1的圖像位置，并合并相鄰框，形成故障報(bào)警標(biāo)記位置。

2 試驗(yàn)及效果

2.1 試驗(yàn)設(shè)計(jì)

為驗(yàn)證上述方法的有效性， 在不影響現(xiàn)場TEDS正常監(jiān)控作業(yè)的情況下，本文僅選取位于上海鐵路局的某TEDS探測站設(shè)備（日均過車較多且臨近探測站較多）開展試驗(yàn)。由于動(dòng)車組本身車體狀態(tài)相對(duì)穩(wěn)定，運(yùn)行故障隱患較為稀少，因此，本文僅針對(duì)動(dòng)車組車底，側(cè)下部運(yùn)行中夾帶的紙團(tuán)，塑料袋等異物類故障隱患開展識(shí)別試驗(yàn)。

具體試驗(yàn)步驟設(shè)計(jì)為：

（1）選取存在車底，側(cè)下部夾帶異物情況的10列動(dòng)車組監(jiān)控圖像（僅取故障所在車輛及部件圖像）；

（2）對(duì)于每一列車，分別根據(jù)車組號(hào)獲取同一探測站下該車最近連續(xù)過車監(jiān)控圖像7列次；

（3）對(duì)于每一列車，根據(jù)列車運(yùn)行交路信息查找該車沿途歷史所經(jīng)車站對(duì)應(yīng)的TEDS探測站，獲取2日內(nèi)各探測站該車監(jiān)控圖像；

（4）利用上述數(shù)據(jù)，采用本文算法對(duì)列車故障進(jìn)行識(shí)別，并與原探測站當(dāng)日監(jiān)測時(shí)原識(shí)別算法上報(bào)的故障預(yù)警信息情況進(jìn)行比較。

試驗(yàn)過程中，本文算法采用MATLAB實(shí)現(xiàn)，算法運(yùn)行硬件環(huán)境為4核3.6 GHz CPU，16 GB內(nèi)存計(jì)算機(jī)，運(yùn)行環(huán)境為W indow s 1 064 bit操作系統(tǒng)。所對(duì)比的原探測站算法運(yùn)行于TEDS軌邊機(jī)房服務(wù)器上。由于與對(duì)比算法運(yùn)行環(huán)境不同，本試驗(yàn)過程未計(jì)算算法運(yùn)行時(shí)間。

2.2 試驗(yàn)結(jié)果及分析

經(jīng)試驗(yàn)統(tǒng)計(jì)可知，試驗(yàn)數(shù)據(jù)中共包括實(shí)際故障隱患位置10處；原探測站共計(jì)上報(bào)疑似故障標(biāo)記128處，準(zhǔn)確預(yù)報(bào)故障隱患7處，其余均為誤報(bào)，漏報(bào)故障隱患3處；采用本文方法共計(jì)上報(bào)疑似故障標(biāo)記85處，準(zhǔn)確預(yù)報(bào)故障隱患9處，如圖3、圖4所示。

圖3 本文方法預(yù)報(bào)故障截圖A

圖4 本文方法預(yù)報(bào)故障截圖B

其余均為誤報(bào)，漏報(bào)故障隱患1處。本文方法相較既有方法能夠提高故障自動(dòng)識(shí)別率，降低誤報(bào)率。進(jìn)一步分析發(fā)現(xiàn)，采用本文方法漏報(bào)的故障隱患其異物的圖像特征與車體背景較為一致，且總體亮度較暗，人工看圖時(shí)亦不易察覺如圖5所示。

圖5 本文方法漏報(bào)故障截圖及局部放大示意圖

3 結(jié)束語

本文基于聯(lián)網(wǎng)應(yīng)用的TEDS，結(jié)合傳統(tǒng)的差異檢測法，對(duì)不同空間與時(shí)間TEDS采集的同一列車圖像進(jìn)行多源數(shù)據(jù)分析，提出了一種基于多源數(shù)據(jù)的動(dòng)車組故障識(shí)別方法。該方法通過對(duì)時(shí)間、空間數(shù)據(jù)采取不同方式的配準(zhǔn)融合，并設(shè)計(jì)與當(dāng)前采集圖像求取權(quán)重差異，從而實(shí)現(xiàn)動(dòng)車組車體異常部位檢測。試驗(yàn)表明，本文提出的故障識(shí)別方法，能夠建立更為準(zhǔn)確的對(duì)比參考源，減少自然環(huán)境，車體運(yùn)行環(huán)境等對(duì)成像內(nèi)容的影響，從而有效提高動(dòng)車組運(yùn)行故障自動(dòng)識(shí)別率，降低誤報(bào)率。同時(shí)，本方法也是一種將故障自動(dòng)識(shí)別歸集于硬件資源更為充裕，運(yùn)行環(huán)境更為穩(wěn)定的監(jiān)控中心的技術(shù)思路，為優(yōu)化TEDS軌旁設(shè)備結(jié)構(gòu)，提高設(shè)備運(yùn)行穩(wěn)定性提供了技術(shù)依據(jù)。下一步，將在不斷累積動(dòng)車組故障類型及數(shù)量的基礎(chǔ)上，針對(duì)動(dòng)車組關(guān)鍵部位及部件開展基于深度學(xué)習(xí)的故障識(shí)別研究。