论文部分内容阅读
动车组列车作为一种高速,载客量大的铁路交通工具,其安全毫无疑问是重中之重。动车组行车安全保障工作有很多方面,提高动车组检修作业效率、保证动车组的检修质量和监测动车组的运行状态都是动车组运行安全保障工作中有效的工作措施。动车组故障轨边图像检测系统(Trouble of Moving EMU Detection System,简称TEDS)应用计算机、网络通讯、自动控制和机器视觉技术并引进科学的管理方法和系统化的开发方法,为铁路动车组运行故障检测提供故障图片信息动态收集、存储、传输及自动识别预警服务,提高动车组检修作业质量、效率和车辆安全防范的水平,加强动车组运用中故障基础信息的收集、管理,是5T系统的一个重要组成部分。早期TEDS系统采用面阵相机配套LED光源,系统抗阳光干扰能力弱,采集到的图像质量差,且图像不能做到无缝拼接,给后期自动识别也带来了限制条件。针对早期TEDS系统存在的图像质量问题,将线扫描技术及激光光源引入到TEDS,根据线扫描成像的特点,通过实验室阶段可行性分析、计算、选型、设计及调试,成功研发了一套线扫描图像采集装置,实现了列车运行方向上图片的无缝拼接,更好地解决阳光干扰问题,彻底避免了丢图窜图现象的发生。早期TEDS系统自动识别采用历史对比的方法比对当前车及上一次同一列车在图像上的不同,在应用过程中虽然有真实故障报警,但是故障误报率及故障数高居不下,且无法进行故障等级分类。通过引入机器视觉深度学习的方法,将动车组故障图像按检修规程分门别类,让计算机学习训练不同的故障特征向量正负样本,具体应用为基于keras框架下的vgg16深度网络进行重要部件图像特征的提取学习。识别算法完成并部署后,通过对现场动车组关键部件三角锁、闸片及闸片安装托的故障自动识别测试验证,能做到故障识别误报率降低到50%以下,且零漏报。算法验证成熟后以后将逐步实现各关键部位故障的自动识别、报警,实现真正的动车组全自动动态故障的检测。