基于多源數據分析的TEDS故障識別技術研究

楊 凱，劉 彬，崔中偉，謝 斌

（1.中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京，100081；2.中國鐵路總公司 機輛部，北京 100844；3.北京經緯信息技術有限公司，北京 100081）

利用動車組運行故障動態圖像檢測系統（TEDS,Trouble of moving EMU Detection System）[1]對動車組行車安全進行監控是保障動車組運行安全的一種重要監控手段[2]。

TEDS是一種安裝于高速鐵路軌旁的圖像采集監控設備，其利用軌旁圖像傳感器實現運行動車組走行部，制動配件，底架懸吊件，鉤緩連接，車體兩側裙板，轉向架等部位可見光圖像的實時采集，并在此基礎上，采用圖像自動識別技術進行處理與分析，發現動車組車體兩側，底部的異常狀態并自動報警提示，能夠為動車組運行狀態的故障發現提供技術支持[3]。然而，由于受光照，天氣，復雜車體狀態等圖像采集環境的變化，以及圖像識別技術自身發展限制的影響，單點運行的TEDS故障自動識別存在明顯的識別準確率低，誤判率高的問題，難以滿足現場運用需要[4]。

目前，TEDS故障自動識別方法主要包括目標提取法與差異比較法[5]。其中，受圖像識別技術發展，動車組故障發生率等局限的影響，目前主要采用的是差異比較法。所謂差異比較法[6]，是指利用當前采集的動車組監控圖像（簡稱：當前圖）與參考圖像進行圖像特征的求差，將特征差異明顯的區域標記為故障異常。根據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采集的當前圖與動車組的標準圖像進行差異比較（標準圖像比較法）；（2）利用同一列車的當前圖與歷史采集圖像進行差異比較（歷史圖像比較法）[7]。標準圖像比較法，參考圖像內容精確標準，能夠實現當前圖像差異的準確判定，然而受到動車組檢修維護，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，將當前圖與近期的歷史圖進行比較，能夠有效避免車體正常變化帶來的故障誤判問題，由于歷史圖像是實地現場采集，受鐵路沿線復雜環境的影響，參考內容不夠準確，亦存在明顯的故障誤判問題。

現有TEDS設備監控及故障識別仍主要采取單點設備運行的方式，可作參考的圖像主要是當前監控設備的歷史監控圖像，隨著TEDS設備綜合聯網監控系統的建設[8]，同一鐵路線多點的TEDS設備能夠實現對同一列車不同時間，不同地理位置監控圖像的采集。如何利用聯網運行的TEDS[9]，整合不同空間與時間TEDS設備采集的列車圖像進行多源數據分析，研究更加有效的故障識別方法，具有重要的研究價值與意義。

1 方法設計

1.1 總體流程

為了解決上述問題，本文設計了一種基于多源數據的動車組故障識別方法，如圖1所示。該方法將當前TEDS設備近期采集的該動車組歷史監控圖像作為時間歷史圖，同一線路上該動車組最近經過的其它TEDS設備采集的監控圖像作為空間歷史圖，當前TEDS設備采集的該動車組監控圖像作為當前圖，將時間歷史圖，空間歷史圖分別與當前圖進行圖像配準，獲取時間歷史配準圖及空間歷史配準圖，將時間歷史配準圖進行加權平均作為歷史標準圖，將空間歷史配準圖進行加權計算作為故障權重矩陣，將當前圖與歷史標準圖進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重矩陣計算得到故障標記矩陣，從而得出動車組圖像故障部位并自動提示報警。

圖1 故障識別方法流程圖

1.2 算法步驟

根據上述方法的總體流程，進一步設計具體算法，步驟如下：

（1）設當前TEDS設備近期采集的該動車組歷史監控圖像按時間倒序分別為s(0,-1)，s(0,-2)，…，s(0,-n)，同一線路上該動車組最近經過的其它TEDS設備所采集的監控圖像按照經過順序倒序分別為s(-1,0)，s(-2,0)，…，s(-n,0)，當前TEDS設備采集的當前圖為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)進行圖像預處理（包括亮度變換，對比度變換，去噪，去霧等），得到預處理后的圖像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)進行圖像配準，得到時間歷史配準圖S(0,-1)，S(0,-2)，…，S(0,-n)，以及空間歷史配準圖S(-1,0)，S(-2,0)，…，S(-n,0)。

圖2 動車組監控圖像標記示意圖

（2）設時間歷史配準圖為S(0,-1)，S(0,-2)，…，S(0,-n)，則歷史標準圖Sh為：

其中，αi—加權值，

∑αi=1 ；k—整數。

（3）設空間歷史配準圖為S(-1,0)，S(-2,0)，…，S(-n,0)，則故障權重矩陣W為：

其中，βi—加權值，

∑βi=1；δ—權重系數；

k—整數。

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

（5） 特征差異矩陣D的各元素與故障權重矩陣W相應的元素進行計算，得到矩陣F"；利用圖像分割算法，對矩陣F"進行計算，得到故障標記矩陣F。

矩陣F"利用如下式計算：

設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重矩陣，則矩陣F"的各元素為：

故障標記矩陣F利用如下式計算：

其中，F={zi|i=1,2,…,M}，

γ—閾值，常數。

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

2 試驗及效果

2.1 試驗設計

為驗證上述方法的有效性， 在不影響現場TEDS正常監控作業的情況下，本文僅選取位于上海鐵路局的某TEDS探測站設備（日均過車較多且臨近探測站較多）開展試驗。由于動車組本身車體狀態相對穩定，運行故障隱患較為稀少，因此，本文僅針對動車組車底，側下部運行中夾帶的紙團，塑料袋等異物類故障隱患開展識別試驗。

具體試驗步驟設計為：

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

（2）對于每一列車，分別根據車組號獲取同一探測站下該車最近連續過車監控圖像7列次；

（3）對于每一列車，根據列車運行交路信息查找該車沿途歷史所經車站對應的TEDS探測站，獲取2日內各探測站該車監控圖像；

（4）利用上述數據，采用本文算法對列車故障進行識別，并與原探測站當日監測時原識別算法上報的故障預警信息情況進行比較。

試驗過程中，本文算法采用MATLAB實現，算法運行硬件環境為4核3.6 GHz CPU，16 GB內存計算機，運行環境為W indow s 1 064 bit操作系統。所對比的原探測站算法運行于TEDS軌邊機房服務器上。由于與對比算法運行環境不同，本試驗過程未計算算法運行時間。

2.2 試驗結果及分析

經試驗統計可知，試驗數據中共包括實際故障隱患位置10處；原探測站共計上報疑似故障標記128處，準確預報故障隱患7處，其余均為誤報，漏報故障隱患3處；采用本文方法共計上報疑似故障標記85處，準確預報故障隱患9處，如圖3、圖4所示。

圖3 本文方法預報故障截圖A

圖4 本文方法預報故障截圖B

其余均為誤報，漏報故障隱患1處。本文方法相較既有方法能夠提高故障自動識別率，降低誤報率。進一步分析發現，采用本文方法漏報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，人工看圖時亦不易察覺如圖5所示。

圖5 本文方法漏報故障截圖及局部放大示意圖

3 結束語

本文基于聯網應用的TEDS，結合傳統的差異檢測法，對不同空間與時間TEDS采集的同一列車圖像進行多源數據分析，提出了一種基于多源數據的動車組故障識別方法。該方法通過對時間、空間數據采取不同方式的配準融合，并設計與當前采集圖像求取權重差異，從而實現動車組車體異常部位檢測。試驗表明，本文提出的故障識別方法，能夠建立更為準確的對比參考源，減少自然環境，車體運行環境等對成像內容的影響，從而有效提高動車組運行故障自動識別率，降低誤報率。同時，本方法也是一種將故障自動識別歸集于硬件資源更為充裕，運行環境更為穩定的監控中心的技術思路，為優化TEDS軌旁設備結構，提高設備運行穩定性提供了技術依據。下一步，將在不斷累積動車組故障類型及數量的基礎上，針對動車組關鍵部位及部件開展基于深度學習的故障識別研究。