關于提升TEDS故障預警準確率的研究

劉 洋

(中國鐵路武漢局集團有限公司車輛部 湖北 武漢 430071)

為了保障動車組運行安全，在高鐵營業線、動車所出入庫線安裝了動車組運行故障圖像檢測系統(以下簡稱TEDS)，通過對運行動車組進行動態圖像檢測，以人機結合的方式，及時發現動車組關鍵部位故障并按要求處理。TEDS是動車組安全運行的重要監測設備，保障鐵路運輸安全的重要設施，通過在鋼軌兩邊設置高速攝像頭，拍攝動車組車底和車側的圖像，并與前一天的通過車圖像進行對比，如發現同一部位照片有差異，及時進行預警[1]。作業人員根據預警信息，進行復核判斷，發現故障及時上報并組織檢修人員進行處理，充分發揮安全防范作用。但現實使用過程中動車組故障預警的準確率并不高，不能滿足運用要求[2]。

1 TEDS使用情況

1.1 TEDS預警故障統計

2018年1月份至10月份，某動車段監控中心TEDS預警故障共計3 925 285件，經過復核真實故障僅有87件，預警準確率只有0.002 22%，遠不能滿足日常運用要求。具體統計表如表1所示。

鑒于TEDS自動報警的準確率低，目前采用人工查看的方法，對所有經過TEDS的動車組過車圖像全部進行人工檢查，增加了作業量，導致TEDS故障預警的作用尚未充分發揮。

1.2 原因分析

目前來講，TEDS對動車組故障預警準確率不高，主要有以下幾個原因：一是動車組運行通過TEDS時，不能保證每次均以時速70 km的速度勻速通過，高清攝像圖每次拍攝的照片均存在差異，通過圖像對比后，誤報故障高居不下；二是圖像對比技術不能保障故障識別的準確性，有待進一步改進和提升。

表1 TEDS故障預警準確率情況統計

要解決以上兩個問題，均有一定的難度。對于動車組運行不能勻速通過的問題，可以采用圖像矩陣校正的方法拉伸圖像，減少誤報率，但是不能從根本上解決問題。對于圖像對比技術本身的缺陷，改進的空間也不大。

故通過對圖像識別的研究，提出了以下幾點解決方法。

2 圖像識別

2.1 利用深度學習技術對圖像的識別

深度學習在眾多領域特別是圖像領域取得了成功應用，如目標檢測、語義分割、姿態估計、視頻理解等，也為動車組故障檢測這種具有海量圖像數據的問題提供了新的思路。所以在前期研究過程中，利用常用的深度學習技術對圖像進行識別，將現有的故障照片進行標定，通過提取故障照片的特征值，建立模型，對故障圖片進行識別。常見的故障識別率已經達到了100%，但是對于動車組部件螺栓松動等故障的識別，存在較大的難度，識別率并不理想。

2.2 多特征識別

由于螺栓松動等故障其缺乏具有一定規律的輪廓，因此一種有效的解決思路是在神經網絡中加入一些人工設計特征，從另一種角度講這些人工特征可以認為是訓練好的淺層網絡，通過與學習的deep特征相結合，從而可以提高檢測效果。文中所提出的多特征網絡也主要采用了特征融合的思想，針對螺栓松動的特點，在網絡前期和后期添加不同的特征，且添加的特征主要為low-level特征和紋理性特征，形成特征互補，從而提高網絡的檢測效果。

基于以上設想，提出新的方法的總體框架如圖1所示，對于輸入圖像I，首先使用傅里葉變換(FT)得到I的頻域圖If，利用LBP算法得到相應的特征圖Il, 將這三者初步融合得到第三階段卷積神經網絡的輸入I={I,If,Il。} ,最后得到high-level特征Fc, 同時，在第二階段分別計算輸入圖像I的灰度共生矩陣GLCM以及灰度直方圖Hist，然后從中提取若干low-level的統計特征Fg和Fh，并與特征Fc進行融合，得到特征，F=[Fc,Fg,Fh]最終利用MLP模型利用融合特征F對輸入圖像進行分類預測。在框架中，low-level特征編碼圖像的外部的整體分布特性，high-level特征編碼了內在的語義信息，兩者相結合完成預測。

圖1 多特征識別總體框架圖

在以上方法的基礎上，建立模型，通過對動車組部件螺栓松動故障圖片的測試，能夠識別出故障存在的位置，解決識別不準確的問題。

2.3 綜合識別

考慮到動車組故障數據較少，不能涵蓋所有的故障。即便通過深度學習技術能夠完全識別已經發生過的故障，但是對于未曾發生過的故障，也無法識別，存在缺陷。因此要進一步準確識別故障，同時避免漏報故障，需要采用多種技術綜合識別，所以即便圖像對比技術存在一定的缺陷，仍舊不能完全拋棄該技術，只有綜合利用各項技術，才能將圖像識別做到完美。

對此，采取將每個圖片進行重新標定、劃分區塊，再進行對比，重點對比動車組關鍵部件圖像。同一輛動車組不同位置同一部件、不同動車組相同位置，同一動車組不同日期相應的位置等都可以作為對比，是否存在差異，提升對比的準確性。同時融合深度學習技術，對重點部件圖片和曾經發生過的故障圖片不斷進行學習對比，使TEDS功能不斷趨于完美。

3 后期的改進措施

(1)利用綜合識別技術，改進圖像識別準確率，提升TEDS故障報警的準確率。該技術在高校實驗室已經驗證通過，目前正在逐步轉化成產品。

(2)進一步優化算法，還原因動車組運行速度不同造成的圖像伸縮，減少TEDS的誤報警。該技術高校正在研究中，已經有了突破性進展。

(3)采取在鋼軌上設置多個磁鋼，達到精準測速的目的，通過提取動車組速度特征值，減少因速度變化而導致的圖像變化。

目前上述措施已經在部分鐵路局進行了應用，效果良好。