基于神經網絡算法的高速動車組智能檢修處理系統研究

摘要：目前我國動車組一級修主要依靠檢修人員目視檢查，勞動強度大，且對作業者依賴性較大，存在安全隱患。為解決該問題，提高檢修質量，研發一款基于深度學習的智能檢修輔助支持系統。該系統通過設計檢修流程實現檢修作業的過程管控，通過深度學習技術實現對故障的識別并故障預警。為了實現故障識別功能，研發基于神經網絡的多算法融合的識別算法，并通過部件識別、檢修點定位及故障檢測的分級方式提高其準確度。通過對模型進行壓縮，實現移動端的流暢運行，最終本系統在現場應用中取得了良好的效果。

關鍵詞：高鐵檢修;圖像處理;深度學習

中圖分類號：U269

文獻標志碼：A

1研究背景

隨著國家科學實力的不斷增強，高速動車、高鐵項目技術水平不斷提高，高速動車的運營取得很好的效果。高速動車運行具有環境復雜、載客量大、運營里程長及運行速度快等特點。如何保證高鐵動車組運行絕對安全，成為倍受社會各界關注的焦點話題和鐵路運輸企業的重點任務[1]。

圖像處理技術一直是研究者關注的技術領域，20世紀80年代，場景分析以及重建得到了快速發展，圖像金字塔、尺度空間、小波等概念被相繼提出。20世紀90年代，在識別中使用投影不變量的研究呈現爆發式增長，這期間圖像領域的全局優化、光束平差法、光流法、圖像分割以及統計方法等概念廣為人知。進入21世紀，這期間進行的高動態范圍（high dynamic range，HDR）圖像捕捉成為了主流研究方向?，F在，基于深度學習等相關理論的計算機視覺技術正在逐漸改變傳統的研究方法，深度學習的理論也開始促使圖像處理技術走向成熟，在各大領域中取得了巨大的成就，例如安檢領域中的人臉識別、人工智能領域的自動駕駛等。

在西方發達國家，圖像處理技術應用在高鐵檢修上的時間比較早。20世紀50年代，德國便開始了這項研究。目前已形成較為完善的檢測、評價和故障處理系統。隨著高速鐵路技術的發展，法國、日本等國家相繼建立了自己的檢測和缺陷處理系統。一些最著名的檢測系統包括荷蘭的ATON系統，德國的Track.eye系統，西班牙的RENFE系統。

與西方發達國家相比，電氣化鐵路檢測在中國起步較晚。真正意義上的鐵路現代檢測技術的研究始于20世紀90年代初。目前，中國已經進入了高速鐵路的快速發展時期，為了解決傳統檢測與機車運行維護之間的矛盾，基于視覺的故障檢測技術逐漸成為一個途徑。

據報道，2017年上海鐵路局組織召開的“神州高鐵‘車輛車底智能巡檢機器人系統技術評審會”，與會專家認為智能巡檢機器人可以投入使用，這樣可以節省車輛的檢修時間，有利于減輕人工勞動的強度、提高巡檢的質量和效率[2]。車輛車底智能巡檢機器人系統主要使用了深度學習和圖像處理技術，表明了智能技術在我國高鐵上的應用得到了大力支持。

目前，我國高鐵普遍存在檢修手段單一、檢修部件狀態差異性小、人員素質不均等問題。因此，急需一款智能檢修系統保障檢修作業的高質量、高效率的完成。

2系統設計

針對于目前存在的問題，本論述研發了基于智能信息處理的高速動車組檢修支持系統。本系統由智能移動手持終端和后臺組成，如圖1所示，其巾智能移動手持終端集成了智能手持設備、App和圖像處理算法，智能手持設備為整套系統提供高清拍照、照明等功能;App負責接收、執行檢修作業，其中包括人員管理、任務領取與執行、拍照檢測與故障識別、自動上傳等功能;圖像處理算法完成對圖片的識別、定位與檢測。后臺主要負責任務的制作與分配、故障的追溯與查詢、數據的整理與分析等功能。

當進行檢修作業時，檢修小組通過系統的后臺網頁操作、分配任務。檢修人員通過手持機接收任務，然后進行檢修作業，檢修流程如圖2所示。檢修完成數據自動上傳服務器，同時進行數據分析并在后臺網頁做可視化展示。

3圖像識別算法設計

該系統的技術難點是實現在外部環境復雜多變、檢修人員在不同角度和不同尺度（遠近）下的圖像采集以及作業對象本身不斷發生細微變化的情況下，通過對照片分析，完成對檢修部件的識別以及其可能存在的故障檢測、判斷。針對于此類問題我們做了各方面的研究與嘗試，已有把握在基礎算法的基礎上對其進行改進、優化。

目前，每一種算法都具有一定的局限性和適用范圍。為了適應外部復雜多變的環境、提高算法的速度及準確性，我們研發了一種基于深度學習技術的多算法融合的故障檢測算法，如圖3所示。整套算法由三部分組成：基于卷積神經網絡的部件識別技術、基于yo-lov3的故障點定位技術及基于深度網絡的故障檢測技術;采用分級的方式，增加其準確性，為了適應復雜的環境，增加整套算法的魯棒性，通過逐級識別、定位、檢測的方式來實現最終故障點的檢測，具有極強的學習能力。

基于volov3研究多級故障定位技術，整個網絡中沒有池化層和固定輸出的連接層，基本上采用了完整的卷積層，而且圖像輸入在正向計算巾，通過卷積層改變卷積核的步幅來實現尺寸變化。引入了Resnet的殘差塊結構，因為它“簡單與實用”，保證網絡結構在很深的情況下，仍能收斂，模型能訓練下去。

該系統選取了高鐵動車的撒砂管、輪緣潤滑、過分相裝置和齒輪箱四個部件做研究。

3.1識別算法

研發了多神經元的卷積神經網絡，仿照人類神經元的思維方式，通過改變神經元的權重方式實現識別，在大量數據的訓練下，發現目標之間潛在聯系。同時可通過不斷地添加學習的圖片，不斷提高其識別能力。

對于上述四個不見分別制作了數據集，數據集如圖4所示，搭建了多層神經網絡，最終在50次迭代后達到擬合，loss值在0.07。測試效果良好：同設備的采集的照片30張照片全部識別成功，不同設備采集的照片30張有1張識別錯誤。

3.2定位算法

基于volov3研究多級故障定位技術，整個網絡中沒有池化層和固定輸出的連接層，基本上采用了完整的卷積層，而且圖像輸入在正向計算中，通過卷積層改變卷積核的步幅來實現尺寸變化。引入了Resnel的殘差塊結構，保證網絡結構在很深的情況下，仍能收斂，模型能訓練下去。

volov3沿用YOLO9000預測bounding box的方法，通過尺寸聚類確定anchor box。對每個bounding box網絡預測4個坐標偏移tx，ty，tw，th。如果fealure map某一單元偏移圖片左上角坐標（cx，cy），bounding box預選框尺寸為pw，ph，即anchor尺寸，那么生成對預測坐標為bx，by，bw，bh，此為feature map層級.而gx，gy，gw，gh為真值在fealure map上的映射，通過預測偏tx，ty，tw，th偏移使得bx，by，bw，bh與gx，gy，gw，gh一致，其關系如圖5所示。

為了取得良好的效果，四個部件采用四個模型進行訓練，增加其精準度。在訓練過程中，通過多模型的多線程的運行，解決其速度問題，測試效果如圖6所示。

3.3檢測算法

對于微小故障的判別一直是一個難點，本算法通過多級深度網絡實現對正負樣本細微差距的辨別能力。在識別算法基礎上增加了神經元數量，處理來自定位算法所定位的內容。針對于高鐵檢修環境惡劣、檢修部件的區分度低和零件存在異物等問題，對每一個故障搭建一個模型，通過此方法排除了其他部位的干擾，增加其檢測的精準度，檢測算法如圖7所示。

4前后端的設計

通過使用“移動采集端（設備）”軟件和“后臺智能數據分析處理系統”測試檢驗高鐵車輛維修過程中，提示、督導、工作判斷和處理記錄、數據上傳、資料查閱等功能完全滿足檢修過程要求，自動實現拍照識別判斷有無異常，重大問題自動報警，檢修工作結束后自動生成高鐵單位規定的相關報表，實現高鐵車輛檢修工作、邊檢查、邊學習、邊診斷、邊預警、邊反饋，實現高鐵車輛運用關鍵零部件檢修輔助診斷及全生命周期管理。

系統主要包括：智能移動手持終端、后臺系統兩部分如圖8所示。系統最終實現使用手持設備智能手持設備對撒砂管、輪緣潤滑、過分相和齒輪箱部位進行拍照識別并故障預警，如有故障標出故障提示給檢修人員，檢修人員對機器是別的故障進行二次判斷，以此來確保檢修質量，提高工作效率。

5移動端速度優化

自神經網絡在分類類問題中取得了良好的效果，眾多學者提出了多種性能的神經網絡，其中AlexNet、VGG、GoogleNel、ResNet等。隨著CNN算法的精準度的不斷增加，如Lu等提出了一種基于弱視覺的小麥病害的弱超視覺的小麥病害診斷系統，對小麥的識別精度達到97.95%。隨著CNN的識別率、穩定性等性能的不斷提高其網絡層數也不斷增加，如從16層的VGG到GoogLeNet的22層，再到152層的ResNel，網絡層數的不斷增加，對于設備的內存需和計算負擔也隨之增加。目前大部分算法只能在pc端進行，無法再手機端進行，即使能運算也存在運算速度太慢，如yolo在手機端的運算時間大概3min，遠遠無法達到應用的要求。

MobileNets是基于一個流線型的架構，使用深度可分離的卷積來構建輕量級的深層神經網絡。將標準卷積分解成一個深度卷積和一個點卷積從而減少計算量，但其識別的效果相差不足2%。

本系統針對運算速度的問題，從兩方面進行優化，首先是MohileNe積與tiny-yolo相結合減少計算量。同時對于移動端模型加載耗時過長問題，采用一次性加載的方法，實現8核4G移動設備2s以內的圖像識別。

6結論

在動車組維修過程中對后臺智能數據分析處理系統算法精確性、數據庫處理能力，及對移動采集端設備及軟件適用性等進行為期1個月的應用測試。目前，判別準確率在84%以上，并且隨著照片數量的積累，通過神經網絡算法學習，準確率將不斷提高。通過在動車運用所應用考核，該系統的記錄處理、數據上傳、故障判斷、數據處理等功能完全滿足檢修過程要求，識別判斷、自動報警、生成報表功能實現“邊檢查、邊學習、邊診斷、邊預警、邊反饋”的高鐵車輛檢修工作。

隨著科技的發展、算法及硬件設備的不斷進步，基于機器視覺的檢修系統將成為智能檢修的必然發展方向。本論述提出的機器視覺應用系統在實際檢修環境中取得了良好效果，也為在動車組檢修上的智能檢修提供了新的思路。

參考文獻：

[1]周芳.智能機器人在動車組檢修應用前景分析[J].建筑工程技術與設計，2019（27）：682.

[2]曾照平.智能機器人在動車組檢修應用前景分析[J].科技風，2019（18）：9.

[3]蘇賦，呂沁，羅仁澤.基于深度學習的圖像分類研究綜述[J].電信科學，2019，35（11）：57-74.

[4]林健巍.YOLO圖像檢測技術綜述[J].福建電腦，2019，35（9）：80-83.

收稿日期：2020-06-09

作者簡介：郭浩（1982-），男，漢族，山東單縣人，大學本科，工程師，主要從事動車組現代運用檢修管理方法研究工作。