基于深度學習的接觸網吊弦線夾狀態識別

梅小云，顧桂梅*，陳 充，張存俊

(1.蘭州交通大學 自動化與電氣工程學院，蘭州 730070；2.中國鐵路蘭州局集團有限公司，蘭州 730030)

接觸網常年處于戶外，受自然環境影響極大，其部件容易出現異常，威脅高速鐵路的正常運行.接觸網吊弦作為接觸懸掛中的重要部件之一，起著連接承力索和接觸線的作用.由于長期受到車輛的機械振動，吊弦中的吊弦線夾極易發生螺母脫落和松動的故障，這會對鐵路運行的安全構成風險.因此，對吊弦線夾進行狀態識別，及時排除安全隱患，這對高速鐵路的正常運行是很有必要的.

近些年來，隨著高速鐵路供電安全檢測監測系統(6C)的投入使用，對接觸網零部件的故障診斷方法逐漸趨于智能化.不少學者針對接觸網零部件的缺陷檢測進行了研究,現階段接觸網部件的缺陷識別方法主要有手動提取特征和用卷積神經網絡自動提取特征兩大類.文獻[1]利用圖像的HOG特征訓練SVM分類器，實現旋轉雙耳的定位,利用二維Gabor小波變換對耳片的斷裂進行識別;文獻[2]利用SIFT算法和改進RANSAC算法定位雙耳部位，然后將其分割出來，用豎直方向像素灰度值來判斷旋轉雙耳銷釘的工作狀態;文獻[3]提出了一種利用加速度信號來判別吊弦是否斷裂的方法.上述方法雖然可以實現接觸網零部件的缺陷識別，但手動提取的特征基于經驗假設，在對海量數據進行分析時具有局限性.隨著深度學習的發展，卷積神經網絡能自動提取特征的特性為接觸網部件的缺陷識別提供了新思路.文獻[4]在Faster R-CNN算法中加入注意力機制模塊實現接觸網緊固件的定位，然后用全卷積孿生網絡實現接觸網的異常檢測；……