基于紅外熱成像和機器學習的動態轉向架監測系統研發

楊二斌，王文剛，問國輝

（1 國能鐵路裝備有限責任公司， 北京 100011；2 北京鐵科合力科技有限責任公司， 北京 100082）

轉向架裝置是鐵路機車車輛組成部件中非常重要的部分，承載了機車車輛全部的負荷和定位。關于動態車輛轉向架部件監測的研究有很多學者、專家做了大量工作。陳東東［1］針對動車組轉向架關鍵部件開發了一套基于Wi-Fi 無線網絡的溫度監測系統。吳炳福［2］對基于機器學習的高鐵轉向架服役性能進行了研究。邊志宏［3］對輪對在線綜合檢測進行了研究。文獻［4-9］對高速轉向架振動特性及演變規律也做了研究。目前鐵路車輛走行部監測技術采用車載軸溫及振動測量裝置及軌邊噪聲測量和軌道變形測量，采集車輛軸箱的溫度和振動數據進行分析處理判斷車輛走行部的狀態。車載軸溫及振動測量裝置檢測設備需要安裝在每節車輛上，設備費用大；現有列車制動系統故障診斷采用車載制動系統壓力測量裝置，采集列車管、制動缸、副風缸壓力變化數據，分析處理判斷車輛級故障。這些檢測、監測設備也都需要安裝在每節車輛上，設備費用大；另外，由于貨車車輛無電源，以至很難在貨車車輛上安裝檢測或監測設備。因此，研制地面監測系統解決在線運行貨車轉向架部件運行安全的問題十分必要。

1 項目來源

根據目前貨車運行過程中轉向架出現問題較多，5T 監測技術又沒有全覆蓋的現狀［10-13］，在現有5T 設備故障監測檢測的基礎上，進行功能擴展。提出基于紅外熱成像和機器學習理論對動態轉向架進行非接觸可視化監測，實現對機車車輛熱軸故障、制動不緩解故障、制動緩解不良故障和牽引電機齒輪箱發熱異常狀況等的自動診斷、實時預報和故障車輛全程追蹤的功能。

目前在鐵路貨車監測領域，紅外熱力學的研究應用目前還僅局限在點測溫上，本系統從紅外熱輻射的維度來對轉向架運行狀態進行全面監測和分析，對轉向架整體運行狀態監測進行全新的研究。

2 動態轉向架監測系統組成

系統主要分為軌邊檢測系統和軌邊機房控制系統。軌邊探測設備用于現場測量和采集，軌邊機房控制系統用于進行控制、數據處理及分析等，如圖1 所示。

圖1 動態轉向架監測系統示意圖

2.1 軌邊檢測系統

軌邊探測系統包括：車號識別系統，紅外熱像采集系統，雙目視覺采集系統，線激光器，磁鋼車輪傳感器等設備。

2.2 軌邊機房控制系統

（1）軌邊機房控制系統包括：高性能圖像計算機、紅外熱像計算機、數據處理服務器、信息管理服務器、控制主機箱、以太網交換機、車號識別主機、KVM 切換器、激光器電源箱等設備。

（2）主機采集系統由紅外熱像采集子系統和可見光機器視覺3D 采集子系統組成。

2.3 工作原理

通過軌邊陣列布置的紅外熱成像采集，可以獲得清晰、完整的轉向架部件熱分布云圖，再通過分析處理便可獲得各部件的安全等級，通過遠程通信，在車輛安全數據中心記錄所有通過車輛的安全數據。采集箱（包括熱成像攝像機、核心處理模塊、通信模塊）、磁鋼、輔助測速及車號識別系統、遠程監測系統，這些設備與地面固定連接，集成一體，具有防塵防水功能。

當列車經過檢測線路前，列車第1 軸壓過第1個磁鋼傳感器時發出開機信號，輔助測速及車號識別系統確定列車速度及相應車號，熱成像儀、核心處理模塊和通信模塊開機采集熱像圖，采集被測對象熱像、當前環境溫度、鋼軌溫度等，當列車最后車輪壓過最后1 個磁鋼傳感器時，結束采集工作。

將不同機位的熱成像組合形成每個轉向架部件有效完整熱像圖，對熱成像圖進行綜合處理，得到摩擦副的高溫帶，比較同列車不同輪對的熱像圖，通過已建立的熱圖診斷模型，確定異常摩擦副所對應輪對，存入異常數據庫，并得出最終結論。

系統設備安裝關鍵：熱成像儀與鋼軌的水平夾角，取30°；熱成像儀與地面的垂直夾角，取15°；熱成像儀鏡面與鋼軌的垂直距離為0.8 m，第1 個磁鋼傳感器與熱成像儀相隔距離為80 m。

2.4 動態轉向架監測目標

2.4.1 軸承的動態監測

系統為了監測每一個貨車的軸承裝置運行是否正常，利用紅外熱成像技術監測軸承裝置的工作狀態，成像視場范圍包括軸承箱的前蓋、中隔圈和外圈。通過拍攝軸承裝置的光學圖像、采集熱像數據，準確識別軸承裝置的故障類型及故障嚴重程度。對于軸承裝置，系統識別的故障類型主要包括熱軸預警和熱軸故障。計算出平均軸箱溫度與環境溫度、車體溫度的差值，用同序列之間的對比，通過已建立的軸箱熱成像圖診斷模型，定位并分割出只包含軸箱的熱圖像，溫度明顯異常的圖像存入異常數據庫，并得出最終結論。系統按熱像數據判斷，將軸承溫度分“微熱（三級）”、“強熱（二級）”、“激熱（一級）”共3 級故障等級預報，系統根據監測到的故障等級對整列車輛的軸承裝置進行跟蹤或報警，其中對于微熱的軸承裝置進行跟蹤和預報，強熱和激熱的軸承裝置立即報警提醒。

一般微熱溫度在環境溫度+40 ℃，強熱溫度在環境溫度+60 ℃，激熱溫度在環境溫度+75～+100 ℃范圍。

2.4.2 輪對的動態監測

系統為保證能夠監測到整趟貨運列車的每一個輪對是否正常運行，在鋼軌左右兩側安裝紅外熱成像儀，其拍攝到的視場范圍包括輪對的外側和內側兩面，主要依據光學傳感器拍攝到的輪對光學圖像來監測判斷輪對的故障。將不同機位的熱成像組合形成每個輪對的有效完整踏面熱像圖，對熱成像圖進行綜合處理，溫度梯度最大的邊界區域像素及分割，得到踏面接觸面上一圈的“溫差帶”，通過已建立的溫差帶圖診斷模型，確定異?！皽夭顜А彼鶎唽?，存入異常數據庫，并得出最終結論。識別到的輪對故障類型主要包括踏面擦傷和失圓，系統依據故障等級及故障嚴重程度分為“三級”、“二級”、“一級”。其中“一級”的故障嚴重程度最高［14-15］。

2.4.3 制動裝置的動態監測

制動系統摩擦副故障檢測，將不同機位的熱成像組合形成每個輪對的有效完整踏面或制動盤熱像圖，對熱像圖進行綜合處理，得到摩擦副的高溫帶，比較同列車不同輪對的熱像圖，通過已建立的熱像圖診斷模型，確定異常摩擦副所對應輪對，存入異常數據庫。再根據紅外熱成像儀采集制動裝置的熱學和光學數據，運用深度學習算法對數據進行處理和分析，識別整趟列車車輪中異常升溫的車輪踏面部位，并預報該部位是否抱閘或不制動。

3 綜合監測的算法研究

3.1 紅外成像法

紅外熱成像技術利用物體的熱紅外線來觀察物體，無需外界光源，就可穿透雨、雪、霧霾等，能將物體立即可視化并驗證熱性能。

轉向架紅外熱像圖，如圖2、圖3 所示。溫度越高，紅色塊顏色越重［4］。

圖2 鐵路貨車轉向架熱像圖

圖3 機車轉向架熱像圖

3.2 可視化融合技術

紅外熱成像技術的優勢在于對被測物及被測物所處環境的整體成像，其缺陷在于其立體視覺不突出，當轉向架部件故障時，部件輪廓清晰度不足，其精確定位信息不夠。因此，系統利用熱學傳感器和光學傳感器采集運行貨車車輛轉向架部位的紅外熱成像和可見光圖像如圖4 所示，并通過可視化融合技術將2 種圖像有效融合在一起，將整趟車輛的轉向架部件可視化顯示，使系統能夠真實、全面地反映被探測部件的工作狀態。

圖4 貨車軸承熱像圖與可見光圖片比較

在實際應用中，由于熱學傳感器和光學傳感器安裝位置不同，2 種傳感器成像機理不同，獲取圖像的時間不同，因此系統需要進行較高精度的配準才能達到精準識別的應用效果。因此，將熱學圖像［16］、光學圖像［17］融合在一起之前需先進行圖像配準。傳感器得到的不同視角的多幅熱學、光學圖像需要以統一時間戳為標準通過變換放入一個坐標系中，并在像素層得到最佳的匹配。在系統中主要針對紅外與可見光圖像進行融合，為了能使這2 種圖像實時準確地配準，需要熱學傳感器和光學傳感器具有一定的重合視場，才可以用仿射變化方法對重合視場提取后配準，最后進行融合。在實際應用中，2 種傳感器探頭所允許的視場重合度必須大于90%，這樣通過系統的變換配準才能達到較好的融合效果。待匹配的2 幅光學、熱學圖像可以看作是在亮度和空間的映射，即它們之間的圖像亮度值聯系，用二維數組I1（x，y）標識光學圖像的亮度值，用二維數組I2（x，y）來表示熱學圖像的亮度值，它們的映射關系為式（1）：

融合后的圖像同時具有紅外與可見光的圖像信息，相對于單獨的紅外成像更符合人眼的觀察，為后續的部件故障展示和機器學習故障模型訓練提供數據支撐。

3.3 基于機器學習的故障動態預測技術

3.3.1 機器學習認知

機器學習的研究主要分為2 類研究方向：第1類是傳統機器學習的研究，該類研究主要是研究學習機制，注重探索模擬人的學習機制；第2 類是大數據環境下機器學習的研究，該類研究主要是研究如何有效利用信息［18］，注重從大量數據中獲取隱藏的、有效的、可理解的知識。本系統采用的就是第2 類研究方向，通過不同型號、不同運載量、不同車速、不同線路條件下的海量轉向架溫度數據矩陣，規避噪聲數據和冗余帶來的干擾，訓練模型，提高學習算法的運行效率，優化算法，提高系統預測性能。

當前主流預測模型的核心算法族有懲罰線性回歸和集成方法2 種。懲罰線性回歸代表了對最小二乘法回歸方法（Least Squares Regression）相對較新的改善和提高。雖然懲罰性線性回歸能夠在完成故障預測的同時，在一定程度上完成了自變量選擇，具有降低多重共線性的功能，提高算法的預測性能；但是現實中，鐵路貨車車輛故障種類繁多，情況復雜多變，不同故障之間存在關聯性，若僅使用單一的線性回歸方法，并不能適用所有的故障類型，以致于無法達到故障預測的最佳效果。集成算法通過構建多個預測分類器，然后通過一定策略結合成一個綜合模型，這樣不僅可以預測簡單的故障，也可以適應更復雜的故障情況，進而獲得比單一機器學習算法更加優越的學習器。集成方法可以對特別復雜的行為進行建模，可以使用不同架構的網絡訓練模型，根據這些模型結果做集成，可以依據預測的貢獻程度對輸入特征排序，從而形成更優越的預測性能。因此，本系統使用的核心算法是集成方法。基本思想是構建多個不同的預測模型，然后將其輸出做加權平均組合作為最終的輸出。單個預測模型叫作基學習器（Base Learners）。假設共有N個模型（即：N個基學習器）待集成，對于某測試樣本x，其預測結果為N個維度向量：S1、S2、……、SN。在不同模型產生的類別置信度的基礎上加入權重來調節不同模型輸出間的重要程度，由此獲得最終預測結果，見式（2）：

式中：Score為最終預測結果；N為基學習器總數；Wi為第i個模型的權重；Si為第i個模型的置信度。

3.3.2 基于機器學習的預測技術

系統通過運用紅外熱成像技術生成的光熱圖像，已經可以將貨車車輛的轉向架部件以可視化的形式呈現，哪一部位發生了異常或故障已經肉眼可見。下一步為了使系統能夠像人一樣判斷出光熱圖像中哪一部件的溫度過高，就需要運用到機器學習的深度學習技術。深度學習是機器學習中一種基于對數據進行表征學習的算法，運用非監督式或半監督式的特征學習和分層特征提取高效算法可以替代手工獲取特征。深度學習的數據算法技術可以在大量無序且復雜的數據中找出數據的規律并發現新的模式，從而從大量數據中提取出新的、有用的知識，來幫助人們做出正確的決策或給出預測。

系統通過“地對車”模式的監測系統對運行狀態的列車轉向架部件進行故障監控，需采用動態預測技術。本系統將機器學習的深度學習技術與紅外熱成像技術相結合，前期通過收集大量的熱學傳感器、光學傳感器采集到的轉向架部件的圖像數據，對轉向架故障的圖像數據進行模型訓練，生成可以對轉向架故障狀態進行判別的模型。為了提高系統的故障判別率，在系統優化階段根據轉向架的各個關鍵部件不同的故障特征對其故障預判模型進行了優化和調整，并計算故障演化規律，流程如圖5 所示。

圖5 基于機器學習的系統故障動態預測處理流程

系統根據各個轉向架關鍵部件的故障模型和識別的多個故障特征進行關聯規則分析，挖掘轉向架部件故障模型特征的變化規律，推求故障模型特征的變化趨勢走向，從而對轉向架部件的故障趨勢進行預測與演化分析，最終實現對轉向架各個關鍵部件進行故障識別。

4 環境因素對系統影響

系統研制過程中數據來源的準確性是研究重點，設備的選取及安裝方案，信息的傳輸方式及綜合利用等環境因素都對故障監測的結果準確性有重大影響。系統安裝布局如圖6 所示。

圖6 系統安裝布局

4.1 軌邊箱安裝

軌邊箱有2 處，安裝在鋼軌兩外側軌邊，中心對齊，示意圖如圖7 所示。主要由光熱一體組件和補償光源組成。箱體設置保護門，在不過車的時候保護門關閉，對內部設備保護。系統監測到來車，保護門自動打開，傳感器工作。軌邊箱支架根據現場環境情況可調整。

圖7 軌邊箱安裝示意圖

4.2 軌心箱安裝

軌心箱安裝1 處。通過卡枕木方式固定軌心箱，枕木間距需大于320 mm（箱體尺寸為300 mm）。主要由光熱一體組件和補償光源組成。箱體設置保護門，在不過車的時候保護門關閉，對內部設備保護。系統監測到來車，保護門自動打開，傳感器工作，如圖8 所示。

圖8 軌心箱安裝圖

4.3 軌側箱安裝

軌側箱通過卡軌方式固定在鋼軌上，安裝在鋼軌兩側，保護門為橫向開門方式。

4.4 磁鋼及車號天線安裝

為實現系統功能以及采集所需的數據，紅外熱成像動態轉向架監測系統須對需要監測的軌道上安裝磁鋼對并在軌道枕木間安裝天線（天線為無源設備），以檢測車輛信息并通過傳輸數據線纜傳回服務器。磁鋼對通過配套工具固定在鋼軌上，天線通過卡枕木方式固定在枕木上。系統現場布局實物圖如圖9 所示。

圖9 系統現場布局實物圖

5 系統試用情況

紅外熱成像動態轉向架監測系統朔黃鐵路運行 近6 個月，探測 列車 累 計20 520 列，4 883 760 輛，19 781 280 軸，軸承故障預報激熱12 次（紅外檢測車模擬軸箱），強熱3 次（紅外檢測車模擬軸箱），微熱7 次（其中紅外檢測車模擬軸箱5 次），輪對故障預報一級2 次，二級12 次，三級596 次，制動裝置故障預報抱閘13 次。經列檢復核，故障兌現率達100%?；诩t外熱成像和機器學習的動態轉向架監測系統達到了預計研制目標，實際應用效果良好。

6 結束語

動態轉向架監測系統通過“地對車”模式的監測形式，將可見光圖像、紅外熱成像技術與機器學習技術深度融合，實現實時診斷列車運行下轉向架部件的健康狀態，提高故障預報的準確性。目前動態轉向架監測系統范圍主要涵蓋輪軸裝置、輪對和基礎制動裝置，使用效果良好。在系統之后運行中不斷總結經驗，更進一步優化系統故障判別功能，豐富機器學習技術庫源，為貨運列車車輛安全運行提供更可靠保障。