基于多特征融合的地鐵車輛制動組件異常檢測

劉堯

（北京市地鐵運營有限公司運營一分公司，北京 102200）

地鐵車輛的制動系統既龐大又復雜，同時地鐵車輛的行駛環境又是不可預測而多變的[1]。盡管當前地鐵車輛的制動控制系統均帶有一定的制動性能檢測機制，但是當車輛發生制動時難以發現組件異常。同時，地鐵車輛的制動控制系統在擴展性與精準度上仍存在不足。為提升地鐵車輛工作效率，確保車輛能夠安全、舒適地行駛，研究出一種有效的地鐵車輛制動組件異常檢測技術就顯得尤為重要。

對于車輛制動檢測問題的研究，文獻[2]中提出一種基于模糊綜合評價法的地鐵制動異常檢測方法。基于數據挖掘理論，編寫了基于模糊綜合評價方法的軟件，可以實現地鐵車輛制動異常的檢測。文獻[3]中提出一種利用LSTM 自動編碼器檢測地鐵車輛制動操作單元異常的方法。首先提取制動缸（BC）壓力數據，將其分成子序列。將子序列輸入LSTM 自動編碼器中，為了從包含異常子序列的測試數據中檢測異常，計算每個子序列的平均絕對誤差，根據誤差判斷是否為異常。以上檢測方法存在檢測效果不理想的問題，因此應用多特征融合算法設計一種針對組件的地鐵車輛制動組件異常檢測方法。

1 多特征融合下地鐵制動組件異常檢測

1.1 多特征提取

通過無人機與云臺搭載相機，采集地鐵車輛制動組件運行時的圖像。構建Gabor 濾波器，通過Gabor 特征提取方法提取地鐵車輛制動組件圖像空間方向與尺度上的多種紋理特征，以及由部分到整體的全面性描述特征[4]。在Gabor 濾波器的構建中，通過復數形式對其進行表達，具體如式（1）所示：

式中，(α,β) 是原始的像素點坐標；φ是Gabor濾波核的對應橢圓度；?是Gabor 濾波核的實際工作范圍；ε是正余弦函數的相位；δ是Gabor 濾波核的方向；χ是Gabor 濾波核的實際濾波尺度；(α′,β′) 是變量變換后圖像的坐標；j是迭代正整數變量[5]。

(α′,β′) 的表達式具體如下：

其中，Gabor 濾波器的實數部分可以用式（3）來表示：

其虛數部分可以用式（4）來表示：

構建的Gabor 濾波器，選擇以下四個尺度（7、12、17、22）以及六個方向（0°、30°、60°、90°、120°、150°）下的濾波器構成一個濾波器組，對地鐵車輛制動組件圖像實施濾波處理。濾波處理后的地鐵車輛制動組件圖像可以用式（5）來表示：

式中，M是濾波圖像個數，此處取值為24[7]。各圖的均值計算公式具體如下：

至此完成地鐵車輛制動組件圖像的多特征提取。

1.2 多特征融合

設計一種基于信息熵的多特征融合算法，實現地鐵車輛制動組件圖像多個提取特征的融合[8]。具體融合步驟如下：

1）構造數據矩陣

用n表示特征差異圖的數量，其大小為K×L，將各差異圖用Wi(i≤n)來表示，并將其轉換為一維列向量。則多個特征差異圖共同構成的數據矩陣可以用式（8）來表示：

式中，yn表示第n個矩陣數據；t是矩陣閾值[9]。

2）計算協方差矩陣

通過式（9）對數據矩陣Y對應的協方差矩陣進行計算：

式中，d是數據矩陣Y的列數；是指Y中數據的均值。

3）特征矩陣重構

對H的特征值進行計算，從而獲取其特征向量，用ψi來表示。基于累計貢獻率對主成分特征向量進行選取，并構建映射矩陣，具體如式（10）所示：

式中，ψk是第k個主成分特征向量。通過矩陣Q對特征矩陣進行重構，具體如式（11）所示：

4）獲取融合特征的結構

用ui來表示各主成分向融合圖像提供有用信息的概率，獲取融合特征的結構，具體如式（12）所示：

式中，ηk指第k個融合特征的閾值[10]。

5）多特征融合

根據融合系數進行特征融合圖，完成地鐵車輛制動組件圖像的多特征融合。

1.3 構建制動組件異常檢測模型

基于CNN 設計一種BD-YOLO 地鐵車輛制動組件異常檢測模型，實施制動組件異常檢測。其中特征處理網絡單元由29 個卷積層構成，通過偏差和權重向量兩個共享參數的結構定義各卷積層[12-13]。使用的卷積層激活函數為Mish 函數，具體表達式如式（14）所示：

式（14）中，?是Mish 函數的自變量。其中，四種最大池化處理的尺寸（大小分別為1×1、5×5、9×9、13×13），多尺度特征融合單元通過添加橫向、自頂向下以及自底向上的路徑，與前兩個單元相融合，共同輸出處理、集成后特征層的特征信息[14-16]。輸出的異常特征信息具體如式（15）所示：

式（15）中，gin是輸入特征層變量；gtd是gin的中間特征層變量。制動組件異常檢測結果由解碼單元輸出。

2 實際案例測試

2.1 實驗設計

測試地點選在地鐵車輛測試廠房的動調線上，該線路共有兩種方向，一種是下行方向，一種是上行方向。在不同速度級下，使實驗地鐵車輛多次開往下行方向與上行方向，應用設計方法對其制動組件實施異常檢測。分別在兩種工況運行模式下測試設計方法的組件異常檢測性能。

1）將地鐵車輛靜止與正常運行工況設定為情況1，在此情況下測試設計方法的組件異常檢測精確率。精確率計算公式如式（16）所示：

1.2.3 心理護理 因甲亢及2型糖尿病均需要長時間的服用藥物，如果患者負面情緒較為嚴重，會明顯的影響治療效果，所以護理人員要針對性的開展心理護理，疏導負性情緒，改善患者的心理狀況。護理人員主動關心患者，溝通真誠進行，細致、體貼的實施護理，贏得患者的認可及信任。患者及家屬提出問題時，護理人員要耐心、詳細、熱情的解答，直至患者真正了解，減輕其恐懼感，并逐漸的樹立治療信心，積極配合醫護人員。

式（16）中，TP 代表真正例；TN 代表真負例；PN代表假正例；FN 代表假負例。

2）將地鐵車輛正常運行與列車管不充風工況設定為情況2，在此情況下測試設計方法的組件異常檢測宏平均召回率。實驗測試中的具體實施步驟為：

步驟1：多種情況下采集地鐵車輛制動組件圖像。使用的無人機型號為經緯M600 Pro，配置如影云臺。

步驟2：在云臺上搭載微單相機，選用的相機為定焦35 mm、配置了快門控制器的微單相機。在地面端，通過裝載Android 系統的智能手機對無人機進行控制。

步驟3：通過Gabor 特征提取方法提取地鐵車輛制動組件圖像的多種特征。在24 個Gabor 濾波器的濾波處理中，關鍵參數正余弦函數的相位取值為ε=1，Gabor 濾波核的實際工作范圍為?=10，Gabor濾波核的對應橢圓度φ=2 。通過式（3）和（4）表示濾波器的實部和虛部，實現圖像濾波，得到濾波圖像U(α,β)。

步驟4：通過式（6）和（7）計算各圖的方差與均值，提取濾波后圖像的多特征。

步驟5：在提取圖像多特征的基礎上，利用信息熵融合多特征圖像，設融合特征閾值ηk為0.3。

步驟6：使用卷積層激活Mish 函數提取異常特征信息，利用構建的制動組件異常檢測模型輸出檢測結果。

接著通過基于信息熵的多特征融合算法實施圖像的多特征融合，構造各組件的特征融合圖。最后利用地鐵車輛制動組件異常檢測模型實施制動組件的異常檢測。

已知地鐵車輛制動組件包括磨損超限、損壞、破裂、臟污等異常情況，具體組建名稱及異常內容如表1 所示。

表1 地鐵車輛制動組件異常內容

2.2 實驗結果分析

在測試中，將文獻[2]方法與文獻[3]方法作為對比方法，共同進行制動組件異常檢測性能的測試，以凸顯設計方法的優勢。

2.2.1 地鐵車輛靜止與正常運行情況下的測試結果

在實驗地鐵車輛靜止與正常運行的情況下，設計方法與兩種對比方法的組件異常檢測精確率測試結果如圖1 所示。

圖1 組件異常檢測精確率

根據圖1 的測試結果，在實驗地鐵車輛靜止時，設計方法的組件異常檢測精確率達到了100%，文獻[2]方法、文獻[3]方法檢測組件異常精確率也較高，分別為99.00%、98.27%。在實驗地鐵車輛正常運行的情況下，隨著車輛運行速度的提升，三種方法的組件異常檢測精確率均有一定降低，其中設計方法的組件異常檢測精確率較高，同時其降幅也較低，而對比的兩種方法檢測組件異常精確率較低，降幅則較高。

2.2.2 地鐵車輛正常運行與列車管不充風情況的測試結果

在地鐵車輛正常運行，但列車管不充風的情況下，三種方法的組件異常檢測宏平均召回率測試結果如圖2 所示。

圖2 組件異常檢測宏平均召回率

根據圖2 的測試結果，設計方法的組件異常檢測宏平均召回率仍然能夠保持較高的水平，整體高于95%。說明在這種情況下，設計方法的組件異常檢測性能仍較好。而對比的兩種方法檢測組件異常宏平均召回率則低于94%，說明二者的組件異常檢測性能低于設計方法。

3 結束語

地鐵車輛制動系統的結構極其復雜并且組件數量多，因此組件經常發生異常。為此設計了一種地鐵車輛制動組件異常檢測方法，通過多特征提取與融合實現了良好的制動組件異常檢測效果，取得了一定研究成果。此次研究中仍存在不足，日后將考慮其他運行環境完善檢測方法。