动车组运行故障动态像检测系统
屈乐鹏
[摘 要]我国铁路进入到快速发展阶段以来，高速动车组备受关注。随着运营速度不断提高，高速列车在运行中的安全性、可靠性问题更加突出，其中高速列车关键部件在服役期的工作状态是影响列车安全可靠运行的重要因素。一旦高速列车走行部关键零部件发生故障、失效，就有可能导致严重的行车安全事故。基于此本文，以国内某型高速动车组为研究对象，就三种故障检测方法做了重点研究，以供相关的人员借鉴以及参考。
[关键词]动车组；检修维护；实时检测
中图分类号：U269 文献标识码：A 文章编号：1009-914X（2018）03-0105-01
高速铁路已成为当今旅客出行的重要交通工具，为了保障动车组的安全运行，需要在动车组运行时进行实时在线故障检测，以便及时、准确地测量出动车组逻辑控制电路的各种故障，特别是随机、瞬时出现的故障。
1 牵引电机故障检测法
牵引电机作为动车组主要动力设备，将电能转化为机械动能的核心设备之一，它的安全性、可靠性关系到整列动车的行车安全以及人身安全。
1.1 故障特征提取及识别
选择希尔伯特变换方法对故障特征信号进行分析，定子电流信号应用双希尔伯特变换进行分析，定子电流中所包含的直流分量可以被消除，针对牵引电机故障特征频率分量容易被基波湮没，检测难度大等问题选择，小波包频带能量分析方法检测牵引电机是否发生了故障，并对牵引电机故障特征频带向量进行识别。
1.2 试验平台搭建
试验平台设计的硬件组成分别有：电压传感器、电流传感器、模/数转换模块、信号处理器单元、中央计算单元等。主要采用芯片组合结构，应用数字处理等强大的数据信号处理功能以及嵌入式设备资源丰富、低功耗、性价比高等优点。DSP主要负责数据采集、数据计算、故障检测等，嵌入式芯片主要负责键盘操作、液晶显示。两个中央处理器独立工作，互不影响，通过双口ARM交换数据。
1.3 试验验证
试验验证所用牵引电机参数如下：额定功率600KW，额定电压1578V。通过人为破坏牵引电机转子端环模拟转子断条故障，分别对转子状态正常、转子端环有钻孔两种类型的牵引电机进行检测。通过试验和理论分析及公式计算，证明了本文研究的动车组牵引电机故障检测方法的正确性，动车组牵引电机在线故障检测装置可行性和有效性。
2 车号识别算法
铁路部门提出了动车组运行故障动态图像检测系统（TEDS，Trouble of moving EMU Detection System）。该系统需要通过车辆的车号标识和索引，在列车图像库中找寻其历史图像，实现图像异常分析和预警
2.1 车号定位分割
本文基于灰度图像水平差分和垂直差分图像的相关特点，从列车图像中进行车号区域的定位和分割。（1）对图像进行预处理，采用中值滤波剔除其中的噪声点，并结合直方图均衡化对其进行颜色均衡；（2）采用自适应阈值法二值化图像，提取其灰度水平差分和垂直差分；（3）根据水平方向的灰度差分直方图粗定位车号字符区域；（4）利用垂直差分图像，投影映射的相关特征对车号候选区域进行精细定位，从而得到准确的车号水平和垂直范围。
2.2 车号字符识别
2.2.1车号字符分割
我们将图像的各列像素数据进行叠加得到水平方向上的投影，将图像各行的像素进行叠加，得到竖直方向上的投影。从图中可以看出，水平方向上，车号区域的投影呈现出“波峰-波谷”多次交替现象，此外，与波峰各不相同的特征对比，各个波谷所处的位置大体一致。这在实际情况下也不难解释：车号的字符有各种变化，从而使得各个峰值的变换各异；而字符中间的空白区域却全是背景（除非存在污渍），因此其水平投影的位置基本保持一致。同理可见，竖直投影也会呈现出相似的特征。由此可知，依据车号区域的水平投影和竖直投影可以很好地将车号字符进行分割。
2.2.2车号字符识别
对于车号数据，相邻车号字符之间存在很强的上下文语义相关性。传统的模板匹配算法仅考虑了特征域中模板图像与目标图像的相似性，而将图像在空间域中的语义关系完全忽略掉。为了弥补传统方法的上述缺陷，本文基于特定领域知识，改进了模板图像和目标图像的相似性定义方法，从而得到一种更加准确的模板匹配算法。实验结果表明，本算法能高效地完成字符模板匹配，并且针对目标图像出现遮挡问题、油迹污染、光照情况不可控的情况仍可达到比较高的故障识别率。
3 图像识别算法
图像故障识别算法：（1）将图像以车厢为基准對齐配准；（2）基于SIFT特征匹配，通过局部比对粗略定位故障区域；（3）将上述故障区域作为模板，搜寻整幅历史图像精准定位故障位置。实验结果表明，本算法针对运行动车组的异常情况能有效地分析预警，使得系统用户可及时发现重大故障，提升动车运营质量。
3.1 图像的对齐比对
因为图像在采集过程中容易遭受车速、天气等很多外部原因的干扰，往往引起图像差别，为此首先要对现场采集的动车图像以车厢为基准进行图像拼接和分割，实现与历史图像的对齐比对。具体来讲，分为三部分：（1）实现动车车头对齐，即根据火车车号，从火车车头模板库中提取该车型的车头模板，与现场采集的火车图像进行车头模板匹配，并对匹配成功的图像于车头起始位置进行图像分割。（2）实现车厢对齐，即利用车厢模板库中该车型的车厢连接处模板，对实时采集的火车图像进行模板匹配，并对匹配成功的图像在车厢连接处位置进行图像分割，而其他图像则依次拼接，从而形成一幅完整的车厢图像。（3）存储车厢图像，完成该车型历史图像库的更新。
3.2 自适应融合局部和全局匹配的图像故障识别算法
（1）提取现场采集图像的尺度不变特征变换描述子（SIFT， Scale-invariant feature transform），该描述子是一种局部特征，不仅具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够保持较好的不变性。（2）提取历史图像的SIFT特征描述子，现场采集图像的SIFT特征与历史图像的SIFT特征进行匹配，粗略定位故障区域。（3）将故障区域作为模板，利用模板匹配算法，在历史图像中寻找该区域。若匹配成功，则表明该故障区域为误报故障，忽略不计；反之，将故障区域的坐标位置反馈给系统。
SIFT特征匹配主要包含两个阶段：（1）SIFT特征的生成，即从图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量；（2）SIFT特征向量的匹配。具体地说，首先利用检测子检测出图像中的兴趣点，再利用描述子对兴趣点周边的区域进行鲁棒的特征描述，最后利用匹配算法匹配两幅图像的描述子。当两幅图像的SIFT特征向量生成后，应用兴趣点特征向量的欧式距离作为两幅图像中兴趣点的相似性判定度量。取图像现场采集图像中的某个兴趣点，并找出其与历史图像中欧式距离最近的前2个兴趣点，在这个兴趣点中，假如最近的距离除以次近的距离低于某个比例阂值，则接受这一对匹配点。减少这个比例阂值，SIFT匹配点数目会降低，但更为平稳。
4 结束语
总之，随着我国高速铁路事业的进一步发展，动车组安全检测工作的建设变得尤为关键。上文介绍了牵引电机故障检测法、车号识别算法以及图像识别算法，希望改善高速动车组的电磁环境并提供了有益的参考。
参考文献
[1] 刘祖胜，方凯，刘硕研.用于动车组故障检测的图像识别算法[J].铁路计算机应用，2015，24（12）：1-4.
[2] 赵俊彦，任崇巍，王德明.关于动车组故障轨边图像检测系统的设计[J].铁道机车车辆，2011，31（06）：19-22.endprint
