基于圖像特征的鐵路車輛制動組件異常檢測

賈宇翔，張益，成亮，褚翔，郝植恒

（1.國能鐵路裝備有限責任公司肅寧車輛維修分公司，河北 滄州 062350；2.北京康拓紅外技術股份有限公司，北京 100095；3.北京航天康拓信息技術有限公司，北京 100095）

車輛制動組件主要包括能夠承載高速行駛壓力的車輛制動器和剎車輪零件等，是貨車剎車系統的關鍵部件。剎車踏板與剎車輪軸之間設有密封件，以確保車輪在高速行駛時產生制動力，并能將其傳輸至車輪，以此保證車輛的正常運行。車輛制動組件是制動系統重要組成部分，由于車輛在行駛過程中，車輪之間摩擦力和震動會使得剎車性能下降，從而導致剎車踏板發生故障或失效。同時剎車踏板或剎車輪間壓差也會使剎車性能下降，導致車輛運行安全性下降。因此，需要對鐵路車輛制動組件異常情況進行檢測。文獻[1]提出了基于多任務學習的檢測方法。該方法結合常規狀態下軸承溫度計算結果，充分考慮循環神經網絡模型中的復雜迭代法，采用了自注意力機理來檢測鐵路車輛制動組件的溫度異常；文獻[2]提出了基于AHP-熵值法優化決策的檢測方法。該方法根據同類型元件溫升趨勢一致的特點，對元件溫度偏差進行檢測。使用K-means 聚類方法通過分析異常溫升特性，結合溫升特性檢測車輛制動組件異常情況。由于車底結構復雜，細小零件眾多，使用上述這兩種方法難免出現紕漏，嚴重影響車輛運行安全。針對該問題，提出了基于圖像特征的鐵路車輛制動組件異常檢測方法。

1 基于TFDS系統的圖像采集

針對列車行駛狀況進行監測和故障診斷，是當前行車安全管理的一項主要內容。為便于對列車各部件異常進行監測，研制了鐵路車輛制動組件TFDS系統[3]。系統總體結構如圖1 所示。

圖1 鐵路車輛制動組件TFDS系統結構

從圖1 可以看出，TFDS 系統先從CMOS 照相機與前置處理器獲取車輛制動組件圖像。其次，由光纖收發器和端口處理器完成車輛制動組件數據實時傳輸[4]。利用交換機將數據安全傳輸至網絡服務器，交換機中搭載了四個窗口計算機[5]，以便檢測分析中心對數據采集結果進行深入分析。

在TFDS 技術支持下，獲取制動組件圖像背景信息，建立基于特征匹配的識別模型[6-7]，以此搭建圖像區域階段矩陣：

式中，f(x,y)表示二值圖像；xa、yb表示不同的圖像區域[8]。由于圖像具有旋轉、移動不變屬性特征，所以中心矩陣表達式為：

式中，(x′,y′)表示圖像中心坐標。使用二值化處理方法對圖像進行預處理：

式中，Tx、Ty分別表示二值化處理圖像的上、下限值[9]。由于圖像特征提取過程中會出現失真畸變問題，所以需要對圖像這一問題進行相關處理[10-11]。

通過坐標變換設計畸變校正過程，獲取由(x,y)向(x′,y′)坐標轉換的映射Gk，其中k為縮放比例因子[12]。通過仿射變換校正畸變圖像，可表示為：

通過該公式確定縮放比例因子，解決拉伸或壓縮坐標畸變問題，方便后續鐵路車輛制動組件異常檢測的順利進行[13]。

2 基于圖像特征的異常檢測技術

應用鐵路車輛制動組件TFDS 系統實時采集運行車輛信息，通過構建圖像特征模型，將圖像特征信息與背景信息結合，實現車輛制動組件異常檢測。

2.1 特征模型構建

利用K-means 統計理論，對每一幀圖像各像素點概率矩陣進行計算，并統計和分析了各點數據分布，找尋可能出現異常的位置[14]。將RGB 空間轉換成HSV 空間，獲取每個像素色調H、飽和度S和亮度V，根據顏色感知度對其進行非均勻量化處理[15]。根據人視覺敏感度對HSV 的顏色分量賦予不同權值，利用下述公式合成一維特征矢量，可表示為：

式中，n、m分別表示色調和飽和度劃分空間數量。統計圖像幀在每個子空間像素數獲得圖像幀HSV 顏色累積直方圖。在獲取圖像幀HSV 顏色累積直方圖后，利用歐氏距離分析圖像幀間差異：

式中，Si表示第i幀圖像累積直方圖矢量；Sj表示第j幀圖像累積直方圖矢量；k表示計算次數。根據上述公式能夠對每一幀中相似性進行計算，并對其進行了相關分析，得到了目標圖像與背景距離。

2.2 組件異常檢測

在數據集中隨機選擇多個目標作為初始聚類中心，將數據集中其余物體分配到離初始聚類中心最近群集，并進行反復迭代，最終得到一個新的聚類中心，直到標準函數收斂[16]。計算各點特征和背景之間的關系，并在各點都有相同屬性值的情況下，分別求取各點屬性值與背景之間方差，則圖像特征模型如下：

式中，g表示聚類中心數量；h表示聚類次數；W表示數據對象位置；Ah表示聚類中心位置。

選擇初始聚類中心，從數據集中選擇g個對象，通過圖像特征模型計算各節點與背景距離，將計算結果的中心點作為新的聚類中心。當聚類中心改變時，它會向步長方向移動，反之標準函數會逐漸收斂。在進行聚類之前，使用K-means 確定群集數目，初始簇中心選擇是隨機的，這會使聚類算法陷入局部最優，從而限制了算法應用。因此，需將不同位置特征與背景屬性值轉換為距離矩陣，得到每個位置與其對應相鄰節點之間的關系方差，通過提取該點顏色特征矢量，將概念相似度作為相似性檢驗依據。相似性是指要被聚類對象和其感知范圍內其他所有對象整體相似性，公式為：

式中，V表示圖像幀感知實際閾值；λ表示相似系數。當sim(Si,Sj)＜1時，說明目標圖像與背景中均不存在異常信息；當sim(Si,Sj)≥1時，說明目標圖像與背景中存在異常信息。

通過對各個特征矢量進行分類，得到各個特征矢量之間距離，并將該矢量分配到距離最近的類別，將新獲得的類別作為一個新的聚類中心。重復以上過程，直至聚類中心不再發生變化，即標準函數實現了收斂。從每一類中抽取最接近簇中心的對象，該對象圖像幀是關鍵幀，輸出一系列關鍵幀。通過對所抽取特征矢量進行自組織聚類，獲得最終特征矢量聚類，然后將關鍵幀作為輸出序列，從而獲取車輛制動組件異常序列，以此實現鐵路車輛制動組件異常檢測。

3 實驗

以鐵路車輛制動組件制動缸異常故障為研究對象進行相關的實驗驗證分析。

3.1 制動缸激勵與實驗方法

向制動管（列車管內）充氣，制動管中的壓縮空氣進入主活塞的上部，從而保證主活塞（傳動控制閥和滑閥）處于排氣狀態。從剎車管出來的壓縮空氣通過氣門上的氣孔流入壓力氣缸（工作氣缸）。同時，在膨脹隔板的下部，向下推動膨脹隔板和膨脹活塞，使膨脹活塞的頂桿開啟，使制動管內的壓縮空氣進入到第二氣缸。在此過程中，體積腔和空氣通過滑閥溝槽連通。在體積腔的壓力下降后，平衡活塞被制動汽缸的壓力壓下。制動筒的壓縮空氣通過平衡活塞桿上的導管排放到大氣中，制動器氣缸處于松開狀態。制動缸激勵作用原理如圖2 所示。

圖2 制動缸激勵作用原理示意圖

在測試過程中，將制動缸傳感器與制動缸后蓋螺絲連接，以方便檢測油路系統滲漏情況。拆掉配氣閥門平衡部件排氣孔，裝上帶有旋塞管子。在制動定壓測試后將閥門關閉，并在1 min 內進行充氣釋放。

測試過程如下：保壓前壓強為211 kPa，保壓1 min后，保壓壓強降低了1 kPa，變為210 kPa；保壓2 min后，保壓壓強由210 kPa 升高到217 kPa；保壓3 min后，保壓壓強由217 kPa 升高到229 kPa；保壓5 min后，保壓壓強始終保持229 kPa 不變；保壓6 min后，保壓壓強由229 kPa 降低到208 kPa；保壓7 min后，保壓壓強由208 kPa 降低到200 kPa。

3.2 實驗結果與分析

已知制動缸中上部分均出現了壓力異常，分別使用基于多任務學習的檢測方法、基于AHP-熵值法優化決策的檢測方法和基于圖像特征異常檢測方法，對比分析制動缸異常識別結果，如圖3 所示。

圖3 不同方法制動缸異常圖像識別結果

由圖3 可知，使用基于多任務學習的檢測方法、基于AHP-熵值法優化決策的檢測方法圖像識別結果的位置出現偏差，說明這兩種方法并沒有識別出制動缸體壓力異常情況；使用基于圖像特征異常檢測方法圖像異常位置識別結果較為全面，能夠明確其異常情況。

使用這三種方法對比分析制動缸壓強異常變化情況，對比結果如圖4 所示。

圖4 壓力異常變化對比分析

由圖4 可知，使用基于多任務學習的檢測方法、基于AHP-熵值法優化決策的檢測方法經過7 min 保壓后，得到的壓強分別為218.5 kPa、208 kPa，與實際壓強不一致；使用基于圖像特征異常檢測方法經過7 min 保壓后，得到的壓強為200 kPa，與實際壓強一致，說明該方法的檢測精準度更高。

4 結束語

應用TFDS 系統以及圖像特征對鐵路車輛制動組件異常情況進行檢測，以最大程度保證檢測精度。通過運用圖像特征識別技術，對影響列車運行安全關鍵零部異常進行檢測，使其從“人檢人修”轉向“機檢人修”，鐵路運輸質量從“人工控制”轉向“機器控制”，既減輕了檢查員的工作量，又提高了運輸效率，從而保障運輸安全。