动车组故障轨边图像自动检测系统图像对比算法研究

动车组故障轨边图像自动检测系统(TEDS)采用模块化、小型化的设计理念,运用图像自动识别技术,对异常图像进行分级报警。在图像自动识别技术基础上,设计了整个图像识别框架,针对不同部件,采用逐级细化、图像对比、分级预报算法,提高动车组故障自动识别效果,达到分级报警的要求。

关于动车组故障轨边图像检测系统的设计

说明了图像检测技术在动车组故障检测上应用的必要性,在介绍目前成熟的客车故障轨边图像检测系统原理的基础上,结合动车组图像检测范围和动车组物理构造,对动车组图像检测内容进行分析。在详细描述了系统采用的关键技术后,给出了动车组故障轨边图像检测设备的设计方案,并对西安动车所系统的应用情况和故障进行了简单的展示,最后提出了未来动车组故障图像检测技术发展的前景。

动车组运行故障的动态图像检测系统自动识别

动车组运行故障检测与处理是动车可靠运行的重要基础,但过去这项检测工作执行效率并不理想。从介绍分析传统动车组运行故障检测中存在的主要问题着手,阐述动车组运行故障的动态图像检测(TEDS)系统的构成部分,包括探测站设备、监控复位中心设备及联网技术方案,针对系统使用过程中误报率偏高、人工确认作业量庞大等状况,做出了应用分车型、分部件算法策略的提议,针对动车组不同零部件及其故障发生情况开发出相配套的算法,以辅助提升TEDS系统实际预报的精准度。

浅谈动车组运行故障动态图像检测系统(TEDS)实践与故障应急处理办法

动车组运行故障动态图像检测系统(Trouble of moving EMU Detection System),简称TEDS。动车组运行故障动态图像检测系统利用在轨边安装面阵和线阵组合摄像头,采集运行动车组走行部、制动配件、底架悬吊件、钩缓连接、车体两侧裙板、转向架等部位图像。动车组运行故障动态图像检测系统采用图像自动识别技术对图像进行自动异常分析和分级预警。动车组运行故障动态图像检测系统实现了对动车在线运行部件状态的监控,提高了故障产生初期的预警能力和追踪能力。为进一步规范TEDS集中监控中心的日常管理,确保发现故障后应急处置有效到位,通过及时的预报以及对动车组故障的确认处理,及时启动应急预案,消除安全隐患,确保了动车组的运行安全。TEDS监控中心应急处置办法的建立与健全,为进一步规范TEDS的管理,用好TEDS,发挥TEDS的作用,为动车组运行安全提供有力保障。

用于动车组故障检测的车号识别算法

列车车号是其身份的唯一标识,动车组运行故障动态图像检测系统(TEDS)根据列车车号在图像库中找寻该列车拍摄的历史图像,以其比对现场采集图像,从而实现对运行列车状态的实时监测。然而动车组目前尚未安装射频识别电子标签,鉴于此,利用视频分析技术对动车组车号图像进行自动识别成为亟需解决的问题。文章提出一种基于语义共生概率的模板匹配算法对车号字符进行识别。实验结果表明,本算法对车号的识别正确率和有效性满足铁路总公司的相关要求,保障了TEDS的工作效果。

基于PHM技术的EOAS健康管理和故障预测系统研究

目前铁路电务部门主要依靠人工和机务故障报修系统的提报信息,对动车组司机操控信息分析系统(EOAS)车载设备进行维护,但无效及误报信息较多,无法满足当前车载设备的运用保障需求。针对该问题,基于故障预测与健康管理(PHM)技术,利用EOAS实时回传的车载设备运行数据和图像信息,通过通用故障建模、大数据技术、图像识别,智能分析运行状态变化,实现EOAS车载设备健康状态在线实时监测、关键部件的故障报警及预测、EOAS全生命周期的健康信息管理,为设备日常运用、维护和管理提供技术手段,实现精准和预防性维修,把当前被动的故障处理转变为故障预防管理。该系统投入运用后,对相关设备维护人员的知识储备、经验能力、熟练程度等要求大大降低;与原人工检测作业对比,检测耗时大幅缩短,有效提升电务部门的设备维护效率和质量,保障了车载设备的持续可靠运行。

基于轻量级注意力生成对抗网络的TEDS图像盲去模糊研究

列车高速运行易导致列车表面部件出现机械损伤,影响列车的运行安全。用于损伤检测的动车组运行故障图像检测系统(TEDS)需进行检测的部件形态多样、体积大小不一,且因列车运动、拍摄设备的震动等带来的拍摄图片不同程度的模糊,给工作人员对故障的分析和标注带来干扰,影响检测的实时性和准确率,故提出一种基于轻量级注意力生成对抗网络的TEDS图像盲去模糊算法。第1步,采用改进的带通道注意力和空间注意力机制的线性倒残差瓶颈模块构建轻量级特征提取网络,将其提取的5种尺度的特征送入特征金字塔网络(FPN)构建生成器,使生成器能有效地关注重点信息、综合底层和高层信息、从多尺度提取特征;第2步,采用谱归一化U_Net作为判别器网络,对局部信息产生更精确的梯度反馈,并在局部,全局双判别器的基础上加入逐像素判别,增强对图像纹理和细节上的对抗学习。研究表明,算法处理后TEDS图片较其他算法对不同尺度的目标均有更好的去模糊效果,图像有更高的清晰度;评价指标PSNR和SSIM达到28.6和91.2%,较其他算法分别提升了0.7和3.8个百分点;轻量级网络参数文件只有13.6 M,与其他算法相比,其速度取得几十倍的提升,在不使用GPU的情况下每分钟可对75张TEDS图片进行去模糊处理,达到TEDS系统的实时性需求。研究成果可有效提高TEDS系统的图片质量,提高损伤检测和标注的精准度,提升工作人员的效率,更好地保障铁路的安全运行。

一种无需预设模板的动车组故障识别算法

针对现有动车组故障识别算法存在较高故障识别误报率与漏报率的问题,提出了一种无需预设模板的动车组故障识别算法.将动车组图像以车厢为单位进行划分,以当前列车的其他车厢作为历史图像进行图片比对,确定出故障区域所在的位置.对多种车型的模拟分析结果表明,所提算法在保障检测漏报率的基础上,误报率可降低至少20%.此外,针对复兴号列车,该算法在保持漏报率为12%的条件下,几乎可达到零误报.

TEDS的大数据特点以及对动车安全检测的改变

动车组运行故障图像检测系统(Trouble of moving EMU Detection System,简称TEDS)是使用位于轨边的高速相机,拍摄动车侧部和底部可视部图像,利用图像识别技术对动车图像进行实时分析,并预警的动车安全检测系统。随着大数据的发展,TEDS逐步体现出大量性、全样本性、价值性、高速性等大数据的一些特点,将大数据检测运用于动车安全检测使得其有别于传统的检测手段,将在时间、空间和纵向维度对动车安全检测模式发生改变。