马文龙
摘 要:受电弓作为动车组传递并获取能源的关键部件,其工作状态直接影响列车的运行。本文介绍了动车组受电弓视频监控系统智能识别技术现状,运用图像识别技术实现受电弓状态异常分析、识别及提示功能,对车辆运用过程中及时发现处理受电弓状态异常具有重要的指导意义,可有效提高动车组运行的安全性和可靠性。
关键词:受电弓 视频监控 智能分析 图像识别
中图分类号:U26 文献标识码:A 文章编号:1674-098X(2019)06(c)-0043-02
受电弓作为动车组关键部件,直接影响列车运行的安全性和可靠性,任何故障或损伤如不能及时发现并处理都有造成列车中断的风险。目前在动车组批量运用的弓网检测手段主要为车载接触网运行状态检测装置(简称3C系统)和受电弓视频监控系统。3C系统具备智能分析功能,仅有少数车辆加装,主要用于监控接触网线路状态;而受电弓视频监控系统为车辆标配,目前仅具备视频记录、查看功能,无故障报警机制,仅凭机械师经验很难定量描述故障现象并采取进一步措施。
为及时发现并降低受电弓状态异常故障对车辆引起的次生灾害,本文结合图像识别技术,利用受电弓视频监控图像分析弓网结构,实现智能识别预警功能,便于随车机械师及时发现并处理受电弓异常状态,提高行车安全性。
1 受电弓视频监控系统简介
受电弓视频监控系统由受电弓摄像机、监控屏、受电弓视频监控服务器、智能分析主机(预留)组成。用于运行途中实时监视车顶受电弓及接触网工作状态,并兼顾受电弓附近高压设备工作状态。
预留的智能分析主机采用一体式封装,主要由电源模块、智能报警输出模块、交换机板、智能工控机(用于数据分析、处理、取流)、存储硬盘(存储故障数据)组成,可自动实时识别受电弓异常状态,在监控屏处弹屏报警,为随车机械师处理异常降弓等受电弓故障提供辅助的监视视频和分析图像。
2 受电弓视频监控智能识别分析
受电弓视频监控智能分析主要可实现火花检测、结构异常检测。智能分析主机将报警图片按照故障类别进行自动筛选,将不同类型的报警信息传输到监控屏,实现智能分析报警功能。
2.1 火花检测
弓网状态受多方面外力影响,当外力致使接触中断的瞬间,两者之间迅速形成大电压差,因而形成空气击穿放电,接触点温度随放电现象急剧上升从而产生电弧、火花。
电弧、火花在图像中表现为局部呈现近似圆形高像素值区域,区域内平均像素值远远高于其他区域,为机器视觉提供了很好的识别目标,故使用区域峰值检测方式实现对电弧、火花检测。设置m×n矩形窗口,在二值化图像中进行遍历,并统计每一个区域的累加值。
其中S(i,j)为图像中的任意像素点,Nsum为每一个区域的累加值。选区最大N值作为一帧图像的电弧区域像素值,在后续高层次的目标识别中进行数值分析,实现火花检测,如图1所示。
2.2 受电弓结构异常检测
受电弓结构异常指所有的降弓、碳滑板部分脱落、碳滑板水平度倾斜超过5°(可手动设置,5°~15°可选)、受电弓支架夹角变化超过10°(可手动设置,10°~15°可选)以及受电弓严重變形的故障,输出报警信息。
受电弓结构检测通过提取结构特性与数据库中原有状态特性进行对比分析,确认当前受电弓工作状态。图像特征提取成为受电弓结构分类的依据,采用BRISK算法实现。
BRISK算法通过利用简单的像素灰度值比较,进而得到一个级联的二进制比特串来描述每个特征点。算法采用了邻域采样模式,即以特征点为圆心,构建多个不同半径的离散化Bresenham同心圆,然后在每一个同心圆上获得具有相同间距的N个采样点,如图2所示。
N个采样点两两组合成一对,可构成N(N-1)/2个采样点对,得到N(N-1)/2个距离的集合(包含长、短距离子集),考虑其中短距离子集中的512个短距离点对,进行二进制编码,获得了一个长度为512个比特位向量,通过比较汉明距离完成图像匹配。
2.3 智能分析现状
智能分析算法的检测模型是在线下统计获得的,通过搜集大量的受电弓形态及火花数据,采用深度学习的方式进行特征统计,得到可用于检测的受电弓模型。不同车型的受电弓结构不同,像机拍摄角度不同,反应到图像上的受电弓结构特征存在较大差异,为提高准确度需要针对性的训练检测模型。随着数据量的增多,对受电弓检测模型不断完善,检测效果也会相应提升。
3 结语
受电弓视频监控系统可在车辆运行过程中对受电弓、接触网及车顶高压设备进行状态监视。通过智能分析主机可实现实时故障检测及报警功能,为随车机械师处理受电弓异常提供辅助的图像监控功能,减少故障后机械师登顶检查,对提高列车运行的安全性可靠性具有重要意义。
参考文献
[1] 罗世伟,邹开耀.视频监控系统原理及维护[J].电子工业出版社,2007(6).
[2] 厍亚斌.新型动车组旅客信息系统的研制[M].北京:铁道车辆,2017.
[3] 厍亚斌,刘金柱,王双全,等.铁总运[2015]360号动车组受电弓视频监控系统暂行技术条件[Z].2015.