高铁受电弓异常状态检测方法研究现状及其发展趋势

靳业铭

摘  要：随着我国高速铁路交通网的不断扩大与增长，高铁车辆受电弓异常状态检测成为广泛研究热点之一，本文从高铁受电弓的检测方法入手，介绍了国内外常用的各类检测方法，并介绍了检测装置的特点，可为高铁受电弓状态检测提供一定的技术依据。

关键词：高铁;受电弓;图像识别;异常状态检测

中图分类号：U255.1  文献标识码：B

0.引言

交通是兴国之要、强国之基。2019年中共中央、国务院印发的《交通强国建设纲要》，明确从2021年到本世纪中叶，我国将分两个阶段推进交通强国建设。到2035年，基本建成交通强国，形成三张交通网、两个交通圈。随着我国“交通强国”战略的推进和国民经济的稳步增长，截至2020年年底，全国铁路营业里程14.6万公里，高速铁路运营里程达3.79万公里，稳居世界第一。

列车在接触网线供电制式的线路运行时，列车的受电弓与接触网配合完成列车的牵引供电，是列车运行的基础条件之一。接触网状态检测及维修技术也是轨道交通基础设施检测领域的研究热点[1][2]。目前，对于接触网检测技术已经有了较系统的研究。主要可以分为接触网各类型故障的自动识别技术和基于接触状态的维修策略制定两部分。其中在接触网状态识别领域，接触网异常状态检测已经形成了主要以轨道交通供电安全检测监测系统（6C系统）为基础的检测体系。所谓6C，简单来说就是高速铁路供电安全检测监测系统，其中包括高速弓网综合检测装置（CPC）、接触网安全巡检装置（CCV）、车载接触网运行状态检测装置（CCL）、接触网悬挂状态检测监测装置（CCH）、受电弓滑板监测装置（CPV）、接触网及供电设备地面检测装置（CCG），合称为6C系统[3]。6C系统能够通过一系列性能指标有效地确定接触网状态，为维修养护提供依据，已经成为保障接触网安全可靠的重要途径，在接触网检测新技术中自动化和智能化已经是主要的发展趋势[4]。

1.高铁受电弓结构简介

随着高铁技术的发展和全国范围的不断普及，由于其采用电动机驱动的特点，车体和动力组车厢需从接触网获取电能，安装于车厢顶部的取电的电气设备，其与接触网接触的部分形状像古代弓箭样式，因此称为受电弓。高铁车厢顶部所部署的受电弓如图1所示，其主要靠支撑杆的压力与接触网进行接触式取电，因此受电弓本身的异常状态和异物都会对受电弓取电造成一定的影响，严重的情况甚至会直接影响列车运行安全，造成列车减速、故障甚至停车，是列车安全运行的隐患之一。

如图2所示，受电弓一般分单臂弓和双臂弓两种，均由滑板、上框架、下臂杆、底架、升弓与降弓机构及其相关配件（例如液压杆、绝缘子等）等部件组成。因此，对以上机构及其附着异物的及时检测尤为重要，是排查高铁运行隐患和保证安全运行的重要手段之一。

近年来，由于模式识别、人工智能和图像识别技术的迅猛发展，基于以上各类方法的高铁受电弓异常状态和异物检测方法受到了国内外学者的广泛研究。

2.国内外研究现状

基于车体接触网异常状态识别的计划检修是减少地铁车辆故障，保证正常营运的一种有效预防性措施，但目前该项工作大量依赖相关作业人员进行人工检修而效率较低，因此列车不停车运行段接触网异常状态识别检测方法是国内外学者广泛研究的热点之一。

宋以华等[5]介绍了城轨列车的异物智能识别检测技术，提出了异物检测与识别系统开发的必要性，给出了城轨异物检测的相關技术指标和要求，为城市轨道异物智能检测与识别提供一定的技术理论依据。其结论可为高铁受电弓异物识别与检测提供一定的借鉴价值。文献[6]提出一种基于Faster R-CNN深度卷积神经网络的接触网异常状态定位和检测方法，可实现对接触网支撑装置中旋转双耳开口销钉缺失故障检测。文献[7]针对高铁高受电弓滑板裂纹检测效率和精度的优化，设计了一种基于图像处理技术的的受电弓滑板裂纹检测方法。作者首先对获取的受电弓图像进行图像滤波技术进行处理，采用移动平行窗口方法实现受电弓滑板裂纹的检测和识别。但是该方法存在一定的误识别率，将受电弓污损痕迹识别为裂纹，产生假阳性结果。

刘舒康等[8]提出了一种基于智能数据的增强算法，其思想是对检测设备获取的接触网图像进行多种方法的增强从而实现特征提取，基于YOLOv3目标检测算法设计不同尺度的卷积特征图以强化特征提取网络，实现对接触网的吊弦和支架的异常状态检测。类似的，文献[9]改进了轻量化YOLOv3模型，作者在不改变网络参数量的情况下，提高了模型检测的准确率，不仅在绝缘子识别率上具有较高的准确率，在检测速度上也具有一定的优势。对高铁受电弓异常状态识别提供了一定的理论基础和设计思路。

郑睿等[10]和吕阶军等[11]都针对高铁受电弓异常状态和异物检测系统进行了详细的阐述和分析，主要分为分布式和集中式两种类型的检测系统。分布式检测系统如图3所示，其主要由高速摄像机、边缘计算模块和无线传输模块组成，由高速摄像机连续对高铁受电弓进行采样，获取大量样本图片。边缘计算模块作为核心模块主要对采样的高铁受电弓图片进行预处理、分类、分割和识别等算法实现，并将结果通过无线传输模块实时传输至上位机。当检测到高铁受电弓存在异常情况或存在异物时及时进行声光报警，提醒值班和检测人员及时排查故障隐患，保证列车运行安全。

集中式高铁受电弓异常状态和异物检测系统如图4所示，其与分布式检测系统主要区别在于实时性的差别，集中式检测系统主要将所有前端高速摄像机采样的图片进行汇总，再进行分析。这种情况往往适用于长间隔周期的例行检查，对实时性要求不高。

高铁受电弓异常状态和异物检测系统往往集中以上两种系统的优势，同时部署实施，适用于高铁受电弓异常状态和异物检测的实时性预警与例行检测两种工况。

基于以上技术和设计方案，国内外学者和工程师在系统设计实现上提出了各种方案并加以实施。

3.高铁受电弓检测装置研究现状

近年来国内外的一些厂家制作的高铁受电弓异常状态和异物检测系统，仅通过高速摄像机拍摄列车平面信息，不具备对非明视的关键部位的异常状态检测，且仅适用于列车低速检修段。以上检测系统难以适应高铁列车运行规律。目前研制并投入使用的各类高铁受电弓异常状态和异物检测系统用于高铁列车运行段不停车的智能检测系统，不仅满足城轨交通日益增加的检修任务，可实现灵活的检测模式，由计划修转为状态修，并为均衡修提供数据依据。目前人工智能、大数据和工业物联网等新兴技术在各类检测系统中已得到应用，数字化、信息化和智能化的城轨车辆智能检测系统是当前技术发展的主要趋势[12]。

其一，高铁受电弓异常状态和异物检测系统基于图像识别的智能算法研究、高速摄像机算法研究、数据的传输与检测算法的研究主要针对高铁受电弓表面的一些图像信息，而不易发现具有一定深度信息的靠内的结构和异物，因此研制基于深度信息与可视图像信息相融合的车辆信息采集方法及装置是高铁受电弓异常状态和异物检测系统的一类发展方向，可用于高铁受电弓或者其他领域物体的外观信息采集，在采集物体的深度信息的同时，收集物体的平面信息，使得采集到的信息更加丰富。

其二，受到现有车辆检修人员的技术和检测水平高低不一的影响，计划检修主要靠人工主观检测故障，如果作业人员鉴别能力不强或工作状态不好，将直接影响高铁受电弓异常状态和异物检测效果。

其三，高速铁路接触网，是架设在铁路线上空的输电线路。接触网接触不良或者停电，列车只能减速甚至暂停。目前各铁路局供电管理部门每月全线覆盖检测一次，4C检测装置采用32个超高清摄像头对接触网设备进行全方位拍摄，分辨率最高可达2900万像素，拍摄图片方式记录接触网设备部件状态，支持10808 km接触网设备数据检测工作。之后需要通过人工复检的方式进行照片检查，按铁路线网建设要求基本50米左右一个立柱，每个立柱对应有30张左右的设备抓取生成照片，每个季度产生几百万张的设备待检查图片，每个季度这所有的几百万张待检查图片基本靠集中人工、集中核查模式排查与检测可能的问题点，瑕疵部位及脱落可能性位置，其工作量巨大，工作强度与准确度都面临巨大压力。

针对以上几类情况，如图5所示，国内的一些相关领域的学者、机构和公司等提出或设计了高铁受电弓异常状态和异物检测系统的相关理论方法和系统，但是大部分系统只能得到拍摄高铁受电弓的平面信息，无法得到其深度信息，但是高铁受电弓的某些关键部位的异常或异物往往通过平面图像的检测难以被发现，因而需要进行较大程度的改进。

学者和工程师们针对这种情况提出一种基于深度信息与可视图像信息相融合的车辆信息采集方法及装置设计想法，可用于高铁受电弓异常状态和异物检测，在采集物体的深度信息的同时，收集物体的平面信息，使得采集到的信息更加丰富[13]。

4.总结

高铁受电弓异常状态和异物检测系统的研发与实施，切合落实新基建中央要求，是人工智能与高铁受电弓和接触网异常状态和异物检测相结合的前沿系统和研究趋势。通过人工智能技术实现高铁受电弓和接触网异常状态和异物检测的智能识别，减少人工分析的劳动强度，提高劳动效率。实际解决铁路部门供电段人工紧张、人工检测强度大的问题。通过智能化、系统化、独立子系统化分析已有、海量待检查图片，提高人工效率，降低人工劳动强度，100%核准模型，对高鐵受电弓异常状态和异物检测，指导并排查高铁受电弓异常和故障隐患的消除，属于铁路6C系统的发展方向之一，可为高速铁路的安全守护提供坚实的理论依据和技术方法指导。

参考文献

[1]马文龙. 标准动车组受电弓智能监测系统研究[J]. 数码世界， 2020.

[2]杨志鹏， 赵隽， 张文轩，等. 基于动车组3C装置检测信息的非工作受电弓异常升弓状态分析[J]. 铁道机车车辆， 2021， 41（5）：4.

[3]李耀云， 高英杰， 张文雍. 高速铁路供电安全检测监测系统（6C系统）分析方法探讨[J]. 电气化铁道， 2019， 30（S01）：4.

[4]毛向德，罗军. 遗传算法在受电弓主动控制器中的应用[J]. 计算机系统应用， 2020， 29（12）：7.

[5]宋以华，曾光.城市轨道交通线路异物检测与识别技术需求分析[J].甘肃科技，2021，37（18）：50-52.

[6]康高强， 高仕斌， 于龙，等. 基于深度学习的高铁接触网旋转双耳开口销钉缺失故障检测[J]. 铁道学报， 2020， 42（10）：7.

[7]常通帅. 基于计算机图像处理的受电弓滑板裂纹检测方法[J]. 中国设备工程， 2021（6）：3.

[8]刘舒康、唐鹏、金炜东. 基于智能数据增强和改进YOLOv3算法的接触网吊弦及支架检测研究[J]. 计算机科学， 2020， 47（S02）：5.

[9]刘晓忠. 基于卷积神经网络的铁路接触网的绝缘子故障检测研究[D].兰州交通大学.

[10]郑睿，李峰.视觉识别在轨道交通车辆智能检修应用探究[J].江苏科技信息，2021，38（33）：36-38.

[11]吕阶军，贺宏军，蒋聪健.面向重载机车智能运维的车载弓网检测系统集成研究[J].机车电传动，2021（04）：105-111.

[12]冯勇， 宋天源， 钱学明. 基于深度学习的高铁受电装置安全状态快速检测方法[J]. 西安交通大学学报， 2019， 53（10）：6.

[13]范婷婷. 用于受电弓状态监控的数字化双平台[J]. 铁路通信信号工程技术， 2020， v.17;No.120（12）：109-109.