基于深度卷积神经网络的高速铁路接触网故障诊断方法

摘要

本发明公开了基于深度卷积神经网络的高速铁路接触网故障诊断方法，包括以下步骤：获取高速铁路接触网支撑装置的二维灰度图像；通过接触网训练集预训练深度卷积神经网络，并带入faster RCNN中训练，通过训练出的模型提取二维灰度图像中的等电位线并进行分割，获得等电位线区域图片；将获得的等电位线区域图片依次进行如下处理，调整其亮度和对比度、递归Otsu预分割、用ICM/MPM分割、腐蚀膨胀图片，得到等电位线像素点，提取最大连通域并统计等电位像素点区域内的独立连通域个数N；若N＞m则判断为等电位线零部件出现散股故障；本发明可准确定位等电位线，提高了故障诊断准确率，符合实际生产需要。

权利要求

1.一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，包括以下步骤：获取高速铁路接触网支撑装置的二维灰度图像；

通过接触网训练集预训练深度卷积神经网络，并带入目标检测框架faster RCNN中训练，通过训练出的模型提取二维灰度图像中的等电位线并进行分割，获得等电位线区域图片；

将获得的等电位线区域图片依次进行如下处理，调整其亮度和对比度、递归最大类间方差法Otsu预分割、用条件迭代模型-最大边缘后验概率算法ICM/MPM分割、腐蚀膨胀图片，得到等电位线像素点，提取最大连通域并统计等电位像素点区域内的独立连通域个数N；

若N＞m则判断为等电位线零部件出现散股故障；

若N≤m则通过归一化公式后的等电位线的像素值的标准差值的大小得出潜在故障的可能性；

归一化方法如下：

标准差σ计算方法如下：

式中：wi为等电位线的第i个位置像素值；wmin为等电位像素值中的最小值；wmax为等电位像素值中的最大值；为归一化后等电位线像均值；vi为归一化后等电位线第i位置的像素值；N为等电位线像素点个数，σ为归一化后等电位像素标准差。

2.根据权利要求1所述的一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，所述最大类间方差法Otsu预分割的方法包括以下步骤：获取等电位线区域图片；

计算图片中的灰度直方图；

计算每个像素值出现的概率；

遍历每个像素并计算类间方差；

获取类间方差最大时对应的像素值。

3.根据权利要求1所述的一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，所述ICM/MPM算法包括以下步骤：式中：θ为模型参数矩阵，y和x分别为观测场和标号场的样本数据；p(x|y,θ)为观测场对标号场的条件概率；p(y)为观测场的先验概率；

U(x)＝∑c∈CVc(xc)    (5)

式中： 为优化的目标方程，Z为归一化常数，C为所有势团集合，U(x)为势团集合内所有势团势能的和，T为常数，Vc(xc)为势团势能，S为图片的第S位置，ys为S位置观测图片的像素值， 为拥有标号xs的所有像素点的均值， 为拥有标号xs的所有像素点的方差；

使用ICM算法进行迭代，具体过程如下：

式中：μk(p)为观测场第p次迭代时属于第k类的像素点均值，σk(p)为观测场第p次迭代时属于第k类的像素点方差，Nk(p)为观测场第p次迭代时属于第k类像素点的个数，k为图像分割的类别数，p为第p次迭代。

4.根据权利要求1所述的一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，所述深度卷积神经网络包括六个卷积层、二个池化层和二个全连接层，前两个卷积层后面分别接一个下采样池化层，第二个池化层后接4个卷积层，这四个卷积层依次相连，在第6个卷积层后接2个全连接层，最后的全连接层输出1000×1的向量。

说明书

基于深度卷积神经网络的高速铁路接触网故障诊断方法

技术领域

[0001] 本发明涉及高速铁路接触网故障检测领域，具体涉及一种基于深度卷积神经网络的高速铁路接触网故障诊断方法。

背景技术

[0002] 高速铁路作为重要的基础交通工具设施，其快速发展对安全问题提出了更高的要求；等电位线是接触网支撑装置的零部件之一，其作用是保证定位器支座和定位器之间的等电位连接；在高速铁路上，在定位器支座和定位器之间的正反面均安装等电位线，可见其重要性；基于图像处理的非接触式检测技术在铁路上的应用主要集中在接触网几何参数测量和弓网不良状态检测，如对定位器倾斜度的检测、导高于拉出值的测量、接触网风偏量检测、受电弓滑板裂纹检测等；针对接触网支撑装置的零部件故障检测，采用的均是传统特征提取方法对接触网零部件定位；由于等电位线属于非刚体、形态较多，利用已有的HOG特征或者SIGT特征，采用传统的模板匹配方式不能取得令人满意的效果。

发明内容

[0003] 本发明提供一种具有较高检测精度的基于深度卷积神经网络的高速铁路接触网等电位线的散股故障诊断方法。

[0004] 本发明采用的技术方案是：基于深度卷积神经网络的高速铁路接触网故障诊断方法，包括以下步骤：

[0005] 获取高速铁路接触网支撑装置的二维灰度图像；

[0006] 通过接触网训练集预训练深度卷积神经网络，并带入目标检测框架faster RCNN中训练，通过训练出的模型提取二维灰度图像中的等电位线并进行分割，获得等电位线区域图片；

[0007] 将获得的等电位线区域图片依次进行如下处理，调整其亮度和对比度、递归最大类间方差法Otsu方法预分割、用条件迭代模型-最大边缘后验概率算法(Iteration condition model/maximization of the posterior marginal，ICM/MPM)算法分割、腐蚀膨胀图片，得到等电位线像素点，提取最大连通域并统计等电位像素点区域内的独立连通域个数N；

[0008] 若N＞m则判断为等电位线零部件出现散股故障。

[0009] 进一步的，若N≤m则通过归一化公式后的等电位线的像素值的标准差值的大小得出潜在故障的可能性；

[0010] 归一化方法如下：

[0011]

[0012]

[0013] 标准差σ计算方法如下：

[0014]

[0015] 式中：wi为等电位线的第i个位置像素值；wmin为等电位像素值中的最小值；wmax为等电位像素值中的最大值；为归一化后等电位线像均值；vi为归一化后等电位线第i位置的像素值；N为等电位线像素点个数，σ为归一化后等电位像素标准差。

[0016] 进一步的，所述最大类间方差法Otsu方法预分割的方法包括以下步骤：

[0017] 获取等电位线区域图片；

[0018] 计算图片中的灰度直方图；

[0019] 计算每个像素值出现的概率；

[0020] 遍历每个像素并计算类间方差；

[0021] 获取类间方差最大时对应的像素值。

[0022] 进一步的，所述ICM/MPM算法包括以下步骤：

[0023] 根据贝叶斯公式：

[0024]

[0025] 式中：θ为模型参数矩阵，y和x分别为观测场和标号场的样本数据；p(x|y,θ)为观测场对标号场的条件概率；p(y)为观测场的先验概率，为一个常数；根据MPM准则，将图像分割问题转化为优化问题；

[0026]

[0027]

[0028]

[0029] U(x)＝∑c∈CVc(xc)  (5)

[0030]

[0031]

[0032] 式中： 为优化的目标方程，Z为归一化常数，C为所有势团集合，U(x)为势团集合内所有势团势能的和，T为常数，通常取1，其控制P(x)形状，T越大，P(x)的形状越趋近于平缓。Vc(xc)为势团势能，S为图片的第S位置，ys为S位置观测图片的像素值， 为拥有标号xs的所有像素点的均值， 为拥有标号xs的所有像素点的方差；

[0033] 使用ICM算法进行迭代，具体过程如下：

[0034]

[0035]

[0036]

[0037] 式中：式中：μk(p)为观测场第p次迭代时属于第k类的像素点均值，σk(p)为观测场第p次迭代时属于第k类的像素点方差，Nk(p)为观测场第p次迭代时属于第k类像素点的个数，k为图像分割的类别数，p为第p次迭代。

[0038] 进一步的，所述深度卷积神经网络包括六个卷积层、二个池化层和二个全连接层，前两个卷积层后面分别接一个下采样池化层，第二个池化层后接4个卷积层，这四个卷积层依次相连，在第6个卷积层后接2个全连接层，最后的全连接层输出1000×1的向量。

[0039] 本发明的有益效果是：

[0040] (1)本发明采用深度神经网络自动学习提取特征，可以更加准确的定位等电位线；

[0041] (2)本发明采用Otsu对图片进行预分割后采用ICM/MPM优化Otsu的分割结果，图片分割结果更加精确，提高了故障诊断的准确率；

[0042] (3)本发明可在不能识别出故障时给出潜在故障的可能性，符合实际生产的需要。

附图说明

[0043] 图1为本发明流程示意图。

[0044] 图2为本发明中faster RCNN架构图。

[0045] 图3为本发明中CATENARNET卷积神经网络架构图。

[0046] 图4为本发明中ICM/MPM算法流程图。

[0047] 图5为本发明Otsu方法流程图。

[0048] 图6为本发明中等电位线分割效果图。

具体实施方式

[0049] 下面结合附图和具体实施例对本发明做进一步说明。

[0050] 如图1-5所示，一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，包括以下步骤：

[0051] 获取高速铁路接触网支撑装置的二维灰度图像；

[0052] 通过接触网训练集预训练深度卷积神经网络CATENARYNET，CATENARYNET为一种针对接触网等电位线图片设计的卷积神经神经网络架构，该架构设计由六个卷积层、二个池化层和二个全连接层组成，前两个卷积层后面分别接一个下采样池化层，第二个池化层后接4个卷积层，这四个卷积层依次相连，在第6个卷积层后接2个全连接层，最后的全连接层输出1000×1的向量；将CATENARYNET带入faster RCNN中训练，通过训练出的模型提取二维灰度图像中的等电位线并进行分割，获得等电位线区域图片；

[0053] 将获得的等电位线区域图片依次进行如下处理，调整其亮度和对比度、递归Otsu方法预分割，对参数进行初始化、用ICM/MPM算法分割、腐蚀膨胀图片，得到等电位线像素点，提取最大连通域并统计等电位像素点区域内的独立连通域个数N；

[0054] 若N＞m则判断为等电位线零部件出现散股故障。

[0055] 进一步的，若N≤m则通过归一化公式后的等电位线的像素值的标准差值的大小得出潜在故障的可能性；由于是否有没有散股没有一个确定的标准；本方法认为只有散开才被认定为故障，其余的具有散开倾向的情况被认为具有潜在散股故障的可能性；这种可能性通过归一化的等电位线的像素值的标准差给出；当等电位线散开时，本方法通过检测其区域内的独立连通域的个数来判断是否散股；由于等电位线发生散股时，每一处散股的地方经过处理后均会变成一个独立连通域，由于实际应用中，等电位线发生散股时不会仅仅有一处发生散股；所以本方法中一般将独立连通域的个数m大于3时作为等电位线散股的判据；

[0056] 归一化方法如下：

[0057]

[0058]

[0059] 标准差σ计算方法如下：

[0060]

[0061] 式中：wi为等电位线的第i个位置像素值；wmin为等电位像素值中的最小值；wmax为等电位像素值中的最大值；为归一化后等电位线像均值；vi为归一化后的等电位线第i位置的像素值；N为等电位线像素点个数，σ为归一化后像素标准差。

[0062] 进一步的，所述Otsu方法预分割的方法包括以下步骤：

[0063] 获取等电位线区域图片；

[0064] 计算图片中的灰度直方图；

[0065] 计算每个像素值出现的概率；

[0066] 遍历每个像素并计算类间方差；

[0067] 获取类间方差最大时对应的像素值。

[0068] 进一步的，所述ICM/MPM算法包括以下步骤：ICM/MPM算法包括两部分，第一部分使用MPM准则将等电位线分割问题转化为优化问题；第二部分为使用ICM算法对待优化的模型求解；

[0069] 根据贝叶斯公式：

[0070]

[0071] 式中：θ为模型参数矩阵，y和x分别为观测场和标号场的样本数据；p(x|y,θ)为观测场对标号场的条件概率；p(y)为观测场的先验概率，为一个常数；根据MPM准则将图像分割问题转化为优化问题；

[0072]

[0073]

[0074]

[0075] U(x)＝∑c∈CVc(xc)  (5)

[0076]

[0077]

[0078] 式中： 为待优化的目标方程，Z为归一化常数，C为所有势团集合，U(x)为势团集合内所有势团势能的和，T为常数通常取1，控制P(x)形状，T越大，P(x)的形状越趋近于平缓，Vc(xc)为势团势能，S为图片的第S位置，ys为S位置观测图片的像素值， 为拥有标号xs的所有像素点的均值， 为拥有标号xs的所有像素点的方差；

[0079] 使用ICM算法进行迭代，具体过程如下：

[0080]

[0081]

[0082]

[0083] 式中：μk(p)为观测场第p次迭代时属于第k类的像素点均值，σk(p)为观测场第p次迭代时属于第k类的像素点方差，Nk(p)为观测场第p次迭代时属于第k类像素点的个数，k为图像分割的类别数，p为第p次迭代。

[0084] 进一步的，所述深度卷积神经网络包括六个卷积层、二个池化层和二个全连接层，前两个卷积层后面分别接一个下采样池化层，第二个池化层后接4个卷积层，这四个卷积层依次相连，在第6个卷积层后接2个全连接层，最后的全连接层输出1000×1的向量；每个卷积层均使用Relu线性激活函数。

[0085] 使用时，具体工作步骤如下：

[0086] (1)通过安装在巡检车上的接触网悬挂支撑装置状态检测系统，对接触网支撑装置的正面以及整体和局部进行连续拍摄，实时采集接触网支撑装置的二维灰度图片；从获得的图片框选出接触网等电位线部件区域的图片，根据VOC2007标准制作训练数据集和测试数据集；与此同时，将常见的接触网零部件裁剪出来做成接触网训练集用来预训练CATENARYNET；

[0087] (2)为了提高定位的精度，本发明提出一种新的等电位线识别的神经网络结构CATENARYNET，更适合接触网图片的特征提取；CATENARYNET由六个卷积层和两个全连接层组成；

[0088] (3)在接触网数据集上预训练CATENARYNET，并带入到faster RCNN中训练，通过训练出的模型提取接触网等电位线在二维灰度图片中的位置并分割；对分割出的等电位线区域图片调整亮度和对比度，基于Ostu算法分割结果，利用ICM/MPM算法对图片进行初步分割，通过数字图像的形态学处理(本发明中使用腐蚀膨胀操作)，分割出精确的等电位线像素点并统计等电位线像素点区域内的独立连通域个数；

[0089] ICM/MPM算法如下所示：

[0090]

[0091] 式中：θ为模型参数矩阵，y和x分别为观测场和标号场的样本数据；p(x|y,θ)为观测场对标号场的条件概率；p(y)为观测场的先验概率；

[0092]

[0093]

[0094]

[0095] U(x)＝∑c∈CVc(xc)  (5)

[0096]

[0097]

[0098] 式中： 为优化的目标方程，Z为归一化常数，C为所有势团集合，U(x)为势团集合内所有势团势能的和，T控制P(x)形状，T越大，P(x)的形状越趋近于平缓。Vc(xc)为势团势能，S为图片的第S位置，ys为S位置观测图片的像素值， 为拥有标号xs的所有像素点的均值， 为拥有标号xs的所有像素点的方差。

[0099] 使用ICM算法进行迭代，具体过程如下：

[0100]

[0101]

[0102]

[0103] 式中：μk(p)为观测场第p次迭代时属于第k类的像素点均值，σk(p)为观测场第p次迭代时属于第k类的像素点方差，Nk(p)为观测场第p次迭代时属于第k类像素点的个数，k为图像分割的类别数，p为第p次迭代。

[0104] (4)根据等电位线像素点像素灰度值的统计学规律以及等电位线区域内独立连通域个数，给出等电位线零部件散股的潜在故障可能性和故障状态。

[0105] 实施例

[0106] 采用包括高清工业相机、一体化大型光源阵列、触发控制功能模块和高性能服务器等设备组成的接触网悬挂支撑装置状态检测监控装置；高清工业相机和一体化大型光源阵列安装在车顶上，当巡检车以一定的速度在线路上行驶时，该设备对接触网支撑装置的正反面以及整体和局部进行拍摄，并同时将图片的位置信息对应保存；本方法主要包括三个阶段：第一个阶段为等电位线定位阶段；第二个阶段为等电位线分割阶段；第三个阶段为故障识别阶段；从接触网悬挂支撑装置状态检测监控设备获得输入图片；采用训练好的faster RCNN模型对输入图片定位并将定位的矩形框的图片分割出来；将分割后的图片采用ICM/MPM算法分割获取到等电位线的像素和等电位线在图片中的区域；通过检测上述区域内的独立连通域个数和归一化后的等电位像素的标准差进行故障判断和计算潜在故障可能性；表1为CAENARYNET详细参数配置表：

[0107] 表1 CAENARYNET详细参数设置

[0108]

[0109] 因为接触网拍摄出来的图片为单通道的大小为6600×4400像素，所以深度卷积神经网络结构的第一层的卷积层的参数设置为1×660×440；为了缩短预训练的时间且不影响分类精度，在训练时采用十分之一的分辨率的样本预训练；在测试时仍然使用6600×4400像素的图片，这样可以提高测试精度。

[0110] 图2为faster RCNN架构图，在实际训练时，将图3中特征提取网络的训练好的卷积层参数带入到图2中的特征提取网络中训练；faster RCNN主要由两部分组成，第一部分为风险系数RPN，作用为体用区域候选框；第二部分为fast RCNN；fast RCNN根据区域候选框的建议并根据特征提取网络的特征通过ROI池化层生成一个ROI特征向量并分别送入Softmax层和Bbox回归器。

[0111] 经过定位等电位线，对裁剪后的图片进行对比度和亮度的调整，然后使用递归Otsu方法对调整后的图片进行预分割，之后采用ICM/MPM算法对分割结果进行纠正，然后对纠正后的结果进行腐蚀和膨胀并提取最大连通域作为等电位线的最终分割结果，ICM/MPM算法的核心思想是对Otsu的误分类结果进行纠正，从而提高像素点分类的精确度。

[0112] 图6中(j)和(k)中的黑洞即为独立连通域；进行散股故障检测时即需要检测这些黑洞的个数；采用本发明提出的故障检测方法，分别对图6中的图像进行故障诊断得到表2。从表2可以看出采用本发明的方法，可以准确判断出(a)(i)(j)(k)(l)(m)发生散股故障，(b)(c)(d)(e)(f)(g)(h)(n)(o)没有发生故障，根据潜在故障可能性的大小来看，(g)最有可能发生散股，(b)有最小发生散股故障的可能性，此结果符合人为的对图片的观测结果。

[0113] 表2故障诊断结果

[0114]

[0115] 本发明利用深度卷积神经网络代替传统手工涉及特征来自动学习提取特征，同时使用神经网络回归产生区域候选框定位代替传统的滑动窗口；可以更加准确的定位等电位线，同时缩短了定位时间；在基于Otsu的分割结果后使用ICM/MPM优化Otsu分割结果；分割结果更加精确，有效降低了分割结果的错误率，极大提高了系统的故障诊断的准确率；利用等电位线发生故障时的自身特征识别故障，在不能识别故障时给出潜在故障的可能性，这样的设计更加人性化，可以提前预防故障的发生，充分考虑了实际应用中系统的人性化需要；在等电位线不是故障的时候给出潜在的故障可能性，更加符合实际生产的需要；深度卷积神经网络CATENARYNET在深层网络和浅层网络上取得较好的折中，参数设置更加适合接触网图片；即缩短了训练时间又调高了分类准确率，有利于定位精度的提高；本发明方法可自动学习等电位线的特征，无需使用人工设计的特征，同时缩短了等电位线的定位时间，提高了定位精度，提高了故障诊断的准确率并可以给出潜在故障的可能性，更加适合实际应用。