基于TFDS智能检测技术的铁路货车技术交接平台研究.pdf

Science and Technology&Innovation科技与创新2023 年 第 17 期45文章编号：2095-6835（2023）17-0045-03基于 TFDS 智能检测技术的铁路货车技术交接平台研究周永华1，高善兵2，李玉东1，费向超3（1.中国铁路济南局集团有限公司济南西车辆段，山东 济南 250117；2.中国铁路济南局集团有限公司，山东 济南 250001；3.中国铁路济南局集团有限公司日照车辆段，山东 日照 276800）摘要：目前，对于厂矿企业专用线铁路货车的技术交接普遍采用室外人工检查方式，受人员素质、作业环境等因素影响易出现漏检问题，给铁路货车运行安全埋下隐患。基于“科技保安全”工作理念，研究采用 TFDS（Trouble of movingFreight car Detection System，货车故障轨旁图像检测系统）1智能识别技术对专用线铁路交出货车进行技术交接检查作业，在 TFDS 采集线阵图像基础上，综合利用深度学习和 AI 图像处理技术，实时分析采集图像信息，利用智能识别技术交接车辆存在的故障并进行预警，把控专用线发出列车质量，保障铁路运输安全畅通。关键词：TFDS；技术交接；智能识别；智能检测中图分类号：U279.323文献标志码：ADOI：10.15913/ki.kjycx.2023.17.012目前，全路各技术交接作业场普遍采用室外人工检查作业方式，对车辆按照规定的检查范围和质量标准逐辆进行人工目视检查，确认车辆各部件技术状态是否符合运用要求。由于受人员素质、技术水平、劳动强度、信息化程度等因素影响，车辆漏检、漏修问题时有出现；另外受夜间作业、恶劣天气等因素影响，加之无信息化手段进行预警，经技术交接作业后车辆质量难以保证；同时出现问题后，无车辆部件图像等有效手段进行问题追溯和责任界定。借鉴列检作业场利用 TFDS 设备进行人机分工作业的方式，以及利用智能识别技术进行 TFDS 通过作业，在专用线与接轨站间安装 TFDS 设备，同时利用智能识别技术进行技术交接作业，以此提高专用线技术交接作业质量，优化技术交接作业场人员，把住干线入口关。1TFDS 技术发展为了解决铁路货车人工技术检查作业存在的弊端，中国从 2001 年开始研发货车故障轨旁图像检测系统（TFDS）2-4。TFDS 是一套集高速数字图像采集、大容量图像数据实时处理和精确定位、模式识别技术于一体的智能系统，系统利用轨边高速摄像机，拍摄通过的货物列车车辆的底部和侧部图像，对抓拍到的图像进行分析，判别有关故障，达到防止车辆发生危及行车安全故障上线运行的目的。该系统至今已发展至 TFDS-3 型，同时随着深度学习、AI 技术的发展，车辆故障智能识别技术也日臻成熟，已在全路各大干线投入建设运用，是当前货车运行安全监控系统的重要手段和组成部分。2TFDS 智能识别技术2.1TFDS 智能识别技术原理TFDS 故障智能识别采用基于深度学习的智能识别技术，对货车识别对象以“辆”为单位，根据 TFDS过车量可选择“多对一”或者“一对多”的识别模式。现最新 TFDS-3 型设备针对线阵相机采集列车图像特点，设计了基于高斯拟合的图像归整化方法、改进的伽马变换图像增强方法，在图像中定位车轴，消除传统线阵相机采集图像过程中因车辆调速使图像产生畸变的问题，实现了识别对象的归一化，从而改善图像质量。通过提取全路 TFDS 识别不同车型、故障图片扩增深度学习样本库，并进行故障样本图的还原，以此来实现基于深度学习技术的故障智能识别算法在全路 95%以上车型的工程化应用。2.2TFDS 智能识别技术优势基于现有 TFDS 智能检测技术的诸多优势，设计开发专用线铁路货车 TFDS 智能技术交接平台。该平台应用安装在铁路线路上的车号、图像采集等设备，在列车通过设备时自动采集通过列车的线阵图像，传输至多 GPU（Graphics Processing Unit，图形处理器）中，在平台采集的线阵图像的基础上，综合利用深度学习和 AI 图像处理等技术手段，智能识别运行中的铁路货车车辆故障并进行预警，使技术交接作业质量受人为和环境因素影响大大降低。同时基于“科技保安全”的工作理念，积极推进使用 TFDS 对专用线铁路课题来源：中国铁路济南局集团有限公司科研课题（编号：2022C09）科技与创新Science and Technology&Innovation462023 年 第 17 期货车进行技术交接和安全把控，可以实现对专用线铁路货车技术状态的可视化、智能化、信息化管理，以此来提升专用线交出车辆质量。3TFDS 技术交接智能平台设计TFDS 技术交接智能平台主要由图像采集子系统、故障智能识别子系统及 TFDS 集中作业平台子系统组成，各个系统在相应的运行环境下相互独立运行并在综合服务器中整合。3.1TFDS 运行条件速度和时间：适应车速范围为 0120 km/h，保护门开启、关闭反应时间小于等于 1.5 s；补偿光源开启关闭响应时间小于等于 1 s。主要硬件：车轮传感器为 KG50 型有源车轮传感器；车号自动识别系统为车号智能识别装置，符合GB/T 253402010铁路机车车辆自动识别设备技术条件的有关规定，识别率大于 99.9%；存储服务器保存非故障列车图像信息的时间不少于 30 d，保存故障图片及相关信息的时间不少于 2 年。技术指标：A 类故障识别率大于 99.99%，B 类故障识别率大于95.00%，C类故障识别率大于90.00%。单列车（50 辆）智能识别时间小于等于 8 min，辆均误报数时间小于等于 4 件。3.2系统构架设计3.2.1图像采集子系统图像采集子系统由轨旁设备和机房设备组成。轨旁设备包含车轮传感器、AEI（Automatic EquipmentIdentification，铁路车号自动识别系统）天线、图像采集模块等，用于采集图像和车辆信息。机房设备包含车轮传感器处理装置、系统控制模块、AEI 主机、图像处理模块及图像存储模块，用于存储图像和车辆信息。3.2.2故障智能识别子系统故障智能识别子系统利用多进程管理及所设计的软件构架可以实现对车辆故障的智能识别，并将故障信息上传至集中检车平台。3.2.2.1硬件架构TFDS 技术交接智能平台由图像智能分析服务器、故障智能识别模块组成。多个智能识别模块可实现并行运行，并由进程集中管理。每台 GPU 对应一个后台管理进程，进程开机时自动启动并进行模块初始化，等待识别任务。进行任务识别时，多机、多进程、多模块可并行执行识别任务，提高资源利用率及识别效率。3.2.2.2软件架构TFDS 技术交接智能平台研究与开发整体架构如图 1 所示，分为框架、存储、服务、网关、前端 5 个层次。图 1平台架构图框架：基于主流深度学习框架 PyTorch 搭建智能识别平台，可为智能识别提供多种运行时所需的环境及较高的推理性能。存储：通过数据库和磁盘阵列实现对图像和列车信息的数据存储、数据管理和数据保护，并且为提升算法运行速度加装显卡内存。服务：根据轴距信息和部件的位置的先验信息，获得各部件的粗定位后，采用深度学习、图像处理等方法对部件进行精准识别，并将识别出的故障信息录入数据库和上传至 TFDS 集中检车平台。网关：规范统一对外接口，对外部数据和内部数据进行隔离，减少对外暴露服务，以此增加系统的安全性，保障后台服务及网络安全性。前端：向 TFDS 集中检车平台子系统实时提供智能识别发现故障信息，实现系统与用户的友好交互。3.3TFDS 集中检车平台子系统TFDS 集中检车平台子系统采用经典的 B/S（Browser/Server，浏览器/服务器模式）架构设计，前端页面主要负责支持用户平时的日常工作，包括交接班、分组排班、智能分车、检车、故障确认下发等工作。与其他子系统通过 Socket 或 Http 等方式进行数据通信，平台采取后台异步任务方式实现过车数据同步。3.4平台关键技术3.4.1图像信息采集技术充分利用 TFDS-3 型设备的关键技术，采用高速工业线阵扫描摄像机作为拍摄单元，使用红外线性激光光源作为拍摄补偿光源，提高它抗沙尘、雨雪、阳光的干扰能力，同时使拍摄图像白夜、远近亮度保持一致。3.4.2故障智能识别技术平台通过建模拓展，目前可智能识别65大类故障，根据轴距信息和部件位置的先验信息，获得各部件的粗定位后，采用深度学习、图像处理等方法对部件进服务网关前端检车平台显示PC通信模块存储图像采集框架检车平台显示 PC图像校准检车平台显示PC服务间通信列车信息图像显存轴距获取智能检测服务API Gateway故障信息录入故障图像上传车辆信息采集数据库软件加密配置管理日志分析部件定位系统监控部件识别通信接口PyTorchTensorElow框架资源调度Science and Technology&Innovation科技与创新2023 年 第 17 期47行识别。部件检测定位算法需要首先训练一个用于部件定位的分类器。经过对各种类型车辆检测的相关调研，首先将部件的故障进行分类，建立标准样本图库，在训练过程中，样本图库中的正样本和反样本在经过预处理和特征提取后，训练形成该部件的分类器，在后续的检测定位过程中，经过同样的预处理和特征提取算法后，由先前训练好的分类器进行分类，最后依据分类结果确定是否存在故障。对于一幅 TFDS 图像，固定一个扫描窗口，将整幅 TFDS 图像扫描一遍后，依据每一个扫描窗口的分类结果，便可实现对部件的精确定位。以滚动轴承前盖螺栓丢失故障识别为例，其检测流程如图 2 所示。图 2滚动轴承前盖螺栓丢失检测流程图输入图片在 2 类候选框中进行检测，选取丢失类置信度最高的候选框，如果丢失类候选框的置信度高于设定阈值则输出报警；计算轴端螺栓类候选框的置信度高于设定阈值数量，如果个数小于 3，则输出报警，其余情况不报警。识别过程中，首先读取轴承前盖子图像，随后输入检测网络模型，输出正常类，若未识别出故障，则系统不对图片进行突出显示；如若系统识别出该图片存在故障，则会将该图片故障部位突出显示，如图 3 所示。图 3滚动轴承轴端螺栓检测结果图4平台应用效果该平台应用效果具体如下：减轻了作业人员的劳动强度，有效提高了工作效率，缩短了技检时间，提高了车辆交接质量，保障货物列车安全运行；实现对过车信息、车辆部件图像、故障图像及处理信息等数据的精确采集上报，保障对损坏车辆问题的质量追溯，加强爱车管理工作；TFDS 智能识别技术的运用，摆脱作业人员因业务素质、工作环境等因素对作业质量带来的影响，确保车辆故障被及时发现并得到处置，严控专用线交出车辆技术状态，防止事故、故障车辆进入国铁线路运行；在减少技术交接作业站停时间、减少货车周转时间和提高货车运输效率的同时，提升专用线铁路货车技术交接作业质量和运用管理的现代化水平，确保车辆运输安全畅通。5结束语专用线铁路货车 TFDS 智能技术交接平台，在利用 TFDS 最新型设备采集线阵图像基础上，综合利用深度学习和 AI 图像处理等技术和多智能识别模块并行运行，为专用线交出车辆，实现智能识别车辆故障。该平台在专用线的投入试用，能够实现将人工技术交接作业转变为室内对报警图片进行复核，现场对故障进行专项处置。通过这一技术可以消除人员素质、环境因素等的影响，显著提高作业质量。同时大幅降低现场作业人员的需求和工作量，提高了劳产率，节约了用工成本，实现减员增效。综上所述，专用线铁路货车 TFDS 智能技术交接平台的应用，对提高车辆技术交接作业质量和工作效率具有重要意义，把住干线入口关，为铁路货运增量和运输安全畅通提供保障。参考文献：1铁路总公司机辆部.TG/CL 1132018 铁路货车运用维修规程S.出版社不详，2018.2王宜伟.TFDS 集中作业系统的设计与实现J.铁路计算机应用，2020，29（10）：30-33.3陈德生.TFDS 动态检查集中作业系统的研究J.哈尔滨铁道科技，2018（4）：6-7.4覃华兵.铁路货车故障图像自动识别的研究J.企业科技与发展，2019（9）：100-101.作者简介：周永华（1975），男，山东潍坊人，本科，高级工程师，研究方向为铁路货车检修。高善兵（1979），男，山东临沂人，硕士研究生，正高级工程师，研究方向为铁路货车运用维修。李玉东（1979），男，山东临沂人，本科，工程师，研究方向为铁路货车运用维修。费向超（1991），男，山东日照人，硕士研究生，工程师，研究方向为车辆结构分析与现代设计方法。（编辑：丁琳）程序开始正常类读取子图像候选框2检测网络候选框1候选框1候选框N1计算候选框置信度高于设定阈值的个数候选框N2是否高于设定阈值否候选框2选取置信度最高的候选框个数是否小于3是输出报警信息是否程序结束丢失类