标准动车组受电弓智能监测系统研究

马文龙 中车青岛四方机车车辆股份有限公司

一、基于紫外传感器的燃弧检测技术

（一）紫外成像技术

紫外成像技术是摄取目标在紫外波段的空间特征，将较大视场范围内的紫外场景成像在紫外增强器的光敏面上，紫外增强器将极其微弱的紫外辐射图像转换成可见光信号输出，然后将可见光信号转换为数字视频图像，并按照一定接口形式传输到光电图像采集分析系统，通过信号处理传入观察记录设备中，同时对采集到的图像进行存储和处理，紫外传感器实时对弓网运行区域进行紫外线检测，当出现紫外线时，紫外传感器对紫外线出现的时长及强度进行检测，同时紫外相机对燃弧发生瞬间进行图像采集。采集到的结果通过智能分析程序进行分析，给出报警结果。

（二）燃弧检测及报警原理

火花放电、火花频率较高、火花较大。火花放电指产生火花超过碳滑板厚度一半的故障；火花频率较高指火花每发生10次的总时间间隔在10秒钟内（可手动设置）的故障；火花较大指火花超过全-景状态的1/20画面（可手动设置）的故障；预警（火花放电）、告警（火花频率较高、火花较大）；火花监测基于实际区域，根据需要重新配置参数。

（三）燃弧率的计算原理

列车运行过程中振动剧烈时，会导致受电弓滑板与接触导线出现脱离，在离线的瞬间，电流会击穿受电弓滑板与接触导线产生放电现象，形成燃弧。在EN 50317-2002标准指出，铜及铜合金的接触线产生的燃弧存在220nm-225nm或323nm-329nm的波段。该波段属于紫外波段。因此，可通过紫外线模块的方式来检测列车在运行过程中的拉弧现象，主要包括燃弧强度、燃弧时长以及燃弧率。其中，燃弧率由式(3.1)计算,

（四）燃弧检测案例

列车运行过程中，受电弓与接触网通过接触点形成一个相互振荡与耦合的振动系统。当振动剧烈时，可能造成受电弓滑板与接触导线脱离接触，在离线的瞬间，电流击穿滑板和接触线之间空气间隙，产生放电现象，形成燃弧。用紫外相机测量车辆运行过程中燃弧现象（燃弧强度、燃弧时长、燃弧率），并能自动报警。

通过上面的分析我们知道使用传统算法对监控相机燃弧图片进行分析会收到背景干扰，无法正常工作，那么使用紫外传感器和紫外相机结合，对紫外相机抓拍的结果经过分析会比较简单。

通过设置的ROI，在ROI中做阈值分割，得到阈值分割结果。我们可以依据分割图像的分析特征进行异常判断。但是在复杂背景，会存在无法正常提取受电弓的情况，传统的方法是无法正常分割到受电弓的，这样就无法进行故障检测及报警了。

二、基于图像的受电弓异常检测技术

（一）计算机图形图像处理技术

计算机图形图像处理技术指的是在计算机技术飞速发展的背景下应运而生的一种图形处理技术，计算机图形图像处理是利用计算机对图像进行分析，以满足所需的结果，计算机图形图像处理技术又称为影像处理。其中图像处理单指对数字图像的处理，数字图像又指的通过工业相机或者摄像机拍摄得到的二维数据，该二维数据中的元素称之为像素，值为灰值度。图像处理技术主要由图像压缩，增强和复原，匹配、描述和识别等方面组成；计算机图像处理技术是以计算机图像学为支撑，在此基础上对图像进行的技术处理。计算机图像处理技术提取出图像中的质量和图像的分辨率等信息，根据信息的提取对图像进行优化处理。

受电弓由安装在车顶的受电弓数据采集模块来采集图像，动车组的受电弓在运行时有各种各样的背景。在白天强光照射，动车过隧道，夜间运行，动车过桥梁等情况下，受电弓的前景与背景很难区分。在动车高速运行中，受电弓还存在左右摇摆的情况。在这些多种复杂条件下，需要快速与准确的定位和提取受电弓区域图像。需要注意的是，如果用人工的方式来定位和提取受电弓区域图像，就失去了智能监测的意义。因此，为了实现智能监测，需要通过机器学习法描述受电弓图像的特征，并对其进行分类，但此方法效率比较低下。而传统的图像处理技术是先对图像进行形态学的处理、在通过滤波和分割的方法完成对图像的处理，而该方法同样存在着难以准确区分目标区域和干扰区域，且准确率也无法保证。基于此，为了同时提高图像的效率和准确率，本文提出传统图像处理与机器学习相结合的方法，提高受电弓组的准确程度，实现智能监测，进而获得完整的受电弓区域。主要方法如下：

图像预处理使用了CLAHE，MSR等不同得方法对受电弓图像进行增强处理；通过设置ROI来确定弓的估计位置；模板匹配的方式来精确定位受电弓的位置。

（二）受电弓异常检测

受电弓结构检测采用对比与检测结合的方式，整体检测采用对比的方式，若出现对比差异的同时，则基于提取的结构特性进行确认。受电弓的结构特性涵盖直线、曲线和实际长度截取，作为判断受电弓的相对特性参数。如图3-6所示，针对C、E、D检测区域基于对比算法判断是否存在缺陷，若存在缺陷则需要进一步符合区域范围内的边缘结构特性；针对E区域内则需要进一步确认A、B两点之间的实际距离的变化。

（三）受电弓结构异常分析等级

受电弓结构异常是系统智能识别的重点和难点。首先通过业务需求分析，确认待检测的故障形态描述，并依此设计模型树结构和逻辑依赖关系，建立故障判别逻辑条件。该部分介绍各种故障形态对应的模型结构和逻辑条件。

受电弓结构异常分析等级

（四）深度网络模型算法（Unet）

使用传统算法无法应对复杂背景下的受电弓状态分析，因此本文引入基于深度学习的方法来应对复杂背景下的受电弓状态分析。基于目标检测提供的图像信息有限，难以直接分析受电弓的状态。因此，可使用深度网络模型来进行受电弓的分割，进而提取受电弓的状态。其中前半部分主要为特征提取，后半部分是上采样。同时，在一些文献资料中也将这样的结构称之为编码器或者解码器结构。

该网络采用了拼接的特征融合方式，有以下几个优点：

1、可实现对图像特征的多尺度特征识别。

2、后半部分的上采样主要融合了前半部分的特征输出，其实就是将二者之间的多尺度融合在了一起，使其特征表达更为深入。

在动车组实际运行过程中主要有两种故障会发生，受电弓倾斜和受电弓骨折。

（五）碳滑板磨耗技术分析

只要明确了双目视觉相机图像中点的对应关系，就可以准确的定位每一点上的空间坐标，同时利用两点之间的坐标得出两点之间的距离，该方法由于不受到受电弓系统姿态的影响，因此对触发位置的精度要求不高，且还具有很强的抗干扰能力。

双目视觉相机受电弓滑板磨耗的测量方法如下：

1.通过Canny算子对采集到的受电弓碳滑板图像进行边缘提取，分别得出两组碳滑板的边缘曲线。

2.利用第1节中的摄像机矩阵为基础，将两组碳滑板的边缘曲线对应起来。

3.结合双目视觉原理，分别计算每一组对应点的空间坐标，得出受电弓碳滑板的厚度曲线。

三、结束语

现代电气化列车通过受电弓和接触网之间的滑动接触采集电力。任何影响滑动接触的因素都可能造成接触网和受电弓的损伤。恶化的滑动接触可能导致接触碳条和接触线的磨损甚至导致电弧放电。随着高速列车的发展，对铁路安全的要求也逐步提高。因此，对受电弓进行智能监测早已势在必得，尤其对受流系统的安全与稳定运行具有极其重要的现实意义，进而还可以降低和减少电气化铁路的运行成本。