CN102129564A - 基于无人飞行器的接触网故障检测与诊断方法 - Google Patents

Abstract

本发明公开了基于无人飞行器的接触网故障检测与诊断方法，其步骤为：1)图像采集：通过无人飞行器携带摄像设备沿接触网拍摄，分别得到可见光和红外光的接触网图像；2)图像灰度化；3)图像增强；4)图像分割；5)图像分解；6)图像融合：将可见光的拉普拉斯金字塔各层与红外光的拉普拉斯金字塔相应层融合，再对融合后的拉普拉斯金字塔进行图像重构，得到可见光和红外光图像融合后的接触网部件图像；7)由BP神经网络进行图像识别与故障判断。该方法可实现多方位多角度、实时有效地采集机车运行时的接触网图像，自动识别出图像中的接触网部件，并判断出接触网是否发生故障及故障类型，其判断结果更加准确、可靠，能更好地保障铁路运输的安全。

Description

基于无人飞行器的接触网故障检测与诊断方法

技术领域

本发明涉及电气化铁道接触网故障检测与诊断领域，具体是指一种基于无人飞行器的接触网故障检测与诊断方法。

背景技术

接触网是沿电气化铁路线架设的特殊线路，电力机车的电能通过受电弓与接触网滑动摩擦接触取得。因此，接触网是电气化铁路的动力命脉，直接关系到铁路运输的安全。随着我国电气化铁道里程不断增长，以及对铁路运输可靠性和安全性要求的日益提高，接触网检测和维护工作越趋繁重和困难。

电气化铁道接触网检测和故障诊断分为功能性、状态性和工程性检测等三大类，覆盖机械、力学、电气、磨损、烧灼等多方面状态和故障，检测项目多，涉及众多检测技术和装置，一直是电气化铁道运行维护的重要支撑技术。长期以来，电气化铁道接触网的维护检修大量依赖人工操作，如人工使用激光接触网检测仪进行接触网几何参数测量等，劳动强度大，检测项目单一，效率较低，误检、漏检率高。近年来，接触网检测车通过搭载多种检测装置，在较高运行速度下连续测量接触线高度等较丰富的技术参数，此外还可装配接触网动态检测专家诊断系统，对接触网状态进行动态评估和诊断，获得广泛运用。但由于接触网较高，检测车振动强等原因、存在接触网图像清晰度差，接触网上部图像难以获取的局限，不能完全解决接触网状态检测和故障诊断的自动化问题。并且检测车作业时，铁路的正常运行受到影响，即存在维修天窗的问题。

电气烧伤问题在接触网设备故障中所占比例越来越大，且由于它产生原因复杂，潜伏期较长，不易及早发现，从而形成安全隐患；接触线机械磨损超限将造成断线，直接造成铁路运输的中断；因空气污染、粉尘等原因可以导致绝缘子表面污染程度加大，最终绝缘劣化，电气绝缘强度降低，甚至发生闪络；支柱倾斜可以造成拉出值超标，容易导致钻弓等严重事故；严重的接触网异物悬挂及覆冰也能给机车运行带来极大安全隐患。人工巡视发现以上故障的效率低，检测车主要用来检测接触网的常规参数，且检测车只能在正常营运车辆的营运间隙进行，也即受维修天窗的限制，不能实时、及时地进行检测。因此，伴随我国高速电气化铁路的大规模建设，迫切需要高效的非接触式智能接触网故障检测装置及技术。

发明内容

本发明是所要解决的技术问题是克服现有接触网故障检测与诊断现有手段的不足，提供一种基于无人飞行器的接触网故障检测与诊断方法，该方法可实现多方位、多角度、实时有效地采集机车运行时的接触网图像，自动识别出图像中的接触网部件，并判断出接触网是否发生故障及故障类型，其判断结果更加准确、可靠，能更好地保障铁路运输的安全。

本发明解决其技术问题，所采用的技术方案是，一种基于无人飞行器的接触网故障检测与诊断方法，其步骤为：

1)图像采集：通过无人飞行器携带摄像设备沿接触网拍摄，得到可见光和红外光的接触网图像；

2)图像灰度化：将得到的接触网图像进行灰度化处理，得到接触网的灰度图像f(x，y)；

3)图像增强：将接触网的灰度图像f(x，y)用分段线性函数对每个像素进行线性扩展，得到图像中的接触网部件突出后的接触网增强图像g(x，y)；

4)图像分割：计算接触网增强图像g(x，y)和增强图像g(x，y)的4×4领域图像h(x，y)的归一化二维直方图，用设定阈值(t，s)将归一化二维直方图的灰度级分为背景C₀、目标C₁、边缘及噪声C₂和C₃四个区域，计算背景C₀和目标C₁两区域的灰度均值和

以及总体均值向量

并通过计算分类准则函数得到最佳阈值(t^*，s^*)，将最佳阈值(t^*，s^*)划分出的目标

区域所对应的接触网增强图像区域取出，作为从复杂背景中分割出接触网部件的分割图像G；

5)图像分解：

对分割图像G进行高斯塔型分解：先将分割图像G作为高斯塔的零层G₀，再逐层向上分解，第l(l∈[1，10])层的构造方法是：将l-1层图像G_l-1和一个具有低通特性的窗口函数w(m，n)(m∈[-1，1]，n∈(-1，1))进行卷积，再把卷积结果作隔行隔列的降采样，构造得到分割图像G的高斯塔l层G_l；

将高斯塔l层G_l内插放大，得到尺寸与高斯塔l-1层G_l-1的尺寸相同的放大图像

实现分割图像G由高斯金字塔变成拉普拉斯金字塔；

6)图像融合：将可见光的拉普拉斯金字塔各层与红外光的拉普拉斯金字塔相应层融合，再对融合后的拉普拉斯金字塔进行图像重构，得到可见光和红外光图像融合后的接触网部件图像；

7)图像识别与故障判断：构造BP神经网络模型，对接触网部件图像进行识别，识别出接触网部件图像上的部件是何种部件，并进而判断出所述部件是否发生故障及其类型。

与现有技术相比，本发明的有益效果是：

一、对无人飞行器拍摄的可见光和红外光的接触网图像进行灰度化处理，将彩色图像转变为256级灰度值的黑白图像，减少了存储空间，运算量也得到了大大减少，提高了图像处理的快速性和实时性。

图像增强处理则增大了接触网图像中部件区域的对比度，再结合后期的二维直方图图像分割技术，可有效地将接触网部件与背景相分割。

再通过图像的分解融合技术将分割后的可见光和红外光的图像融合实现二者信息共享：可见光图像是反射图像，高频成分多，能反映场景的细节，但照度不佳时的可见光图像(即微光图像)中目标与背景的对比度较低，目标不突出；红外图像是辐射图像，灰度由温差决定，不能反映真实的场景细节，但在低照度下目标与背景的对比度高。单独使用可见光或红外图像均存在不足之处。对于这两种具有互补性的图像，图像融合技术能够有效地综合和发掘它们的特征信息，既能较好反映场景的细节，增强场景理解，又能突出目标、便于目标的分割，从而提高图像的可识别性；再通过BP神经网络实现接触网部件的识别和故障判断。

通过以上系列图像处理技术，实现了接触网故障的非接触式、智能化的实时自动识别与诊断。

二、采用无人飞行器在铁路接触网上空进行拍摄，其视角广，拍摄角度灵活，可以对接触网进行多方位、多角度拍摄，尤其能拍摄接触网上部图像。具有覆盖面广、实时性好的优点，从而更好更早地发现接触网的故障。并可以避免由于人工疏漏造成的损失，有效提高系统运行可靠性，同时可以减少人工投入成本，降低现场作业带来的危险。

三、采用基于无人飞行器的接触网故障检测与识别方法，不受维修天窗的限制，在机车运行时实时进行实时检测，提高了工作效率，实时采集机车正在运行时的接触网信息，其检测结果更加真实可靠。也能更早地实现接触网的早期故障预警和处理，更好地保障铁路运输安全。

上述图像识别与故障判断步骤中，识别出接触网部件图像上的部件是承力索时，对承力索是否发生故障及其故障类型进行判断的具体方法是：将承力索图像拟合成抛物线P(x，y)，并求其最低点的曲率半径R，再和标准承力索的最低点的曲率半径R₀米比较，即计算Δ＝R-R₀；当-0.2≤Δ≤0.2米，则判定承力索没有故障；当Δ＞0.2米且大于时则判定承力索发生故障，故障类型为拉力过大；当Δ＜-0.2米时，也判定承力索发生故障，故障类型则为拉力过小。

上述上述图像识别与故障判断步骤中，识别出接触网部件图像上的部件是吊弦时，对吊弦是否发生故障及其故障类型进行判断的具体方法是：将吊弦拟合成直线L(x，y)，并计算其斜率δ，当|δ|大于0.08时，则认为吊弦发生故障，故障类型为吊弦倾斜；否则，吊弦未发生故障。

这样实现了这两种常见的接触网部件故障简单、可靠的自动识别与诊断。

下面结合附图和具体实施方式对本发明作进一步的详细说明。

附图说明

图1为本发明实施例的图像增强(分段线性拉伸)处理示意图。

图2为本发明实施例的图像分割时使用的二维直方图。

具体实施方式

实施例

本发明的一种具体实施方式是，一种基于无人飞行器的接触网故障检测与诊断方法，其步骤为：

1)图像采集：通过无人飞行器携带摄像设备沿接触网拍摄，分别得到可见光和红外光的接触网图像。无人飞行器携带的摄像设备有两种，一种是可见光摄像设备，一种是红外光摄像设备。然后分别对可见光接触网图像和红外光接触网图像进行以下步骤2)～步骤5)的处理：

2)图像灰度化：将得到的接触网图像进行灰度化处理，得到接触网的灰度图像f(x，y)。

采集的图像是彩色图像，由红、绿、蓝三种基本色调组成，彩色图像的每个像素由三种基本颜色按不同比例组合而成，运用下式即可实现彩色图像向256级灰度值的灰度图像的转换：

gray＝0.299red+0.587green+0.114blue

式中：gray-像素点的灰度值；red-像素点中红色调值；green——像素点中绿色调值；blue一像素点中蓝色调值。

3)图像增强：将接触网的灰度图像f(x，y)用分段线性函数对每个像素进行线性扩展，得到图像中的接触网部件突出后的接触网增强图像g(x，y)。

图像增强的方法为现有技术，如可采用下面的分段线性函数将图像灰度区间分成三段分别作线性变换，突出图像中感兴趣的目标灰度区间，相对抑制不感兴趣的灰度区间。

$g(x,y)=\left\{\begin{array}{cc}\frac{c}{a}\×f(x,y)& 0\≤f(x,y)\≤a\\ \frac{d-c}{b-a}[f(x,y)-a]+c& a\≤f(x,y)\≤b\\ \frac{\max g-d}{\max f-b}[f(x,y)-b]+d& b\≤f(x,y)\≤\max f\end{array}\right.$

图1为本例的图像增强(分段线性拉伸)处理示意图。如图1所示，(x，y)代表像素的位置，f(x，y)、g(x，y)分别为灰度图像和变换后图像的灰度值(在图1中分别为横坐标和纵坐标)，maxf、maxg分别为原图像和变换后的图像的最大灰度值。感兴趣的灰度区间[a，b]为要增强的目标所对应的灰度范围，变换后该区间灰度范围扩展至[c，d]。变换时对[a，b]进行了线性拉伸，而不感兴趣的区间[0，a]和[b，max f]则被压缩。通过调节节点a、b的位置及控制分段直线的斜率，可对不同的灰度区间进行不同的拉伸或压缩。

4)图像分割：计算接触网增强图像g(x，y)和增强图像g(x，y)的4×4领域图像h(x，y)的归一化二维直方图，用设定阈值(t，s)将归一化二维直方图的灰度级分为背景C₀、目标C₁、边缘及噪声C₂和C₃四个区域，计算背景C₀和目标C₁两区域的灰度均值

和

以及总体均值向量

并通过计算分类准则函数得到最佳阈值(t^*，s^*)，将最佳阈值(t^*，s^*)划分出的目标

区域所对应的接触网增强图像区域取出，作为从复杂背景中分割出接触网部件的分割图像G；

采用基于二维直方图的图象分割技术，就可以同时利用图像中各象素的灰度值分布及其邻域的平均灰度值分布来选取最佳阈值，即同时反映了图像的灰度值信息和象素邻域间的空间信息，以求得到更好的分割效果。

图2为本发明实施例的图像分割时使用的二维直方图。图2中，经过增强处理的图像的灰度值g(x，y)为横坐标，其范围为{0，1，…255}，纵坐标为其象素的邻域平均灰度值h(x，y)，其范围也为{0，1，…255}。由此，在每一像素处形成一个二维向量：像素点原灰度值i＝g(x，y)和它的4×4邻域平均灰度值j＝h(x，y)。取阈值(i＝t，j＝s)将g(x，y)和4×4邻域均值图像的整个二维直方图分成背景C₀、目标C₁、边缘及噪声C₂和C₃四个区域。根据同态性，目标和背景的灰度值与其邻域内的平均灰度值相当，而在目标C₁和背景C₀分界处的灰度值与其邻域内的平均灰度值相差较大。因此，目标C₁和背景C₀中的象素主要分布在对角线周围。

图像分割为现有方法，其具体步骤如下：

(1)增强图像g(x，y)，计算其4×4领域均值图像h(x，y)。

$h(x,y)=\frac{1}{16}\underset{m=-1}{\overset{1}{\mathrm{\Σ}}}\underset{n=-1}{\overset{1}{\mathrm{\Σ}}}f(x+m,y+m)$

(2)计算g(x，y)＝i和h(x，y)＝j的归一化二维直方图，即灰度二元组(i，j)的联合概率密度，用p_ij表示，且有

(3)用阈值(i＝t，j＝s)将灰度级划分为四类(C₀，C₁，C_2，C_3，)，即i＝t，j＝s的两条直线将整个直方图划分为四个区域，其中i＜t，j＜s的区域为背景C₀和i＞t，j＞s的区域为目标C₁，该两区域灰度均值和

由以下两式得到。

${\stackrel{\‾}{\mathrm{\μ}}}_0(t,s)={[{\mathrm{\μ}}_{0i},{\mathrm{\μ}}_{0j}]}^T={[\underset{i=0}{\overset{t}{\mathrm{\Σ}}}\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{\mathrm{ip}}_{\mathrm{ij}}/{\mathrm{\ω}}_0(t,s),\underset{i=0}{\overset{t}{\mathrm{\Σ}}}\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{\mathrm{jp}}_{\mathrm{ij}}/{\mathrm{\ω}}_0(t,s)]}^T$

${\stackrel{\‾}{\mathrm{\μ}}}_1(t,s)={[{\mathrm{\μ}}_{1i},{\mathrm{\μ}}_{1j}]}^T={[\underset{i=t+1}{\overset{255}{\mathrm{\Σ}}}\underset{j=s+1}{\overset{255}{\mathrm{\Σ}}}{\mathrm{ip}}_{\mathrm{ij}}/{\mathrm{\ω}}_1(t,s),\underset{i=t+1}{\mathrm{\Σ}}\underset{j=s+1}{\overset{255}{\mathrm{\Σ}}}{\mathrm{jp}}_{\mathrm{ij}}/{\mathrm{\ω}}_1(t,s)]}^T$

其中区域C₀和区域C₁发生的概率分别为

${\mathrm{\ω}}_0(t,s)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}={\mathrm{\ω}}_0$

${\mathrm{\ω}}_1(t,s)=\underset{i=t+1}{\overset{255}{\mathrm{\Σ}}}\underset{j=0}{\overset{S}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}={\mathrm{\ω}}_1$

(4)计算总体均值向量

由于远离直方图的对角线的概率可忽略不计，则ω₀+ω₁ ≈1，于是：

$\stackrel{\‾}{\mathrm{\μ}}={[{\mathrm{\μ}}_i,{\mathrm{\μ}}_j]}^T={[\underset{i=0}{\overset{255}{\mathrm{\Σ}}}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{\mathrm{ip}}_{\mathrm{ij}},\underset{i=0}{\overset{255}{\mathrm{\Σ}}}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{\mathrm{jp}}_{\mathrm{ij}}]}^T={\mathrm{\ω}}_0{\stackrel{\‾}{\mathrm{\μ}}}_0+{\mathrm{\ω}}_1{\stackrel{\‾}{\mathrm{\μ}}}_1$

(5)计算分类准则函数

σ_B(t，s)＝ω₀[(μ_0i-μ_i)²+(μ_0j-μ_j)²]+ω₁[(μ_1i-μ_i)²+(μ_1j-μ_j)²]

(6)求σ_B(t，s)(t，s＝0，1，…255)的最大值，并将其所对应的(t，s)值作为最佳阈值(t^*，s^*)：

$(t^{*},s^{*})=\underset{0<t,s<255}{\arg \max }{\mathrm{\&sigma;}}_B^2(t,s)$

将最佳阈值(t^*，s^*)划分出的目标

区域所对应的接触网增强图像区域取出，即为从复杂背景中分割出接触网部件的分割图像G。

5)图像分解：

对分割图像G进行高斯塔型分解：先将分割图像G作为高斯塔的零层G₀，再逐层向上分解，第l(l∈[1，10])层的构造方法是：将l-1层图像G_l-1和一个具有低通特性的窗口函数w(m，n)(m∈[-1，1]，n∈(-1，1))进行卷积，再把卷积结果作隔行隔列的降采样，构造得到分割图像G的高斯塔l层G_l，即：

$G_l=\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}w(m,n)G_{l-1}(2\mathrm{\&alpha;}+m,2\mathrm{\&beta;}+n),0<l\&le;N,0\&le;\mathrm{\&alpha;}<C_l,0\&le;\mathrm{\&beta;}<R_l$

式中：N——高斯金字塔顶层的层号；

C_l——高斯金字塔第l层图像的列数；

R_l——高斯金字塔第l层图像的行数；

为了简化书写，引入缩小算子F，则上式可记为：G_l＝F(G_l-1)，至此G₀，G₁，…，G_N就构成了高斯金字塔。

将高斯塔l层G_l内插放大，得到尺寸与高斯塔l-1层G_l-1的尺寸相同的放大图像

实现分割图像G由高斯金字塔变成拉普拉斯金字塔。具体操作如下：

将G_l内插放大，得到尺寸与G_l-1的尺寸相同的放大图像

为此引入放大算子F^-1，即：

$G_l^{*}=F^{-1}\left(G_l\right)$

F^-1算子是F算子的逆算子，的尺寸与G_l-1的尺寸相同，但二者并不相等。

式中：N——拉普拉斯金字塔顶层的层号；

LP_l——拉普拉斯塔形分解的第l层图像；

由LP₀，LP₁，…LP_N构成的金字塔即为拉普拉斯金字塔。

通过以上处理，即可分别得到可见光分割图像的拉普拉斯金字塔与红外光分割图像的拉普拉斯金字塔，然后接着进行以下步骤6)和步骤7)的处理。

6)图像融合：将可见光的拉普拉斯金字塔各层与红外光的拉普拉斯金字塔相应层融合，再对融合后的拉普拉斯金字塔进行图像重构，得到可见光和红外光图像融合后的接触网部件图像。

7)图像识别与故障判断：构造BP神经网络模型，对接触网部件图像进行识别，识别出接触网部件图像上的部件是何种部件，并进而判断出所述部件是否发生故障及其类型。

需要识别的接触网部件通常包括：接触线、承力索、吊弦、绝缘子、电连接、线夹、支柱。

识别出的接触线由支柱隔开，基本与地面平行，曲率很小，将识别出的接触线图像拟合成水平直线，进而可通过BP神经网络直接判断出接触线电气烧伤、磨耗超限及断线等故障。对于识别出的线夹，也可以由BP神经网络通过与标准线夹图像的对照，判断故障与否。识别出的接触网部件是否存在异物悬挂和覆冰，也可通过BP神经网络直接做出判断。

绝缘子的外形一股呈扁平状，成串使用的绝缘子的大小和形状都是相同的，瓷质、玻璃、合成等各类绝缘子具有特定的纹理特征，而且处于接触网中的位置固定。把识别出的有特殊形状、特殊纹理等特征的绝缘子拟合成椭圆，同样可以通过神经网络直接判断绝缘子是否破损。

当识别出接触网部件图像上的部件是承力索时，对承力索是否发生故障及其故障类型进行判断，则采用以下方法：将承力索图像拟合成抛物线P(x，y)，并求其最低点的曲率半径R，再和标准承力索的最低点的曲率半径R₀米比较，即计算Δ＝R-R₀；当-0.2≤Δ≤0.2米，则判定承力索没有故障；当Δ＞0.2米且大于时则判定承力索发生故障，故障类型为拉力过大；当Δ＜-0.2米时，也判定承力索发生故障，故障类型则为拉力过小。

当识别出接触网部件图像上的部件是吊弦时，对吊弦是否发生故障及其故障类型进行判断，则采用以下方法：将吊弦拟合成直线L(x，y)，并计算其斜率δ，当|δ|大于0.08时，则认为吊弦发生故障，故障类型为吊弦倾斜；否则，吊弦未发生倾斜故障。

Claims (3)

1.一种基于无人飞行器的接触网故障检测与诊断方法，其步骤为：

1)图像采集：通过无人飞行器携带摄像设备沿接触网拍摄，分别得到可见光和红外光的接触网图像；

2)图像灰度化：将得到的接触网图像进行灰度化处理，得到接触网的灰度图像f(x，y)；

3)图像增强：将接触网的灰度图像f(x，y)用分段线性函数对每个像素进行线性扩展，得到图像中的接触网部件突出后的接触网增强图像g(x，y)；

4)图像分割：计算接触网增强图像g(x，y)和增强图像g(x，y)的4×4领域图像h(x，y)的归一化二维直方图，用设定阈值(t，s)将归一化二维直方图的灰度级分为背景C₀、目标C₁、边缘及噪声C₂和C₃四个区域，计算背景C₀和目标C₁两区域的灰度均值

和

以及总体均值向量

并通过计算分类准则函数得到最佳阈值(t^*，s^*)，将最佳阈值(t^*，s^*)划分出的目标

区域所对应的接触网增强图像区域取出，作为从复杂背景中分割出接触网部件的分割图像G；

5)图像分解：

对分割图像G进行高斯塔型分解：先将分割图像G作为高斯塔的零层G₀，再逐层向上分解，第l(l∈[1，10])层的构造方法是：将l-l层图像G_l-1和一个具有低通特性的窗口函数w(m，n)(m∈[-1，1]，n∈(-1，1))进行卷积，再把卷积结果作隔行隔列的降采样，构造得到分割图像G的高斯塔l层G_l；

将高斯塔l层G_l内插放大，得到尺寸与高斯塔l-1层G_l-1的尺寸相同的放大图像实现分割图像G由高斯金字塔转变成拉普拉斯金字塔；

6)图像融合：将可见光的拉普拉斯金字塔各层与红外光的拉普拉斯金字塔相应层融合，再对融合后的拉普拉斯金字塔进行图像重构，得到可见光和红外光图像融合后的接触网部件图像；

7)图像识别与故障判断：构造BP神经网络模型，对接触网部件图像进行识别，识别出接触网部件图像上的部件是何种部件，并进而判断出所述部件是否发生故障及其类型。

2.如权利要求1所述的基于无人飞行器的接触网故障检测与诊断方法，其特征是：所述7)步中，识别出接触网部件图像上的部件是承力索时，对承力索是否发生故障及其故障类型进行判断的具体方法是：将承力索图像拟合成抛物线P(x，y)，并求其最低点的曲率半径R，再和标准承力索的最低点的曲率半径R₀米比较，即计算Δ＝R-R₀；当-0.2≤Δ≤0.2米，则判定承力索没有故障；当Δ＞0.2米且大于时则判定承力索发生故障，故障类型为拉力过大；当Δ＜-0.2米时，也判定承力索发生故障，故障类型则为拉力过小。

3.如权利要求1所述的基于无人飞行器的接触网故障检测与诊断方法，其特征是：所述7)步中，识别出接触网部件图像上的部件是吊弦时，对吊弦是否发生故障及其故障类型进行判断的具体方法是：将吊弦拟合成直线L(x，y)，并计算其斜率δ，当|δ|大于0.08时，则认为吊弦发生故障，故障类型为吊弦倾斜；否则，吊弦未发生倾斜故障。

Images