CN109900501A - 高速动车组整车人工智能无损检测方法 - Google Patents

Abstract

本发明提供了一种高速动车组整车人工智能无损检测方法。该方法基于红外线(IR)、超声波(UT)和高能X射线电子计算机断层扫描(CT)检测技术，包括：采集列车各部件不同运营里程时的无损检测数据；将采集到的无损检测数据进行预处理和标注，得到完整数据集；用数据集对机器学习模型进行训练；实时采集列车无损检测数据，并将无损检测数据输送到训练完成后的网络模型中进行检测；实时输出列车存在的故障并预测各部件的服役寿命。该方法可以在高速动车组运行中对其进行整车人工智能无损检测以及各部件服役寿命预测，并依据预测的各部件服役寿命对该部件进行及时的更换，排除安全隐患，降低列车部件更新成本，提高列车运行的安全性和稳定性。

Description

高速动车组整车人工智能无损检测方法

技术领域

本发明涉及高速动车组故障诊断技术领域，尤其涉及高速动车组整车无损检测方法和针对高速列车的人工智能技术。

背景技术

铁路运输作为我国综合交通运输体系的重要组成部分，具有运量大、效率高、安全可靠、节能环保等优点，在我国经济社会发展中发挥着不可替代的作用。高速列车作为高速铁路主要的运载工具，其结构的安全性、稳定性、可靠性等问题一直都是车辆设计关注的重点。随着列车运行速度的提高，导致轨道激扰不断增大，车体及各部件的工作环境变得越来越恶劣，以齿轮箱、电机等为代表的车下设备长期处于高频率、非线性、非平稳性的振动干扰和自激振动状态之下。高频振动不仅会影响列车运行的安全稳定性，还会加速车辆系统部件的疲劳损伤。

随着铁路相关技术的发展，对高速动车组故障监测的自动化程度也越来越高，例如用频域分析方法来提取目标特征信号，从而监测和诊断列车的故障，但目标特征信号的提取主要依赖于信号的品质，强噪声背景下的微弱故障特征信噪比低，得到的信号质量不能保证清晰。虽然在一定程度上能识别出故障特征，但严重影响了设备状态信息的准确获取，使得无法准确识别出故障的位置与类型。因此，对列车相关部件故障诊断检测技术的要求就越来越高，应做到早预防、早检测、早发现、早维修，降低高速动车组检测和运行成本，减少安全事故发生概率。

发明内容

有鉴于此，本发明基于红外线、超声波和高能X射线计算机断层成像技术(CT)提供了一种可以对高速动车组整车人工智能无损检测的方法，以解决现有技术中成本高、检测盲区多，工作效率低、过于依赖人力经验、无法原位智能检测高速动车组早期故障以及预测服役寿命的问题。

本发明的技术方案如下：

高速动车组整车人工智能无损检测方法，包括：

(1)对高速动车组整车进行红外线、超声波和高能X射线照射，获得高速动车组不同运营里程下不同部件、不同尺寸缺陷的CT数据；

(2)将CT数据输送到训练完成后的机器学习模型中进行机械学习；

(3)经机器学习模型判断列车存在的安全隐患及故障类型、位置并预测各部件的服役寿命。

优选的，所述无损检测技术的分辨率为0.01mm-0.5m。

可选的，所述整车包括但不限于：车体(如外门、内外风挡)、转向架(如轮对、轴箱、牵引电机、接地回流装置)、制动装置(如基础制动装置、供风管系)、车端连接装置(如电气连接器、跨接连接器、车钩油压减震器)、车内设备(如乘务室设备、厕所设备)、车顶设备(如受电弓、网侧断路器、特高压装置)、牵引变压器、牵引变流器等。

优选的，所述预测各部件服役寿命为：机器学习模型根据当前部件无损检测数据与列车运行不同里程时无损检测数据进行对比，智能预测该部件的服役寿命。

优选的，所述高速动车组整车人工智能无损检测方法包括：利用工业用计算机断层成像技术(CT)分别采集每辆高速动车组在0-2000万公里时整车无损检测数据。

优选的，所述高速动车组整车人工智能无损检测方法包括：对采集的样本图像进行预处理、滤波运算及反投影成像，获取个部件的断层二维灰度图像，进而辨识各部件内部结构。并过对图像的旋转、平移、翻转、视觉变化等方法，扩充样本数量。

优选的，所述机器学习模型的训练包括：

(1)为使CT数据符合训练要求，对图像进行裁剪预处理和标注；

(2)预处理后的图像进行随机分配，分为一定数量的训练集和测试集，并对机器学习模型结构与参数进行初始化；

(3)训练集图像经过机器学习模型的计算，可以得到一定数量的特征；

(4)所获得的特征可转化为一个列向量，计算识别结果与真实故障的差异；

(5)将结果反馈到初始模型并自动调整网络结构参数；

(6)将处理后的测试集图像输入到训练好的机器学习模型，对测试图像进行故障识别，显示识别结果，验证模型的正确性。

优选的，所述标注方法包括：按高速动车组型号、故障存在的部位、类型分别设置ID。

本发明的有益效果在于，采用红外线、超声波和高能X射线辐射成像方法得到CT数据，可以对整车中各部件存在的早期故障进行检测；利用机器学习的数据挖掘能力可以智能提取故障特征，用于故障检测以及服役寿命预测；通过训练得到的机器学习模型，可以对高速动车组存在的安全隐患做出及时的诊断，并给出故障的类型和位置，大大提高了工作效率；对各部件服役寿命的预测，有效的提升了列车运行的安全性和可靠性。

附图说明

图1是本发明提供的高速动车组整车人工智能无损检测方法流程图；

图2和图3是本发明齿轮箱箱体的CT数据；

图4是本发明机器学习模型训练流程图；

图5是本发明装置工作示意图；

图中：1、车体；2、无损检测系统；

具体实施方式

下面将结合本发明专利实施例中的附图，对本发明专利实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明专利一部分实施例，而不是全部的实施例。基于本发明专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明专利保护的范围。

实施例1

S101：原始样本CT数据获取：利用工业用计算机断层成像技术(工业CT)分别采集每辆高速动车组在0-2000万公里时整车CT数据。并对采集的样本数据进行预处理、滤波运算及反投影成像，从而获取各部件断层二维灰度图像，进而辨识各部件的内部结构。

S102：样本数据处理：通过对图像的旋转、平移、翻转、视觉变化等方法，扩充样本数量。

S103：利用处理后的CT数据对机器学习模型进行训练和测试。在训练过程中使用深度学习框架TensorFlow，深度学习模型采用LeNet-5网络模型。包括：

①为使CT数据符合训练要求，对进行裁剪预处理，并按照高速动车组型号、故障存在的部位、类型分别设置ID；

②对预处理分类后的图像随机分为一定数量的训练集和测试集，并对LeNet-5网络结构进行初始化；

③训练集图像经过卷积层→池化层→卷积层→池化层，可以得到一定数量的特征图；

④将所获得的特征图转化为一个列向量，输出到全连接层，计算识别结果与真实故障的差异；

⑤将结果反馈到初始模型并自动调整网络结构参数；

⑥将处理后的测试集图像输入到训练好的LeNet-5网络结构模型，对测试图像进行故障识别，显示识别结果，验证模型的正确性。

S104：模型应用：对高速列车进行整车CT数据采集，将CT数据实时输入到上述训练好的LeNet-5模型中进行诊断，从而输出该高速列车存在的安全隐患，并根据当前CT数据预测各部件的服役寿命。

实施例2

原始样本CT数据获取、样本数据处理均与实施例1相同。

机器学习模型采用VGG-16网络模型，模型的训练和测试方法均与实施例1相同。

模型应用：对高速列车进行整车CT数据采集，将CT数据实时输入到上述训练好的机器模型中进行诊断，将检测到的每一种故障输出3种可能性较大的故障类型，并将实时的CT图像和数据库中相对应的故障图像呈现在显示器上。通过人工细致辨别，最终确定列车存在的故障类型与位置，并预测各部件的服役寿命。

与现有技术相比，本方法能够智能识别高速动车组存在的故障，大大提高了工作效率。同时机器学习技术在处理CT数据时，能够从更加抽象维度提取人眼获得不到的信息，从而对列车存在的早期故障做出诊断，提高了列车运营的安全性。并且可以依据人工智能预测得到的各部件服役寿命对列车部件进行及时的更换，排除安全隐患，同时可以降低列车部件更新的成本。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.高速动车组整车人工智能无损检测方法，其特征在于，包括以下步骤：

(1)对高速动车组整车进行红外线、超声波和高能X射线照射，通过电子计算机断层成像技术，获得高速列车不同运营里程下各部件不同尺寸缺陷的无损检测数据；

(2)将无损检测数据输送到训练完成后的机器学习模型中进行机械学习；

(3)经机器学习模型判断列车存在的安全隐患及故障类型、位置并预测各部件的服役寿命。

2.根据权利要求1所述的高速动车组整车人工智能无损检测方法，其特征在于，所述无损检测方法的分辨率为：0.01mm-0.5m。

3.根据权利要求1所述的高速动车组整车人工智能无损检测方法，其特征在于，所述整车包括：车体、转向架、制动装置、车端连接装置、车内设备、车顶设备、牵引变压器以及牵引变流器。

4.根据权利要求1所述的高速动车组整车人工智能无损检测方法，其特征在于，所述预测各部件服役寿命的方式为：机器学习模型根据当前部件无损检测数据与列车运行不同里程时无损检测数据进行对比，智能预测该部件的服役寿命。

5.根据权利要求1所述的高速动车组整车人工智能无损检测方法，其特征在于：利用工业用计算机断层成像技术分别采集每辆高速列车在0-2000万公里时整车无损检测数据。

6.根据权利要求1所述的高速动车组整车人工智能无损检测方法，其特征在于：对采集的样本图像进行预处理、滤波运算及反投影成像，获取各部件的断层二维灰度图像，进而辨识各部件内部结构，并通过对图像的旋转、平移、翻转或视觉变化等方法，扩充样本数量。

7.根据权利要求1所述的高速动车组整车人工智能无损检测方法，其特征在于:所述机器学习训练过程包括以下步骤：

(1)为使CT数据符合训练要求，对图像进行预处理和标注；

(2)对预处理后的图像进行随机分配，分为一定数量的训练集和测试集，并对机器学习模型结构与参数进行初始化；

(3)训练集图像经过机器学习模型的计算，可以得到一定数量的特征；

(4)所获得的特征可转化为一个列向量，计算识别结果与真实故障的差异；

(5)将结果反馈到初始模型并自动调整网络结构参数；

(6)将处理后的测试集图像输入到训练好的机器学习模型中，对测试图像进行故障识别，显示识别结果，验证模型的正确性。

8.根据权利要求7所述的高速动车组整车人工智能无损检测方法，其特征在于：所述标注步骤包括按高速列车型号、故障存在的部位和类型分别设置ID。