CN110059631B - 接触网非接触式监测缺陷识别方法 - Google Patents
接触网非接触式监测缺陷识别方法 Download PDFInfo
- Publication number
- CN110059631B CN110059631B CN201910318028.2A CN201910318028A CN110059631B CN 110059631 B CN110059631 B CN 110059631B CN 201910318028 A CN201910318028 A CN 201910318028A CN 110059631 B CN110059631 B CN 110059631B
- Authority
- CN
- China
- Prior art keywords
- information data
- defect
- contact
- data
- contact network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及接触网非接触式监测缺陷识别方法,通过感知终端采集视频、图像、音频的信息数据,缓存并通过通信网络实时传输;基于GPU硬件设备搭建的分布式大数据服务集群或利用云数据处理中心,接收信息数据并存储于分布式文件系统中,建立信息数据的训练集,基于深度学习技术对信息数据的分布式调用和并行计算,实现对接触网运营信息数据的实时监测与故障分析。本发明作为非接触式接触网系统监测检测的技术手段,可实现接触网非接触式视频和图像监测检测的实时分析诊断,摆脱人工干预模式,提升分析诊断的准确度,降低人工成本,从而实现对高速铁路接触网系统监测检测的数字化、智能化、智慧化的变革。
Description
技术领域
本发明涉及电气化铁路接触网监测技术领域,具体涉及一种接触网非接触式监测缺陷识别方法。
背景技术
接触网系统是电气化铁路系统重要的组成部分,承担将牵引网中的电能输送给电力机车的关键工作。受电弓和接触网装置之间存在复杂的力学、电气交互影响,列车长期运行产生的振动和冲击不可避免地使接触网支持装置出现故障,例如腕臂连接件的紧固件出现松脱或更严重的脱落状态,严重影响列车的安全运行。接触网在户外环境中风吹日晒,易于破损,异物悬挂现象时有发生。这些问题可能形成列车运行安全隐患。
目前铁路系统仍依赖人工查看视频或图像的方式从海量图像上发现异常或故障。人工查找会由于受视觉疲劳、个人情绪、责任心等因素的影响,不可避免出现缺漏或误判,而且效率较低下,人员成本高。
铁路接触网系统的巡检工作主要分为接触式检测和非接触式检测两种方式,接触式检测主要是利用传感器采集弓网系统装置上不同类型的参数,继而分析接触网系统结构或零部件装置是否存在问题。由于铁路沿线状态复杂多变,引起接触网故障的原因也是多种多样的,比如树木入侵、鸟窝、接触线磨耗、拉出值偏移等安全隐患,目前的接触式检测手段就无能为力了。接触网巡检系统中的故障或异常检测属于非接触式视频图像处理技术。接触网系统的非接触式监测检测主要是利用安装在列车或铁路上的拍摄装置对接触网系统进行视频和图像采集。
接触网安全状态监测是本领域关注的重点课题,实现其面向视频图像大数据环境下的自动化、智能化状态监测是当前亟待解决的问题。随着高清摄像设备的普及、高铁成像检测车及相关成像技术批量化生产,以及图像处理与视频分析、大数据存储、大数据处理与分析技术的发展,研发接触网视频图像智能监测系统具备可行性。目前采用深度学习的方法对接触网视频图像数据中的异常现象进行监测的研究较少,特别是在大数据平台下应用GPU图形处理技术对接触网监测视频图像进行分析正处于前期研究阶段,形成的专利成果较少。
发明内容
本发明的目的是提供一种接触网非接触式监测缺陷识别方法,实现电气化铁路接触网非接触式监测故障识别与预警。
本发明所采用的技术方案为:
接触网非接触式监测缺陷识别方法,其特征在于:
所述方法包括以下步骤:
(1)通过感知终端采集视频、图像、音频的信息数据,缓存并通过通信网络实时传输;
(2)基于GPU硬件设备搭建的分布式大数据服务集群或利用云数据处理中心,接收信息数据并存储于分布式文件系统中,建立信息数据的训练集,基于深度学习技术对信息数据的分布式调用和并行计算,实现接触网运营信息数据的缺陷识别与缺陷判别。
步骤(1)中,感知终端为运营列车、接触网作业车、巡检机器人、无人机设施设备上的摄像机、照相机或音频采集器,包括:固定摄像机、固定照相机、车载摄像机、车载照相机、无人机、机器人、音频采集终端信息采集设备,具有缓存和信息传输功能,拍摄录制接触网全景和部件的局部视频、图像和音频;
通信网络采用先进的无线传输技术,实现视频、图像、音频信息数据的实时传输,包括:LTE、NB-Iot、TCP/IP、彩信、3G、4G、5G传输方式。
步骤(2)中,大数据管理存储集群服务平台、基于GPU非结构化信息数据处理的大数据服务台,利用多个GPU高效并行计算处理方法,形成基于GPU图形处理技术的并行计算、分布式计算与存储的大数据硬件架构;
分布式大数据服务集群的硬件设备包括:
HBase Master服务器;
HBase HRegion服务器;
HDFS NameNode服务器,包括一台作为HDFS DataNode服务器,另一台作为Secondary NameNode服务器;
Data Node服务器;
ZooKeeper服务器,与HBase Master服务器和HDFS NameNode服务器复用,采用Paxos算法从ZooKeeper服务器中推选一台作为主服务器,其余作为备用服务器。
步骤(2)中,算法分析包括:迁移学习方法模块,对抗网络算法模块、深度学习网络结构优化模块、算法模型库设计模块;
信息数据的分布式调用和并行计算包括以下步骤:
首先,利用信息数据建立接触网正常状态库和缺陷状态库;
然后,利用迁移学习方法,对有限的缺陷状态库信息数据进行处理,形成可靠、实用的接触网信息数据的训练集,形成算法模型训练的基础数据;利用高准确度的生成对抗网络和数据增强技术,对训练集信息数据进行处理,为后续用于深度学习算法模型建立提供有效的训练资源;
其次,建立缺陷识别分类算法模型,该方法基于深度学习技术对缺陷信息数据进行进一步提取,信息比对,深入分析获取缺陷类型和附加信息的关键特征,并能与系统存储的相关数据进行关联分析,判断缺陷原因和形成应对策略;通过对特征数据的关联分析,形成预测算法模型,对特定特征的一类现象和趋势进行分析,准确预测缺陷发生的概率和时间;
最后,形成的缺陷信息与接触网“一杆一档”库进行动态关联,动态更新“一杆一档”库内信息,做到接触网系统全生命周期可视化管理,形成缺陷维修决策方案,并在显示设备上呈现,,可及时发现缺陷和隐藏缺陷信息,并指导运营维护专业完善应对方案,提高运维效率。
显示设备包括:大屏、电脑、PAD、手机;
展示内容包括:历史信息数据年、季、月方面的统计分析、实时信息数据的缺陷识别及故障报警、综合信息数据的深度挖掘和缺陷预测、不同等级缺陷维护策略输出、动态化一杆一档数据板块。
训练集涵盖典型故障特征,包括:异物入侵、鸟巢、零部件脱落、零部件裂纹、锈蚀、接触线磨耗、受电弓磨耗、设计标准超限、定位器坡度、支柱倾斜、支持装置故障、供电设备状态、红外成像、紫外成像。
建立缺陷识别分类算法模型时,采用比对算法和缺陷识别算法:
比对算法基于正常状态标准库与实时分析库进行比对发现缺陷情况,用于发现接触网整体缺陷情况;
缺陷识别算法基于深度学习方法通过对接触网缺陷信息库进行再分析处理获缺陷类型与附加信息。
本发明具有以下优点:
本发明作为非接触式接触网系统监测检测的技术手段,以基于非接触式视频、图像、音频等信息数据的高铁接触网安全运行监测需求为导向,研究在大数据环境下基于深度学习的非结构化信息数据的智能监测系统,可实现接触网非接触式视频和图像监测检测的实时分析诊断,摆脱人工干预模式,提升分析诊断的准确度,降低人工成本,从而实现对高速铁路接触网系统监测检测的数字化、智能化、智慧化的变革,提升接触网系统全生命周期的安全性和可靠性,具有较强的技术应用和市场推广价值。
附图说明
图1为本发明的系统框图。
图2为本发明的非结构化信息数据分析流程图。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
我国制定了高铁供电检测系统6C对铁路接触网系统做全方位监测检测,对高速接触网悬挂和弓网运行参数的检测,对动车组受电弓滑板状态及接触网特殊断面和地点的实时监测,对接触网运行参数和供电设备参数的实时在线检测等。其中针对接触网系统非接触式的故障或异常监测检测,有接触网安全巡检装置(2C)、接触网悬挂状态检测监测装置(4C)和受电弓滑板监测装置(5C)都是利用高清摄像机对目标区域进行视频和图像采集,但分析工作主要是通过工作人员观察视频或图像进行诊断,确定故障或异常状态,实时性差、费时费力、准确度有限。
国内外接触式与非接触式接触网系统监测检测技术均被使用。但由于目前接触式检测技术的局限性,非接触式检测技术尤其是基于视频或图像的非接触式监测检测技术,具有成本低、准确度高等优点,是未来接触网监测检测技术的重点发展方向。
本发明以铁路供电6C系统综合监测检测视频图像信息数据为基础,构建基于GPU硬件架构大数据分析平台,通过视频图像处理技术和深度学习等方法,对接触网视频图像数据中的异常现象进行识别,形成一套分布式接触网视频图像智能监测系统。
本发明涉及的接触网非接触式监测缺陷识别方法,包括以下步骤:
(1)通过感知终端采集视频、图像、音频的信息数据,缓存并通过通信网络实时传输;
(2)基于GPU硬件设备搭建的分布式大数据服务集群或利用云数据处理中心,接收信息数据并存储于分布式文件系统中,建立信息数据的训练集,基于深度学习技术对信息数据的分布式调用和并行计算,实现对接触网运营信息数据的实时监测与故障分析。
步骤(1)中,感知终端为运营列车或接触网作业车上的摄像机或照相机,具有缓存和信息传输功能,拍摄接触网全景和部件的局部视频、图像和音频。
步骤(2)中,分布式大数据服务集群的硬件设备包括:
HBase Master服务器;
HBase HRegion服务器;
HDFS NameNode服务器,包括一台作为HDFS DataNode服务器,另一台作为Secondary NameNode服务器;
Data Node服务器;
ZooKeeper服务器,与HBase Master服务器和HDFS NameNode服务器复用,采用Paxos算法从ZooKeeper服务器中推选一台作为主服务器,其余作为备用服务器。
步骤(2)中,信息数据的分布式调用和并行计算包括以下步骤:
首先,利用信息数据建立接触网正常状态库和缺陷状态库;
然后,利用迁移学习方法,对有限的缺陷状态库信息数据进行处理,形成可靠、实用的接触网信息数据的训练集,形成算法模型训练的基础数据;利用高准确度的生成对抗网络和数据增强技术,对训练集信息数据进行处理,为后续用于深度学习算法模型建立提供有效的训练资源;
其次,建立缺陷识别分类算法模型,该方法基于深度学习技术对缺陷信息数据进行进一步提取,信息比对,深入分析获取缺陷类型和附加信息的关键特征,并能与系统存储的相关数据进行关联分析,判断缺陷原因和形成应对策略;通过对特征数据的关联分析,形成预测算法模型,对特定特征的一类现象和趋势进行分析,准确预测缺陷发生的概率和时间;
最后,形成的缺陷信息与接触网“一杆一档”库进行动态关联,动态更新“一杆一档”库内信息,做到接触网系统全生命周期可视化管理,形成的决策方案在大屏展示时实时滚动播放,可及时发现缺陷和隐藏缺陷信息,并指导运营维护专业完善应对方案,提高运维效率。
训练集涵盖典型故障特征,包括:异物入侵、鸟巢、零部件脱落、零部件裂纹、锈蚀、接触线磨耗、受电弓磨耗、设计标准超限、定位器坡度、支柱倾斜、支持装置故障、供电设备状态、红外成像、紫外成像。
建立缺陷识别分类算法模型时,采用比对算法和缺陷识别算法:
比对算法基于正常状态标准库与实时分析库进行比对发现缺陷情况,用于发现接触网整体缺陷情况;
缺陷识别算法基于深度学习方法通过对接触网缺陷信息库进行再分析处理获缺陷类型与附加信息。
上述方法,以基于非接触式视频、图像、音频等信息数据的高铁接触网安全运行监测需求为导向,研究在大数据环境下基于深度学习的非结构化信息数据,形成智能监测系统,系统主要包括:(1)感知终端;(2)通信网络;(3)硬件系统;(4)算法分析;(5)呈现展示,五大部分。
其中:
感知终端,包括:视频、图像、音频等信息数据的采集装置和设备,并具有信息传输的功能。
通信网络,包括:LTE、NB-Iot、TCP/IP、彩信、3G、4G、5G等主流传输方式。
硬件系统,包括:大数据管理存储集群服务平台、基于GPU非结构化信息数据处理的大数据服务台。
算法分析,包括:迁移学习方法模块,对抗网络算法模块、深度学习网络结构优化模块、算法模型库设计模块等。
呈现展示,包括:大屏、电脑、PAD、手机等各种设备展示。
整个系统可对相似度高、信息多样的接触网视频、图像、音频等信息数据进行高效、高准确度的分类与识别,结合接触网多类型故障的辨识结果形成决策方案,并进行全方位、多维度、深层次的展示。
(1)感知终端:实现视频、图像、音频等信息数据的采集,具备采集数据及实时传输的能力,同时具备高速缓存可暂存信息数据,可增强信息数据的可靠性,包括:固定摄像机、固定照相机、车载摄像机、车载照相机、无人机、机器人、音频采集终端等信息采集设备。
(2)通信网络:采用先进的无线传输技术,实现视频、图像、音频等信息数据的实时传输,可保证信息数据传输的时效性、安全性、可靠性要求,包括:LTE、NB-Iot、TCP/IP、彩信、3G、4G、5G等主流传输方式。
(3)硬件系统:多台分布式大数据服务器构成或利用大数据云服务,用于信息数据的存储、分布式分析软件及算法、管理调度、GPU计算等模块部署。通过对信息数据的分布式调用和并行计算,实现对接触网运营信息数据的实时监测与故障分析。
接触网信息数据呈现出海量信息、来源多样的特点,利用多个GPU高效并行计算处理方法,形成基于GPU图形处理技术的并行计算、分布式计算与存储的大数据硬件架构。
(4)算法分析:
该方法基于深度学习技术,训练接触网视频、图像、音频等信息数据智能监测与故障识别的多种深度网络模型。
1)迁移学习方法模块
对接网监测标准训练集和测试集。考虑到接触网异常信息数据较少的实际情况,需要采用基于迁移学习的方法对有限的信息数据进行处理,形成可靠、实用的接触网信息数据的训练集,形成算法模型训练的基础数据。利用高准确度的生成对抗网络、数据增强等技术等为后续用于深度学习分析提供有效的训练资源。
接触网信息数据呈现出相似度高、信息多样的特点,为提高网络结构和算法模型的识别准确度,采用多层计算和深度学习方式,经过微调网络结构数据和优化算法参数后,对识别的故障信息数据进行再次分析识别,可有效提升故障识别程度提高系统性能。
2)深度学习网络结构优化模块
针对接触网信息数据训练集的多样性,需深入研究不同监测对象适合的深度学习网络的最优网络结构,根据监测对象特点,建立不同网络结构,充分研究隐含层结构形式,卷积核数量、权重共享参数、损失函数、激活函数、迭代次数、梯度下降的自适应等技术方法,形成针对接触网信息数据多类型高效网络结构。
3)算法模型库设计模块
基于GPU处理大数据平台实现开发功能,便于实现后期业务应用开拓、算法开发、网络架构配置、呈现决策部署等扩展功能,建立接触网大数据分析软件,该软件具备视频、图像、音频等信息数据的高效预处理、分析算法封装、图形化快速部署、第三方算法集成、网络架构自适应组合编辑、展示决策设计等开发板块,设计方案可快速部署到应用系统。
算法模型与网络结构相适应,具有高可靠、高精度、高标准的优势,具备针对高相似度视频图像标识、多标签视频图像特征提取、多附加信息融合的视频图像特征提取等方面能力。
算法模型库需要涵盖接触网多类型信息数据的分析流程,针对不同分析流程设置不同类别算法模型,针对不同应用对象和场景设置不同分析算法模型,通过模型组合和流程设置可形成信息数据的分析流程,设置完成后可固化封装,部署至应用系统,实现接触网信息数据的业务分析。
(5)呈现展示:
基于GPU处理的大数据平台实现开发功能,需部署应用系统,应用系统具备可靠的接触网多类型信息数据的预处理、高效的卷积神经网络结构计算方案,多源的展示呈现,高效的算法调用与运行,可快速、准确、实时呈现输入信息数据的故障类型与状态,可将呈现板块部署大屏、电脑、PAD、手机等各种设备展示,具备独立模块单独分析呈现的下钻功能,可形成全方位、多维度、深层次的展示,并能与一杆一档数据库关联实现动态连接,动态更新,形成动态化的一杆一档数据库。
应用系统可提取各类型接触网信息数据进行关联分析,获取信息数据之间的联系和规律,挖掘深层次的特征,提出超前预测预警方案,指导运营维护管理,实现接触网全生命周期智能维护策略。展示内容包括:历史信息数据年、季、月等方面的统计分析、实时信息数据的缺陷识别及故障报警、综合信息数据的深度挖掘和缺陷预测、不同等级缺陷维护策略输出、动态化一杆一档数据等板块。
本系统作为非接触式接触网系统监测检测的技术手段,可实现接触网非接触式视频和图像监测检测的实时分析诊断,摆脱人工干预模式,提升分析诊断的准确度,降低人工成本,从而实现对我国高速铁路接触网系统监测检测的数字化、智能化、智慧化的变革,提升接触网系统全生命周期的安全性和可靠性,具有较强的技术应用和市场推广价值。
接触网视频图像智能监测系统在非接触式接触网视频和图像监测检测技术中应用,具有实时高效、成本低、准确度高等优点,可以提高故障识别效率,提前组织抢修策略,提升故障抢修响应速度,节省故障影响时间,提高列车运营安全水平;也可有效降低人工成本,辅助日常巡检,节约运营维护成本。并可有效提升铁路接触网系统全生命周期内的运营管理水平,具有较强的潜在经济价值。
接触网视频图像智能监测可大幅度减少人工投入成本,减轻人工巡检的工作强度,降低人工巡检次数,提升接触网供电的可靠性,保障铁路运营安全。同时,系统提供接触网实时监测检测的故障和异常诊断结果,提高故障响应时间,提前开展异常排查组织等优点,将大大提升接触网系统运营维护效率和水平,为事故救援、运行恢复提供有力支撑。
实施例:
以铁路供电6C系统综合监测检测视频图像信息数据为基础,构建基于GPU硬件架构大数据分析平台,通过视频图像处理技术和深度学习等方法,对接触网视频图像数据中的异常现象进行识别,形成一套分布式接触网视频图像智能监测系统。
系统包括:
(1)感知终端:运营列车或接触网作业车上的摄像机或照相机拍摄接触网全景和部件局部视屏或图像,通过先进的无线通信技术,上传至当地基于GPU硬件架构的大数据分析平台或云数据处理中心,存储于HBase等类型数据库中。
(2)通信网络:采集到的接触网沿线视频或图像信息数据,利用当下先进的无线传输技术或沿铁路沿线设置的专用无线通信技术,如:LTE、NB-Iot、5G等,将视屏或图像信息数据,可靠、准确的传送至当地基于GPU硬件架构的大数据分析平台或云数据处理中心,存储于HBase等类型数据库中。
(3)硬件系统:基于GPU硬件设备搭建分布式大数据服务集群或利用云数据处理中心,用于信息数据的存储、分布式分析软件及算法、管理调度、GPU计算等模块部署。该硬件系统可以接受目前运营列车(2C系统)和检测列车(4C系统)采集的接触网视频或图像文件,也可以接受未来先进的接触网系统监测检测设备数据,并存储于分布式文件系统中。通过对信息数据的分布式调用和并行计算,实现对接触网运营信息数据的实时监测与故障分析。
具体地,可以采用基于HDFS文件系统和HBase列式数据库,对于运营和检测列车不超过50列的情况,系统具体配置如下:HBase Master服务器2台,配置16核CPU、256G内存、1TB SSD硬盘。HBase HRegion服务器10台,配置16核CPU、256G内存、1TB SSD硬盘。HDFSNameNode服务器2台,配置16核CPU、256GBG内存、1TB SSD硬盘。其中一台作为HDFSDataNode服务器,另一台作为Secondary NameNode服务器。Data Node服务器55台,配置4核CPU、128GB内存、2TB*18 SAS硬盘。ZooKeeper服务器4台,可与2台HBase Master服务器和2台HDFS NameNode服务器复用。采用Paxos算法从4台中推选一台作为主服务器,其余3台作为备用服务器。系统存储容量、并行处理能力均可按需扩展。
(4)算法分析:该方法是基于深度学习技术,利用先进的卷积神经网络算法对图片、视屏、音频等信息处理的优势,构建适用于接触网系统缺陷识别的网络结构和算法模型。
首先,需要利用运营列车(2C系统)和检测列车(4C系统)采集的接触网视频或图像文件,建立接触网正常状态库和缺陷状态库。
然后,利用迁移学习方法,对有限的缺陷状态库信息数据进行处理,形成可靠、实用的接触网信息数据的训练集,形成算法模型训练的基础数据。利用高准确度的生成对抗网络和数据增强技术,对训练集信息数据进行处理,为后续用于深度学习算法模型建立提供有效的训练资源。
训练集应涵盖6C系统监测检测可识别的典型故障特征,包括:异物入侵、鸟巢、零部件脱落、零部件裂纹、锈蚀、接触线磨耗、受电弓磨耗、设计标准超限(拉出值、坠砣a、b值,)、定位器坡度、支柱倾斜、支持装置故障、供电设备状态、红外成像、紫外成像等。
其次,建立缺陷识别分类算法模型,该方法基于深度学习技术对缺陷信息数据进行进一步提取,信息比对,深入分析获取缺陷类型和附加信息等关键特征,并能与系统存储的相关数据进行关联分析,判断缺陷原因和形成应对策略。通过对特征数据的关联分析,可形成预测算法模型,对特定特征的一类现象和趋势进行分析,可准确预测缺陷发生的概率和时间。
可采用的方法有比对算法和缺陷识别算法。所提出的比对算法和缺陷识别算法精度高,可达到工程应用要求。比对算法是基于正常状态标准库与实时分析库进行比对发现缺陷情况,可用于发现接触网整体缺陷情况;缺陷识别算法是基于深度学习方法通过对接触网缺陷信息库进行再分析处理获缺陷类型与附加信息得的方法,针对不同接触网系统信息特点可利用的方法多样,如:回归、贝叶斯、神经网络等方法。特别是,基于这些算法可建立包括接触网视频、图像、音频等信息数据的边缘计算、比对分析、缺陷识别、平台调度和接触网异常信息发布与维护等全流程的系统方案,提供工程化可行的实施方法。
最后,形成的缺陷信息可与接触网“一杆一档”库进行动态关联,可动态更新“一杆一档”库内信息,做到接触网系统全生命周期可视化管理。形成的决策方案可在大屏展示时实时滚动播放,可及时发现缺陷和隐藏缺陷信息,并指导运营维护专业完善应对方案,提高运维效率。
(5)呈现展示:系统可视化展示包括:大屏、电脑、PAD、手机,具备独立模块单独分析呈现的下钻功能,可形成全方位、多维度、深层次的展示,并能与一杆一档数据库关联实现动态连接,动态更新,形成动态化的一杆一档数据库。
应用系统可在大屏、电脑、PAD和手机上部署,可提取系统平台中各类型接触网信息数据进行关联分析,获取信息数据之间的联系和规律,提出超前预测预警方案,指导运营维护管理。
展示内容包括:历史信息数据年、季、月等方面的统计分析、实时信息数据的缺陷识别及故障报警、综合信息数据的深度挖掘和缺陷预测、不同等级缺陷维护策略输出、动态化一杆一档数据等板块。
本发明的内容不限于实施例所列举,本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换,均为本发明的权利要求所涵盖。
Claims (6)
1.接触网非接触式监测缺陷识别方法,其特征在于:
所述方法包括以下步骤:
(1)通过感知终端采集视频、图像、音频的信息数据,缓存并通过通信网络实时传输;
(2)基于GPU硬件设备搭建的分布式大数据服务集群或利用云数据处理中心,接收信息数据并存储于分布式文件系统中,建立信息数据的训练集,基于深度学习技术对信息数据的分布式调用和并行计算,实现接触网运营信息数据的缺陷识别与缺陷判别;
步骤(2)中,算法分析包括:迁移学习方法模块,对抗网络算法模块、深度学习网络结构优化模块、算法模型库设计模块;
信息数据的分布式调用和并行计算包括以下步骤:
首先,利用信息数据建立接触网正常状态库和缺陷状态库;
然后,利用迁移学习方法,对有限的缺陷状态库信息数据进行处理,形成可靠、实用的接触网信息数据的训练集,形成算法模型训练的基础数据;利用高准确度的生成对抗网络和数据增强技术,对训练集信息数据进行处理,为后续用于深度学习算法模型建立提供有效的训练资源;
其次,建立缺陷识别分类算法模型,该方法基于深度学习技术对缺陷信息数据进行进一步提取,信息比对,深入分析获取缺陷类型和附加信息的关键特征,并能与系统存储的相关数据进行关联分析,判断缺陷原因和形成应对策略;通过对特征数据的关联分析,形成预测算法模型,对特定特征的一类现象和趋势进行分析,准确预测缺陷发生的概率和时间;
最后,形成的缺陷信息与接触网“一杆一档”库进行动态关联,动态更新“一杆一档”库内信息,做到接触网系统全生命周期可视化管理,形成缺陷维修决策方案,并在显示设备上呈现,可及时发现缺陷和隐藏缺陷信息,并指导运营维护专业完善应对方案,提高运维效率。
2.根据权利要求1所述的接触网非接触式监测缺陷识别方法,其特征在于:
步骤(1)中,感知终端为运营列车、接触网作业车、巡检机器人、无人机设施设备上的摄像机、照相机或音频采集器,包括:固定摄像机、固定照相机、车载摄像机、车载照相机、无人机、机器人、音频采集终端信息采集设备,具有缓存和信息传输功能,拍摄录制接触网全景和部件的局部视频、图像和音频;
通信网络采用先进的无线传输技术,实现视频、图像、音频信息数据的实时传输,包括:LTE、NB-Iot、TCP/IP、彩信、3G、4G、5G传输方式。
3.根据权利要求2所述的接触网非接触式监测缺陷识别方法,其特征在于:
步骤(2)中,大数据管理存储集群服务平台、基于GPU非结构化信息数据处理的大数据服务台,利用多个GPU高效并行计算处理方法,形成基于GPU图形处理技术的并行计算、分布式计算与存储的大数据硬件架构;
分布式大数据服务集群的硬件设备包括:
HBase Master服务器;
HBase HRegion服务器;
HDFS NameNode服务器,包括一台作为HDFS DataNode服务器,另一台作为SecondaryNameNode服务器;
Data Node服务器;
ZooKeeper服务器,与HBase Master服务器和HDFS NameNode服务器复用,采用Paxos算法从ZooKeeper服务器中推选一台作为主服务器,其余作为备用服务器。
4.根据权利要求3所述的接触网非接触式监测缺陷识别方法,其特征在于:
显示设备包括:大屏、电脑、PAD、手机;
展示内容包括:历史信息数据年、季、月方面的统计分析、实时信息数据的缺陷识别及故障报警、综合信息数据的深度挖掘和缺陷预测、不同等级缺陷维护策略输出、动态化一杆一档数据板块。
5.根据权利要求4所述的接触网非接触式监测缺陷识别方法,其特征在于:
训练集涵盖典型故障特征,包括:异物入侵、鸟巢、零部件脱落、零部件裂纹、锈蚀、接触线磨耗、受电弓磨耗、设计标准超限、定位器坡度、支柱倾斜、支持装置故障、供电设备状态、红外成像、紫外成像。
6.根据权利要求5所述的接触网非接触式监测缺陷识别方法,其特征在于:
建立缺陷识别分类算法模型时,采用比对算法和缺陷识别算法:
比对算法基于正常状态标准库与实时分析库进行比对发现缺陷情况,用于发现接触网整体缺陷情况;
缺陷识别算法基于深度学习方法通过对接触网缺陷信息库进行再分析处理获缺陷类型与附加信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318028.2A CN110059631B (zh) | 2019-04-19 | 2019-04-19 | 接触网非接触式监测缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318028.2A CN110059631B (zh) | 2019-04-19 | 2019-04-19 | 接触网非接触式监测缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059631A CN110059631A (zh) | 2019-07-26 |
CN110059631B true CN110059631B (zh) | 2020-04-03 |
Family
ID=67319685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910318028.2A Active CN110059631B (zh) | 2019-04-19 | 2019-04-19 | 接触网非接触式监测缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059631B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2759363C1 (ru) * | 2021-01-11 | 2021-11-12 | Федеральное государственное казенное военное образовательное учреждение высшего образования "ВОЕННАЯ АКАДЕМИЯ МАТЕРИАЛЬНО-ТЕХНИЧЕСКОГО ОБЕСПЕЧЕНИЯ имени генерала армии А.В. Хрулева" Министерства обороны Российской Федерации | Мобильный комплекс для обследования железных дорог |
CN114093145A (zh) * | 2021-11-12 | 2022-02-25 | 许继集团有限公司 | 一种视听觉协同的电力设备巡检系统及方法 |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458126B (zh) * | 2019-08-16 | 2022-05-27 | 上海仁童电子科技有限公司 | 一种受电弓状态监测方法及装置 |
CN110414871A (zh) * | 2019-08-23 | 2019-11-05 | 贵州电网有限责任公司 | 基于边缘计算的变电站二次设备故障监测系统及监测方法 |
CN110704221B (zh) * | 2019-09-02 | 2020-10-27 | 西安交通大学 | 一种基于数据增强的数据中心故障预测方法 |
CN110728202A (zh) * | 2019-09-23 | 2020-01-24 | 国网宁夏电力有限公司电力科学研究院 | 一种输电导线异物检测方法、终端及系统 |
CN110695992A (zh) * | 2019-09-27 | 2020-01-17 | 中国铁路昆明局集团有限公司昆明机务段 | 电力机车车顶检修智能机器人 |
CN110781758A (zh) * | 2019-09-29 | 2020-02-11 | 同济大学 | 一种受电弓结构异常动态视频监测方法及装置 |
CN110794462B (zh) * | 2019-11-06 | 2021-08-03 | 广东博智林机器人有限公司 | 建筑工地安全监测系统及其监测方法、装置 |
CN111145538A (zh) * | 2019-12-06 | 2020-05-12 | 齐鲁交通信息集团有限公司 | 适用于公路上的音视频采集、识别和监测的立体感知系统 |
KR20220117126A (ko) * | 2019-12-20 | 2022-08-23 | 보에 테크놀로지 그룹 컴퍼니 리미티드 | 분산형 제품 결함 분석 시스템 및 방법, 및 컴퓨터 판독가능 저장 매체 |
CN111131248B (zh) * | 2019-12-24 | 2021-09-24 | 南方电网电力科技股份有限公司 | 一种网站应用安全缺陷检测模型建模方法及缺陷检测方法 |
CN111240279B (zh) * | 2019-12-26 | 2021-04-06 | 浙江大学 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
CN111274876B (zh) * | 2020-01-09 | 2024-02-13 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于视频分析的调度监控方法和系统 |
CN111272764B (zh) * | 2020-01-22 | 2023-04-28 | 哈尔滨工业大学 | 大型智能临时平台非接触图像识别移动管控系统及方法 |
CN111400040B (zh) * | 2020-03-12 | 2023-06-20 | 重庆大学 | 基于深度学习和边缘计算的工业互联网系统及工作方法 |
CN113642697B (zh) * | 2020-04-27 | 2024-02-20 | 郑州芯兰德网络科技有限公司 | 一种分布式多层级图网络训练方法及系统 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
CN111907562A (zh) * | 2020-06-24 | 2020-11-10 | 中铁第一勘察设计院集团有限公司 | 一种铁路通信的状态实时监测和控制系统 |
CN112949368A (zh) * | 2020-07-16 | 2021-06-11 | 中国铁建电气化局集团第五工程有限公司 | 一种基于2c、3c、5c装置的高铁弓网故障处理技术 |
CN111832832B (zh) * | 2020-07-21 | 2023-12-29 | 重庆现代建筑产业发展研究院 | 一种基于物联网的小区自巡检系统 |
CN112184624A (zh) * | 2020-09-01 | 2021-01-05 | 燊赛(上海)智能科技有限公司 | 一种基于深度学习的图片检测方法及系统 |
CN112001918A (zh) * | 2020-09-27 | 2020-11-27 | 中铁电气化局集团有限公司 | 基于ai算法的高铁接触网设备巡检方法及系统 |
US11797557B2 (en) | 2020-12-03 | 2023-10-24 | Boe Technology Group Co., Ltd. | Data management platform, intelligent defect analysis system, intelligent defect analysis method, computer-program product, and method for defect analysis |
CN112798598A (zh) * | 2021-02-07 | 2021-05-14 | 北京航天计量测试技术研究所 | 接触线磨耗量检测系统及方法 |
CN113128751A (zh) * | 2021-03-17 | 2021-07-16 | 中创智维科技有限公司 | 一种接触网拉出值故障预测系统及方法 |
CN115118641A (zh) * | 2021-03-18 | 2022-09-27 | 苏州华云视创智能科技有限公司 | 一种基于5g的手持云端检测系统 |
CN113076999B (zh) * | 2021-04-06 | 2024-01-30 | 宁波职业技术学院 | 基于人工智能信息数据采集方法 |
CN113391617A (zh) * | 2021-06-09 | 2021-09-14 | 安徽领云物联科技有限公司 | 基于5g网络的车辆远程诊断方法、存储器、装置及系统 |
CN113625264B (zh) * | 2021-06-16 | 2024-08-30 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种并行处理铁路检测大数据的方法及系统 |
CN113640307B (zh) * | 2021-08-31 | 2023-10-10 | 郑州铁路职业技术学院 | 一种采用机器视觉的轨道状况监测方法 |
CN114913473B (zh) * | 2022-03-21 | 2023-08-15 | 中国科学院光电技术研究所 | 一种轻量化单体式成像的接触网安全巡检仪 |
CN114780621B (zh) * | 2022-06-23 | 2022-10-04 | 中铁电气化勘测设计研究院有限公司 | 一种轨道交通接触网缺陷检索方法 |
CN115881079B (zh) * | 2023-02-16 | 2023-05-23 | 山东铁路投资控股集团有限公司 | 铁路轨道施工中的噪音预警方法、系统、设备及存储介质 |
CN116337154B (zh) * | 2023-03-27 | 2024-04-19 | 成都铁路科创有限责任公司 | 一种接触网健康状态监测方法及系统 |
CN118015554B (zh) * | 2024-04-10 | 2024-06-21 | 南京派光智慧感知信息技术有限公司 | 多源数据融合的铁路场站监测方法、系统、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216989A (zh) * | 2014-09-09 | 2014-12-17 | 广东电网公司中山供电局 | 一种基于HBase的输电线路综合数据存储方法 |
WO2016204385A1 (ko) * | 2015-06-15 | 2016-12-22 | 한국철도기술연구원 | 전기철도차량의 진동 정보 검출 방법 및 장치 |
CN106768477A (zh) * | 2017-01-06 | 2017-05-31 | 南京派光信息技术有限公司 | 基于分布式光纤铁路接触网跳闸监控系统及方法 |
CN106919978A (zh) * | 2017-01-18 | 2017-07-04 | 西南交通大学 | 一种高铁接触网支撑装置零部件识别检测方法 |
CN206369593U (zh) * | 2017-01-06 | 2017-08-01 | 南京派光信息技术有限公司 | 基于分布式光纤铁路接触网跳闸监控系统 |
CN107633267A (zh) * | 2017-09-22 | 2018-01-26 | 西南交通大学 | 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法 |
KR101918558B1 (ko) * | 2017-09-22 | 2018-11-15 | 한국철도기술연구원 | 영상장비를 이용한 휴대형 궤도 및 전차선 검측기, 및 그 검측방법 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719305B (zh) * | 2016-01-25 | 2018-10-19 | 成都国铁电气设备有限公司 | 接触网中组件脱落缺陷识别方法及系统 |
CN105469420B (zh) * | 2016-01-25 | 2018-05-08 | 成都国铁电气设备有限公司 | 弓网燃弧缺陷识别方法及系统 |
CN109269415B (zh) * | 2017-07-17 | 2020-02-18 | 成都唐源电气股份有限公司 | 一种基于多路相机的接触网导线磨耗测量方法及装置 |
-
2019
- 2019-04-19 CN CN201910318028.2A patent/CN110059631B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216989A (zh) * | 2014-09-09 | 2014-12-17 | 广东电网公司中山供电局 | 一种基于HBase的输电线路综合数据存储方法 |
WO2016204385A1 (ko) * | 2015-06-15 | 2016-12-22 | 한국철도기술연구원 | 전기철도차량의 진동 정보 검출 방법 및 장치 |
CN106768477A (zh) * | 2017-01-06 | 2017-05-31 | 南京派光信息技术有限公司 | 基于分布式光纤铁路接触网跳闸监控系统及方法 |
CN206369593U (zh) * | 2017-01-06 | 2017-08-01 | 南京派光信息技术有限公司 | 基于分布式光纤铁路接触网跳闸监控系统 |
CN106919978A (zh) * | 2017-01-18 | 2017-07-04 | 西南交通大学 | 一种高铁接触网支撑装置零部件识别检测方法 |
CN107633267A (zh) * | 2017-09-22 | 2018-01-26 | 西南交通大学 | 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法 |
KR101918558B1 (ko) * | 2017-09-22 | 2018-11-15 | 한국철도기술연구원 | 영상장비를 이용한 휴대형 궤도 및 전차선 검측기, 및 그 검측방법 |
Non-Patent Citations (1)
Title |
---|
弓网接触力缺陷特征与诊断研究;杨志鹏;《电气化铁道》;20180131(第1期);全文 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2759363C1 (ru) * | 2021-01-11 | 2021-11-12 | Федеральное государственное казенное военное образовательное учреждение высшего образования "ВОЕННАЯ АКАДЕМИЯ МАТЕРИАЛЬНО-ТЕХНИЧЕСКОГО ОБЕСПЕЧЕНИЯ имени генерала армии А.В. Хрулева" Министерства обороны Российской Федерации | Мобильный комплекс для обследования железных дорог |
CN114093145A (zh) * | 2021-11-12 | 2022-02-25 | 许继集团有限公司 | 一种视听觉协同的电力设备巡检系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110059631A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059631B (zh) | 接触网非接触式监测缺陷识别方法 | |
CN110135273B (zh) | 接触网视频图像云端智能监测与故障识别方法 | |
Pierdicca et al. | Deep convolutional neural network for automatic detection of damaged photovoltaic cells | |
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN110674861B (zh) | 一种输变电巡检图像智能分析方法及装置 | |
CN103699698B (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
CN110264440B (zh) | 基于深度学习的大规模列车移位故障检测方法及系统 | |
CN111914687B (zh) | 一种基于车联网主动识别事故的方法 | |
CN110852222A (zh) | 一种基于目标检测的校园走廊场景智能监控方法 | |
CN114998244A (zh) | 基于计算机视觉的轨道梁指形板智能巡检系统及方法 | |
CN115527340A (zh) | 一种基于无人机与监控摄像的智慧工地安全监测系统及方法 | |
CN110271929A (zh) | 一种基于大数据驱动的城市电梯维保质量评价系统 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN115393347B (zh) | 一种基于城市大脑的电网智能巡检方法及系统 | |
CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
CN116416281A (zh) | 一种粮库ai视频监管分析方法及系统 | |
CN117806355A (zh) | 一种电力巡线无人机控制方法及系统 | |
CN117612249A (zh) | 一种基于改进OpenPose算法的井下矿工危险行为识别方法和装置 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
CN115147777A (zh) | 船员违规行为识别方法 | |
Delassus et al. | Broken bikes detection using citibike bikeshare system open data | |
CN111830937A (zh) | 车辆故障识别模型的构建、识别方法及装置、管理系统 | |
Sheng et al. | A YOLOX-Based Detection Method of Triple-Cascade Feature Level Fusion for Power System External Defects | |
CN112241942A (zh) | 一种基于卷积神经网络的地下空间管道腐蚀程度监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |