WO2024119983A1 - 一种轨道车辆电缆终端的异常检测方法及装置 - Google Patents

一种轨道车辆电缆终端的异常检测方法及装置 Download PDF

Info

Publication number
WO2024119983A1
WO2024119983A1 PCT/CN2023/121619 CN2023121619W WO2024119983A1 WO 2024119983 A1 WO2024119983 A1 WO 2024119983A1 CN 2023121619 W CN2023121619 W CN 2023121619W WO 2024119983 A1 WO2024119983 A1 WO 2024119983A1
Authority
WO
WIPO (PCT)
Prior art keywords
temperature
data
cable terminal
sound
abnormal
Prior art date
Application number
PCT/CN2023/121619
Other languages
English (en)
French (fr)
Inventor
于祥
余进
牛步钊
彭畅
张鹏
赵宗见
张魁炜
Original Assignee
中车青岛四方机车车辆股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中车青岛四方机车车辆股份有限公司 filed Critical 中车青岛四方机车车辆股份有限公司
Publication of WO2024119983A1 publication Critical patent/WO2024119983A1/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Definitions

  • the present application relates to the field of rail transit technology, and in particular to a method and device for real-time detection of abnormalities in cable terminals of rail vehicles.
  • Cable terminal refers to a device installed at the end of the cable to ensure electrical connection with other parts of the system and maintain insulation to the connection point.
  • the semi-rigid cable terminal is an important component of the high-voltage system of rail vehicles. When the semi-rigid cable terminal fails, it will directly affect the performance of the vehicle's high-voltage system and further affect the safety of vehicle operation. Therefore, the status of the semi-rigid cable terminal needs to be monitored and detected in real time to ensure the safety of vehicle operation.
  • temperature detection is the most widely used detection method because its technology is relatively mature and the cost is relatively low.
  • the existing temperature detection method is to collect the temperature value of the equipment and compare it with a simple temperature threshold to determine whether the equipment is abnormal.
  • this method often fails to fully consider the ambient temperature, equipment consistency, temperature changes, etc., and misses and false alarms occur. Therefore, it is urgent to establish a real-time detection method for cable terminals with high accuracy, precise positioning, and high efficiency.
  • the present application provides a method and device for real-time detection of abnormalities in cable terminals of railway vehicles, which are used to solve the problem that the existing detection methods are prone to missed reports and false reports when detecting cable terminals, resulting in low accuracy of fault detection of cable terminals of railway vehicles.
  • the present application provides a method for detecting an abnormality of a railway vehicle cable terminal, comprising:
  • the preset detection model is used to analyze and process Processing, and obtaining the detection result of the cable terminal to be detected;
  • the analysis data includes image data, temperature data and sound data
  • the preset detection model includes a detection model based on analyzing and processing the ambient temperature data, image data and temperature data, or a detection model based on analyzing and processing the ambient temperature data, image data, temperature data and sound data.
  • Step 2 Use the preset temperature alarm strategy to judge the temperature value of the current frame of the cable terminal. If it is abnormal, the counter F2 increases by 1; if it is normal, the counter F2 is reset to 0;
  • Step 3 After judging the counter F2 in step 2, if the continuous accumulated frame number of the counter F2 is greater than the set frame number, it is concluded that the cable terminal is abnormal, and the counter is reset to 0. If the continuous accumulated frame number of counter F2 is less than the set frame number, it is concluded that the cable terminal is normal;
  • the present application also provides a method for detecting abnormalities of cable terminals of railway vehicles.
  • the step of analyzing and processing the ambient temperature data and the analysis data using a preset detection model to obtain the detection result of the cable terminal to be detected comprises:
  • the present application also provides a method for detecting an abnormality of a cable terminal of a railway vehicle, wherein after analyzing and processing the ambient temperature data and the analysis data using a preset detection model to obtain the detection result of the cable terminal to be detected, the method further includes the step of locating the abnormal detection result:
  • a detection module which performs analysis and processing based on the analysis data using a preset detection model to obtain a detection result of the cable terminal to be detected;
  • the preset detection model includes a detection model based on the ambient temperature data, image data and temperature data or a detection model based on analysis and processing of ambient temperature data, image data, temperature data and sound data.
  • the temperature value of each frame after processing and transformation is determined to obtain the detection result of the cable terminal to be detected.
  • the present application provides a method and device for real-time detection of abnormalities in railway vehicle cable terminals.
  • a preset detection model is used to analyze and detect the collected ambient temperature data and analysis data including image data, temperature data and sound data, thereby fully considering the ambient temperature and temperature changes, avoiding the detection results being affected by the ambient temperature, and preventing omissions and false alarms, thereby improving the accuracy of cable terminal detection.
  • FIG2 is a schematic structural diagram of an abnormality detection device for a railway vehicle cable terminal provided by the present application.
  • FIG. 3 is a schematic diagram of the structure of an electronic device provided in the present application.
  • the analysis data includes image data, temperature data and sound data.
  • the infrared camera is used to collect data from the entire cable terminal area, obtain at least 60 frames of cable terminal temperature data and image data of the collection area, and obtain ambient temperature data.
  • the sound sensor installed near the cable terminal collects sound data, thereby ensuring the integrity of the cable terminal temperature collection.
  • the present application utilizes a preset detection model to analyze and detect the collected ambient temperature data and analysis data including image data, temperature data, and sound data, fully considering the ambient temperature and temperature changes, avoiding underreporting and false alarms in the detection results, thereby improving the accuracy of cable terminal detection.
  • Step 3 Extract the temperature value corresponding to the position coordinate point range according to the temperature data of each frame.
  • the temperature value T is (34, 36, 35, 35, 36, 34).
  • the method for processing and transforming temperature values is as follows:
  • the preset temperature alarm strategy includes: one or more of: absolute temperature average value alarm strategy, absolute temperature ratio value alarm strategy, relative temperature average value alarm strategy, relative temperature ratio value alarm strategy, temperature difference average value alarm strategy, temperature difference ratio value alarm strategy, temperature rise rate average value alarm strategy and temperature rise rate ratio value alarm strategy.
  • Absolute temperature average value alarm strategy Count the current frame temperature average value Tave and compare it with the set value Tave-max (for example, 100°C). If Tave>Tave-max, the current frame is considered to have abnormal temperature data, otherwise the current frame is considered to have normal temperature data.
  • the above strategies for judging the current frame status of the cable terminal can be used alone, that is, only one of them is used to judge the current frame status; multiple strategies can also be used in combination, and the combination method is not limited to the voting method (for example, if more than half of the strategies alarm, the current frame is judged to be abnormal), the weighting method (for example, each strategy is set to The weights are all 12.5%), etc.
  • the voting method for example, if more than half of the strategies alarm, the current frame is judged to be abnormal
  • the weighting method for example, each strategy is set to The weights are all 12.5%
  • Step 5 Determine the number of frames of temperature data that appear abnormal after judgment, and obtain the detection result of the cable terminal to be detected.
  • the step of determining the number of frames of temperature data that are abnormal after determination to obtain the detection result of the cable terminal to be detected includes:
  • counter F2 represents the continuous accumulated frame number of abnormal temperature values of the cable terminal.
  • Step 2 Use the preset temperature alarm strategy to judge the temperature value of the current frame of the cable terminal. If it is abnormal, the counter F2 is increased by 1 and used as the counter of the next frame; if it is normal, the counter F2 is reset to 0.
  • Step 3 After judging the counter in step 2, if the continuous accumulated frame number of counter F2 is greater than the set frame number F2-max (for example, F2-max is set to 10, 20 or 30), it is concluded that the cable terminal is abnormal, and the counter is reset to 0; if the continuous accumulated frame number of counter F2 is less than the set frame number, it is concluded that the cable terminal is normal;
  • F2-max for example, F2-max is set to 10, 20 or 30
  • Step 4 Repeat steps 2 and 3 to determine the temperature values of subsequent frames of the cable terminal, and obtain the detection result of the cable terminal to be detected.
  • the normal data such as the normal temperature average value
  • the abnormal data such as the abnormal temperature average value
  • the step of locating the abnormal detection result is also included:
  • the abnormal cable terminal fault location is obtained by using the cable terminal abnormal location method according to the analysis data of the cable terminal to be detected, including:
  • the position of the abnormal cable terminal is located by using the sound characteristics.
  • the abnormal cable terminal is matched by using a multi-point positioning method (such as a three-point positioning method).
  • the cable terminal recognition model collects the design data of the cable terminal and preliminarily produces a cable terminal recognition template according to the size of the design drawing in the design data, such as the coordinate points ((1,2), (1,3)...(2,2)) corresponding to the outer contour curve of the cable terminal are given in the design drawing.
  • the cable terminal recognition model is obtained. For example, a 100*100 pixel image is used, the coordinate points corresponding to the outer contour curve are drawn in the image and fine-tuned according to the image, the cable terminal in the image is matched, and at least 1000 images are matched and trained to obtain the cable terminal recognition model. To represent the real contour of the cable terminal in the image.
  • the temperature features of the image data are extracted.
  • the temperature feature, the sound feature, and the temperature and sound fusion feature are input into a preset cluster analysis model for detection to obtain the detection result of the cable terminal to be detected.
  • the preset cluster analysis model may adopt: K-MEANS clustering algorithm, mean shift clustering algorithm, DBSCAN clustering algorithm or hierarchical clustering algorithm.
  • the preset clustering analysis model is trained with normal temperature characteristics, sound characteristics and fusion characteristics of temperature and sound and abnormal temperature characteristics, sound characteristics and fusion characteristics of temperature and sound as samples, as well as labels corresponding to normal temperature characteristics, sound characteristics and fusion characteristics of temperature and sound and abnormal temperature characteristics, sound characteristics and fusion characteristics of temperature and sound as samples.
  • the temperature data of each frame in the temperature data is extracted.
  • the detection module includes a preset temperature alarm strategy, which includes: absolute temperature average value alarm strategy, absolute temperature ratio value alarm strategy, relative temperature average value alarm strategy, relative temperature ratio value alarm strategy, temperature difference average value alarm strategy, temperature difference ratio value alarm strategy, temperature rise rate average value alarm strategy and temperature rise rate ratio value alarm strategy One or more of .
  • the analysis data includes image data, temperature data and sound data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请涉及轨道交通技术领域，尤其涉及一种轨道车辆电缆终端异常实时检测方法及装置。其方法包括：采集环境温度数据和待检测电缆终端的分析数据；根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果；其中，所述分析数据包括图像数据、温度数据和声音数据；所述预设的检测模型包括基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型或基于对所述环境温度数据、图像数据、温度数据和声音数据进行分析处理的检测模型。本申请的目的是解决现有的检测方法在对电缆终端进行检测时，容易出现漏报和误报，导致轨道车辆的电缆终端的故障检测的准确率低问题。

Description

一种轨道车辆电缆终端的异常检测方法及装置
相关申请的交叉引用
本申请要求于2022年12月08日提交的申请号为202211575348.4，发明名称为“一种轨道车辆电缆终端的异常检测方法及装置”的中国专利申请的优先权，其通过引用方式全部并入本公开。
技术领域
本申请涉及轨道交通技术领域，尤其涉及一种轨道车辆电缆终端异常实时检测方法及装置。
背景技术
电缆终端指安装在电缆的末端，以保证与该系统其他部分的电气连接并保持绝缘至连接点的装置。其中，半刚性的电缆终端是轨道车辆高压系统的一个重要部件，当半刚性的电缆终端发生故障时，将会直接影响车辆高压系统的性能，进而影响车辆运行安全，因此需对半刚性的电缆终端的状态进行实时监控和检测，确保车辆运行安全。
目前，对轨道车辆半刚性的电缆终端暂无直接的监控手段。参考高压系统其他部件的监控手段，温度检测是应用最广泛的检测手段，原因在于其技术比较成熟，成本相对较低。现有的温度检测方法是采集设备的温度值，与简单的温度阈值对比，判断设备是否发生异常，但这种方法因未能充分考虑环境温度、设备一致性、温度变化等情况而经常出现漏报和误报。因此急需建立一种准确度高、定位精准、效率高的电缆终端实时检测方法。
发明内容
本申请提供一种轨道车辆电缆终端异常实时检测方法及装置，用以解决现有的检测方法在对电缆终端进行检测时，容易出现漏报和误报，导致轨道车辆的电缆终端的故障检测的准确率低问题。
本申请提供一种轨道车辆电缆终端的异常检测方法，包括：
采集环境温度数据和待检测电缆终端的分析数据；
根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处 理，得到待检测电缆终端的检测结果；
其中，所述分析数据包括图像数据、温度数据和声音数据；
所述预设的检测模型包括基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型或基于对所述环境温度数据、图像数据、温度数据和声音数据进行分析处理的检测模型。
本申请还提供一种轨道车辆电缆终端的异常检测方法，根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型的步骤，包括：
提取所述温度数据中每一帧的温度数据；
标定所述图像数据中待检测电缆终端的位置坐标点范围；
根据所述每一帧的温度数据，提取与所述位置坐标点范围相对应的温度值；
根据所述环境温度数据，对所述温度值进行处理和变换；
利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果。
本申请还提供一种轨道车辆电缆终端的异常检测方法，所述预设的温度报警策略包括：绝对温度平均值报警策略、绝对温度比例值报警策略、相对温度平均值报警策略、相对温度比例值报警策略、温差平均值报警策略、温差比例值报警策略、温升速率平均值报警策略和温升速率比例值报警策略中的一种或多种。
本申请还提供一种轨道车辆电缆终端的异常检测方法所述利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果，包括：
步骤一、设立计数器F2，并初始化计数器：F2＝0；
其中：计数器F2代表电缆终端的异常的温度值的连续累计帧数；
步骤二、利用预设的温度报警策略，对电缆终端的当前帧的温度值进行判断，若异常，计数器F2增加1；若正常，计数器F2重置为0；
步骤三、对步骤二中的计数器F2进行判断后，若计数器F2的连续累计帧数大于设定值帧数，得出电缆终端异常的结论，且将计数器重置为0， 若计数器F2的连续累计帧数小于设定值帧数，得出电缆终端正常的结论；
步骤四、重复步骤二和步骤三对电缆终端后续帧的温度值进行判断后，得到待检测电缆终端的检测结果。
本申请还提供一种轨道车辆电缆终端的异常检测方法，所述根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于环境温度数据、图像数据、温度数据和声音数据分析处理的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤，包括：
提取所述图像数据的温度特征；
提取所述声音数据中与图像数据对应时间的声音特征；
将所述温度特征和声音特征进行归一化处理，构建温度和声音的融合特征；
将所述温度特征、声音特征以及温度和声音融合特征输入预设的聚类分析模型进行检测，得到待检测电缆终端的检测结果；
其中，所述预设的聚类分析模型以正常的温度特征、声音特征和温度和声音的融合特征与异常的温度特征、声音特征和温度和声音的融合特征为样本，以及与正常的温度特征、声音特征和温度和声音的融合特征与异常的温度特征、声音特征和温度和声音的融合特征为样本相对应的标签训练得到。
本申请还提供一种轨道车辆电缆终端的异常检测方法，所述根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果之后，还包括对异常的检测结果进行定位的步骤：
若待检测电缆终端的检测结果异常，根据所述分析数据，利用电缆终端异常定位方法，得出异常的电缆终端的故障定位。
本申请还提供一种轨道车辆电缆终端的异常检测方法，所述若待检测电缆终端的检测结果异常，根据待检测电缆终端的分析数据，利用电缆终端异常定位方法，得出异常的电缆终端的故障定位，包括：
通过所述声音特征锁定异常电缆终端的位置；
根据异常的待检测电缆终端的图像数据和电缆终端识别模型，利用多点定位法，匹配出异常的电缆终端；
将匹配后异常的电缆终端的图像区域划分多处分区，根据温度数据对分区后异常的电缆终端进行温度的判断，得出异常的电缆终端的故障定位。
其中，所述电缆终端识别模型以采集电缆终端的设计数据，根据设计数据中设计图纸的尺寸，初步制作出电缆终端识别模板；
匹配至少一千张电缆终端的真实轮廓图像对所述初步制作电缆终端识别模板进行训练后，得到所述电缆终端识别模型。
本申请还提供一种轨道车辆电缆终端的异常检测装置，包括：
采集模块，用于采集待检测电缆终端的分析数据；
检测模块，根据所述分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果；
其中，所述分析数据包括环境温度数据，待检测电缆终端的图像数据、温度数据和声音数据；
所述预设的检测模型包括基于所述环境温度数据、图像数据和温度数据的检测模型或基于环境温度数据、图像数据、温度数据和声音数据分析处理的检测模型。
本申请还提供一种轨道车辆电缆终端的异常检测装置，所述检测模块根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型的步骤，包括：
提取所述温度数据中每一帧的温度数据；
标定所述图像数据中待检测电缆终端的位置坐标点范围；
根据所述每一帧的温度数据，提取与所述位置坐标点范围相对应的温度值；
根据所述环境温度数据，对所述温度值进行处理和变换；
利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果。
本申请还提供一种轨道车辆电缆终端的异常检测装置，所述检测模块包括预设的温度报警策略，所述预设的温度报警策略包括：绝对温度平均值报警策略、绝对温度比例值报警策略、相对温度平均值报警策略、相对温度比例值报警策略、温差平均值报警策略、温差比例值报警策略、温升 速率平均值报警策略和温升速率比例值报警策略中的一种或多种。
本申请提供的一种轨道车辆电缆终端异常实时检测方法及装置，通过轨道车辆电缆终端的异常检测方法，利用预设的检测模型，对采集的环境温度数据和包括图像数据、温度数据和声音数据的分析数据进行分析检测，从而充分考虑了环境温度和温度变化等情况，避免检测结果受到环境温度的影响，出现漏报和误报，从而提高了对电缆终端进行检测的准确率。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的一种轨道车辆电缆终端的异常检测方法的流程示意图；
图2是本申请提供一种轨道车辆电缆终端的异常检测装置的结构示意图；
图3是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
下面结合图1描述本申请的一种轨道车辆电缆终端的异常检测方法，包括：
S1、采集环境温度数据和待检测电缆终端的分析数据。
S2、根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果。
其中，所述分析数据包括图像数据、温度数据和声音数据。
具体的，使用红外摄像头整个电缆终端区域进行采集，获得至少60帧的电缆终端的温度数据和采集区域的图像数据，并获得环境温度数据。在电缆终端附近安装的声音传感器采集声音数据。从而确保对电缆终端温度采集的完整性。
所述预设的检测模型包括基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型或基于对所述环境温度数据、图像数据、温度数据和声音数据进行分析处理的检测模型。
本申请利用预设的检测模型，对采集的环境温度数据和包括图像数据、温度数据和声音数据的分析数据进行分析检测，充分考虑了环境温度和温度变化等情况，避免检测结果出现漏报和误报，从而提高了对电缆终端进行检测的准确率。
本实施例中，S2步骤中：所述利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果，包括：
步骤一、提取所述温度数据中每一帧的温度数据。
步骤二、标定所述图像数据中待检测电缆终端的位置坐标点范围。例如，采用100*100像素点的图像数据，选出图像数据中某一个电缆终端方框左上角坐标点为(2,5)，右下角坐标点为(3,7)，可以得出该电缆终端坐标点为((2,5)，(2,6)，(2,7)，(3,5)，(3,6)，(3,7))。
步骤三、根据所述每一帧的温度数据，提取与所述位置坐标点范围相对应的温度值。温度值T为(34,36,35,35,36,34)。
步骤四、根据所述环境温度数据，对所述温度值进行处理和变换。其中，环境温度数据中的环境温度Tamb(如Tamb＝25℃)。
步骤五、利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果。
具体的，温度值进行处理和变换的方法如下：
电缆终端区域温度平均值Tave：为当前帧电缆终端区域所有坐标点对应温度值T的平均值。例如(所有坐标点对应温度值为：34,36,35,35,36,34)，得到电缆终端区域温度平均值Tave＝35。
电缆终端区域温度相对值Trel，Trel＝T-Tamb：通过当前帧电缆终端区域所有坐标点对应温度值T减去当前环境温度值Tamb得到。例如 Tamb＝25，Trel＝(9,11,10,10,11,9)。
电缆终端区域温度相对值Trel的平均值Trel-ave：为当前帧该电缆终端区域所有坐标点对应温度相对值Trel的平均值。例如Trel＝(9,11,10,10,11,9)，Trel-ave＝10。
电缆终端区域温差Tdif：Tdif＝T-T1：为当前帧该电缆终端区域所有坐标点对应温度值减去其他电缆终端温度平均值T1，例如T1＝(33,35,34,34,35,33)，Tdif＝(1,1,1,1,1,1)。
电缆终端区域温差Tdif的平均值Tdif-ave：为当前帧该电缆终端区域所有坐标点对应温差Tdif的平均值，例如Tdif＝(1,1,1,1,1,1)，Tdif-ave＝1。
电缆终端区域温升速率Trat：Trat＝T-T0：为当前帧该电缆终端区域所有坐标点对应温度值减去同一电缆终端上一帧温度值T0，例如T0＝(30,30,30,30,30,30)，Trat＝(4,6,5,5,6,4)。
电缆终端区域温升速率Trat的平均值Trat-ave：为当前帧该电缆终端区域所有坐标点对应温升速率Trat的平均值，例如Trat＝(4,6,5,5,6,4)，Trat-ave＝5。
具体的，所述预设的温度报警策略包括：绝对温度平均值报警策略、绝对温度比例值报警策略、相对温度平均值报警策略、相对温度比例值报警策略、温差平均值报警策略、温差比例值报警策略、温升速率平均值报警策略和温升速率比例值报警策略中的一种或多种。
1)绝对温度平均值报警策略：统计当前帧温度平均值Tave，且与设定值Tave-max(例如100℃)相比较，若Tave>Tave-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
2)绝对温度比例值报警策略：将当前帧所有温度值T与设定值Tmax相比较，统计超过设定值温度点数占总点数比例P1＝(T>Tmax的点数)/总点数，并将P1与设定值P1-max(例如20％)相比较，若P1>P1-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
3)相对温度平均值报警策略：计算当前帧温度相对值Trel：Trel＝T-Tamb，计算当前帧温度相对值的平均值Trel-ave，与设定值Trel-ave-max(例如80℃)相比较，若Trel-ave>Trel-ave-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
4)相对温度比例值报警策略：计算当前帧温度相对值Trel＝T-Tamb，将当前帧所有温度相对值Trel与设定值Trel-max相比较，统计超过设定值温度点数占总点数比例P2＝(Trel>Trel-max的点数)/总点数，并将P2与设定值P2-max(例如20％)相比较，若P2>P2-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
5)温差平均值报警策略：计算当前帧温度T与同列车其他电缆终端温度T1(如有多个则取平均值)的温差Tdif＝T-T1，计算当前帧温差的平均值Tdif-ave，与设定值Tdif-ave-max(例如20℃)相比较，若Tdif-ave>Tdif-ave-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
6)温差比例值报警策略：计算当前帧温度T与同列车其他电缆终端温度T1(如有多个则取平均值)的温差Tdif＝T-T1，将当前帧所有温差Tdif与设定值Tdif-max相比较，统计超过温差设定值的点数占总点数比例P3＝(Tdif>Tdif-max的点数)/总点数，并将P3与设定值P3-max(例如20％)相比较，若P3>P3-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
7)温升速率平均值报警策略：计算当前帧温度T与同一个电缆终端上一帧温度T0的差值Trat＝T-T0，Trat即为此电缆终端在当前帧的温升速率；计算当前帧温升速率的平均值Trat-ave，与设定值Trat-ave-max(例如10℃)相比较，若Trat-ave>Trat-ave-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
8)温升速率比例值报警策略：计算当前帧温度T与同一个电缆终端上一帧温度T0的差值Trat＝T-T0，Trat即为此电缆终端在当前帧的温升速率；将当前帧所有温升速率Trat与设定值Trat-max相比较，统计超过温升速率设定值的点数占总点数比例P4＝(Trat>Trat-max的点数)/总点数，并将P4与设定值P4-max(例如20％)相比较，若P4>P4-max，则得出当前帧为异常的温度数据，否则得出当前帧为正常的温度数据。
上述判断电缆终端当前帧状态的策略可单独使用，即仅使用其中一条来判断当前帧状态；也可多种策略组合使用，组合方法不限于投票法(例如一半以上的策略报警就判断当前帧异常)、权重法(例如给每个策略设 定权重均为12.5％)等。通过报警策略，充分考虑了环境温度、不同电缆终端的差异以及电缆终端故障温升等情况，提出的电缆终端异常检测方法准确率高。步骤五、对判断后出现异常的温度数据的帧数进行判断，得到待检测电缆终端的检测结果。
其中，所述对判断后出现异常的温度数据的帧数进行判断，得到待检测电缆终端的检测结果，包括：
步骤一、设立计数器F2，并初始化计数器：F2＝0。
其中：计数器F2代表电缆终端的异常的温度值的连续累计帧数。
步骤二、利用预设的温度报警策略，对电缆终端的当前帧的温度值进行判断，若异常，计数器F2增加1后作为下一帧的计数器；若正常，计数器F2重置为0。
步骤三、对步骤二中的计数器进行判断后，若计数器F2的连续累计帧数大于设定值的帧数F2-max(例如F2-max设定为10、20或30)，得出电缆终端异常的结论，且将计数器重置为0，若计数器F2的连续累计帧数小于设定值帧数，得出电缆终端正常的结论；
步骤四、重复步骤二和步骤三对电缆终端的后续帧的温度值进行判断后，得到待检测电缆终端的检测结果。
上述过程中的设定值，一方面可以通过专家经验直接设定，例如设定Tave-max＝100℃，Trel-ave-max＝80℃。另一方面，也可以通过对大量的电缆终端的温度数据进行统计分析获得，如果获得的温度数据都是正常数据，可以利用正态分布的3σ原则，将3σ限值设置为设定值Tave-max或Trel-ave-max等。如果获得的温度数据包含异常数据，则可以根据正常数据和异常数据的分布，在正常数据(例如正常温度平均值)和异常数据(如异常温度平均值)的中间设置该设定值(例如正常温度平均值*0.3+异常温度平均值*0.7)。
本实施例中，所述根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果之后，还包括对异常的检测结果进行定位的步骤：
若待检测电缆终端的检测结果异常，根据所述分析数据，利用电缆终端异常定位方法，得出异常的电缆终端的故障定位。
具体的，所述若待检测电缆终端的检测结果异常，根据待检测电缆终端的分析数据，利用电缆终端异常定位方法，得出异常的电缆终端的故障定位，包括：
通过所述声音特征锁定异常电缆终端的位置。
根据异常的待检测电缆终端的图像数据和电缆终端识别模型，利用多点定位法(如三点定位法)，匹配出异常的电缆终端。
将匹配后异常的电缆终端的图像区域划分多处分区(如10处分区)，根据温度数据对分区后异常的电缆终端进行温度的判断，得出电缆终端异常的分区位置。从而通过电缆终端异常的分区位置实现对异常的电缆终端的故障定位。
其中，所述电缆终端识别模型以采集电缆终端的设计数据，根据设计数据中设计图纸的尺寸，初步制作出电缆终端识别模板。如在设计图纸中给出电缆终端的外轮廓曲线对应的坐标点((1,2)，(1,3)…(2,2))。
匹配至少1000张电缆终端的真实轮廓图像并对所述初步制作电缆终端识别模板进行训练后，得到所述电缆终端识别模型。如采用100*100像素的图像，在图像中画出外轮廓曲线对应的坐标点并根据图像进行微调，匹配图像中的电缆终端，匹配至少1000张图像并进行训练，即可得出电缆终端识别模型。以表示图像中电缆终端的真实轮廓。
实施例二
在实施例一的基础上，本实施例将实施例一中预设的检测模型更改为基于对所述环境温度数据、图像数据、温度数据和声音数据进行分析处理的检测模型。
具体的，所述根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于环境温度数据、图像数据、温度数据和声音数据分析处理的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤，包括：
提取所述图像数据的温度特征。例如温度特征包括：温度平均值Tave＝35、温度相对值Trel：Trel＝T-Tamb＝(9,11,10,10,11,9)、温差Tdif：Tdif＝T-T1＝(1,1,1,1,1,1)，温升速率Trat：Trat＝T-T0＝(4,6,5,5,6,4)等。
提取所述声音数据中与图像数据对应时间的声音特征。例如声音特征 中的时域特征：1s时间内声音幅值平均值、1s时间内声音波形指标、1s时间内声音脉冲指标、1s时间内声音峭度指标、1s时间内声音裕度指标、1s时间内声音峰峰值。频域特征：1s时间内声音重心频率、1s时间内声音均方根频率、1s时间内声音短时功率谱密度、1s时间内声音谱熵、1s时间内声音共振峰等。
将所述温度特征和声音特征进行归一化处理。使得将温度特征和声音特征分别统一转换至0到1范围。
构建温度和声音的融合特征。例如：1s时间内声音温度平均值与声音平均幅值加权求和、1s时间内声音温度相对值与声音峰峰值加权求和、1s时间内声音温差与声音波形指标求最大值、1s时间内声音温升速率与声音谱熵求平均值等。
将所述温度特征、声音特征以及温度和声音融合特征输入预设的聚类分析模型进行检测，得到待检测电缆终端的检测结果。其中，预设的聚类分析模型可采用：K-MEANS聚类算法、均值偏移聚类算法、DBSCAN聚类算法或层次聚类算法等。
其中，所述预设的聚类分析模型以正常的温度特征、声音特征和温度和声音的融合特征与异常的温度特征、声音特征和温度和声音的融合特征为样本，以及与正常的温度特征、声音特征和温度和声音的融合特征与异常的温度特征、声音特征和温度和声音的融合特征为样本相对应的标签训练得到。
下面对本申请提供的轨道车辆电缆终端的异常检测装置进行描述，下文描述的轨道车辆电缆终端的异常检测装置与上文描述的轨道车辆电缆终端的异常检测方法可相互对应参照。
本申请还提供一种轨道车辆电缆终端的异常检测装置，包括：
采集模块210，用于采集环境温度数据和待检测电缆终端的分析数据。
本实施例中，采集模块包括红外摄像头和声音传感器。通过采用红外摄像头对整个电缆终端区域的温度进行采集，获得电缆终端的表面温度，同时采集环境温度。更进一步，为确保检测的完整性，可在不同角度和位置设置多个红外摄像头，以获得更完整的半刚性终端温度数据。摄像头数量为3个及以上，分布在距离电缆终端区域距离大于20cm小于100cm的 圆上，且红外摄像头沿圆周方向均匀分布。声音传感器安装在轨道车辆车顶的电缆终端附近，对运行过程中的电缆终端所发出的声音进行采集。声音传感器数量为3个及以上，分布在距离电缆终端区域距离大于20cm小于100cm的圆上，声音传感器沿圆周方向均匀分布。分析数据获取后通过有线或无线传输的方式传输至检测模块。
检测模块220，根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果。
其中，所述分析数据包括图像数据、温度数据和声音数据。
所述预设的检测模型220包括基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型或基于对所述环境温度数据、图像数据、温度数据和声音数据进行分析处理的检测模型。本申请通过采集模块采集环境温度数据和待检测电缆终端包括图像数据、温度数据和声音数据的分析数据，检测模块根据分析数据，利用预设的检测模型进行分析处理，检测出待检测电缆终端的检测结果。通过充分考虑了环境温度、不同设备差异以及设备故障温升等情况，提高了对电缆终端的检测的准确率。
其中，所述检测模块根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型的步骤，包括：
提取所述温度数据中每一帧的温度数据。
标定所述图像数据中待检测电缆终端的位置坐标点范围。
根据所述每一帧的温度数据，提取与所述位置坐标点范围相对应的温度值。
根据所述环境温度数据，对所述温度值进行处理和变换。
利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果。
同时，所述检测模块包括预设的温度报警策略，所述预设的温度报警策略包括：绝对温度平均值报警策略、绝对温度比例值报警策略、相对温度平均值报警策略、相对温度比例值报警策略、温差平均值报警策略、温差比例值报警策略、温升速率平均值报警策略和温升速率比例值报警策略 中的一种或多种。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行轨道车辆电缆终端的异常检测方法，该方法包括：
S1、采集环境温度数据和待检测电缆终端的分析数据。
S2、根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果。
其中，所述分析数据包括图像数据、温度数据和声音数据。
具体的，使用红外摄像头整个电缆终端区域进行采集，获得至少60帧的电缆终端的温度数据和采集区域的图像数据，并获得环境温度数据。在电缆终端附近安装的声音传感器采集声音数据。从而确保对电缆终端温度采集的完整性。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的轨道车辆电缆终端的异常检测方法，该方法包括：
S1、采集环境温度数据和待检测电缆终端的分析数据。
S2、根据环境温度数据和分析数据，利用预设的检测模型进行分析处 理，得到待检测电缆终端的检测结果。
其中，所述分析数据包括图像数据、温度数据和声音数据。
具体的，使用红外摄像头整个电缆终端区域进行采集，获得至少60帧的电缆终端的温度数据和采集区域的图像数据，并获得环境温度数据。在电缆终端附近安装的声音传感器采集声音数据。从而确保对电缆终端温度采集的完整性。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的轨道车辆电缆终端的异常检测方法，该方法包括：
S1、采集环境温度数据和待检测电缆终端的分析数据。
S2、根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果。
其中，所述分析数据包括图像数据、温度数据和声音数据。
具体的，使用红外摄像头整个电缆终端区域进行采集，获得至少60帧的电缆终端的温度数据和采集区域的图像数据，并获得环境温度数据。在电缆终端附近安装的声音传感器采集声音数据。从而确保对电缆终端温度采集的完整性。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

  1. 一种轨道车辆电缆终端的异常检测方法，其特征在于，包括：
    采集环境温度数据和待检测电缆终端的分析数据；
    根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果；
    其中，所述分析数据包括图像数据、温度数据和声音数据；
    所述预设的检测模型包括基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型或基于对所述环境温度数据、图像数据、温度数据和声音数据进行分析处理的检测模型。
  2. 根据权利要求1所述的轨道车辆电缆终端的异常检测方法，其特征在于，根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型的步骤，包括：
    提取所述温度数据中每一帧的温度数据；
    标定所述图像数据中待检测电缆终端的位置坐标点范围；
    根据所述每一帧的温度数据，提取与所述位置坐标点范围相对应的温度值；
    根据所述环境温度数据，对所述温度值进行处理和变换；
    利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果。
  3. 根据权利要求2所述的轨道车辆电缆终端的异常检测方法，其特征在于，所述预设的温度报警策略包括：绝对温度平均值报警策略、绝对温度比例值报警策略、相对温度平均值报警策略、相对温度比例值报警策略、温差平均值报警策略、温差比例值报警策略、温升速率平均值报警策略和温升速率比例值报警策略中的一种或多种。
  4. 根据权利要求2所述的轨道车辆电缆终端的异常检测方法，其特征在于，所述利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果，包括：
    步骤一、设立计数器F2，并初始化计数器：F2＝0；
    其中：计数器F2代表电缆终端的异常的温度值的连续累计帧数；
    步骤二、利用预设的温度报警策略，对电缆终端的当前帧的温度值进行判断，若异常，计数器F2增加1；若正常，计数器F2重置为0；
    步骤三、对步骤二中的计数器F2进行判断后，若计数器F2的连续累计帧数大于设定值帧数，得出电缆终端异常的结论，且将计数器重置为0，若计数器F2的连续累计帧数小于设定值帧数，得出电缆终端正常的结论；
    步骤四、重复步骤二和步骤三对电缆终端后续帧的温度值进行判断后，得到待检测电缆终端的检测结果。
  5. 根据权利要求1所述的轨道车辆电缆终端的异常检测方法，其特征在于，所述根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于环境温度数据、图像数据、温度数据和声音数据分析处理的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤，包括：
    提取所述图像数据的温度特征；
    提取所述声音数据中与图像数据对应时间的声音特征；
    将所述温度特征和声音特征进行归一化处理，构建温度和声音的融合特征；
    将所述温度特征、声音特征以及温度和声音融合特征输入预设的聚类分析模型进行检测，得到待检测电缆终端的检测结果；
    其中，所述预设的聚类分析模型以正常的温度特征、声音特征和温度和声音的融合特征与异常的温度特征、声音特征和温度和声音的融合特征为样本，以及与正常的温度特征、声音特征和温度和声音的融合特征与异常的温度特征、声音特征和温度和声音的融合特征为样本相对应的标签训练得到。
  6. 根据权利要求1至5中任一项的轨道车辆电缆终端的异常检测方法，其特征在于，所述根据环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果之后，还包括对异常的检测结果进行定位的步骤：
    若待检测电缆终端的检测结果异常，根据所述分析数据，利用电缆终端异常定位方法，得出异常的电缆终端的故障定位。
  7. 根据权利要求6所述的轨道车辆电缆终端的异常检测方法，其特 征在于，所述若待检测电缆终端的检测结果异常，根据待检测电缆终端的分析数据，利用电缆终端异常定位方法，得出异常的电缆终端的故障定位，包括：
    通过所述声音特征锁定异常电缆终端的位置；
    根据异常的待检测电缆终端的图像数据和电缆终端识别模型，利用多点定位法，匹配出异常的电缆终端；
    将匹配后异常的电缆终端的图像区域划分多处分区，根据温度数据对分区后异常的电缆终端进行温度的判断，得出异常的电缆终端的故障定位。
    其中，所述电缆终端识别模型以采集电缆终端的设计数据，根据设计数据中设计图纸的尺寸，初步制作出电缆终端识别模板；
    匹配至少一千张电缆终端的真实轮廓图像对所述初步制作电缆终端识别模板进行训练后，得到所述电缆终端识别模型。
  8. 一种轨道车辆电缆终端的异常检测装置，其特征在于，包括：
    采集模块，用于采集环境温度数据和待检测电缆终端的分析数据；
    检测模块，根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果；
    其中，所述分析数据包括图像数据、温度数据和声音数据；
    所述预设的检测模型包括基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型或基于对所述环境温度数据、图像数据、温度数据和声音数据进行分析处理的检测模型。
  9. 根据权利要求8所述的轨道车辆电缆终端的异常检测装置，其特征在于，所述检测模块根据所述环境温度数据和分析数据，利用预设的检测模型进行分析处理，得到待检测电缆终端的检测结果的步骤中，采用基于对所述环境温度数据、图像数据和温度数据进行分析处理的检测模型的步骤，包括：
    提取所述温度数据中每一帧的温度数据；
    标定所述图像数据中待检测电缆终端的位置坐标点范围；
    根据所述每一帧的温度数据，提取与所述位置坐标点范围相对应的温度值；
    根据所述环境温度数据，对所述温度值进行处理和变换；
    利用预设的温度报警策略，判断处理和变换后每一帧的温度值，得到待检测电缆终端的检测结果。
  10. 根据权利要求8或9所述的轨道车辆电缆终端的异常检测装置，其特征在于，所述检测模块包括预设的温度报警策略，所述预设的温度报警策略包括：绝对温度平均值报警策略、绝对温度比例值报警策略、相对温度平均值报警策略、相对温度比例值报警策略、温差平均值报警策略、温差比例值报警策略、温升速率平均值报警策略和温升速率比例值报警策略中的一种或多种。
PCT/CN2023/121619 2022-12-08 2023-09-26 一种轨道车辆电缆终端的异常检测方法及装置 WO2024119983A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211575348.4 2022-12-08
CN202211575348.4A CN115877128A (zh) 2022-12-08 2022-12-08 一种轨道车辆电缆终端的异常检测方法及装置

Publications (1)

Publication Number Publication Date
WO2024119983A1 true WO2024119983A1 (zh) 2024-06-13

Family

ID=85766670

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/121619 WO2024119983A1 (zh) 2022-12-08 2023-09-26 一种轨道车辆电缆终端的异常检测方法及装置

Country Status (2)

Country Link
CN (1) CN115877128A (zh)
WO (1) WO2024119983A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115877128A (zh) * 2022-12-08 2023-03-31 中车青岛四方机车车辆股份有限公司 一种轨道车辆电缆终端的异常检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01239480A (ja) * 1988-03-18 1989-09-25 Fujikura Ltd 電力ケーブルの故障点検出装置
CN108761277A (zh) * 2018-07-26 2018-11-06 国网福建省电力有限公司莆田供电公司 一种电缆接头故障指示器及在线监测系统
CN208443961U (zh) * 2018-07-26 2019-01-29 国网福建省电力有限公司莆田供电公司 一种电缆接头故障指示器
CN110715736A (zh) * 2019-07-19 2020-01-21 广东电网有限责任公司 一种电缆终端异常发热缺陷等级划分方法
CN112734698A (zh) * 2020-12-24 2021-04-30 国网北京市电力公司 基于红外图像的电缆终端异常诊断方法和装置
CN115877128A (zh) * 2022-12-08 2023-03-31 中车青岛四方机车车辆股份有限公司 一种轨道车辆电缆终端的异常检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01239480A (ja) * 1988-03-18 1989-09-25 Fujikura Ltd 電力ケーブルの故障点検出装置
CN108761277A (zh) * 2018-07-26 2018-11-06 国网福建省电力有限公司莆田供电公司 一种电缆接头故障指示器及在线监测系统
CN208443961U (zh) * 2018-07-26 2019-01-29 国网福建省电力有限公司莆田供电公司 一种电缆接头故障指示器
CN110715736A (zh) * 2019-07-19 2020-01-21 广东电网有限责任公司 一种电缆终端异常发热缺陷等级划分方法
CN112734698A (zh) * 2020-12-24 2021-04-30 国网北京市电力公司 基于红外图像的电缆终端异常诊断方法和装置
CN115877128A (zh) * 2022-12-08 2023-03-31 中车青岛四方机车车辆股份有限公司 一种轨道车辆电缆终端的异常检测方法及装置

Also Published As

Publication number Publication date
CN115877128A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
US20230123117A1 (en) Method and Apparatus for Inspecting Wind Turbine Blade, And Device And Storage Medium Thereof
WO2024119983A1 (zh) 一种轨道车辆电缆终端的异常检测方法及装置
CN111157919A (zh) 一种基于云雾协同的避雷器在线监测系统
CN111831430A (zh) 一种基于边缘计算的电力设备缺陷识别系统
CN110647951A (zh) 基于机器学习算法的无线射频设备身份识别方法及系统
CN113094244B (zh) 一种用于数据中心的机房运行智能检测系统
CN115184726B (zh) 一种智能电网故障实时监测定位系统及方法
CN111046942A (zh) 一种道岔故障判断方法及装置
CN112986870A (zh) 基于振动法的分布式电力变压器绕组状态监测方法及系统
CN114255784A (zh) 一种基于声纹识别的变电站设备故障诊断方法及相关装置
CN113343998A (zh) 电力机械表计读数监测系统、方法、计算机设备及应用
CN112084873A (zh) 一种基于人脸识别的“五防”安全辅助方法
CN113743725B (zh) 基于边缘计算的登高作业人员的登高资质检测方法及系统
CN106355187A (zh) 视觉信息在电力设备监测中的应用
CN114460519A (zh) 基于电力互感器检验的现场与终端融合管理系统和方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN116070140B (zh) 一种配电变电站安全运行状态监测系统及方法
CN116540015A (zh) 一种基于暂态波形信号的配电网故障预警方法及系统
CN115293303B (zh) 一种高压输电线网监测方法、系统、设备和介质
CN116298459A (zh) 一种智能雷电流在线监测系统
CN115588439A (zh) 一种基于深度学习的声纹采集装置的故障检测方法及装置
CN115830294A (zh) 一种应用于基建作业现场人员管控的识别方法及装置
CN115205747A (zh) 一种基于图像识别的道路自动化检测系统
CN113407520A (zh) 一种基于机器学习的电力网络安全数据清洗系统及方法
CN112051493A (zh) 一种配电网设备的隐患类型识别方法及装置