基于红外热成像和机器学习的动态转向架监测系统研发

杨二斌，王文刚，问国辉

（1 国能铁路装备有限责任公司， 北京 100011；
2 北京铁科合力科技有限责任公司， 北京 100082）

转向架装置是铁路机车车辆组成部件中非常重要的部分，承载了机车车辆全部的负荷和定位。关于动态车辆转向架部件监测的研究有很多学者、专家做了大量工作。陈东东［1］针对动车组转向架关键部件开发了一套基于Wi-Fi 无线网络的温度监测系统。吴炳福［2］对基于机器学习的高铁转向架服役性能进行了研究。边志宏［3］对轮对在线综合检测进行了研究。文献［4-9］对高速转向架振动特性及演变规律也做了研究。目前铁路车辆走行部监测技术采用车载轴温及振动测量装置及轨边噪声测量和轨道变形测量，采集车辆轴箱的温度和振动数据进行分析处理判断车辆走行部的状态。车载轴温及振动测量装置检测设备需要安装在每节车辆上，设备费用大；
现有列车制动系统故障诊断采用车载制动系统压力测量装置，采集列车管、制动缸、副风缸压力变化数据，分析处理判断车辆级故障。这些检测、监测设备也都需要安装在每节车辆上，设备费用大；
另外，由于货车车辆无电源，以至很难在货车车辆上安装检测或监测设备。因此，研制地面监测系统解决在线运行货车转向架部件运行安全的问题十分必要。

根据目前货车运行过程中转向架出现问题较多，5T 监测技术又没有全覆盖的现状［10-13］，在现有5T 设备故障监测检测的基础上，进行功能扩展。提出基于红外热成像和机器学习理论对动态转向架进行非接触可视化监测，实现对机车车辆热轴故障、制动不缓解故障、制动缓解不良故障和牵引电机齿轮箱发热异常状况等的自动诊断、实时预报和故障车辆全程追踪的功能。

目前在铁路货车监测领域，红外热力学的研究应用目前还仅局限在点测温上，本系统从红外热辐射的维度来对转向架运行状态进行全面监测和分析，对转向架整体运行状态监测进行全新的研究。

系统主要分为轨边检测系统和轨边机房控制系统。轨边探测设备用于现场测量和采集，轨边机房控制系统用于进行控制、数据处理及分析等，如图1 所示。

图1 动态转向架监测系统示意图

2.1 轨边检测系统

轨边探测系统包括：车号识别系统，红外热像采集系统，双目视觉采集系统，线激光器，磁钢车轮传感器等设备。

2.2 轨边机房控制系统

（1）轨边机房控制系统包括：高性能图像计算机、红外热像计算机、数据处理服务器、信息管理服务器、控制主机箱、以太网交换机、车号识别主机、KVM 切换器、激光器电源箱等设备。

（2）主机采集系统由红外热像采集子系统和可见光机器视觉3D 采集子系统组成。

2.3 工作原理

通过轨边阵列布置的红外热成像采集，可以获得清晰、完整的转向架部件热分布云图，再通过分析处理便可获得各部件的安全等级，通过远程通信，在车辆安全数据中心记录所有通过车辆的安全数据。采集箱（包括热成像摄像机、核心处理模块、通信模块）、磁钢、辅助测速及车号识别系统、远程监测系统，这些设备与地面固定连接，集成一体，具有防尘防水功能。

当列车经过检测线路前，列车第1 轴压过第1个磁钢传感器时发出开机信号，辅助测速及车号识别系统确定列车速度及相应车号，热成像仪、核心处理模块和通信模块开机采集热像图，采集被测对象热像、当前环境温度、钢轨温度等，当列车最后车轮压过最后1 个磁钢传感器时，结束采集工作。

将不同机位的热成像组合形成每个转向架部件有效完整热像图，对热成像图进行综合处理，得到摩擦副的高温带，比较同列车不同轮对的热像图，通过已建立的热图诊断模型，确定异常摩擦副所对应轮对，存入异常数据库，并得出最终结论。

系统设备安装关键：热成像仪与钢轨的水平夹角，取30°；
热成像仪与地面的垂直夹角，取15°；
热成像仪镜面与钢轨的垂直距离为0.8 m，第1 个磁钢传感器与热成像仪相隔距离为80 m。

2.4 动态转向架监测目标

2.4.1 轴承的动态监测

系统为了监测每一个货车的轴承装置运行是否正常，利用红外热成像技术监测轴承装置的工作状态，成像视场范围包括轴承箱的前盖、中隔圈和外圈。通过拍摄轴承装置的光学图像、采集热像数据，准确识别轴承装置的故障类型及故障严重程度。对于轴承装置，系统识别的故障类型主要包括热轴预警和热轴故障。计算出平均轴箱温度与环境温度、车体温度的差值，用同序列之间的对比，通过已建立的轴箱热成像图诊断模型，定位并分割出只包含轴箱的热图像，温度明显异常的图像存入异常数据库，并得出最终结论。系统按热像数据判断，将轴承温度分“微热（三级）”、“强热（二级）”、“激热（一级）”共3 级故障等级预报，系统根据监测到的故障等级对整列车辆的轴承装置进行跟踪或报警，其中对于微热的轴承装置进行跟踪和预报，强热和激热的轴承装置立即报警提醒。

一般微热温度在环境温度+40 ℃，强热温度在环境温度+60 ℃，激热温度在环境温度+75～+100 ℃范围。

2.4.2 轮对的动态监测

系统为保证能够监测到整趟货运列车的每一个轮对是否正常运行，在钢轨左右两侧安装红外热成像仪，其拍摄到的视场范围包括轮对的外侧和内侧两面，主要依据光学传感器拍摄到的轮对光学图像来监测判断轮对的故障。将不同机位的热成像组合形成每个轮对的有效完整踏面热像图，对热成像图进行综合处理，温度梯度最大的边界区域像素及分割，得到踏面接触面上一圈的“温差带”，通过已建立的温差带图诊断模型，确定异常“温差带”所对应轮对，存入异常数据库，并得出最终结论。识别到的轮对故障类型主要包括踏面擦伤和失圆，系统依据故障等级及故障严重程度分为“三级”、“二级”、“一级”。其中“一级”的故障严重程度最高［14-15］。

2.4.3 制动装置的动态监测

制动系统摩擦副故障检测，将不同机位的热成像组合形成每个轮对的有效完整踏面或制动盘热像图，对热像图进行综合处理，得到摩擦副的高温带，比较同列车不同轮对的热像图，通过已建立的热像图诊断模型，确定异常摩擦副所对应轮对，存入异常数据库。再根据红外热成像仪采集制动装置的热学和光学数据，运用深度学习算法对数据进行处理和分析，识别整趟列车车轮中异常升温的车轮踏面部位，并预报该部位是否抱闸或不制动。

3.1 红外成像法

红外热成像技术利用物体的热红外线来观察物体，无需外界光源，就可穿透雨、雪、雾霾等，能将物体立即可视化并验证热性能。

转向架红外热像图，如图2、图3 所示。温度越高，红色块颜色越重［4］。

图2 铁路货车转向架热像图

图3 机车转向架热像图

3.2 可视化融合技术

红外热成像技术的优势在于对被测物及被测物所处环境的整体成像，其缺陷在于其立体视觉不突出，当转向架部件故障时，部件轮廓清晰度不足，其精确定位信息不够。因此，系统利用热学传感器和光学传感器采集运行货车车辆转向架部位的红外热成像和可见光图像如图4 所示，并通过可视化融合技术将2 种图像有效融合在一起，将整趟车辆的转向架部件可视化显示，使系统能够真实、全面地反映被探测部件的工作状态。

图4 货车轴承热像图与可见光图片比较

在实际应用中，由于热学传感器和光学传感器安装位置不同，2 种传感器成像机理不同，获取图像的时间不同，因此系统需要进行较高精度的配准才能达到精准识别的应用效果。因此，将热学图像［16］、光学图像［17］融合在一起之前需先进行图像配准。传感器得到的不同视角的多幅热学、光学图像需要以统一时间戳为标准通过变换放入一个坐标系中，并在像素层得到最佳的匹配。在系统中主要针对红外与可见光图像进行融合，为了能使这2 种图像实时准确地配准，需要热学传感器和光学传感器具有一定的重合视场，才可以用仿射变化方法对重合视场提取后配准，最后进行融合。在实际应用中，2 种传感器探头所允许的视场重合度必须大于90%，这样通过系统的变换配准才能达到较好的融合效果。待匹配的2 幅光学、热学图像可以看作是在亮度和空间的映射，即它们之间的图像亮度值联系，用二维数组I1（x，y）标识光学图像的亮度值，用二维数组I2（x，y）来表示热学图像的亮度值，它们的映射关系为式（1）：

融合后的图像同时具有红外与可见光的图像信息，相对于单独的红外成像更符合人眼的观察，为后续的部件故障展示和机器学习故障模型训练提供数据支撑。

3.3 基于机器学习的故障动态预测技术

3.3.1 机器学习认知

机器学习的研究主要分为2 类研究方向：第1类是传统机器学习的研究，该类研究主要是研究学习机制，注重探索模拟人的学习机制；
第2 类是大数据环境下机器学习的研究，该类研究主要是研究如何有效利用信息［18］，注重从大量数据中获取隐藏的、有效的、可理解的知识。本系统采用的就是第2 类研究方向，通过不同型号、不同运载量、不同车速、不同线路条件下的海量转向架温度数据矩阵，规避噪声数据和冗余带来的干扰，训练模型，提高学习算法的运行效率，优化算法，提高系统预测性能。

当前主流预测模型的核心算法族有惩罚线性回归和集成方法2 种。惩罚线性回归代表了对最小二乘法回归方法（Least Squares Regression）相对较新的改善和提高。虽然惩罚性线性回归能够在完成故障预测的同时，在一定程度上完成了自变量选择，具有降低多重共线性的功能，提高算法的预测性能；
但是现实中，铁路货车车辆故障种类繁多，情况复杂多变，不同故障之间存在关联性，若仅使用单一的线性回归方法，并不能适用所有的故障类型，以致于无法达到故障预测的最佳效果。集成算法通过构建多个预测分类器，然后通过一定策略结合成一个综合模型，这样不仅可以预测简单的故障，也可以适应更复杂的故障情况，进而获得比单一机器学习算法更加优越的学习器。集成方法可以对特别复杂的行为进行建模，可以使用不同架构的网络训练模型，根据这些模型结果做集成，可以依据预测的贡献程度对输入特征排序，从而形成更优越的预测性能。因此，本系统使用的核心算法是集成方法。基本思想是构建多个不同的预测模型，然后将其输出做加权平均组合作为最终的输出。单个预测模型叫作基学习器（Base Learners）。假设共有N个模型（即：N个基学习器）待集成，对于某测试样本x，其预测结果为N个维度向量：S1、S2、……、SN。在不同模型产生的类别置信度的基础上加入权重来调节不同模型输出间的重要程度，由此获得最终预测结果，见式（2）：

式中：Score为最终预测结果；
N为基学习器总数；
Wi为第i个模型的权重；
Si为第i个模型的置信度。

3.3.2 基于机器学习的预测技术

系统通过运用红外热成像技术生成的光热图像，已经可以将货车车辆的转向架部件以可视化的形式呈现，哪一部位发生了异常或故障已经肉眼可见。下一步为了使系统能够像人一样判断出光热图像中哪一部件的温度过高，就需要运用到机器学习的深度学习技术。深度学习是机器学习中一种基于对数据进行表征学习的算法，运用非监督式或半监督式的特征学习和分层特征提取高效算法可以替代手工获取特征。深度学习的数据算法技术可以在大量无序且复杂的数据中找出数据的规律并发现新的模式，从而从大量数据中提取出新的、有用的知识，来帮助人们做出正确的决策或给出预测。

系统通过“地对车”模式的监测系统对运行状态的列车转向架部件进行故障监控，需采用动态预测技术。本系统将机器学习的深度学习技术与红外热成像技术相结合，前期通过收集大量的热学传感器、光学传感器采集到的转向架部件的图像数据，对转向架故障的图像数据进行模型训练，生成可以对转向架故障状态进行判别的模型。为了提高系统的故障判别率，在系统优化阶段根据转向架的各个关键部件不同的故障特征对其故障预判模型进行了优化和调整，并计算故障演化规律，流程如图5 所示。

图5 基于机器学习的系统故障动态预测处理流程

系统根据各个转向架关键部件的故障模型和识别的多个故障特征进行关联规则分析，挖掘转向架部件故障模型特征的变化规律，推求故障模型特征的变化趋势走向，从而对转向架部件的故障趋势进行预测与演化分析，最终实现对转向架各个关键部件进行故障识别。

系统研制过程中数据来源的准确性是研究重点，设备的选取及安装方案，信息的传输方式及综合利用等环境因素都对故障监测的结果准确性有重大影响。系统安装布局如图6 所示。

图6 系统安装布局

4.1 轨边箱安装

轨边箱有2 处，安装在钢轨两外侧轨边，中心对齐，示意图如图7 所示。主要由光热一体组件和补偿光源组成。箱体设置保护门，在不过车的时候保护门关闭，对内部设备保护。系统监测到来车，保护门自动打开，传感器工作。轨边箱支架根据现场环境情况可调整。

图7 轨边箱安装示意图

4.2 轨心箱安装

轨心箱安装1 处。通过卡枕木方式固定轨心箱，枕木间距需大于320 mm（箱体尺寸为300 mm）。主要由光热一体组件和补偿光源组成。箱体设置保护门，在不过车的时候保护门关闭，对内部设备保护。系统监测到来车，保护门自动打开，传感器工作，如图8 所示。

图8 轨心箱安装图

4.3 轨侧箱安装

轨侧箱通过卡轨方式固定在钢轨上，安装在钢轨两侧，保护门为横向开门方式。

4.4 磁钢及车号天线安装

为实现系统功能以及采集所需的数据，红外热成像动态转向架监测系统须对需要监测的轨道上安装磁钢对并在轨道枕木间安装天线（天线为无源设备），以检测车辆信息并通过传输数据线缆传回服务器。磁钢对通过配套工具固定在钢轨上，天线通过卡枕木方式固定在枕木上。系统现场布局实物图如图9 所示。

图9 系统现场布局实物图

红外热成像动态转向架监测系统朔黄铁路运行 近6 个月，探测 列车 累 计20 520 列，4 883 760 辆，19 781 280 轴，轴承故障预报激热12 次（红外检测车模拟轴箱），强热3 次（红外检测车模拟轴箱），微热7 次（其中红外检测车模拟轴箱5 次），轮对故障预报一级2 次，二级12 次，三级596 次，制动装置故障预报抱闸13 次。经列检复核，故障兑现率达100%。基于红外热成像和机器学习的动态转向架监测系统达到了预计研制目标，实际应用效果良好。

动态转向架监测系统通过“地对车”模式的监测形式，将可见光图像、红外热成像技术与机器学习技术深度融合，实现实时诊断列车运行下转向架部件的健康状态，提高故障预报的准确性。目前动态转向架监测系统范围主要涵盖轮轴装置、轮对和基础制动装置，使用效果良好。在系统之后运行中不断总结经验，更进一步优化系统故障判别功能，丰富机器学习技术库源，为货运列车车辆安全运行提供更可靠保障。