国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

中國的電氣化鐵路系統(tǒng)主要使用接觸網(wǎng)連接，易受環(huán)境因素的影響，如果發(fā)生故障，將給鐵路運輸系統(tǒng)造成重大的經(jīng)濟損失。此外，大多數(shù)鐵路接觸網(wǎng)都位于偏遠地區(qū)或復雜地形中，因此，人工巡檢難以檢測懸掛在不同位置接觸網(wǎng)的狀態(tài)，甚至更加難以準確地定位故障的吊弦。

目前，人工巡檢定位吊弦故障操作過于復雜、效率較低。在此過程中，首先使用巡邏車檢查接觸網(wǎng)的各個部分的吊弦，吊弦的作用是將其懸吊在軸承電纜上，以確保接觸網(wǎng)的高度。吊弦的主要故障包括載流環(huán)斷裂、無應力導致的螺栓松動和吊弦脫落。檢測過程也存在如檢查周期長、效率低和漏檢等問題。為了解決這些問題，采用圖像處理技術和研發(fā)無人機智能巡檢技術顯得尤為重要。

為了準確識別接觸網(wǎng)吊弦的故障部分，首先必須將吊弦從背景圖像中完全分離出來。除了損壞的吊弦本身和接觸網(wǎng)電力線之外，獲取的圖像還包括很大一部分背景和其他電力設備。此外，由于吊弦的位置信息難以獲取，需要通過尋找合適的定位算法提取相應的位置信息。

吊弦的接線方式分為壓接式整體吊弦和螺栓可調(diào)式整體吊弦。壓接式一般用于工廠或者加工車間使用；而螺栓可調(diào)式則廣泛應用于鐵路接觸網(wǎng)上，因為這種吊弦適用于吊弦程度長度變化無規(guī)律的地方，可以隨著接觸網(wǎng)的上下浮動進行相應的調(diào)整，而吊弦的故障類型一般分為燒傷、載流環(huán)折斷、脫落等。

近年來，許多研究學者對接觸網(wǎng)進行了大量研究，推動了鐵路接觸網(wǎng)智能巡檢的發(fā)展。2000年，有學者引入了一種新型自上而下的方法來自動提取接觸網(wǎng)吊弦，該方法使用先驗知識從真實的數(shù)據(jù)庫中提取并分離了吊弦。同年，戚廣楓等學者對接觸網(wǎng)吊弦的動應力值和疲勞載荷特性進行了詳細分析。2001年，美國公司ENSCO研發(fā)軌道視頻檢測系統(tǒng)（VIS）實現(xiàn)對Panda Pal扣件工作狀態(tài)的實時檢測。4年后，德國鐵路工程公司GBM Wiebe開發(fā)了GeoRail-Xpress綜合檢測車，該檢測車可以對整個鐵路電氣設備系統(tǒng)進行實時檢測。

2006年，G. E. Hinton等學者在《自然》雜志上首次提出了深度學習的概念。自此深度學習成為機器視覺的重要檢測工具。2014年，范華等學者提出了一種針對低壓電網(wǎng)的識別定位技術。2016年，盧用煌等學者使用深度學習正確識別ID號并進行分類。王毅星提出了一種基于多樹融合的深度學習遷移模型，用于圖像識別和分類。2017年，G. E. Hinton等學者提出膠囊網(wǎng)絡（CapsNet），將有可能替代傳統(tǒng)的卷積神經(jīng)網(wǎng)絡（CNN），為深度學習領域帶來了新的契機。還有學者應用膠囊網(wǎng)絡對手寫數(shù)字進行分類，由于數(shù)字本身的特征單一，識別率較高，而吊弦會受到所處現(xiàn)場復雜環(huán)境的影響，因此需要對更多的吊弦特征進行分析。

針對螺栓可調(diào)式整體吊弦進行故障識別與定位，石家莊鐵道大學電氣與電子工程學院的研究人員提出了一種基于改進膠囊網(wǎng)絡的接觸網(wǎng)吊弦故障識別與定位算法。

圖1 改進膠囊網(wǎng)絡結構

針對吊弦特征應考慮光強度、位置、變形、角度、紋理和位置信息，因此該研究團隊選擇這六個特征作為輸入向量，然后采用1×1歸約層結合3×3的卷積層簡化傳統(tǒng)膠囊9×9膠囊神經(jīng)元，并采用優(yōu)化算法進行參數(shù)尋優(yōu)，縮短訓練權重時間；接著通過改進膠囊網(wǎng)絡對采集到的大量完好地和各種吊弦故障（包含載流環(huán)折斷和脫落）進行訓練和學習，完成吊弦不同故障情況的識別；同時輸出量保留了方向與角度，能更準確地對燒傷、載流環(huán)折斷、脫落等故障的吊弦進行分類；最后通過邊緣檢測、直線檢測和改進區(qū)域水平集（CV）模型精確定位絕緣子破損的位置。

圖2 吊弦故障識別與定位流程

圖3 識別效果

圖4 CV模型定位結果

基于改進膠囊網(wǎng)絡和CV模型的接觸網(wǎng)吊弦故障檢測模型，可以對復雜背景中的故障吊弦進行識別并對故障位置進行精確定位，研究人員通過對故障吊弦進行仿真和實驗驗證得出以下結論：

1）改進膠囊網(wǎng)絡有著較強的自學習能力和自適應能力，而且對于小樣本集有著很好的訓練效果，可以有效地檢測出故障的吊弦，并抑制由復雜背景引起的干擾，識別率達到了95%。由于改進膠囊網(wǎng)絡的輸入量為矢量，最大限度保留了吊弦的特征信息，并且通過輸出矢量計算出概率，可以更準確地對不同程度的破損情況進行分類，從而提高了識別率。

2）通過改進膠囊網(wǎng)絡識別并分類的故障吊弦圖像應用改進CV模型進行區(qū)域分割，可以精確吊弦的故障位置，其準確率達到了96.5%，相較于其他方法，更適合接觸網(wǎng)吊弦故障精確定位。

隨著輸電線路檢測技術的不斷普及，智能化水平的不斷提高，針對接觸網(wǎng)吊弦這一關鍵設備，實時檢測吊弦是否故障和故障類型尤為重要。石家莊鐵道大學電氣與電子工程學院的研究人員提出的方法可以較好地實現(xiàn)復雜背景下的吊弦故障識別，并且可以精確定位故障部位，滿足智能巡檢的要求。但改進膠囊網(wǎng)絡對于大量圖像的訓練時間相對較長，所以減少膠囊網(wǎng)絡的訓練時間是未來研究的重點。

以上研究成果發(fā)表在2020年第24期《電工技術學報》，論文標題為“基于改進膠囊網(wǎng)絡的接觸網(wǎng)吊弦故障識別與定位”，作者為卞建鵬、郝嘉星、趙帥、李凡、孫曉云。