打开文本图片集

摘要  作为铁道车辆动态检测系统之一的TFDS系统，其故障检出率和检测范围大大影响了货车在铁路线上运行的安全性和可靠性。目前的TFDS系统仍然是通过人机结合的形式查找车辆故障，本文提出通过故障标记和修订故障算法等方式，实现系统自动识别某些确定的故障，为故障的自动识别打下基础。

关键词：TFDS;车辆故障;自动识别

TFDS系统全称叫做货车轨边图像检测系统，它是铁路车辆动态安全检测系统的重要构成部分，其轨边探测站的布点平均距离为300km，覆盖了全国各大主要货运线路。不仅如此，经过改进和调整，TFDS系统目前已经用于客车、动车组等不同车型的动态检测，其重要性不言而喻。然而，随着高速铁路的大量开行，车型、车辆数目的不断增加，作业人员的老化和设备数量的剧增，导致人机结合式查找故障的TFDS系统，不再能够适应当下动态检车的需要。因此，尽快开发TFDS系统自动化识别车辆故障的功能，势在必行。

1、TFDS自动识别车辆故障面临的困难

（1）车辆故障种类繁多

从货运角度考虑，车辆故障主要包括转向架及零部件故障、制动机零部件故障、车钩缓冲装置及零部件故障、车辆中间部故障等方面，每个主要部位的故障又可以细分为破损、缺损、折断、丢失、窜出、脱落、错位、松动等种类，不同部位出现故障的表现形式又多种多样，这就导致了车辆可能出现的故障种类数量多种多样，不可计数。

（2）车种车型复杂多变

当下铁路线上正常运营的货车车型主要有敞车（C）、棚车（P）、平车（N）、集装箱平车（X）、平集共用车（NX）、罐车（G）、矿石车（K）等种类，不同的车型之间，其轴重、材质、用途各不相同。

（3）铁路线上环境复杂，干扰因素多，排除困难。TFDS探伤站是安装在室外铁路轨道附近，不仅受到恶劣天气如雨、雪、风等环境因素的影响，而且受到线路上列车运行产生的噪音和振动的影响，除此之外，许多车辆在关键的部位会涂写粉笔标记，强化现场检车作业控制，这些因素都会导致TFDS系统在拍摄车辆关键部位图片时，影响成像效果和识图结果，更加不利于实现系统自动识别车辆故障。

2、TFDS车辆故障自动识别技术的实现

2.1思路设计

TFDS动态检查工位主要有侧架、制动梁、钩缓、互钩差、中间部底部和侧部，转向架侧架所包含的车辆配件如承载鞍、滚动轴承、交叉杆端部螺栓、摇枕及摇枕弹簧。在诸多工位和图片中，侧架的配件数量较少，相对固定，结构类似。选择侧架作为TFDS故障自动识别技术的研究对象，能够大大的减少复杂部位带来的故障干扰。故本文选择侧架作为TFDS故障自动识别的的对象，并在试验结果良好的情况下，进一步推广自动识别的范围和效率。

2.2 基本原理

图片自动识别技术是人工智能的一个重要分支，图像识别技术可能是以图像的主要特征为基础，将识别点定位在图像的主要特征上，也就是集中在图像轮廓曲度最大或轮廓方向突然改变的地方。在图像识别过程中，知觉机制必须排除输入的多余信息，抽出关键的信息。为了模拟人类图像识别的程序，科学家们提出了很多种图像识别的方法和技术。最为典型的就是模板匹配法。即在过去的经验中存在的记忆图像称为模板，如果当前的刺激如果能与大脑中的模板匹配，图像就被识别了。模式识别法就是一种从大量信息和数据出发，从已有经验和认识的基础上，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程，包括学习阶段和实现阶段。前者是对样本进行特征选择，寻找分类的规律，后者是根据分类规律对未知样本集进行分类和识别。

TFDS车辆故障自动识别技术的原理就是依据以上思路对人工发现的车辆故障图片进行标注后，归纳整理到故障库里，通过AI神经网络智能学习，让系统学习和掌握故障特征以及形态。在实际应用中，学习后的系统在接收到车辆图片后，通过比对自动识别图片中的故障状态并标记故障名称后，交由动态检车员处理确认。动态检车员向现场检修人员汇报故障后，进行故障检查。检修人员将检修后的结果及时反馈到自动识别系统中，对故障的识别算法进行修订和调整。其主要流程图如下：

自动识别技术的准确性和可靠性需要不断依据现场检车员确认的故障进行修正和调整。重点关注漏检故障，对于错误和不能识别的故障，及时修改故障库内的描述参数，最大程度的减少漏检的发生。

2.3 效果预判

经试验运行，可以看出，自动识别系统对钢地板破损，锁紧板移位、变形，车辆搭载异物三类故障的识别率达到90%以上，识别效果较好。滚动轴承前盖碰撞和施封锁丢失故障漏检率较高，表明自动识别精度设置过低，可以通过适当调整识别阈值实现故障的全部识别。滚动轴承渗油和摇枕弹簧折断均未能识别，表明这两类故障在自动识别故障库中较少，故障标注不准确。

3、TFDS系统自动识别技术未来发展前景

自动识别的主要目的是为了提高作业效率，扩大自动识别范围，缩短技术检查的作业时间，减少作业人员的消耗和浪费。未来的TFDS需要更加完善和丰富的故障库，以及更加成熟可靠的识别方法。其未来发展的方向主要有以下几个方面：

（1）丰富车辆故障库中的故障数量和种类。以来学习和记忆模式设计的自主识别系统，其基础资料来源于大量的故障图片。不断的补充和更新数据库，有利于自主识别系统的学习，为自主识别的准确性打下基础。

（2）实现识别和反馈双向机制。在总结误报、错报和不报的经验下，依据实际存在故障的典型特点，进行特征值的提取和改进。误报故障点及时删除，错报故障点及时更新故障库内的特征值，不报的故障点及时增加特征阈值，通过不断积累提高系统识别故障的准确率。（3）增加自动识别的车型种类。由货车主要车型C70开始，逐步扩大到所有转k6型转向架的货车车辆，进而推广到客车及动车组车型。故障图片库需要不断的积累和丰富，对于典型的，自动识别率高的故障，可以取消人工台位上的识别步骤，节约时间，提高动态检车的效率，逐步实现全故障的整体识别。

参考文献

[1] TG/CL113-2018，铁路货车运用维修规程[S]

[2]赵长波，陈雷.铁路货车现代化检查技术[M].北京：中国铁道出版社，2012.3

[4]王婷，赵柏阳.铁道车辆动态监测技术[M].成都：西南交大出版社，2021.3

[5]铁路职工岗位培训教材编审委员会.铁路探伤工（车辆探伤）[M].北京：中国铁道出版社，2014

作者简介：孙敏（1984.11--），女，汉族，山东枣庄人，讲师，硕士，主要从事铁道车辆动态检测技术的研究