论文部分内容阅读
弓网系统是高速铁路供电系统的关键组成部分，担负着将牵引网电能输送给电力机车的重要使命。电弧故障是弓网系统最常见的故障类型，会对列车行车质量和铁路运营造成严重影响。为了监测弓网状况，我国高速动车组6C系统拍摄与记录弓网系统的运行视频。考虑到运行环境多变、弓网结构复杂，电弧图像特征不易提取，现有的基于图像特征电弧故障的检测方法精度低且效率慢。
如何从海量的弓网视频中高效准确地识别出弓网电弧信息，是电弧故障诊断研究的重要目标。本文引入了卷积神经网络模型并提出了基于深度学习的弓网电弧故障检测方法，先对运行环境进行分段再对每个环境段的电弧进行检测与分类，并将其转化为连续时间序列，最后完成电弧状态等级的辨识。
首先，将弓网视频分解为帧图像集并将其分成训练集与测试集。在训练集中按照运行环境的差异对图像进行分类，建立运行环境分段样本库；针对每个环境类别再根据电弧大小分为无电弧、小电弧、大电弧，分别建立每个环境的电弧类别样本库。训练集中的样本库分别用于网络模型训练；测试集用于本文技术路线的实例验证。
其次，为了辨识复杂多变的运行环境下的弓网电弧，本文先建立了运行环境分段网络模型，消除运行环境对电弧检测的干扰；然后针对每个环境类别下分别建立了电弧检测与分类网络模型。采用对应的样本库进行网络模型训练，运行环境分段网络模型精度达到了99%，电弧检测与识别网络模型为95%以上，对网络模型进行人工核验，与训练精度一致。
然后，在网络模型的基础上，设计了弓网电弧状态等级算法，将网络模型输出的电弧分类结果转化为连续时间序列的电弧得分值，进而计算出是否发生电弧现象以及所发生电弧的峰值、持续时间、间隔频率等重要状态参数值，确定出所发生电弧的相对等级程度，实现早期故障预警。
最后通过铁路局调研的真实弓网视频对本文所提方法进行测试和验证，在处理复杂运行环境下的弓网图像时，该方法具有高精度、鲁棒性和高速度。同时可以应用于具有调整参数的其他动车组类型或运行环境。
如何从海量的弓网视频中高效准确地识别出弓网电弧信息，是电弧故障诊断研究的重要目标。本文引入了卷积神经网络模型并提出了基于深度学习的弓网电弧故障检测方法，先对运行环境进行分段再对每个环境段的电弧进行检测与分类，并将其转化为连续时间序列，最后完成电弧状态等级的辨识。
首先，将弓网视频分解为帧图像集并将其分成训练集与测试集。在训练集中按照运行环境的差异对图像进行分类，建立运行环境分段样本库；针对每个环境类别再根据电弧大小分为无电弧、小电弧、大电弧，分别建立每个环境的电弧类别样本库。训练集中的样本库分别用于网络模型训练；测试集用于本文技术路线的实例验证。
其次，为了辨识复杂多变的运行环境下的弓网电弧，本文先建立了运行环境分段网络模型，消除运行环境对电弧检测的干扰；然后针对每个环境类别下分别建立了电弧检测与分类网络模型。采用对应的样本库进行网络模型训练，运行环境分段网络模型精度达到了99%，电弧检测与识别网络模型为95%以上，对网络模型进行人工核验，与训练精度一致。
然后，在网络模型的基础上，设计了弓网电弧状态等级算法，将网络模型输出的电弧分类结果转化为连续时间序列的电弧得分值，进而计算出是否发生电弧现象以及所发生电弧的峰值、持续时间、间隔频率等重要状态参数值，确定出所发生电弧的相对等级程度，实现早期故障预警。
最后通过铁路局调研的真实弓网视频对本文所提方法进行测试和验证，在处理复杂运行环境下的弓网图像时，该方法具有高精度、鲁棒性和高速度。同时可以应用于具有调整参数的其他动车组类型或运行环境。