一种基于人工智能的铁路货车故障检测方法技术

本发明专利技术涉及铁路货车故障检测领域，更具体地，本发明专利技术涉及一种基于人工智能的铁路货车故障检测方法

【技术实现步骤摘要】
一种基于人工智能的铁路货车故障检测方法


[0001]本专利技术一般地涉及铁路货车故障检测领域
。
更具体地，本专利技术涉及一种基于人工智能的铁路货车故障检测方法
。

技术介绍

[0002]为铁路货车走行部的核心部件，同时也是故障最多及维护最为困难的部件，其故障主要包括铁路货车的车轮踏面剥离和多边形磨损两大类
。
踏面剥离是指铁路货车的车轮在运行过程中由于制动作用或轮轨滚动接触疲劳作用而在踏面圆周或部分圆周上呈现出的金属掉块剥落损伤和鱼鳞状或龟裂状热裂纹区域现象
。
[0003]现有的授权公告号为
CN111071291B
的中国专利列车轮对监测系统及列车轮对监测方法，公开了对单独列车监测系统及列车监测方法，采用振动监测的方式对所述列轮列车进行异常监测
。
[0004]现有技术对单一列车故障本的监测缺乏确定性，可能检测到非列车故障带来的相似振动，检测的准确性低，检测效率低
。

技术实现思路

[0005]为解决上述一个或多个技术问题，本专利技术提出通过对铁路货车的车轮踏面灰度图像进行边缘检测，包括步骤：通过对铁路货车的车轮踏面灰度图像进行边缘检测，获得金属掉块剥落损伤区域和裂纹区域；对金属掉块剥落损伤区域和裂纹区域分别构建灰度共生矩阵，获得特征信息；获取金属掉块剥落损伤区域位置信息与裂纹区域位置信息；构建综合损伤特征矩阵，计算任意两列铁路货车的车轮踏面综合损伤区域的相似度；计算第一损伤区间与第二损伤区间，生成并发送所有需要维修的铁路货车信息及检修指令
。
为此，本专利技术在如下的多个方面中提供方案
。
[0006]在一个实施例中，通过对车轮踏面灰度图像进行边缘检测，获得金属掉块剥落损伤区域和裂纹区域；根据所述金属掉块剥落损伤区域构建第一灰度共生矩阵，获得金属掉块剥落损伤区域的损伤特征信息，根据所述裂纹区域构建第二灰度共生矩阵，获得裂纹区域的纹理特征信息；计算第一位置信息
、
第二位置信息，构建关于第一位置信息
、
第二位置信息
、
损伤特征信息和纹理特征信息的综合损伤特征矩阵，所述第一位置信息为金属掉块剥落损伤区域的位置信息，所述第二位置信息为裂纹区域的位置信息；随机抽取两列铁路货车，计算所述两列铁路货车的车轮踏面综合损伤区域的相似度，响应于所述相似度大于预设阈值，生成两列铁路货车出现相同损伤的判定信息，计算第一损伤区间，所述第一损伤区间为所述出现相同损伤的两列铁路货车行驶路线的交集；计算预设时间段内所有经过第一损伤区间的铁路货车中任意两列铁路货车的车轮踏面综合损伤区域的相似度；保留所述相似度大于预设阈值的铁路货车，获得行驶路线交集，生成第二损伤区间，生成并发送所有需要维修的铁路货车信息及检修指令
。
[0007]在一个实施例中，所述两列铁路货车的车轮踏面综合损伤区域的相似度满足关系
式：式：式：其中，为综合损伤区域的相似度，为金属掉块剥落损伤区域的相似度，为裂纹区域的相似度，为第一列铁路货车金属掉块剥落损伤区域的特征矩阵，为第二列铁路货车金属掉块剥落损伤区域的特征矩阵，为第一列铁路货车裂纹区域的特征矩阵，为第二列铁路货车裂纹区域的特征矩阵
。
[0008]在一个实施例中，计算第一位置信息
、
第二位置信息包括步骤：计算损伤垂直距离，以任意一个所述金属掉块剥落损伤区域的中心或任意一个所述裂纹区域的中心为起点，以铁路货车内侧边界为终点，获得垂直于铁路货车内侧边界的损伤垂直距离；根据车轮踏面灰度图像像素的个数，计算铁路货车宽度；计算第一位置信息，第一位置信息为金属掉块剥落损伤区域的损伤垂直距离与铁路货车宽度的比值；计算第二位置信息，第二位置信息为裂纹区域的损伤垂直距离与铁路货车宽度的比值
。
[0009]在一个实施例中，所述获得金属掉块剥落损伤区域的损伤特征信息与获得裂纹区域的纹理特征信息包括步骤：根据金属掉块剥落损伤区域构建第一灰度共生矩阵；计算金属掉块剥落损伤区域的损伤特征信息，损伤特征信息为所述第一灰度共生矩阵的混乱度；根据裂纹区域构建第二灰度共生矩阵；计算裂纹区域的纹理特征信息，纹理特征信息为所述第二灰度共生矩阵的能量特征
。
[0010]在一个实施例中，生成第二损伤区间包括步骤：响应于两列铁路货车的车轮踏面出现了相同损伤，生成两列铁路货车在经过同一截轨道时受到了所述相似度大于预设阈值的磨损的判定信息；计算第一损伤区间，计算公式为：其中，为第一损伤区间，为第
A
列铁路货车的行驶路线，为第
B
列铁路货车的行驶路线
。
[0011]基于所述第一损伤区间，根据相机获得经过所述第一损伤区间的行驶路线所有铁路货车的车轮踏面灰度图像，并计算所有铁路货车的车轮踏面灰度图像中任意两列铁路货车的车轮踏面综合损伤区域的相似度，保留所述相似度大于预设阈值的所有铁路货车的行驶路线集，计算第二损伤区间，计算公式为：其中，为相似度大于预设阈值的第一列铁路货车的行驶路线，为相似度大于预设阈值的第二列铁路货车的行驶路线，为相似度大于预设阈值的第列铁路货车的行驶路线，为第二损伤区间
。
[0012]在一个实施例中，还包括步骤：遍历获取第二损伤区间，获取存在破损的行驶路线
区间，生成维修指令，统计每条所述行驶路线的途经铁路货车数，所述途经铁路货车数越大，则所述行驶路线的维修优先级越高
。
[0013]本专利技术具有如下的有益效果：
1.
本专利技术提供了一种基于人工智能的铁路货车故障检测方法，通过对车轮踏面灰度图像的特征处理，寻找出现相似损伤的列车，并建立损伤寻找机制，完成对损伤车辆的循环寻找，本专利技术相较于现有技术来说，能够标记存在破损的轨迹路段，从而检修所有经过此路段的铁路货车，准确高效，不需要逐个铁路货车进行故障检测
。
[0014]2.
由少极多，通过采集少量铁路货车的车轮踏面灰度图像，最后获得少量铁路货车行驶路径的交集，从而能够确定造成铁路货车损伤的路段，并反向推出所有经过该路段的铁路货车，这些铁路货车出现故障的概率较大，遍历此步骤，能够迅速排查大量的铁路货车是否出现故障，节省了人力
。
附图说明
[0015]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的
、
特征和优点将变得易于理解
。
在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是本专利技术实施例基于一种基于人工智能的铁路货车故障检测方法的流程图；图2是本专利技术实施例基于一种基于人工智能的铁路货车故障检测方法的铁路货车的车轮踏面损伤示意图；图3是本专利技术实施例基于一种基于人工智能的铁路货车故障检测方法的损伤垂直距离示意图
。
具体实施方式
[0016]下面将结合本专利技术实施例中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的铁路货车故障检测方法，其特征在于，包括步骤：通过对车轮踏面灰度图像进行边缘检测，获得金属掉块剥落损伤区域和裂纹区域；根据所述金属掉块剥落损伤区域构建第一灰度共生矩阵，获得金属掉块剥落损伤区域的损伤特征信息，根据所述裂纹区域构建第二灰度共生矩阵，获得裂纹区域的纹理特征信息；计算第一位置信息
、
第二位置信息，构建关于第一位置信息
、
第二位置信息
、
损伤特征信息和纹理特征信息的综合损伤特征矩阵，所述第一位置信息为金属掉块剥落损伤区域的位置信息，所述第二位置信息为裂纹区域的位置信息；随机抽取两列铁路货车，计算所述两列铁路货车的车轮踏面综合损伤区域的相似度，响应于所述相似度大于预设阈值，生成两列铁路货车出现相同损伤的判定信息，计算第一损伤区间，所述第一损伤区间为所述出现相同损伤的两列铁路货车行驶路线的交集；计算预设时间段内所有经过所述第一损伤区间的铁路货车中任意两列铁路货车的车轮踏面综合损伤区域的相似度；保留所述相似度大于预设阈值的铁路货车，获得行驶路线交集，生成第二损伤区间，生成并发送所有需要维修的铁路货车信息及检修指令
。2.
根据权利要求1所述的一种基于人工智能的铁路货车故障检测方法，其特征在于，所述两列铁路货车的车轮踏面综合损伤区域的相似度满足关系式：述两列铁路货车的车轮踏面综合损伤区域的相似度满足关系式：述两列铁路货车的车轮踏面综合损伤区域的相似度满足关系式：其中，为综合损伤区域的相似度，为金属掉块剥落损伤区域的相似度，为裂纹区域的相似度，为第一列铁路货车金属掉块剥落损伤区域的特征矩阵，为第二列铁路货车金属掉块剥落损伤区域的特征矩阵，为第一列铁路货车裂纹区域的特征矩阵，为第二列铁路货车裂纹区域的特征矩阵
。3.
根据权利要求1所述的一种基于人工智能的铁路货车故障检测方法，其特征在于，计算第一位置信息
、
第二位置信息包括步骤：计算损伤垂直距离，以任意一个所述金属掉块剥落损伤区域的中心或任意一个所述裂纹区域的中心为起点，以铁路货车内侧边界...

【专利技术属性】
技术研发人员：赵永鑫，曹栋鹏，王春，杨三英，裴立军，
申请(专利权)人：山西阳光三极科技股份有限公司，
类型：发明
国别省市：