一种基于多算法的受电弓故障诊断方法

1.本发明涉及受电弓故障诊断领域，具体涉及一种基于多算法的受电弓故障诊断方法。


背景技术：

2.高速铁路是我国交通运输体系的重要组成部分，具有速度快、节能环保、载运量大等优势，其在缓减城市交通拥堵、促进区域经济发展、加快我国现代化建设等方面起着极其重要的作用。
3.受电弓是安装在高速动车组列车顶部，从接触网获取电能的关键部件。高速列车通过受电弓与接触线接触来获取所需电能，由于其本体暴露在空气中，因此会不可避免的受到各种外部因素的干扰，如飞鸟、垃圾等异物的侵入，异物入侵属于相对明显的故障；异物入侵将导致受电弓电气控制部件损坏、输电线路短路等故障，这对高速动车组的运行安全产生了很严重的影响；同时，在高速动车组长时间的运行过程中，受电弓也容易发生电弧与结构异常等状况，部分关键零部件的断裂或者达到设计寿命极限会导致受电弓整体发生结构变形，在行驶过程中受到不明物体的撞击会导致受电弓碳板断裂等故障，受电弓本身的故障不容易判别可以看作是不明显的故障。无论是飞鸟等异物入侵的这类明显故障，还是因受电弓本身而产生的多种故障的这类非明显故障，都严重影响行车安全，因此有必要对受电弓状态进行检测，通过故障诊断方法判别出发生哪种故障，从而来提示并指导工作人员针对发生的故障采取相应的措施，以防范事态进一步扩大。


技术实现要素：

4.针对受电弓在工作的过程中会发生难以预测的故障，本发明的目的在于提出一种基于多算法的受电弓故障诊断方法，针对受电弓发生的故障进行诊断以便采取相应的措施来减少故障带来的损失。
5.为达此目的，本发明采用以下技术方案：一种基于多算法的受电弓故障诊断方法，包括如下步骤：a、利用拍摄技术和传感器收集受电弓的图像数据和实测数据；b、利用 opencv等技术方法对图像数据进行预处理；对图像处理的结果进行分析，判断故障是否明显可见；c、对于明显的故障继续利用卷积神经网络算法对图像进行进一步处理，完成受电弓的故障诊断；d、对于不明显的故障，建立弓网联合仿真模型得到弓网接触力仿真数据；仿真样本数据集分别进行时域特征和熵特征的提取并输入到支持向量机（svm）和深度置信网络（dbn）中分别进行故障诊断；对两个特征集进行拉普拉斯特征映射（le）算法处理，实现特征融合并进行故障诊断，完成对受电弓的故障诊断。
6.进一步地，步骤b中，首先根据视频处理技术，将高速动车组受电弓现有的视频数
据按帧分割成图像，同时进行图像预处理，得到足够的照片样本并制作数据集，为以后目标种类标注及模型训练做准备；步骤c中，利用建立的数据集进行标注，并将数据送入到yolov5模型进行训练，使用训练好的模型对数据进行检测，通过分析检测结果，来进一步优化模型，提高检测准确率，完成受电弓的故障诊断。
7.进一步地，利用opencv视频处理技术，对高速动车组受电弓现有视频数据按帧分割成图像；对图片数据进行预处理来减轻后续卷积神经网络的运算压力；将整理完成的图片放入数据集zxdata中，为后面目标种类标注及模型训练做准备；将建立的zxdata数据集用labelme标注软件进行标注，再用python程序把json文件数据转换成可用于yolo算法使用的txt文件数据；将数据送入到yolov5模型后进行训练，接着使用未训练的图片放入检测模型中进行检测，观察yolov5卷积神经网络模型的识别结果，验证该yolov5模型的可行性。
8.进一步地，通过以下两种改进方式提高yolov5算法对小微目标以及被遮挡的目标的的检测性能；在原有yolov5的三个特征头输出上添加了一个专门用于小目标检测的特征头p2，增加了yolov5模型对于小微目标的检索能力；改进yolov5原有的特征融合网络，将原有的fpn+panet的特征融合网络改进为bifpn，使得yolov5卷积神经网络模型提取更多的特征图信息。
9.进一步地，步骤d中，通过改变受电弓和接触网的参数来研究弓网之间的动态受流；根据弓网故障的不同，改变弓网参数，模拟正常和故障状态下弓网之间接触力的变化；针对仿真数据即受电弓正常运行、受电弓零部件发生不明显故障仿真样本数据集分别进行时域特征和熵特征的提取，进行归一化，得到时域特征数据集和熵特征数据集；对时域特征集和熵特征集进行le算法处理，得到时域融合特征集和熵融合特征集，并将其分别输入到支持向量机和深度置信网络，进行受电弓部件的故障诊断。
10.本发明主要对受电弓异物入侵、结构异常等情况进行诊断识别，可以提示并指导工作人员针对发生的故障采取相应的措施，以防范事态进一步扩大，减少因故障带来的损失。
附图说明
11.图1是本发明提供的一种基于多算法的受电弓故障诊断方法流程图。
具体实施方式
12.下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
13.如图1所示，一种基于多算法的受电弓故障诊断方法包括如下步骤：a、利用拍摄技术和传感器收集受电弓的图像数据和实测数据；b、利用 opencv等技术方法对图像数据进行预处理；对图像处理的结果进行分析，判断故障是否明显可见；c、对于明显的故障继续利用卷积神经网络算法对图像的进一步处理，完成受电弓的故障诊断；d、对于不明显的故障，建立弓网联合仿真模型得到弓网接触力仿真数据；仿真样本数据集分别进行时域特征和熵特征的提取并输入到svm和dbn中分别进行故障诊断；对两个特征集进行le算法处理，实现特征融合并进行故障诊断，完成对受电弓的故障诊断。
14.其中，在步骤b中，首先根据视频处理技术，将高速动车组受电弓现有的视频数据按帧分割成图像，同时进行图像预处理，得到足够的照片样本并制作数据集，为以后目标种
类标注及模型训练做准备；步骤c中，利用建立的数据集进行标注，并将数据送入到yolo v5模型进行训练，使用训练好的模型对数据进行检测，通过分析检测结果，来进一步优化模型，提高检测准确率，完成受电弓的故障诊断。
15.其中，利用opencv视频处理技术，对高速动车组受电弓现有视频数据按帧分割成图像；对图片数据进行预处理来减轻后续卷积神经网络的运算压力；将整理完成的图片放入数据集zxdata中，为后面目标种类标注及模型训练做准备；将建立的zxdata数据集用labelme标注软件进行标注，再用python程序把json文件数据转换成可用于yolo算法使用的txt文件数据；将数据送入到yolov5模型后进行训练，接着使用未训练的图片放入检测模型中进行检测，观察yolov5卷积神经网络模型的识别结果，验证该yolov5模型的可行性。
16.通过以下两种改进方式提高yolov5算法对小微目标以及被遮挡的目标的的检测性能；在原有yolov5的三个特征头输出上添加了一个专门用于小目标检测的特征头p2，增加了yolov5模型对于小微目标的检索能力；改进yolov5原有的特征融合网络，将原有的fpn+panet的特征融合网络改进为bifpn，使得yolov5卷积神经网络模型提取更多的特征图信息。
17.其中，步骤d中，通过改变受电弓和接触网的参数来研究弓网之间的动态受流；根据弓网故障的不同，改变弓网参数，模拟正常和故障状态下弓网之间接触力的变化；针对仿真数据即受电弓正常运行、受电弓零部件发生不明显故障仿真样本数据集分别进行时域特征和熵特征的提取，进行归一化，得到时域特征数据集和熵特征数据集；对时域特征集和熵特征集进行le算法处理，得到时域融合特征集和熵融合特征集，并将其分别输入到支持向量机和深度置信网络，进行受电弓部件的故障诊断。
18.本发明并不仅限于以上具体实施方式。本发明所述技术领域的技术人员，以对所描述的具体实施方式做多种修改、补充或采用类似的方式替代，在不偏离本发明的精神或者超越所附权利要求书所定义的范围，都在本发明要求保护范围内。

技术特征：
1.一种基于多算法的受电弓故障诊断方法，其特征在于：包括如下步骤：a、利用拍摄技术和传感器收集受电弓的图像数据和实测数据；b、利用 opencv等技术方法对图像数据进行预处理；对图像处理的结果进行分析，判断故障是否明显可见；c、对于明显的故障继续利用卷积神经网络算法对图像进行进一步处理，完成受电弓的故障诊断；d、对于不明显的故障，建立弓网联合仿真模型得到弓网接触力仿真数据；仿真样本数据集分别进行时域特征和熵特征的提取并输入到支持向量机（svm）和深度置信网络（dbn）中分别进行故障诊断；对两个特征集进行拉普拉斯特征映射（le）算法处理，实现特征融合并进行故障诊断，完成对受电弓的故障诊断。2.根据权利要求1所述一种基于多算法的受电弓故障诊断方法，其特征在于：步骤b中，首先根据视频处理技术，将高速动车组受电弓现有的视频数据按帧分割成图像，同时进行图像预处理，得到足够的照片样本并制作数据集，为以后目标种类标注及模型训练做准备；步骤c中，利用建立的数据集进行标注，并将数据送入到yolov5模型中进行训练，使用训练好的模型对数据进行检测，通过分析检测结果，来进一步优化模型，提高检测准确率，完成受电弓的故障诊断。3.根据权利要求2所述一种基于多算法的受电弓故障诊断方法，其特征在于：利用opencv视频处理技术对高速动车组受电弓现有视频数据按帧分割成图像；对图片数据进行预处理来减轻后续卷积神经网络的运算压力；将整理完成的图片放入数据集zxdata中，为后面目标种类标注及模型训练做准备；将建立的zxdata数据集用labelme标注软件进行标注，再用python程序把json文件数据转换成可用于yolo算法使用的txt文件数据；将数据送入到yolov5模型后进行训练，接着使用未训练的图片放入检测模型中进行检测，观察yolov5卷积神经网络模型的识别结果，验证了该yolov5模型的可行性。4.根据权利要求2所述一种基于多算法的受电弓故障诊断方法，其特征在于：通过以下两种改进方式提高yolov5算法对小微目标以及被遮挡的目标的的检测性能；在原有yolov5的三个特征头输出上添加了一个专门用于小目标检测的特征头p2，增加yolov5模型对于小微目标的检索能力；改进yolov5原有的特征融合网络，将原有的fpn+panet的特征融合网络改进为bifpn，使得yolov5卷积神经网络模型提取更多的特征图信息。5.根据权利要求1所述一种基于多算法的受电弓故障诊断方法，其特征在于：步骤d中，通过改变受电弓和接触网的参数来研究弓网之间的动态受流；根据弓网故障的不同，改变弓网参数，模拟正常和故障状态下弓网之间接触力的变化；针对仿真数据即受电弓正常运行、受电弓零部件发生不明显故障仿真样本数据集分别进行时域特征和熵特征的提取，进行归一化，得到时域特征数据集和熵特征数据集；对时域特征集和熵特征集进行le算法处理，得到时域融合特征集和熵融合特征集，并将其分别输入到支持向量机和深度置信网络，进行受电弓部件的故障诊断。

技术总结
本发明提出一种基于多算法的受电弓故障诊断方法，其特征在于，包括如下步骤：A、利用拍摄技术和传感器收集受电弓的图像数据和实测数据；B、利用opencv等技术方法对图像数据进行预处理；对图像处理的结果进行分析，判断故障是否明显可见；C、对于明显的故障继续利用卷积神经网络算法对图像的进一步处理，完成受电弓的故障诊断；D、对于不明显的故障，建立弓网联合仿真模型得到弓网接触力仿真数据；仿真样本数据集分别进行时域特征和熵特征的提取并输入到SVM和DBN中分别进行故障诊断；对特征集进行LE算法处理，实现特征融合并进行故障诊断，完成受电弓的故障诊断。本发明主要对受电弓异物入侵、结构异常等故障进行诊断识别，以便采取措施减少损失。取措施减少损失。取措施减少损失。


技术研发人员：邢天祥 赵月静 秦志英
受保护的技术使用者：河北科技大学
技术研发日：2023.04.26
技术公布日：2023/7/13