一种用于轨道车辆车底发热部件温度数据采集的方法及系统与流程

1.本发明涉及列车车底发热部件温度采集领域，具体为一种用于轨道车辆车底发热部件温度数据采集的方法及系统。


背景技术：

2.城市轨道交通列车是一个非常复杂的体系，安全性及稳定性对于车辆运行至关重要，而列车运行过程中的温度监测与提示对于列车运行安全性和可靠性起着至关重要的参考意义，及时发现各动力传输部件的异常温升对于早期预警及安全控制是十分必要的。
3.目前，针对铁路车底温度监测的系统主要是利用非接触式红外测温仪测量具体位置的温度，例如国内thds红外线轴温探测系统是对轨道列车进行非接触式探测发现车辆热轴、防止热切轴的安全保障设施。采用自动化控制技术、红外线辐射探测技术等实现温度检测。此外，针对其他走行部的温度检测大多是等待车辆运行入库后在静态条件下人工判断，且测温精度有待提高，同时检测范围局限性高，特别是单点或阵列式的探头输出信号单一。对于监测部件温度变化及整体温度分布来说适用性较低。


技术实现要素：

4.为解决上述背景技术中所存在的问题，本发明提出了一种用于轨道车辆车底发热部件温度数据采集的方法，所述方法包括：
5.s1:接收车底发热部件发出的红外辐射功率信号，红外探测器元件将所述红外辐射功率信号转化为可测物理信号；
6.s2:对所述可测物理信号进行处理，得到与车底发热部件表面热量一一对应的待测热图序列；
7.s3:分析所述待测热图序列的宏观颜色以及微观像素差异，得到待测车底发热部件第一温度；
8.s4:通过动态测温误差的多项式拟合函数，对待测车底发热部件第一温度进行校正，得到待测车底发热部件第二温度。
9.进一步的，所述s1具体为：
10.s11：接收车底发热部件发出的红外辐射信号；
11.s12：所述红外探测器元件包括红外焦平面阵列和信号处理电路系统，所述红外焦平面阵列接收车底发热部件发出的红外辐射信号并生成相应的红外热图；
12.s13：所述信号处理电路系统将所述红外热图进行实时信号处理，得到可测物理信号。
13.进一步的，所述s2具体为：对所述可测物理信号进行非均匀性校正、盲元替代和增益控制处理，得到与车底发热部件表面热量一一对应的待测热图序列。
14.进一步的，所述s3具体为：
15.s31：收集含车底发热部件的热图序列，对所述热图序列进行训练得到权重文件；
16.s32：基于权重文件分析待测热图序列每一帧中待测车底发热部件的具体位置，得到所述待测车底发热部件的类别和定位信息；
17.s33：基于所述待测车底发热部件的类别和定位信息，以及热图序列的宏观颜色和微观像素差异，将每类目标识别区域内的最大温度值输出作为第一温度。进一步的，所述s31具体为：
18.s311：对所述热图序列进行分帧处理，得到第一3通道图像；
19.s312:对所述第一3通道图像进行标注和分类，得到第二3通道图像；
20.s313:调节网络参数，对所述第二3通道图像进行训练，得到权重文件。
21.进一步的，所述s313中网络参数包括：batch size、图像宽度及高度、学习效率、迭代次数及yolo层的滤波器数量。
22.进一步的，所述s4具体为：
23.s41：引入车速变量，在不同车速下测得黑体的实际温度；
24.s42：计算所述实际温度与黑体的温度差值，对所述温度差值进行多项式拟合，得到动态测温误差的多项式拟合函数；
25.s43：通过动态测温误差的多项式拟合函数，对待测车底发热部件第一温度进行校正，得到待测车底发热部件第二温度。
26.一种用于轨道车辆车底发热部件温度数据采集的系统，包括：
27.数据采集模块，用于接收车底发热部件发出的红外辐射功率信号，将所述红外辐射功率信号转化为可测物理信号；
28.数据处理模块，用于对所述可测物理信号进行处理，得到与车底发热部件表面热量一一对应的图像；
29.数据输出模块，用于分析所述待测热图序列的宏观颜色以及微观像素差异，得到待测车底发热部件第一温度；
30.数据校准模块，用于通过校正误差函数，对待测车底发热部件第一温度进行校正，得到待测车底发热部件第二温度。
31.进一步的，所述数据采集模块包括红外成像相机、轨边电源信号控制箱和接车单元。
32.进一步的，所述红外成像相机安装角度与地面成仰角20
°
，仰角在
±
10
°
内调节。
33.有益效果：本发明提供一种用于轨道车辆车底发热部件温度数据采集的方法，所述方法具备自动化检测温度变化，能够适应一定车速条件，并将结果以图像或动画方式呈现；同时，采用红外热成像的方法及技术进行图像序列采集，直观给出更高精度的可靠温度结果。另外，数据处理中结合区域定位算法，实现样本量收集、整理、训练及测试的全流程分析，针对动态测温进行误差分析及函数拟合，校准测温数据，在测温准确性方面做到科学评估。
附图说明
34.为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1为一种用于轨道车辆车底发热部件温度数据采集的方法的流程示意图；
36.图2为本发明实施例中实时信号处理电路连接示意图；
37.图3为本发明实施例中不同物距下车底发热部件红外图像中定位点温度图；
38.图4为本发明实施例中黑体目标实测温度值曲线图；
39.图5为本发明实施例中动态测温误差的多项式拟合函数图。
具体实施方式
40.为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
41.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
42.在一个实施例中，如图1所示，本技术提供一种用于轨道车辆车底发热部件温度数据采集的方法，应用于轨道车辆车底发热部件温度数据采集系统，该系统包括数据采集模块、数据处理模块、数据输出模块和数据校准模块，具体方法包括：
43.s1:接收车底发热部件发出的红外辐射功率信号，红外探测器元件将所述红外辐射功率信号转化为可测物理信号；
44.s2:对所述可测物理信号进行处理，得到与车底发热部件表面热量一一对应的待测热图序列；
45.s3:分析所述待测热图序列的宏观颜色以及微观像素差异，得到待测车底发热部件第一温度；
46.s4:通过动态测温误差的多项式拟合函数，对待测车底发热部件第一温度进行校正，得到待测车底发热部件第二温度。
47.当车底发热部件的温度升高时，会以红外波段为主的方式向外辐射能量，红外成像设备接收到车底发热部件辐射的红外波段，由红外成像设备内置的红外探测器原件将车底发热部件的辐射功率信号转化为电信号或者其他可以被测量的物理信号；其中，车底发热部件包括电机、齿轮箱、联轴节和车侧轴箱。
48.所述红外焦平面阵列接收车底发热部件发出的红外辐射信号，如图2所示，所述红外探测器元件本质上是由红外焦平面阵列(irfpa)及信号处理电路系统组成。红外焦平面阵列具有感知红外辐射能量的作用，而信号处理电路则是针对红外焦平面阵列生成的红外热图进行实时信号处理。在确保焦平面阵列温度稳定的情况下，还要实现驱动信号的产生、标准视频的合成、与pc机的通信和人机交互等功能。实时信号处理的内容因焦平面而异，不同类型的焦平面所需的信号处理不同。
49.当焦平面阵列的温度达到有温度控制电路设定的工作点后，在驱动电路的时序控制下，将模拟输出信号送入a/d采集模块。a/d采集模块将模拟信号转换成便于处理的数字信号，送入到信号处理模块。信号处理模块主要完成信号的非均匀性矫正、盲元替代、增益控制等功能。处理后的信号经过d/a转换后在显示器显示。
50.本技术在车底发热部件识别定位算法选择yolov3网络，通过对所述热土序列进行
分帧处理，得到第一3通道图像，对所述第一3通道图像进行标注和分类，得到第二3通道图像，调节网络参数，对所述第二3通道图像进行训练，得到权重文件，进而实现车底发热部件类型判断及温度计算。
51.所述yolov3网络借鉴了残差网络的结构，形成了更深的网络层次，实现了多尺度检测，提升了map及小车底发热部件的检测效果。同时，在精度相当的情况下，所述yolov3网络的运行速度也是其他网络模型的3-4倍。
52.算法的具体的实现过程为：首先，需要收集大量的含车底发热部件的热图，通过结合车底及车侧相应部件的结构特征，人为判断图像中的车底发热部件位置并标记分类框；其次，整理好训练集后，需要调整网络参数，包括batch size、图像宽度及高度、学习效率、迭代次数及yolo层的滤波器数量(根据检测对象的类别数确定)；编译网络后进行训练，以期得到合适的训练权重文件。
53.该网络在图像特征提取方面，采用了darknet-53的网络结构(含有53个卷积层)，它借鉴了残差网络residual network的做法，在内部层之间设置了快捷链路(shortcut connections)。
54.通常，根据样本数量及训练时间，选择最佳权重文件得到较好的目标定位准确率。当迭代次数(平均loss)降至最低时，方可停止训练。通常选择最后一次权重文件，前提是训练过程中不会出现过拟合现象，过拟合则由于过度学习训练集的分布，而降低模型在测试集中的泛化性。如果过拟合情况发生，权重的文件的选择应该是最后2-3次的为宜。
55.基于上述车底发热部件的识别定位算法，得到了如图3所示的，在不同物距下车底发热部件红外图像中定位点的温度，算法中在温度检测数据方面考虑到能够反映标记框中的整体温度变化特征，将标记框中的所有像素点转换成实际温度，并将最大值取出作为该车底发热部件的检测温度，即待测车底发热部件第一温度。由于车底发热部件定位准确，温度最大值往往更具参考价值，能够说明瞬态温度变化剧烈的程度。
56.其中，上述过拟合指的是：在对模型进行训练时，有可能遇到训练数据不够，即训练数据无法对整个数据的分布进行估计的时候，或者在对模型进行过度训练(overtraining)时，常常会导致模型的过拟合(overfitting)。过拟合的特征为，随着模型训练的进行，模型的复杂度会增加，此时模型在训练数据集上的训练误差会逐渐减小，但是在模型的复杂度达到一定程度时，模型在验证集上的误差反而随着模型的复杂度增加而增大。此时便发生了过拟合，即模型的复杂度升高，但是该模型在除训练集之外的数据集上却不工作。
57.由于本技术的技术方案中车底发热部件温度的采集涉及到动态图像温度检测，车底发热部件移动势必会带来图像拖尾，影响测温准确性。为了验证影响程度，解决及提高动态车底发热部件的测温准确性，需要在算法中引入车速变量，通过实验获得较为准确的动态测温误差拟合曲线，以便实时矫正车底发热部件测温数据，更加科学可信。
58.矫正误差函数的获得采用多项式拟合确定，同时开展黑体(标准热源)进行动态实验。具体方法是测量不同过车(搭载一定温度的黑体)车速下的温度数据，如图4所示，将车速控制在不同的范围中(7、10、20、25、30、38及40km/h)，采集并处理含有定位目标黑体的热图序列，统计并分析不同车速下的黑体目标实测温度值，计算误差偏离曲线，得到动态测温误差的多项式拟合函数，如图5所示，选择最好的动态测温误差的多项式拟合函数作为规律
性结论用到算法中，通过动态测温误差的多项式拟合函数，对待测车底发热部件第一温度进行校正，得到待测车底发热部件第二温度，所述待测车底发热部件第二温度为经校正后的轨道车辆车底发热部件的真实温度。
59.所述最好的动态测温误差的多项式拟合函数，通常是根据多项式拟合指标的rmse(均方根)和r-square(相关系数)等衡量，即rmse越小，说明拟合误差越小，效果越好；r-square在0～1之间，且越靠近1表明二者相关程度越高，拟合效果越好，本技术优选四阶多项式拟合函数，是因为四阶多项式拟合函数具有良好的线性。
60.该设计考虑的因素主要包括：高速情况下图像拖尾及目标尺寸相比相机视场占比增加也会影响红外热像仪的测温准确性。另外，车速过快加快车底发热部件表面温度扩散，相机接收到的辐射能量降低。拟合曲线函数有助于在不同车速下对车底发热部件温度进行适当修正，保证数据准确性。
61.在一个实施例中，记载了一种用于轨道车辆车底发热部件温度数据采集的系统，包括：
62.数据采集模块，用于接收车底发热部件发出的红外辐射功率信号，将所述红外辐射功率信号转化为可测物理信号；
63.数据处理模块，用于对所述可测物理信号进行处理，得到与车底发热部件表面热量一一对应的图像；
64.数据输出模块，用于分析所述待测热图序列的宏观颜色以及微观像素差异，得到待测车底发热部件第一温度；
65.数据校准模块，用于通过校正误差函数，对待测车底发热部件第一温度进行校正，得到待测车底发热部件第二温度。
66.所述系统公开了一种红外成像设备进行车底发热部件采集的方式以及布局，本技术方法中选择红外热成像技术作为核心主要考虑到其检测精度及检测范围各方面优于单点或阵列式测温仪。同时，结合本技术中针对的检测对象类型(车轮传感器、采集箱、轨边箱、电控柜等)及位置(车底及车侧)，选择轨中及轨旁同步采集图像及测温的方法更加清晰直观，且准确性较传统测温布局方式好。
67.具体布局方式为：通过安装在轨道上的车轮定位传感器来判断来车方向，启动检测系统，当列车驶过检测系统后由车轮传感器触发结束采集信号。数据采集单元以红外热成像相机为主，安装于轨道两侧及道床中间位置。其中还包括轨边电源信号控制箱、接车单元等。
68.在检测流程方面实现自动化，即开机传感器负责车辆到来识别判断，开机时间大约控制在5s，因此传感器安装位置需要参考该时间；车轮传感器用于确定车轮触发时刻，轨边箱体则控制各个热像仪采集单元开罩、数据采集、吹风除尘及停止命令下发。
69.该方法考虑到相机视场有限及运行车速等问题，轨中相机布局方式采用双相机间隔约2.5-3米相对拍摄，以一定仰角设计红外成像相机安装角度与地面成20
°
，仰角
±
10
°
可调，能够降低车速带来的图像拖尾影响。且双相机能够更好地捕获不同来车方向的车底部件，有助于判断部件位置。同理，列车两侧相机仍然采用该方式，保证有效视场范围监测车底发热部件外表面的温度。
70.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
71.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
72.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。