铁路货车滚轴承甩油故障检测方法技术

铁路货车滚轴承甩油故障检测方法，本发明专利技术涉及铁路货车故障检测方法。本发明专利技术的目的是为了解决现有铁路货车滚轴承甩油故障检测准确率差，效率低的问题。过程为：一、线阵图像获取；二、粗定位；三、数据集图像预处理；四、故障目标分类：四一：搭建神经网络分类模型；四二：把预处理后的数据集图像归一化作为训练集输入到神经网络分类模型中；四三：神经网络分类模型损失函数是所有三预处理后的数据集图像的交叉熵损失函数的平均值；四四：更新神经网络分类模型的权重参数；四五：获得训练好的神经网络分类模型；五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。本发明专利技术用于货车滚轴承甩油故障检测领域。

Fault detection method for oil rejection of rolling bearing of railway freight car

【技术实现步骤摘要】
铁路货车滚轴承甩油故障检测方法
本专利技术涉及铁路货车故障检测方法。
技术介绍
随着中国经济迅速发展，人们对物流的需求也日益增加。其中铁路货车运输在物流发展中起到了至关重要的作用，而铁路货车滚动轴承甩油故障影响了物流运输的安全和速度。滚动轴承甩油时，会导致轴承内部的有效润滑作用降低，使得轴承保持架和滚子之间的摩擦力和冲击力增大，容易导致轴承保持架出现破损，进而影响物流运输安全。长期采用人工重复检查滚动轴承甩油故障图像，存在工作枯燥，容易分神，效率低下的问题，无法保证准确率。
技术实现思路
本专利技术的目的是为了解决现有铁路货车滚轴承甩油故障检测准确率差，效率低的问题，而提出铁路货车滚轴承甩油故障检测方法。铁路货车滚轴承甩油故障检测方法具体过程为：步骤一、线阵图像获取；步骤二、粗定位；步骤三、数据集图像预处理；步骤四、故障目标分类；具体过程为：步骤四一：搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；步骤四二：把步骤三预处理后的数据集图像归一化到512*512，作为训练集输入到步骤四一搭建好的神经网络分类模型中；步骤四三：假设某个样本的真实标签为yt，该样本的yt＝1的概率为yp，则该样本的交叉熵损失函数如下式所示：log(yt|yp)＝-(yt×log(yp)+(1-yt)log(1-yp))神经网络分类模型损失函数是所有步骤三预处理后的数据集图像的交叉熵损失函数的平均值；步骤四四：根据交叉熵损失函数进行误差反向传播和梯度下降，并更新神经网络分类模型的权重参数；步骤四五：重复步骤四三到四四，直至损失函数逐渐收敛并稳定，确定目前神经网络分类模型权重参数为训练好的神经网络的分类模型权重参数，进而获得训练好的深度学习滚动轴承甩油故障神经网络分类模型；步骤五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。本专利技术的有益效果为：本专利技术通过对行驶中的货车进行拍摄，获取动车全车图像。结合图像处理、模式识别和深度学习等领域的知识。实现甩油故障自动识别及报警，人工只需对报警结果进行确认，最终实现机检作业代替人检作业，不仅能节约单位的人力成本，还能提高作业质量和作业效率。利用线阵相机(也称线扫描相机)，对高速运动的货车进行拍摄，拍摄货车的两侧图像。根据轴距信息和甩油故障位置的先验信息，在线阵图像大图中获得包含甩油故障的感兴趣区域。对甩油故障的感兴趣区域进行数据扩增，构建多标签神经网络训练集，搭建稠密神经网络分类模型，训练神经网络模型至模型收敛，并转换分类模型参数权重的精度。在实际应用中，加载转换进度的神经网络分类权重，对拍摄到的部件图像判断是否为甩油故障图像，并对甩油故障区进行报警。采用图像自动识别代替人工检测滚动轴承甩油故障，滚动轴承甩油故障识别标准统一，不受工作人员职业素质和责任心影响。基于深度学习的滚动轴承甩油故障检测方法比传统的手工标准特征提取的机器视觉检测方法具有高的灵活性、准确性和鲁棒性。采用多标签数据集比单标签数据集误报少，采用稠密网络比普通网络准确率高。采用模型精度转换能加速滚动轴承甩油的识别速度，实现实时检测。附图说明图1为本专利技术整体流程图；图2a为转向架K2正常示意图；图2b为转向架K2甩油示意图；图2c为转向架K5正常示意图；图2d为转向架K5甩油示意图；图2e为转向架K6正常示意图；图2f为转向架K6甩油示意图；图3为稠密块(DenseBlock)单元图；图4为分类网络结构图。具体实施方式具体实施方式一：结合图1说明本实施方式，本实施方式铁路货车滚轴承甩油故障检测方法具体过程为：步骤一、线阵图像获取；步骤二、粗定位；步骤三、数据集图像预处理；步骤四、故障目标分类；具体过程为：步骤四一：由于滚动轴承甩油的故障区域较大并占感兴趣区域的比例较大，本专利技术采用基于稠密网络DenseNet的目标分类方法；由于在货车自动识别检测中对于检测的精度要求较高，针对滚动轴承甩油故障的精度问题，本专利技术采用稠密网络DenseNet作为特征提取网络，稠密网络过程保证在加深网络层数的基础上保证网络层之间的联系，同时加入多尺度特征，具有更多的底层的滚动轴承甩油的纹理信息，以此保证检测精度。搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；步骤四二：把步骤三预处理后的数据集图像归一化到512*512，作为训练集输入到步骤四一搭建好的神经网络分类模型中；步骤四三：损失函数，将损失函数为二元交叉熵，对于样本(x,y)来讲，x为样本y为对应的标签；在二分类问题中，样本取值的集合可能为{0，1}，假设某个样本的真实标签为yt，该样本的yt＝1的概率为yp，则该样本的交叉熵损失函数如下式所示：log(yt|yp)＝-(yt×log(yp)+(1-yt)log(1-yp))神经网络分类模型损失函数是所有步骤三预处理后的数据集图像的交叉熵损失函数的平均值；步骤四四：根据交叉熵损失函数进行误差反向传播和梯度下降，并更新神经网络分类模型的权重参数；步骤四五：重复步骤四三到四四，对多组滚动轴承甩油训练样本图片进行多轮训练，直至损失函数逐渐收敛并稳定，确定目前神经网络分类模型权重参数为训练好的神经网络的分类模型权重参数，进而获得训练好的深度学习滚动轴承甩油故障神经网络分类模型。步骤五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中线阵图像获取；具体过程为：利用固定设备搭载线阵相机，对高速运动的铁路货车进行拍摄，拍摄铁路货车的上部、两侧及底部的全车图像；针对于线阵相机(也称线扫描相机)，通过被测物的移动速度计算线阵相机的拍摄频率，进行连续的多次拍照，将所拍下的多幅“条”形图象，合并成一张完整的图像，这样可实现无缝拼接，生成视野大，精度高的二维图象。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中粗定位；具体过程为：根据硬件的轴距信息和滚动轴承甩油位置等先验知识，从全车的完整的图像信息中裁剪出感兴趣区域，以此减少计算量并提高识别的速度。其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤三中数据集图像预处理；具体过程为：步骤三一：建立原始数据集；根据粗定位获得待识别部件的感兴趣区域图像，建立原始的数据集；步骤三二：对步骤三一建立的原始的数据集采用对比度增强、直方图均衡化、随机缩放的图像处理方式进行数据扩增操作；由于列车车速、室外阳光、雨雪等干扰因素的影响，行驶中的货车线阵图像可能会出现对比度不同，图像本文档来自技高网...

【技术保护点】
1.铁路货车滚轴承甩油故障检测方法，其特征在于：所述方法具体过程为：/n步骤一、线阵图像获取；/n步骤二、粗定位；/n步骤三、数据集图像预处理；/n步骤四、故障目标分类；具体过程为：/n步骤四一：搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；/n步骤四二：把步骤三预处理后的数据集图像归一化到512*512，作为训练集输入到步骤四一搭建好的神经网络分类模型中；/n步骤四三：假设某个样本的真实标签为y

【技术特征摘要】
1.铁路货车滚轴承甩油故障检测方法，其特征在于：所述方法具体过程为：
步骤一、线阵图像获取；
步骤二、粗定位；
步骤三、数据集图像预处理；
步骤四、故障目标分类；具体过程为：
步骤四一：搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；
步骤四二：把步骤三预处理后的数据集图像归一化到512*512，作为训练集输入到步骤四一搭建好的神经网络分类模型中；
步骤四三：假设某个样本的真实标签为yt，该样本的yt＝1的概率为yp，则该样本的交叉熵损失函数如下式所示：
log(yt|yp)＝-(yt×log(yp)+(1-yt)log(1-yp))
神经网络分类模型损失函数是所有步骤三预处理后的数据集图像的交叉熵损失函数的平均值；
步骤四四：根据交叉熵损失函数进行误差反向传播和梯度下降，并更新神经网络分类模型的权重参数；
步骤四五：重复步骤四三到四四，直至损失函数逐渐收敛并稳定，确定目前神经网络分类模型权重参数为训练好的神经网络的分类模型权重参数，进而获得训练好的深度学习滚动轴承甩油故障神经网络分类模型；
步骤五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。


2.根据权利要求1所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤一中线阵图像获取；具体过程为：
利用固定设备搭载线阵相机，对运动的铁路货车进行拍摄，拍摄铁路货车的上部、两侧及底部的全车图像；
通过被测物的移动速度计算线阵相机的拍摄频率，进行连续的拍照，将所拍下的条形图象，合并成一张完整的图像。


3.根据权利要求1或2所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤二中粗定位；具体过程为：
根据硬件的轴距信息和滚动轴承甩油位置先验知识，从全车的完整的图像信息中裁剪出感兴趣区域。


4.根据权利要求3所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤三中数据集图像预处理；具体过程为：
步骤三一：建立原始数据集；
根据粗定位获得待识别部件的感兴趣区域图像，建立原始的数据集；
步骤三二：对步骤三一建立的原始的数据集采用对比度增强、直方图均衡化、随机缩放的图像处理方式进行数据扩增操作；
步骤三三：数据标记：
采用多标签分类数据集，多标签包含转向架类型和是否甩油。


5.根据权利要求4所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤四一中搭建神经网络分类模型，包括特征提取...

【专利技术属性】
技术研发人员：孙晶，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：黑龙;23