复杂场景下动车底部螺栓丢失故障的自动检测北大核心CSCD

动车底部闸瓦部位的螺栓,对列车整体制动系统起着关键作用。闸瓦部位螺栓的丢失,会给列车安全制动以及安全行驶带来严重威胁。以螺栓丢失故障检测为例,提出动车中零部件丢失故障的在线检测与识别算法,为动车重点部位的故障诊断进行针对性检测提供了一种指导方法。结合螺栓几何结构的特点,提出了一种基于图像Sobel梯度边缘的完备局部二进制模型特征提取算法,结合二值分类器的训练与学习,完成螺栓丢失故障的自动检测。结果表明,所提算法对复杂场景下螺栓丢失故障的识别有很强的稳健性,其检测效率和精度也很高,能够满足现场应用需求。     

动车组运行故障动态图像比对分析方法北大核心CSCD

动车组运行故障动态图像检测系统(TEDS),通过在轨边安装布置高速线阵采集相机,实现对运行中列车的全方位监控。利用获得的高质量图像,通过机器学习和模式识别,实现列车故障的自动化诊断和检测。但是线阵相机拍摄的图像易受动车速度的影响,在图像水平方向上存在几何变形,给后续目标的自动识别和检测带来了困难。为了解决这个问题,设定一组基准图像,对其他时间段所获得的目标图像分别按照对应的基准图像进行配准和重分割,尽量减小列车速度对成像变形的影响。结合TEDS,利用多分辨率下的图像快速配准方法,实现了后续目标图像的快速分割与对齐。提出了一种改进的图像差影技术,通过将对齐之后的目标图像与历史标准图像进行比对分析,快速实现动车故障区域的自动定位和检测。     

动车底部螺栓快速定位方法

动车底部闸瓦部位的螺栓是列车制动系统中的一个重要零件,对列车的安全制动和行驶起着关键作用。对于列车零部件的维护,传统的人工检修模式显然不再适应当前铁路运输领域中高效率、高质量的检修要求。随着计算机技术和电子技术的发展,基于机器视觉的在线检测系统在工业测量领域正在发挥着越来越重要的作用。在室外复杂环境下,通过图像处理和分析的方法对螺栓进行自动检测和识别,是一种行之有效的方法,但是充满了挑战。提出了一种基于特征提取和机器学习相结合的方法,实现了螺栓的快速定位和检测。通过实验验证,提出的算法对外界复杂环境,特别是光线的变化,具有较强的鲁棒性。     

基于BRISK特征点约束的电力管廊点型气体探测器检测

随着人工智能等技术的快速发展,智能巡检机器人在综合管廊设备巡检中的应用已经非常普遍。电力综合管廊由于电气设备的特殊性,管廊内部需要专用传感器对管廊结构进行监测。智能巡检机器人负责对各种传感器是否处于正常工作状态进行巡检。点型气体探测器作为管廊内部重要的环境气体探测装置,对火灾预警、爆炸预警、人员生命安全,以及维护管廊正常运行安全具有重要作用。针对巡检机器人在管廊内部定位不精确导致目标在图像中成像位置不固定的问题,提出一种基于BRISK(Binary Robust Invariant Scalable Kepoints)特征点约束的方法,通过提取管廊内部安装的气体探测器特征点,利用几何约束实现特征点的精确匹配,实现智能巡检机器人对管廊内部安装的气体探测器的精确定位。实验结果表明,提出的算法定位精度高、速度快,可以完成智能巡检机器人对气体探测器的精确定位,减少了人工辅助,为智能巡检机器人对电力设备的精确巡检提供了重要的技术支撑。     

基于洪泛机制准同步的UWB定位效率优化研究

针对UWB定位中的标签容量限制和通信冲突的问题,提出了一种基于洪泛机制准同步的改进定位方法;该方法通过设置主从基站,利用洪泛机制逐级传递准同步报文实现基站和标签间的时钟准同步,满足了DS-TWR方法下TOA算法对通信中时钟误差的需求,从而提高了测距精度;同时通过多Hash运算为标签基站对分配唯一时隙,有效提高了多标签情况下的通信成功率;实验结果表明,改进后的系统多标签条件下平均通信成功率提高了16%,标签能耗降低了30%,单位时间内获取数据量提高了27.8%,在提高系统通信效率的同时降低了能耗,具有较高的工程应用价值。