[發(fā)明專利]基于深度卷積神經(jīng)網(wǎng)絡(luò)的高速鐵路接觸網(wǎng)故障診斷方法

有效

• 申請?zhí)枺?/td>: 201710493102.5
• 申請日: 2017-06-26
• 公開（公告）號: CN107437245B
• 公開（公告）日: 2020-10-20
• 發(fā)明（設(shè)計）人: 劉志剛;王立有;陳雋文;韓志偉
• 申請（專利權(quán)）人: 西南交通大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06T7/155;G06T7/73
• 代理公司: 成都信博專利代理有限責(zé)任公司 51200
• 代理人: 王沙沙

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的高速鐵路接觸網(wǎng)故障診斷方法，其特征在于，包括以下步驟：

獲取高速鐵路接觸網(wǎng)支撐裝置的二維灰度圖像；

通過接觸網(wǎng)訓(xùn)練集預(yù)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，并帶入目標(biāo)檢測框架faster RCNN中訓(xùn)練，通過訓(xùn)練出的模型提取二維灰度圖像中的等電位線并進行分割，獲得等電位線區(qū)域圖片；

將獲得的等電位線區(qū)域圖片依次進行如下處理，調(diào)整其亮度和對比度、遞歸最大類間方差法Otsu預(yù)分割、用條件迭代模型-最大邊緣后驗概率算法ICM/MPM分割、腐蝕膨脹圖片，得到等電位線像素點，提取最大連通域并統(tǒng)計等電位像素點區(qū)域內(nèi)的獨立連通域個數(shù)N；

若N＞m則判斷為等電位線零部件出現(xiàn)散股故障；

若N≤m則通過歸一化公式后的等電位線的像素值的標(biāo)準(zhǔn)差值的大小得出潛在故障的可能性；

歸一化方法如下：

標(biāo)準(zhǔn)差σ計算方法如下：

式中：w_i為等電位線的第i個位置像素值；w_min為等電位像素值中的最小值；w_max為等電位像素值中的最大值；為歸一化后等電位線像均值；v_i為歸一化后等電位線第i位置的像素值；N為等電位線像素點個數(shù)，σ為歸一化后等電位像素標(biāo)準(zhǔn)差。

2.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的高速鐵路接觸網(wǎng)故障診斷方法，其特征在于，所述最大類間方差法Otsu預(yù)分割的方法包括以下步驟：

獲取等電位線區(qū)域圖片；

計算圖片中的灰度直方圖；

計算每個像素值出現(xiàn)的概率；

遍歷每個像素并計算類間方差；

獲取類間方差最大時對應(yīng)的像素值。

3.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的高速鐵路接觸網(wǎng)故障診斷方法，其特征在于，所述ICM/MPM算法包括以下步驟：

式中：θ為模型參數(shù)矩陣，y和x分別為觀測場和標(biāo)號場的樣本數(shù)據(jù)；p(x|y,θ)為觀測場對標(biāo)號場的條件概率；p(y)為觀測場的先驗概率；

U(x)＝∑_c∈CV_c(x_c) (5)

式中：為優(yōu)化的目標(biāo)方程，Z為歸一化常數(shù)，C為所有勢團集合，U(x)為勢團集合內(nèi)所有勢團勢能的和，T為常數(shù)，V_c(x_c)為勢團勢能，S為圖片的第S位置，y_s為S位置觀測圖片的像素值，為擁有標(biāo)號x_s的所有像素點的均值，為擁有標(biāo)號x_s的所有像素點的方差；

使用ICM算法進行迭代，具體過程如下：

式中：μ_k(p)為觀測場第p次迭代時屬于第k類的像素點均值，σ_k(p)為觀測場第p次迭代時屬于第k類的像素點方差，N_k(p)為觀測場第p次迭代時屬于第k類像素點的個數(shù)，k為圖像分割的類別數(shù)，p為第p次迭代。

4.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的高速鐵路接觸網(wǎng)故障診斷方法，其特征在于，所述深度卷積神經(jīng)網(wǎng)絡(luò)包括六個卷積層、二個池化層和二個全連接層，前兩個卷積層后面分別接一個下采樣池化層，第二個池化層后接4個卷積層，這四個卷積層依次相連，在第6個卷積層后接2個全連接層，最后的全連接層輸出1000×1的向量。