[发明专利]一种基于孤立森林检测空气弹簧故障的方法

说明书

本发明涉及轨道科学技术领域，具体涉及一种基于孤立森林检测空气弹簧故障的方法，通过采集列车的空气弹簧图像信息，然后将图像尺寸归一化处理，并裁剪为额定数量的小图，灰度化处理，提取灰度化后每张小图的特征，然后进行PCA降维，再将提取的特征放入到孤立森林中进行训练；然后利用测试集判断训练好的模型的准确率大于96%，得到模型。本发明只学习正常样本的特征，不需要故障样本训练模型，有效解决了空气弹簧故障样本少的问题，同时本发明方法不会受光照、污渍等因素影响，可以自动学习空气弹簧的特征，不必人工干预，鲁棒性强，达到空气弹簧裂纹或鼓包等故障实时检测的技术效果。

技术领域

本发明涉及轨道科学技术领域，具体涉及一种基于孤立森林检测空气弹簧故障的方法。

背景技术

列车空气弹簧是将一种可压缩惰性气体充在一种可伸缩的密闭容器中，利用空气可压缩性实现其弹性作用。列车空气弹簧在列车减震方面有众多优点，在现代轨道交通车辆等领域应用广泛。然而在应用过程中，列车空气弹簧系统在经受风吹雨淋等外部因素和磨耗、破损、老化等内在因素的双重影响下，会产生一些故障，直接威胁到列车的正常运行，因此有必要对列车空气弹簧的常见故障进行诊断。

列车空气弹簧的故障诊断目前主要依靠人工检修，但是列车空气弹簧的故障类型多，常见的有气囊裂纹、磨损、鼓包等。人工检修需要经验丰富的检修员，成本高且劳动强度大，检修质量容易受个人情绪、责任心等因素影响，且检修速度慢，容易出现漏检的问题。

利用传统的图像处理方式，如灰度化、二值化等方法，对所识别图像的要求很高。当检测图像有水渍、光照等影响时，该方法很大可能检测不出故障。并且，传统的图像处理方法很多都需要设定阈值，当阈值设定时，在后续检测时几乎不可能修改，因此传统的图像处理方法对于列车空气弹簧的故障检测来说，鲁棒性很差。现如今，随着人工智能的发展，很多基于图像的故障检测方法都是利用深度学习来完成，其识别速度快，准确率高。然而，利用深度学习的方法意味着需要大量的正样本和负样本，这对于基于图像的列车故障检测来说，很难实现，尤其是获取负样本更是难上加难。

列车的空气弹簧出现故障，将会导致严重的后果，不仅仅是金钱上的损失，更是对生命的威胁。考虑到列车检修是在室外，会受到天气，光照等的影响，以及列车空气弹簧负样本的难获取问题，本发明提供一种基于HOG特征和孤立森林的列车空气弹簧故障检测方法，解决已有算法鲁棒性差，以及现实中负样本少的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于孤立森林检测空气弹簧故障的方法，针对列车空气弹簧故障样本少的特点，选择异常检测的算法进行诊断，只学习正常样本的特征，不需要故障样本训练模型，即本发明有效解决了故障样本少或者没有的故障样本的问题，不必耗费人力物力制造故障样本；相比于现有技术列车部件故障诊断的图像处理方法，本发明方法不会受光照、污渍等因素影响，而基于HOG特征和孤立森林的列车空气弹簧故障诊断方法可以自动学习空气弹簧的特征，不必人工干预，鲁棒性强，达到空气弹簧裂纹或鼓包等故障实时检测的技术效果。

本发明的目的是通过以下技术方案来实现的：

一种基于孤立森林检测空气弹簧故障的方法，包括模型建立训练和故障检测，所述模型建立训练具体包括以下步骤，

S1.在一固定点位采集列车的空气弹簧图像信息；

S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；

S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；

S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；

S5.将步骤S4提取的特征放入到孤立森林中进行训练，设置孤立树的棵数为100，每次抽样数量为256；训练中选用的小图，来源于空气弹簧正常的空气弹簧图像；