[发明专利]一种基于SCA-GANomaly模型的高铁接触网零部件故障检测方法

说明书

本发明公开了一种基于SCA‑GANomaly模型的高铁接触网零部件故障检测方法，包括：在数据预处理阶段：先获取高铁接触网正常零部件图像，然后通过DCGAN数据增强手段扩充高铁接触网正常零部件样本数据集；在训练阶段：将扩充完成的高铁接触网正常零部件样本数据集送入SCA‑GANomaly网络进行训练，训练完成后，得到接触网正常零部件图像的数据分布；在测试阶段：采集待测试样本的接触网零部件图像，然后将其输入到训练好的SCA‑GANomaly网络中，得到输出图像后与待测试样本比较获取差异得分，判断该差异得分是否大于阈值K：若大于，则认为待测试样本的接触网零部件图像存在故障，否则判定待测试样本的接触网零部件图像正常。本发明能够实现更稳定更精确的高铁接触网零部件故障检测。

技术领域

本发明涉及高铁接触网故障检测技术领域，具体涉及一种基于SCA-GANomaly模型的高铁接触网零部件故障检测方法。

背景技术

我国的高铁运营里程逐年增加，其发展也正从设计建设阶段逐步向运营维护阶段过渡，高铁的快速发展和运营维护质量的逐渐提升，对目前牵引供电系统设备的安全运行提出了更高要求。高铁接触网是高铁牵引供电系统中的关键供电设施，接触网任何零部件出现故障会直接影响高速列车运行的安全，因此针对高铁接触网零部件进行故障检测有着极其重要的意义。故障检测指发现设备运行过程中产生故障的过程，然后实施相应措施进行维修保养。故障检测一直是计算机视觉领域/工业检测领域中的一个重点和难点。目前，我国高铁接触网故障检测依旧以人工检测为主，但人工检测检测周期长，工作量大，检查员容易产生视觉疲劳，进而导致漏检和错检。

为了缓解人工检测的压力，研究者采用一些智能算法解决高铁接触网故障检测问题。首先学者们提出使用基于人工特征的传统图像处理技术实现接触网零部件故障检测，在理论和工程实践中取得了不错的成果。但传统图像处理技术设计人工特征过程复杂，很难保证人工设计的特征都满足实际需求。而且往往不同零部件特征存在差异，导致不同零部件需要设计不同的特征，这也很大程度上增加了传统图像处理技术的时间成本。相比之下，近年提出的深度卷积神经网络不需要手动设计特征，网络会隐式的自动学习图像内在特征，并且这些特征针对不同高铁接触网零部件往往是通用的，这增强了网络的泛化能力，同时缩短了高铁接触网零部件故障检测时间。但是深度卷积神经网络需要大量的数据支撑才能获得较好效果，然而高铁接触网故障检测任务中故障样本数据极少，很难满足深度卷积神经网络训练需求。因此，如何在高铁接触网故障数据稀少的情况下实现对其零部件的故障检测是深度学习的一个重难点，也是今后探索高铁接触网故障检测问题的一个重要方向。

目前，GANomaly是在故障检测领域最有效的方法之一，其直接利用正常样本数据训练，学习正常样本数据分布，测试时根据输入输出的差异判断是否存在故障。针对“高铁接触网零部件故障样本少、故障状态难以提前预测”，这一棘手难题，相比于典型图像处理技术和深度卷积神经网络，GANomaly的优势十分明显。然而，GANomaly网络常常会存在生成器重建图像不适度且训练不稳定的情况，导致网络训练效果不理想，进而影响高铁接触网零部件故障检测准确率。

中国专利文献CN106340019A公开了一种高铁接触网斜拉线固定钩不良状态检测方法。该方法虽然能够对高铁接触网斜拉线固定钩部件的状态进行检测，给出客观、真实、准确的检测分析结果，但是其手动设计特征的过程复杂且只对单一故障有效，泛化能力差。

中国专利文献CN114202540A公开了一种基于深度学习的高铁接触网开口销缺陷的智能检测方法。该方法虽然实现了高铁接触网开口销缺陷识别检测，但对故障样本的数量依赖大。工程实践中往往很难获取充足的故障样本，故障样本不足会导致网络模型训练不充分，进而导致故障检测精度低。

中国专利文献CN112184654A公开了基于GANomaly的高压线路绝缘子故障检测方法。该方法虽然解决了绝缘子故障数据少的问题，但是网络图像故障重建能力过强，测试过程故障区域容易被完全重建，使得故障绝缘子和正常绝缘子异常分数差异小，测试时难以区分正常绝缘子和异常绝缘子。此外，该网络训练不稳定，容易出现梯度爆炸、模式崩溃等现象。