高铁接触网数智化诊断系统 助推数字中国建设

随着云计算、物联网、移动通信、大数据、AI等技术发展，国家数字化已成为全球发展趋势。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要（草案）》提出，迎接数字时代，激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革。党的二十大报告明确指出“加快建设数字中国”。

高铁作为国家自主创新的“国家名片”是现代化交通运输的重要标志，也是衡量国家数字化建设水平的标志之一，在促进经济发展、助力产业结构升级、改善人们生活等方面起着至关重要的作用。高铁接触网是高铁供电系统的核心部分，其健康状态直接影响高铁运行的可靠性、安全性。然而，接触网结构复杂，加之受野外环境的影响，隐患不断、故障频发，甚至导致发生灾难性后果。高铁接触网的周期性维护、故障事后维护难以有效保障高铁的安全运行，因此，高铁接触网运维的“数字化升级改造”“预测性维护”“全生命周期管理”等已成为高铁安全、可靠运行的基础保障。

高铁接触网健康状态诊断一直是学术界和工业界关注的热点，特别是对高铁接触网的零部件状态评估，如，牛英杰等针对接触网U形抱箍螺母故障提出HND-NET目标检测算法，实现故障定位及故障检测。张学武等则针对高铁接触网吊弦断裂和松弛故障，构建LSTM网络模型。康高强等针对高速铁路接触网支撑装置中旋转双耳开口销钉缺失故障检测的问题，提出基于深度卷积神经网络和集成学习的故障检测方法。张珹等针对接触网紧固件异常，首先利用基于注意力机制改进的Faster R-CNN算法，准确地实现各种紧固件的识别与定位，然后利用全卷积孪生网络实现接触网异常检测，实现了5种紧固件异常的精准检测。王健等针对高铁接触网紧固件开口销缺失、松脱和安装不规范等现象，提出基于图像识别理论的开口销故障等级划分方案和基于机器学习的开口销分类方法。游诚曦提出基于目标检测定位和像素点统计的定位管斜拉线不受力故障检测方法，刘凯等针对高速铁路接触网支撑结构中承力索底座裂纹的问题，提出加速区域卷积神经网络与Beamlet变换相结合的图像检测方法。这些方法对于接触网部分结构能够较好地检测其故障，但都集中于局部工作，尚不能从全局解决出现的故障问题。

为了从全局保障高铁供电安全性、可靠性，铁路供电系统检修已经从单纯人工巡检、简单工具巡检，进入到以供电安全检测监测系统（即6C）为核心装置的机械化巡检。其中，接触网悬挂状态检测监测装置（即4C）是6C系统的重要组成部分，主要用于对接触网悬挂系统的零部件实施高精度成像检测，并通过人工分析图像信息诊断接触网健康状态，指导接触网维护。然而，面对海量的图像数据，传统的仅依靠人工分析方式，效率低、差异大、漏检高。为此，我们以深度学习为主体，结合工业算法、知识图谱等技术构造了数字化高铁接触网智能诊断系统，该系统实现了高铁接触网可视化监控、故障定位分类、故障预警等数字化革新，为数字中国建设做出了积极贡献，为国有大中型企业助力数字中国建设提供了新思路。

高精度检出                                          1300余种零部件隐患缺陷

为解决高铁接触网检测面临的人工分析效率低、差异大、漏检高等现实问题，开发了基于人工智能技术的“4C智能诊断系统”。该系统利用人机协同的模式，包括数据导入、人工智能分析、分析结果、人工审核、缺陷复审、构造缺陷库、自动报告生成等。

针对4C检测中接触网缺陷种类正样本少、负样本多的特点，从不同维度共同研判设备隐患缺陷，融合多种算法及技术。将“基于深度学习的人工智能技术”“各类工业算法在接触网上的应用”“基于人工智能和工业算法的知识图谱技术”“零部件状态预测技术”“基于分析任务的学习强化”等多项技术相融合，组成算法仓，优化诊断算法，最终实现了1300余种接触网零部件隐患缺陷的高精度检出。

·基于深度学习的接触网故障诊断

对600余种接触网零部件进行深度学习，零部件识别准确率整体超过99%，为算法仓提供底层数据支撑。对1300余种接触网隐患缺陷进行深度学习，采用了十余种不同的学习策略，实现了500余种典型接触网隐患缺陷的精确识别，整体识别率超过95%，实现了300余种隐患缺陷的一般识别，在允许较大误报的情况下，整体识别率60%左右。

·基于多级筛选的接触网故障诊断算法

对于人工智能无法直接学习的隐患缺陷和整体识别率较低的800余种隐患缺陷，提出人工智能和“多级筛选”算法结合。如针对吊弦硬弯，首先利用深度学习检测吊弦和硬弯，将硬弯和吊弦关联减少误报，这一步的检出可在80%左右；其次，对吊弦，用自适应二值化、目标分割等缺陷检测技术，检出偏离幅度很小的硬弯。接着，对于前两部步没有检出吊弦的缺陷再进行整体学习，在保持低误报的前提下进行补充。通过上述方式，将各类结果加权叠加，实现了检出率99.9%。

·基于人工智能和工业算法的知识图谱技术

为了适配各不同高铁，定义了接触网零部件的知识图谱，采用了知识图谱自学习技术，通过对海量图片中零部件的抓取，根据通用图谱自动整理每一类图片的零部件逻辑关系，得到该高铁的定制知识图谱。通过定制知识图谱，不但可以准确得到设备缺失信息，而且当零部件出现人工智能没有学习过的状态改变时，会以关联设备未找到的形式体现出来。利用该技术，将零部件缺失类检出从低于20%提升到90%以上，将未学习缺陷检出类型从60%提升到80%以上。

·零部件状态预测技术

高铁接触网零部件的工作状态从标准状态到非标状态的转化，其运行特征必定通过一个或多个特征参数表现出来，对同一零部件的不同时期状态进行综合分析，判定其变化趋势，总结变化规律，在零部件转化为非标状态之前及时处理，达到设备状态修的目的。

·基于分析任务的学习强化缺陷种类标定技术

京沪高铁单一制式兼容至全国高铁各类型过程中，上千种新的隐患缺陷类型、接触网零部件类型需学习标注。如果重新人工标注，工作量巨大，且每次新增制式就得重新标注训练。为此，建立了工作反馈标注系统。4C智能诊断系统检出缺陷后，人工会对其发现的缺陷隐患进行复核：将非缺陷标记为正常，将隐患缺陷确认为缺陷并校准其种类，将少量智能未发现的缺陷补录至系统。4C智能诊断系统会自动抽取这些缺陷种类，提供给算法研究员用于学习强化训练。

应用于京沪高铁等20余条高铁

所构建的高铁接触网数智化诊断系统融入了30余种工业算法的高效算法仓，针对无缺陷样本数据，采用练兵场方式模拟故障进行机器学习，针对不同缺陷设计不同的检出方案。目前，该系统已经在京沪高铁等20余条高铁上应用，可识别缺陷已涵盖不同高铁制式514类接触网零部件，2160类缺陷种类，并按照安全影响严重程度进行分级。

·在京沪高铁的应用

2020年12月，利用高铁接触网数智化诊断系统发现京沪高铁承力索断丝缺陷。追溯前6个季度的4C数据，发现自2019年2季度始，缺陷一直存在。2021年以来，京沪高铁正式采用智能分析3/4，人工分析1/4的方式进行4C检测分析。通过常态化智能分析，发现了大量之前遗漏的缺陷。

·其他高铁应用

为了验证智能分析效果，对比分析了14条高铁线路累计9230公里4C数据，智能分析发现缺陷26914个，设备维护单位确认需要整改缺陷21152个，设备维护单位人工分析发现缺陷6050个，智能分析识别缺陷数量是人工分析的3.5倍。以最新700公里的某高铁线路4C智能诊断为例，分析之前通过对该改线路进行适配性调整，量身定做精细化零部件检测方案，最终智能识别缺陷1207个，经设备管理单位确认后其中498个缺陷需要现场处理。设备管理单位反馈的人工分析发现缺陷65个，缺陷检出比达8:1。

·智能诊断效果分析

截至目前，4C智能诊断系统已累计分析20余条高铁，共计3.8万公里，7.9亿个零部件。累计发现和迭代缺陷11万个，反哺修正算法570余万次。海量数据让人工智能越用越智能。一是分析质量显著提升。4C智能诊断系统零部件检出覆盖较全面，筛除掉99%的正常零部件以后，由人工和系统对剩余1%的零部件进行协同分析，降低作业人员劳动强度，提升整体分析质量。智能分析系统较人工，检出缺陷数量提高了3~8倍。精准的缺陷识别也为实现精准维修提供了必备条件。二是分析效率显著提升。智能分析系统的分析效率为50公里/人天，较人工的2.5公里/人天，效率提升20倍，分析周期由原来的20天提升到3天以内。对于特殊情况下的专项缺陷排查，4C智能诊断系统可精准提取出需排查的零部件，实现快速排查。比如补偿装置、电连接、鸟窝、异物等专项检查（如图4所示），系统可以迅速反馈结果。三是加大检频慎修有据。缩短检测周期能够及时发现现场缺陷。如吊弦的断股类缺陷，从断股到折断发展过程很快。此类劣化速度较快的缺陷，对检测和分析周期有着较高要求。

促进中国高铁数智化升级

数字中国建设已拉开帷幕，现代化、数字化、智能化是高铁运维发展的方向。在数字中国建设背景下，高铁运维系统4C智能诊断系统是高铁“数字化升级改造”“预测性维护”“全生命周期管理”的成功典范，具有较强的推广价值。该系统发现隐患和缺陷提升了3-8倍；促进铁路运维从“周期修”向“状态修”转变；有力推进高铁数智化运营，促进中国高铁数智化升级；相较于传统的人工维护的方法，智能分析系统避免了很多会导致诊断错误的因素，可连续、高准确率实现复杂故障诊断；突破了传统方法对标注数据的依赖，为数智化诊断提供了良好的数据基础。

高铁智能维护是保证高铁安全可靠运行的基础，数字化的智能诊断系统未来发展尚需在数据深度挖掘、融入新技术等方面进一步加强研究。

数据深度挖掘助力状态维修。通过人工智能分析多维度信息，建立多组数据之间的关联，将图片上的每一个零部件精确定位到现场具体的杆号、部位。采用人机协同的方式，将人的智慧与人工智能的多维度分析有机结合起来，实现每个零部件的历史追溯，研究缺陷的演变过程，总结零部件的变化趋势，为实现状态维修提供更多基础数据。

融合新技术的高铁数智化运维发展。人工智能与检测手段相辅相成、相互促进。分析效率的提升为缩短检测周期提供了可能。分析能力的提升，也将进一步促进检测设备的升级，如3D技术、深景相机等新技术的应用。新技术的应用，又将进一步扩充检测对象，检测覆盖更多零部件。更短的周期、更全面的检测，将为趋势分析提供更多数据，为状态维修提供更有利支撑。

（作者单位：中铁电气化局集团有限公司）