本发明涉及高铁接触网支持装置零部件检测领域，尤其涉及一种基于卷积神经网络的高铁接触网支撑装置紧固件故障诊断等领域。
背景技术：
弓网系统是电气化铁路系统中关键的组成部分，承担将牵引网中的电能输送给电力机车的重要工作；由于受电弓与接触网装置之间存在复杂的力学、电气交互影响，在电气化铁道的各种设备故障中，接触网故障所占比例大，严重影响电气化铁路的安全工作；同时接触网故障分布范围广，检测难度大；传统的接触网支撑悬挂装置检测依靠人工检测，这些方式虽然能保证一定准确性，但效率低、工作量大且易受检修人员的主观影响；随着高速铁路的快速发展和运营质量的逐渐提升，接触网系统必须满足动车组“高速度、高密度、高可靠性”的运行要求；先进的检测技术能提高牵引供电系统维修质量和效率，是实现电气化铁路状态检测和状态维修的重要手段，因此有必要研究自动检测方法；为确保高速铁路动车组运营秩序，提高其供电安全性、可靠性，满足高速铁路快速发展和运营品质的需求，原铁道部发布了自2012年实施《高速铁路供电安全检测监测系统(6c系统)总体技术规范》的通知；根据该规范对接触网悬挂状态检测(4c部分)的要求，接触网检测系统应当具有利用高速相机实现高速接触网的腕臂结构与零部件的定位检测和接触网的静态几何参数测量的等基本功能。
今年我国有19台高铁接触网4c检测车投入测试，这标志着我国的4c成像技术已经进入了批量化生产；目前，4c装置现状是，对于4c装置获取的海量图像，依赖人工判图识别故障、缺陷与隐患；这种人工海量判图识别的方式，不可避免会产生视觉疲劳，容易造成漏判；而且从采集获得图像到给出判图识别结果的判识周期长，影响故障的及时维修处理，在此过程中故障可能进一步发展成事故，甚至带来重大损失与不利影响。
高铁接触网支撑及悬挂结构中涉及46种零部件的检测，其中大量的故障来源于高速运行时强烈震动导致的紧固件松脱、脱落等；紧固件是微小零部件，数量繁多；摄像机拍摄时，会有一定的光照和角度的影响；目前采用数字图像处理的方法对某些单一零部件的检测已经能够实现，但其效率与正确率仍有较大提升空间；由于紧固件数量与种类众多，需提出一个鲁棒性强的模型，可以检测多种紧固件的多种工作状态；深度学习方法应用遍及人工智能各个领域，对于不同环境复杂背景下的分类有着良好的效果。对于紧固件等易受到环境影响的微小目标，采用基于卷积神经网络的分类模型，判定其工作状态。
技术实现要素：
本发明的目的在于提供一种可减少人工识别的巨大工作量，实现现场图像的自动分析，具有较高识别准确性的基于深度学习的高铁接触网支持装置紧固件故障诊断方法。
本发明采用的技术方案是：基于深度学习的高铁接触网支持装置紧固件故障诊断方法，包括以下步骤：
步骤1：获取高铁接触网紧固件图像；
步骤2：对步骤1获取的图像进行分类，形成紧固件的样本库；
步骤3：搭建基于的alexnet的卷积神经网络结构，用步骤2中的样本库训练形成紧固件模型；
步骤4：将需测试的图片输入步骤3中的紧固件模型，根据输出结果判断工作状态，完成故障诊断。
进一步的，所述步骤3中基于alexnet的卷积神经网络结构包括五个可共享的卷积层和两个全连接层。
进一步的，所述步骤3样本库训练过程如下：
s1：将训练样本缩放后输入卷积神经网络；
s2：卷积神经网络输出的是输入图片的每个类别标签的置信度，选取最大置信度的标签作为该输入图片的预测结果。
进一步的，所述步骤3样本库训练过程中计算目标类别的概率并采用交叉熵函数计算目标分类的损失，采用梯度下降的方法，更新权值至收敛。
进一步的，所述步骤3样本库训练过程中学习率为0.001。
进一步的，所述步骤3样本库训练过程中动量为0.1，采用50％的概率在神经网络训练中丢弃神经网络单元，防止过拟合。
本发明的有益效果是：
(1)本发明通过训练基于深度卷积神经网络的图片分类模型，对待检测坚固件图像进行特征学习和分类，实现工作状态的判定可减少人工识别的工作量；
(2)本发明可实现图像的自动分析，可对多种接触网紧固件的多种工作状态进行识别分类，具有较高的识别准确性。
附图说明
图1为接触网紧固件三种工作状态。
图2为alexnet网络结构图。
图3为一组高铁接触网紧固件检测结果图。
具体实施方式
下面结合附图对本发明的实施方式作进一步的详述。
使用时，首先获取高铁接触网紧固件图像后，对获取的紧固件图像按照工作状态进行分类形成紧固件的样本库；然后，搭建基于文献[1]中的alexnet的卷积神经网络结构，用步骤2中的样本库训练形成紧固件模型；标记六类高铁接触网紧固件作为训练样本库，其中α销钉，β销钉，a类螺钉，螺栓有正常工作、脱落和疑似脱落三种状态；b类螺钉和大螺母由于拍摄角度只能判定正常和脱落两种状态；样本库共计16种标签，每种状态标记35张，共计560张图像，样本库的内容是标记图片所属的类别；用共享的卷积层和全连接层学习特征，不同于传统的手工设计提取特征；通过用网络学习到的权值作为特征提取模型，具有更强的鲁棒性和适应性；采用交叉熵函数softmax损失函数计算损失值，模型可实现多标签的分类；完成16类不同紧固件不同故障状态的分类，与支持向量机等二分类模型更有普适性；基于alexnet的卷积神经网络结构采用alexnet的模型，共有5个可共享的卷积层和2个全连接层；将训练样本输入alexnet网络，完成模型的训练；将所有的训练样本缩放到大小为70×70的图片作为输入，由于故障样本数量有限，为平衡各类别输入样本，正常工作样本数量被减少到和故障样本一致，每一类样本35张；训练过程中采用0.001的学习率，为防止得到局部最小值，设置动量momentum为0.1，并采用dropout0.5防止过拟合；基于alexnet的卷积神经网络的输出是输入图片属于16个标签的置信度；选取最大置信度的标签作为该输入图片的预测结果；训练过程中计算每个类别的损失值，采用梯度下降的方法，更新模型的权值至收敛；将需测试的图片输入步骤3中的紧固件模型，根据输出结果判断工作状态，完成故障诊断；输入六类零部件的测试样本，共计300张，用训练好的模型判定其工作状态，验证模型的准确性。
图1为高铁接触网支持装置紧固件图像，手工标记其类别，构建样本库；其中α销钉，β销钉，a类螺钉，螺栓有正常工作，脱落和疑似脱落三种状态；b类螺钉和大螺母由于拍摄角度，只能判定正常和脱落两种状态；样本库共计16种标签；紧固件尺度小，数量种类众多，且接触网图像在夜间拍摄时，容易受到光斑，拍摄角度等的干扰；需要训练一个鲁棒性强的模型，完成16种标签的分类。
本发明采用以alexnet作为分类网络，如图2所示；训练阶段采用交叉熵函数softmax损失函数计算目标分类的损失，结合随机梯度下降等方法，完成训练。
测试阶段，将待检测紧固件图像输入训练得到的模型，模型输出每一张图片所属每个标签的置信度，选取最高置信度的标签作为输出结果；一组检测结果如图3所示；输出包括输入图片所属标签及类别，及其置信度。
专用综合列检车在一定运行速度下，对高速铁路接触网支撑及悬挂装置进行成像；对采集的图像进行筛选，构建关于紧固件的样本库；样本库中将紧固件标记为三类，分别为正常，故障，疑似故障状态；搭建基于alexnet的卷积神经网络结构；用构建的样本库训练分类网络；输入测试图片到cnn网络中，完成紧固件三种工作状态的判定；
本发明通过训练基于深度卷积神经网络的图片分类模型，对待检测坚固件图像进行特征学习和分类，实现工作状态的判定可减少人工识别的工作量；可实现图像的自动分析，可对多种接触网紧固件的多种工作状态进行识别分类，具有较高的识别准确性。
[1]a.krizhevsky,i.sutskever,g.e.hinton,“imagenetclassificationwithdeepconvolutionalneuralnetworks,”advancesinneuralinformationprocessingsystems,vol.25,no.2,dec.2012。