-
摘要: 在目标的动态背景中存在有利于目标跟踪的信息.使用辅助目标来描述目标的动态背景，在跟踪目标的同时建立辅助目标与目标之间的运动依赖关系.用多个辅助目标预测目标的位置，将辅助目标预测结果与目标跟踪器预测结果融合得到目标位置.方法包括，利用辅助目标与目标之间的运动依赖关系和辅助目标自身跟踪精度的辅助目标选择方法；使用多个低精度辅助目标跟踪器获得良好的目标预测结果的辅助目标跟踪和目标预测方法；以及根据目标跟踪结果更新辅助目标跟踪参数的方法.辅助目标具有多样性和独立性.基于辅助目标的目标跟踪方法可以与其他目标跟踪器结合，具有推广泛化能力.实验结果表明，辅助目标在目标跟踪中发挥重要作用，与其他目标跟踪方法对比结果表明，有更好的鲁棒性和目标跟踪精度.Abstract: The dynamic background of images contains effective information that is favorable for object tracking. This paper uses auxiliary objects describing the target background. Motion dependencies between auxiliary objects and target itself are established first. Then the tracking of auxiliary objects by trackers with relative lower precisions predicts the target position. The position results predicted by auxiliary objects and by the basic tracker are fused to get a better result. Meanwhile, parameters updating is done according to the tracking result. Extensive experimental results show that auxiliary objects are effective for tracking the target. Comparison with other trackers proves the method's better robustness and precision.
-
Key words:
- Object tracking /
- dynamic background /
- auxiliary objects /
- trackers fusion
-
自1964年世界上第一个高速铁路系统(日本新干线)诞生以来, 高速铁路快速发展并取得了举世瞩目的成就[1-2].目前, 世界上有多个国家具备高速铁路系统, 例如中国的CRH、德国的ICE、法国的TGV以及日本的新干线等.作为高速铁路系统的核心组成部分, 高速列车是一个大型、复杂的工程系统, 且与旅客的人身、财产安全息息相关.毋庸置疑, 安全性是高速列车运营的第一要务.在高速列车运行过程中, 任何微小或潜在的故障和隐患若不能被及时诊断和有效处理, 都有可能引发连锁反应造成事故, 甚至酿成灾难性后果.历史上国内外发生的高速列车安全事故[3-4] (见图 1)均造成了重大的人员伤亡与经济损失, 并带来了恶劣的社会影响[5].在我国, 虽然高速列车运营过程中极少出现大规模伤亡事件, 但因为各种事故造成的列车紧急停车、晚点时有发生[6].排除非技术方面(诸如人为操作失误及自然条件恶劣等因素)的原因, 造成高速列车事故的主要原因是系统设备存在安全隐患且安全监控机制不完备.切实提高高速列车系统设备运行可靠性对进一步提高列车安全性具有非常重要的意义, 并为下一代智能高速列车建设奠定理论和技术基础.
故障诊断技术为增强系统可靠性、降低事故风险, 从而进一步提高高速列车运行安全性提供了重要的理论和技术支撑[7-10].在过去的几十年, 故障诊断技术取得了长足发展, 并在诸如航空航天、流程工业、机器人、交通等多个领域获得成功应用[9-13].传统的分类思想一般将故障诊断方法划分为基于解析模型的方法、基于信号处理/数据的方法和基于知识的方法三大类[8-9, 14].基于解析模型的方法发展较早且技术成熟, 适用于被监控对象数学模型精确已知的情形[11].相比之下, 基于数据和知识的方法无需已知系统的精确模型, 分别适用于大量历史数据可得和系统知识及专家经验已知的情形[14-15]. Dai等[16]从数据驱动的角度对上述三类故障诊断方法进行了分析与对比, 指出这些方法的不同之处在于如何处理数据以及如何发掘和利用隐藏在数据背后的有用信息.考虑到新的故障诊断方法层出不穷, 文献[10]从一个新的角度对现有方法进行了重新分类, 将其整体上分为定性分析方法和定量分析方法两大类.其中, 定性分析方法包括图论方法、专家系统和定性仿真方法; 定量分析方法包括基于解析模型的方法和数据驱动的方法.不同类别的方法各有千秋, 具体采用哪种方法或哪些方法的组合需要针对实际被监控对象, 在充分发掘对象特性与知识的基础上, 充分利用可以获得的对象信息(模型或数据), 选择合适的方法更好地实现故障诊断任务, 提高系统可靠性与安全性.
针对高速列车的故障诊断研究, 国内的研究机构主要集中在交通院校以及铁路相关部门, 例如北京交通大学、西南交通大学、中南大学、中国铁道科学研究院、中国中车青岛四方车辆研究所等.此外, 以国家自然科学基金委2015年启动的重大项目"高速列车信息控制系统实时故障诊断与应用验证"为契机, 国内高校如清华大学、南京航空航天大学以及东北大学的故障诊断研究小组也开展了大量的相关研究工作.国外的研究机构也是集中在铁路相关的高校及高科技公司, 例如德国的西门子公司、法国的法维莱公司等.
本文主要针对高速列车信息控制系统, 回顾近年来国内外故障诊断技术的发展现状.高速列车信息控制系统是集软硬件技术为一体, 基于机械、电子、电气、通信以及自动化技术, 用以实现传感、通信、运算、控制、监测、诊断以及客运服务等功能, 从而保障列车安全、稳定、高效运行的系统的总称.它是高速列车安全运行的关键, 主要包括牵引传动控制系统、制动控制系统、列车运行控制系统和列车网络系统.其中, 牵引、列控和网络系统分别被喻为高速列车的心脏、大脑和神经; 制动控制系统在列车安全运行中的重要地位更是不言而喻.然而, 这些关键系统也是高速列车故障的主要来源之一.因此, 对高速列车信息控制系统实时监控与故障诊断具有重要意义.此外, 本文简要介绍了本课题组在高速列车制动系统故障诊断方面的一些工作.最后, 探讨了高速列车故障诊断研究中亟待解决的问题以及未来可能的研究方向.
1. 研究现状及主要成果
1.1 牵引传动控制系统故障诊断
目前, 高速列车几乎都采用现代交流传动系统, 将高压输电线上的单相交流电经一系列转换变成电压、电流和频率均可控的三相交流电供给三相异步牵引电动机, 电动机的输出经传动装置转换为车轮的牵引力和线速度[17].高速列车牵引系统的主要组成单元包括受电弓、主断路器、牵引变压器、变流器、牵引电机、齿轮箱和管理控制单元.文献[18]根据牵引系统的结构特点建立产品结构树, 分类统计了动车组在运行过程中牵引系统发生的各种故障, 并分析了导致故障的原因, 为动车组库检和维修提供参考.下文将分别简要概述受电弓、牵引变压器、变流器, 以及牵引电机与齿轮箱系统的故障诊断研究现状.
高速列车运行过程中要求受电弓和接触悬线保持良好的接触状态.针对接触网-受电弓系统(简称弓网系统), 文献[19]提出一种条件监控和故障诊断方法, 该方法通过分析受电弓与接触悬线之间的接触点来判断受电弓上的疲惫点, 进而完成故障预警.考虑到弓网系统受扰动以及接触悬线振荡引起接触力丢失的情形, 文献[20]提出一种基于计算机视觉的方法用于控制弓网之间的接触力.为了避免接触力丢失导致电弧故障, 该方法采用边缘检测和霍夫变换算法来检测受电弓的高度, 并将测量值输送给控制算法以便实时调整受电弓高度, 保证受电弓和接触网的有效接触.
针对高速列车牵引变压器铁芯多点接地故障, 文献[21]提出一种包含结构设计、硬件组成和软件算法的解决方案, 在工业PC机上得以实现, 并通过现场测试验证了方案在检测变压器铁芯多点接地早期故障方面的有效性.文献[22]针对V/x型牵引变压器差动保护中的故障辨识问题, 提出一种基于固有模态函数能量熵和关联维相结合的混合算法, 可以快速准确地辨识出变压器的内部短路故障.文献[23]将核主成分分析(Kernel principal component analysis, KPCA)与随机森林(Random forest, RF)方法相结合用于高速列车牵引变压器故障诊断.利用KPCA提取故障特性, 进而利用RF进行故障分类, 仿真结果表明所提方法具有更高准确率和抗干扰性.针对牵引变压器外部故障和内部故障诊断问题, 文献[24]提出一种基于模型和模糊Petri网融合的新方法, 并以武广高速三相V/x接线牵引变压器故障数据为实例进行了分析, 验证了所提方法的可行性和有效性.
作为牵引传动系统中的重要部件, 变流器的性能也直接影响着列车运行效率与安全.通常, 变流器由整流器、直流平滑电路和逆变器三部分组成.文献[25]列举了武汉铁路局自2007年高铁正式投入运行以来, CRH2型动车组牵引变流器运用故障统计, 主要包括由于网压原因以及运用保养问题导致的变流器故障、整流模块故障、传感器故障等.文献[26-27]针对变流器系统故障诊断问题, 基于小波分析提取故障特征, 进而利用神经网络或支持向量机(Support vector machine, SVM)进行故障分类.绝缘栅双极型晶体管(Insulated gate bipolar transistor, IGBT)作为牵引变流器的核心功率器件, 其故障诊断问题得到了学者的广泛关注[28-32].文献[28]利用符号有向图分析了高速列车牵引系统中IGBT故障的传播机制.文献[29]提出一种频域分析方法用于整流器IGBT的故障诊断, 其中频域信号来源于整流器输入电流的傅里叶变换.针对整流器IGBT开关管开路故障, 文献[30]提出一种基于混合逻辑动态模型和残差评价的诊断方法, 该方法可以在毫秒级时间内定位发生故障的开关管, 从而有效避免灾难性后果发生.针对逆变器故障诊断问题, 文献[31]提出基于小波熵的逆变器开路故障诊断方法, 并对比分析了五种不同形式熵的性能.针对同样问题, 文献[32]以中国CRH2型动车组逆变器为研究对象, 对三电平逆变器进行逻辑参数建模, 进而采用基于模型的诊断方法实现逆变器功率管开路故障的有效诊断.在电流/电压传感器故障诊断与容错控制方面, 也取得了一些研究成果[33-35].文献[33]针对单相脉宽调制整流器控制电路, 采用插入线性修正项的滑膜观测器方法, 提出一种快速、鲁棒的网侧电流传感器和直流侧电压传感器故障诊断与容错控制方案.针对三相电压源型逆变器, 文献[34]通过分析负载电流, 提出一种电流传感器诊断和容错控制方法.文献[35]针对一类带有观测不匹配不确定性的非线性系统, 提出一种基于滑膜观测器的微小传感器故障检测方法, 并将该方法应用于高速列车牵引系统仿真中.此外, 文献[36]针对变流器的直流电路部分, 采用陷波滤波器开展了针对电感器件短路故障的诊断与容错控制研究.
牵引电机将变流器输出的电能转换为动能, 进而由齿轮箱调速后输出给车轮, 二者在高速列车牵引传动系统中具有重要地位.针对高速列车异步牵引电机速度和转矩故障诊断与容错控制问题, 文献[37-38]提出一种基于观测器的方法对速度传感器和转矩传动系统进行监控.当速度传感器发生故障时, 控制系统可切换到无速度传感器模式; 当转矩传动系统发生故障时, 对异步电机的转矩输出采取限制, 同时基于诊断结果为齿轮箱装置提供维护维修信息, 并将所提方法在高速列车1.2 MW异步电机仿真测试平台上进行了验证.文献[39]通过分析异步电机相电流旁带特性为转子断条故障提供诊断信息.针对非线性系统, 文献[40-41]分别提出微小执行器和多重微小传感器故障的诊断方法, 并将提出方法应用于CRH2型高速列车牵引电机仿真上.针对连接电机和齿轮箱的万向轴动不平衡检测问题, 也有部分研究成果得以报道[42-44].针对齿轮箱故障诊断问题, 文献[45]利用集成经验模态分解(Ensemble empirical mode decomposition, EEMD)和局部线性嵌入提取齿轮振动信号的关键特征, 进而利用分类工具SVM实现故障诊断.文献[46]利用广义同余神经网络对高速列车齿轮箱进行故障诊断, 文献[47]对齿轮箱实施振动和动态应力试验并分析故障诊断结果.文献[48]提出一种半监督分层聚类融合方法, 并将该方法用于高速列车走行装置故障诊断.文献[49]对几种用于齿轮故障检测的振动信号分析方法进行了概述和对比, 并得到相关结论以便实践者选择合适的检测方法.
1.2 制动控制系统故障诊断
高速列车的制动方式分为电制动、空气制动和非粘着制动三大类[50], 其中电制动又分为电阻制动和再生制动, 空气制动分为轴盘制动和轮盘制动, 非粘着制动包括涡轮制动、磁轨制动和风阻制动等.电制动由列车牵引系统在牵引控制单元的控制下完成.非粘着制动方式属于新兴制动方式, 有些技术尚未成熟.空气制动对机械设备的可靠性要求较高, 须保证在列车其他制动方式失效的情况下, 完成规定的制动任务以保证列车安全, 因而空气制动又称为基础制动.事实上, 这里所说的空气制动严格来讲是指电控空气制动, 简称电空制动, 它是在传统空气制动机的基础上, 通过在每辆车上加装电磁阀等电气控制部件而形成[51].电空制动方式也是目前国内外高速列车广泛采用的制动形式, 后文中不加特殊说明, 仍然用空气制动指代电空制动.虽然电制动具有诸多优势, 例如节能和精确控制制动力, 但目前空气制动仍然是高速列车必不可少的制动方式.本文主要涉及空气制动控制系统故障诊断技术的研究现状.
相比传统控制系统的故障诊断, 有关高速列车制动控制系统故障诊断的理论研究成果较少.主要原因包括两个方面: 1)制动控制系统设计时遵循故障导向安全原则[52], 且制动能力有冗余, 在发生故障时可以切除部分系统功能或降级运行, 车辆回库后进行离线检修并查找故障原因.因而, 现有的故障诊断策略大都采用简单的阈值比较, 搭配相应的判断逻辑, 进行简单故障的诊断. 2)动车组制动系统是发展动车组的核心技术, 在我国引进、吸收国外技术并进行自主创新的过程中, 制动系统故障诊断技术在不断提高, 但出于技术保密国外公司不会透露复杂的故障诊断逻辑.现有文献中, 几乎未见国外高速列车制动控制系统故障诊断技术的相关报道.在中国, 高速列车发展迅速, 制动系统控制与诊断技术也取得了长足的发展.很大部分的制动控制系统故障诊断技术掌握在轨道交通领域一线的研发、设计和运营维护工程师人员手中.文献[53]对2008年上半年沈阳铁路局开行的CRH5型动车组途中发生的制动故障进行了分析, 并针对不同故障类型提出了处理建议.文献[54]从高速动车组制动系统的设计原理出发, 阐述了制动系统故障诊断与安全措施的设计理念及实现方法.文献[55]介绍了动车组制动系统的故障诊断体系, 包括故障数据提取与分析技术, 故障模拟技术, 以及针对疑难复杂故障通过结合制动试验平台进行故障再现与分析的技术.文献[56]对CRH3型动车组制动供风系统常见故障进行分析, 针对不同故障类型提出了应急处理方法.文献[57]对CRH380CL型高速动车组制动系统实际运用过程中高低阶压力切换故障情况和故障产生机理进行了介绍, 并提出相应的故障预防性措施.通过实例分析, 文献[58]介绍了以高速动车组制动故障自动诊断代码为着手点进行故障调查的方法和过程.
除了上述对现有高速列车制动系统故障诊断功能的概述以及在此基础上的扩展, 也有一些工作对制动系统单个部件及其子系统进行故障诊断研究.文献[59]基于制动系统人工维修方面丰富的经验, 结合传统故障诊断专家系统和神经网络的优势, 提出了基于神经网络的制动故障诊断专家系统方案.制动控制单元(Brake control unit, BCU)是高速列车制动控制系统的核心部件, 其可靠性至关重要.针对传统BCU整机测试无法定位故障回路和无法实现单板测试的不足, 文献[60]设计了一种基于虚拟仪器的电路板故障测试系统, 实现了对BCU控制器单板进行高速准确的测试, 具有一定的实用性和扩展性.文献[61]介绍了基于粗糙集理论的高速列车智能化故障诊断方法, 并以制动系统为例, 分析了该方法的可行性与实现步骤.作为不确定知识表达和推理领域较为有效的理论模型之一, 贝叶斯网络也被用于高速列车制动系统故障诊断.文献[62]以列车自动式空气制动机为研究对象, 通过分析列车部件耦合关系的依赖性, 建立基于贝叶斯网络的故障诊断模型, 并结合实例仿真验证了方法有效性.文献[63]首先分析了传统故障树和贝叶斯网络在故障诊断方面的优势与局限性, 建立了基于故障树的故障贝叶斯网络用于故障诊断.随后, 以CRH2B型动车组基础制动装置为实例, 搭建故障树并完成故障贝叶斯网络的转化, 证明了所提方法在复杂系统故障分析方面的优越性.文献[64-65]针对BCU和制动系统传感器开展了故障诊断研究.针对BCU模拟电路软故障在复杂电磁环境下的故障特征提取问题, 提出一种基于形态学滤波和小波包能量熵的故障特征提取新方法; 针对制动控制系统传感器在复杂电磁环境下的故障特征提取问题, 提出一种基于EEMD能量熵的故障提取新方法, 并利用最小二乘支持向量机(Least squares SVM, LSSVM)作为分类器进行传感器故障诊断.文献[66]考虑到实际情况中故障数据通常少于正常数据, 因而提出一种基于LSSVM的改进方法解决数据不平衡下的分类问题, 并将其应用于高速列车制动系统的故障诊断.
近两年, 本课题组在高速列车制动系统故障诊断方面也取得了部分研究成果.文献[67]公开了一种动车组制动系统传感器故障的诊断方法, 该方法首先利用EEMD提取传感器信号特征, 进而利用费舍尔判别分析实现故障分类, 有效降低了基于SVM及改进方法进行故障分类算法的复杂度.文献[68]将多元统计过程监控领域中的主元分析和重构贡献图方法应用于动车组空气制动控制系统, 实现传感器故障的检测和分离.另有部分工作[69-70]基于中国中车青岛四方车辆研究所有限公司的高速列车制动试验台(见图 2)开展故障诊断算法研究和相应的实验验证工作.该试验台为1 : 1综合机电测试系统, 对应于我国某型号动车组制动系统.试验台上安装的制动设备与实际运营动车组上的制动设备相同, 并可以完成多种制动模态/级别的测试.文献[69-70]针对动车组制动缸子系统, 提出一种新的故障检测指标和故障分离策略, 用于制动缸压力传感器故障、制动缸性能退化以及气体泄漏故障的检测与分离, 并进行了实验验证, 所提方法有效并优于当前故障诊断逻辑.文献[71]针对制动系统气制动泄漏故障的特点, 基于字典建立和稀疏表示工具提出了一种针对泄漏故障的快速检测方法.针对微小故障检测问题, 文献[72]将平滑技术引入到多元统计监控领域, 提出两种微小故障检测指标, 并将其应用于制动系统压力传感器的多重微小故障检测, 实验验证了方法的有效性.
1.3 运行控制系统故障诊断
高速列车运行控制系统, 简称列控系统, 根据列车在线路上运行的客观条件和实际情况, 对列车运行速度及制动方式等状态进行连续监督、控制和调整, 是列车的神经中枢, 可以有效地确保列车运行安全.目前, 我国运营的大部分高速列车采用的列控系统为CTCS-3 (Chinese train control system, level 3).列控系统包括地面设备和车载设备, 本文主要概述列车车载设备故障诊断的研究现状.主要研究成果分为两类: 1)利用贝叶斯网络或神经网络等工具对列控系统车载设备进行故障诊断; 2)针对高速列车位置和速度跟踪问题, 考虑执行器故障以及参数不确定性等因素, 设计故障诊断策略及容错控制方案.由于第2类研究成果与列车运行控制息息相关, 所以也将其归为列控系统故障诊断与容错控制研究范畴.
文献[73]以京沪高铁为例, 对CTCS-3列控系统在实际运用中常见故障及其处理方法进行了概述, 旨在对现场高铁信号设备的维修提供一定帮助.文献[74]提出一种多源异构数据融合策略, 进而为高铁信号系统提供智能维护决策支持, 并在武广线列控系统车载设备的维护数据上进行了验证.针对列控系统中的速度距离模块, 文献[75]利用车载GPS信息提出一种基于平行滤波的算法架构用于检测里程表故障, 进而利用不同故障模式的不同特性提出一种基于规则的诊断策略.贝叶斯网络及其改进算法被广泛应用于列控车载设备的故障诊断研究[76-79].文献[76]以故障追踪表为数据源, 建立列控系统的贝叶斯网络, 进而完成故障诊断工作.在建立贝叶斯网络结构方面, 文献[77]主张充分利用现场数据与先验知识, 并通过融合不同方法得到最优的贝叶斯网络结构.文献[78]将模糊理论和贝叶斯网络相结合, 建立了基于模糊贝叶斯决策的列控车载设备故障诊断方法.文献[79]首先基于历史故障数据构建故障诊断决策表, 并对其进行属性约简, 从而降低贝叶斯网络诊断模型的复杂度.然后, 通过对故障征兆进行文本挖掘, 找出故障征兆间潜在的关联关系, 以更新贝叶斯网络诊断模型, 提高故障诊断可靠性.此外, 基于案例推理、文本挖掘以及深度学习技术的故障诊断方法也被应用于列控系统.文献[80-81]分别介绍了案例推理技术和神经网络与案例推理相结合的方法在列控车载设备故障诊断中的应用.文献[82]以故障文本信息为依据, 基于文本挖掘对故障追踪表进行分析和特征提取, 进而利用贝叶斯网络完成故障诊断.文献[83]以车载设备的维护数据为依据, 首先提出一种融合语义特征的两级故障特征提取方法, 进而采用基于SVM的分类器和分级策略对车载设备两级故障模式进行诊断.文献[84]将当前流行的深度学习方法应用于列控系统车载设备故障诊断, 并与K近邻算法和基于BP算法的人工神经网络进行了对比.
针对高速列车速度和位移跟踪控制问题, 文献[85]首先建立列车动力学模型, 研究列车运行中牵引(制动)力与位移、速度及加速度的关系, 分析列车系统的固有特性, 进而结合控制目标建立有效的鲁棒自适应及容错牵引/制动控制策略.研究考虑了列车的运行空气阻力和轨道环境附加阻力、牵引电机/制动装置的饱和非线性特性、相邻车厢间的作用力以及可能的执行器/传感器故障.文献[86]在牵引/制动系统发生故障, 列车线性模型参数已知、线性模型部分参数未知和非线性模型三种情况下分别设计了相应的容错控制策略.文献[87]基于高速列车动力学模型提出一种牵引与执行器故障程度识别模型, 并基于此采取重构容错控制, 从而保证列车速度和位移的正常、可靠跟踪.针对类似问题, 文献[88-89]分别提出神经自适应容错控制和分布式容错控制策略.
1.4 网络及其他系统故障诊断
列车网络控制系统主要实现车辆内部和车辆之间的通信传输、协调控制以及系统诊断功能, 其主要的硬件组成包括中央控制单元、终端单元、输入/输出单元和显示器.相比上述牵引、制动和列控系统, 针对高速列车网络控制系统的故障诊断研究几乎未见系统性报道.这是因为高速列车网络系统在设计阶段就具有很高的安全性和可靠性要求, 并伴有硬件冗余[90-91].通常, 一些典型的网络测试方法可以有效地诊断列车网络系统的异常.例如, 文献[92]介绍了基于检测设备FLUKE DTX-1800的高速动车组网络通信双绞线(绞线式列车总线和多功能车辆总线)检测方法和实际生产过程中常见故障处理办法.
除了上述针对高速列车信息控制系统的故障诊断研究工作之外, 文献中报道较多的研究主要针对列车的走行部/悬挂系统.例如, 文献[93]针对列车走行部的四种模式, 即原车、抗蛇行减振器失效、空气弹簧失气和横向减振器失效, 提出一种基于排列组合熵的故障诊断方法.针对同样问题, 文献[94]提出基于EEMD和5种信息熵相结合的方法.文献[95]针对横向减振器故障信号非线性非平稳的特点, 提出基于白噪声统计特性与EEMD相结合的故障诊断算法.针对列车主动悬挂系统, 文献[96]提出一种基于模型的方法诊断执行器间歇故障, 并通过仿真结果验证了方法可行性.文献[97]提出一种基于递归最小二乘算法的状态监测策略, 并将其应用于高速列车垂直主悬挂系统故障检测.
2. 亟待解决的问题
目前, 为确保高速列车行车安全, 其信息控制系统已经具备基本的故障诊断功能以及相应的安全控制策略.除极个别的安全事故以外, 高速列车总体运行安全可靠, 是安全系数非常高的交通工具.然而, 由各种不明事故造成的高速列车紧急停车或晚点仍时有发生.此外, 故障排查与设备维护在很大程度上依赖于技术人员的经验, 有时甚至难以定位故障根源而只能更换器件以消除故障隐患.因此, 当前监控策略处理复杂类型故障的能力以及故障自动检测与定位水平仍然有待提升.下文给出了高速列车故障诊断研究中存在的几个亟待解决的问题, 并简要探讨了解决这些问题可能会采取的思路、方法或技术.
1) 现有的先进故障诊断算法没有在高速列车信息控制系统中得到充分利用.故障诊断技术发展已有40余年, 期间有大量经典、成熟的故障诊断算法得以发表.而目前高速列车各个子系统采用的故障诊断策略通常比较简单, 虽然总体上可以有效保障列车运行安全但细节上如故障定位能力尚有不足.若可以把现有的先进诊断算法成功地应用到高速列车系统中, 将有效地提高其故障诊断能力和设备维护能力.其难点在于先进的故障诊断算法通常要求被监控对象符合一些假设条件, 若实际系统不满足假设条件, 诊断算法的应用将会受到限制.为解决该问题, 通常需要降低诊断算法对系统的要求以满足实际系统的特性, 在诊断算法的最优性与实用性方面进行权衡.
2) 当前监控策略未能充分利用高速列车运维产生的大量数据.高速列车运行过程中信息控制系统需要对大量的测点及回路进行监视和控制, 每节列车上安装有成百上千个传感器, 且每日开行高速列车数量超越4 000列(截至2016年8月).因此, 每天都会有大量数据产生, 这些数据具有海量性、多样性以及数据整体价值大但密度低的大数据特征.有效地利用这些数据将有助于挖掘更多故障诊断相关信息.为实现该目的, 需要针对高速列车运维数据的特点, 研究相适应的数据建模方法, 具体的技术路线可以借鉴诸如潜变量建模理论、时间序列分析、机器学习、大数据分析与建模等技术.
3) 目前高速列车故障诊断技术针对的故障形式相对简单, 对于复杂类型故障的研究较少.例如, 间歇故障在我国高速列车技术人员中又称"活故障", 是指持续时间短, 未经处理可自行消失, 并可重复出现的非永久故障.这类故障广泛存在于实际系统却难于排查, 若不能及时诊断并加以有效处理, 可能会演变为永久故障并导致不良后果.因此, 间歇故障的复现以及有效诊断值得研究.及时准确地诊断微小故障有助于将故障扼杀在萌芽状态, 并为系统维护、维修提供有价值信息.然而, 由于幅值微小且容易被噪声淹没, 微小故障诊断具有一定挑战性.高速列车的多个子系统结构复杂, 部件众多, 容易发生复合故障.相比单一部件故障, 复合故障的诊断尤其分离任务更具挑战性.现有文献中, 已有部分研究成果用于解决上述复杂故障的诊断问题[98-99], 但其应用对象并非是高速列车信息控制系统.针对信息控制系统的间歇、微小与复合故障诊断问题, 除了可以借鉴上述研究成果, 还需要根据运维工程师的专家知识或通过大量的离线/在线测试去探究这些故障的具体表现形式与特征, 进而提出相应的有效诊断方法.
4) 闭环控制下故障传播机理分析与诊断未得到很好解决.高速列车信息控制系统具有多级闭环控制结构, 各个子系统之间密切相关, 具有复杂的能量和信息的变换与传递.这种闭环控制结构为故障传播提供了条件, 从而给闭环控制下故障诊断带来了困难.以空气制动控制系统为例, 在制动过程达到稳态后, 如果预控压力传感器发生漂移或偏差故障、闭环回路内发生气体泄漏, 或充当控制器的BCU模块的控制输出发生偏差, 都可能导致执行器—电空转换阀的继续动作, 而故障根源却不易确定.在被控对象数学模型已知的情况下, 已有研究成果针对一般线性系统报道闭环控制对故障诊断性能的影响[100].当被控对象数学模型未知且观测量较少时, 分析闭环结构给故障诊断带来的影响会更加困难.此时, 可以考虑利用系统辨识工具或数据驱动的方法[101]研究闭环下故障诊断问题.
5) 故障诊断技术的实际应用问题未得到很好解决.高速列车信息控制系统故障诊断技术的发展不仅要有抽象的理论作为支撑, 还要具体落实到实用技术上.通过调研发现, 虽然在高速列车故障诊断领域有诸多成果发表, 但大部分工作还是基于仿真模拟来验证方法有效性, 距离实际应用还有较大差距.实用诊断技术的产生需要以安全性和可靠性为大前提, 综合考虑接口实现、原系统升级、软件兼容、经济性等多方面因素, 并进行充分的方案论证与大量的实验室/真实环境测试, 以及故障诊断领域研究人员和轨道交通领域专家的共同努力.
3. 总结与展望
在过去的二十年中, 轨道交通技术在世界范围内经历了巨大变革.自2007年4月18日实施第六次大提速以来, 我国的高铁事业已经取得了卓越的发展成就, 占据了发展速度最快、集成能力最强、营运里程最长、营运速度最高以及在建规模最大等多项世界第一.高速列车的安全可靠运行是高铁事业发展的先决条件.早在2006年2月国务院发布的《国家中长期科学和技术发展规划纲要(2006~2020年)》中, 就已经将"重大产品、复杂系统和重大设施的可靠性、安全性和寿命预测技术"列为需要重点研究的前沿技术之一, 而故障诊断技术正是保障系统安全、可靠运行的核心技术之一.此外, 由发改委、交通运输部和铁路总公司于2016年正式印发的《中长期铁路网规划》也确立了我国高速铁路建设持续、快速发展的基调.高铁事业的发展需求与人们对列车安全性的极高要求给高速列车故障诊断技术带来了挑战, 同时也带来了一些新的发展机遇.基于此背景, 本文针对高速列车信息控制系统, 回顾了近年来国内外故障诊断技术的研究现状, 并指出了几个具有挑战性的问题.
展望未来, 高速列车信息控制系统故障诊断领域的研究包括以下几个方面:
1) 基于数据和知识相结合的故障诊断技术可能会成为高速列车故障诊断研究的一个发展趋势.以控制理论为基础的基于解析模型的故障诊断方法发展最早且目前最为成熟, 在被控对象数学模型已知且准确的前提下, 通常能够给出令人满意的诊断结果.然而, 高速列车是大规模复杂系统, 即使对于一个小部件, 例如空气制动系统中的电空转换阀, 也很难建立其精确的数学模型.而且, 高速列车运行环境恶劣, 通常会受到雷电、雨雪、侧风等恶劣天气, 以及振动、冲击等强干扰的影响.这样的客观条件给基于模型的故障诊断方法带来了一定限制.实际的高速列车系统都会配备大量的传感器用于关键设备及关键状态的监测或控制, 例如牵引系统中的电压/电流传感器、制动系统中的压力传感器, 这样就有大量的历史数据和实时数据可以获得.此外, 还可以从一线工程师和专家那里获得大量的经验知识, 这就为研究基于数据和知识的高速列车信息控制系统故障建模和分析方法提供了必备条件.
2) 伴随着近年来计算机技术、机器学习与数据挖掘等智能技术的快速发展, 很多新方法和新技术例如深度学习也很有可能被应用到高速列车故障诊断中.
3) 高速列车信息控制系统不但可以获取压力、电流、电压等普通传感信息, 还可以获得图像、声波等信息.若能有效地整合不同类型信息, 将有助于提高故障诊断的精度, 因此基于多源信息融合技术的故障诊断也是一个重要的研究方向.
4) 高速列车运行通常呈现出典型的"批次性"特点, 即同一列列车需要在某一特定地域区间内反复执行运输任务.因此, 借鉴针对批次工业过程的"迭代学习"思想, 设计可以利用历史运行信息和历史故障信息的诊断算法也值得深入思考.
-
图 2 用辅助目标跟踪的目标跟踪方法的框架
Fig. 2 The framework of the target tracking with auxiliary objects
图 8 Bolt2第10、180和290帧中有效辅助目标及其权值
Fig. 8 The effective auxiliary objects in frames 10, 180 and 290 of video Bolt2
图 9 实时的中心位置误差曲线(BlurBody视频1 ~ 334帧)
Fig. 9 The real-time error curves of CLE in frames 1 to 334 of BlurBody video
图 10 累计中心位置误差曲线(BlurBody视频1 ~ 334帧)
Fig. 10 The cumulative error curves of CLE in frames 1 to 334 of BlurBody video
表 1 辅助目标对跟踪速度(帧/秒)和中心位置误差(像素)的影响
Table 1 The effect of auxiliary objects number on speed (FPS) and precision (CLE)
辅助目标数量 KCFAOT PFAOT FPS CLE FPS CLE 0 178.47 329.81 1.96 11.11 1 34.5 120.17 1.85 8.38 5 16.11 7.39 1.8 7.81 10 9.75 6.58 1.62 8.18 20 5.43 7.15 1.51 8.12 40 3.167 6.79 1.25 8.42 
下载: 导出CSV
表 2 所提出方法与12种跟踪算法在50个视频下的中心位置误差阈值为20像素的平均成功率(%)和平均中心位置误差(像素)比较
Table 2 The performance of our method and 12 other trackers in 50 videos in terms of success rate (%) at 20 pixels threshold and mean center location error (pixels)
评价标准 KCFAOT KCF CT Frag DFT IVT CPF ASLA CXT KMS L1APG LOT TLD 平均成功率 76.29 68.67 35.16 38.53 34.69 48.89 53.52 61.06 56.68 42.16 51.65 44.12 53.97 平均位置误差 42.56 63.64 90.71 107.77 112.24 97.69 53.39 69.74 69.37 - 92.86 - - "-"表示有判断目标丢失
下载: 导出CSV
表 3 KCFAOT与12种跟踪方法的成功率(%)结果对比
Table 3 The overlap success rates (%) of KCFAOT and 12 other trackers
KCFAOT KCF CT Frag DFT IVT CPF ASLA CXT KMS L1APG LOT TLD Basketball 98 92 9 82 89 33 74 60 4 62 31 64 48 Biker 46 46 48 37 46 44 48 46 70 44 44 44 39 Bird1 35 7 29 7 28 3 39 22 6 31 4 21 0 BlurBody 72 58 2 27 12 2 14 1 46 38 87 10 1 BlurOwl 55 23 7 16 11 5 17 7 99 54 10 8 63 Bolt 100 99 1 14 4 2 96 2 3 34 2 90 1 Bolt2 94 2 100 45 2 3 89 2 5 61 2 59 1 BlurCar3 92 99 22 54 11 17 14 11 100 15 32 29 78 BlurCar4 91 99 3 47 43 3 12 30 100 54 99 13 11 Board 62 68 5 50 9 5 26 17 4 48 4 10 8 Boy 100 100 66 57 49 33 100 44 96 99 93 67 100 Car2 99 100 42 39 13 100 80 100 100 7 100 8 92 Car24 100 100 55 21 11 100 60 100 100 17 100 39 97 CarDark 100 100 2 55 54 71 23 100 70 63 100 63 65 CarScale 79 81 64 68 65 78 67 73 70 56 65 47 63 Couple 74 26 31 91 9 9 85 23 64 11 61 64 22 Coupon 100 100 17 21 100 100 21 100 100 37 15 28 15 Crossing 100 100 100 40 68 100 88 100 56 100 25 41 57 Crowds 100 100 1 3 100 12 3 100 100 2 100 2 59 Dancer2 96 100 93 84 100 100 77 100 100 67 100 61 100 David 100 100 82 10 31 100 23 100 100 49 81 37 66 David3 96 100 40 79 75 75 55 72 16 98 46 98 35 Deer 99 82 1 15 31 3 7 4 80 54 72 25 28 Diving 57 54 5 18 25 30 73 37 20 75 20 46 19 Dog 100 99 99 86 72 15 86 100 100 62 94 90 82 DragonBaby 53 34 22 48 12 33 49 29 72 49 22 70 18 FaceOcc1 75 78 9 98 62 65 31 53 42 54 65 26 17 Fish 91 100 87 56 86 100 12 100 100 31 5 21 40 Football 17 80 62 98 84 79 18 75 80 15 80 99 79 Freeman3 92 91 10 61 65 76 93 100 100 51 75 60 83 Girl 98 86 69 65 30 47 75 100 94 54 100 64 94 Girl2 84 7 7 16 7 8 97 38 11 80 7 79 25 Gym 84 79 27 94 23 61 95 78 63 97 2 96 85 Human3 3 1 2 2 1 1 2 1 1 2 1 2 1 Human4 52 53 20 8 20 19 30 20 11 22 19 25 15 Human5 45 27 24 4 9 28 12 100 38 24 96 61 99 Human6 34 29 26 33 28 38 47 52 21 26 43 37 48 Lemming 54 49 1 47 52 17 87 17 77 81 17 79 80 Matrix 33 17 14 7 6 2 18 18 12 24 12 1 1 MotorRolling 5 5 4 7 4 3 4 5 2 5 3 5 10 RedTeam 100 100 100 26 47 100 79 100 44 19 100 21 57 Skater 98 93 98 59 48 98 96 98 100 94 84 95 90 Skater2 91 69 1 57 6 7 50 25 17 52 6 74 32 Skating2 60 38 6 11 5 9 48 24 4 28 3 57 2 Skiing 64 7 11 4 7 11 6 14 9 11 9 2 6 Sylvester 81 84 48 74 44 68 83 80 100 66 52 82 91 Trellis 97 100 37 37 51 35 23 91 86 35 18 31 43 Twinnings 99 90 99 64 83 58 59 73 62 69 93 68 80 Walking2 47 43 40 35 40 100 36 65 44 48 98 39 38 Woman 98 94 20 19 95 20 19 94 14 13 20 16 40 效果最好的用粗体标注
下载: 导出CSV
表 4 KCFAOT与12种跟踪方法的平均位置误差(像素)结果对比
Table 4 The CLE (pixels) of KCFAOT and 12 other trackers
KCFAOT KCF CT Frag DFT IVT CPF ASLA CXT KMS L1APG LOT TLD Basketball 7.1 8.07 100.58 11.52 18.03 88.21 55.34 102.48 171.16 76.11 137.81 69.23 - Biker 30.46 77.18 24.49 93.46 81.68 93.81 51.99 85.57 14.25 103.96 80.72 74.58 - Bird1 118.05 151.82 123.15 325.31 131.37 175.61 122.24 124.07 212.19 - 334.25 170.4 - BlurBody 16.03 64.03 87.12 37.79 259.16 167.37 45.91 145.89 22.74 27.33 12.05 94.57 - BlurOwl 65.83 183.43 109.42 223.42 111.12 166.78 62.16 108.41 6.63 24.91 176.33 83.44 - Bolt 7.63 6.74 379.41 258.83 367.28 377.62 12.43 390.85 376.59 109.46 408.53 13.68 - Bolt2 7.15 329.81 9.68 43.21 276.7 82.69 10.8 284.67 237.22 39.93 304.19 78.84 - BlurCar3 12.6 4.14 66.11 58.22 154.69 142.55 57.25 101.79 3.99 97.1 112.88 113.92 - BlurCar4 12.16 10.72 158.49 56.8 18.53 131.6 45.31 48.79 10.12 21.88 7.04 183.2 - Board 19.56 35.74 79.02 92.26 100.16 148.77 55.1 90.13 152.34 25.39 173.97 186.21 148.56 Boy 4.48 2.67 37.77 33.9 106.31 91.82 4.83 73.66 4.03 5.37 7.17 64.33 4.09 Car2 3.38 3.97 47.09 89.4 87.69 1.66 12.11 1.42 1.57 120.63 1.32 106.05 - Car24 5.83 4.41 77.14 127.07 165.62 1.36 26.01 2.53 2.29 - 2.24 87.82 - CarDark 5.86 5.76 121.4 37.72 58.85 19.29 42.13 0.98 21.63 28.78 1.16 28.49 - CarScale 12.88 16.14 77.39 15.03 75.75 11.4 30.41 15.31 25.01 39.81 79.95 99.69 - Couple 16.75 47.17 76.43 9.79 108.6 134.64 13.29 87.82 40.74 108.78 28.72 36.96 - Coupon 1.44 1.34 20.66 71.57 2.52 11.8 72.06 1.88 4.69 24.11 33.53 26.15 - Crossing 2.94 2.42 4.64 57.67 22.28 2.97 10.18 1.37 30.73 9.18 63.29 53.22 27.04 Crowds 4.91 3 413.86 371.33 3.33 236.36 369.35 4.26 4.44 364.21 4.61 394.52 - Dancer2 7.61 6.41 8.33 11.24 5.51 8.38 13.22 6.31 7.64 17.35 8.02 15.76 6.89 David 4.52 8.06 15.1 93.02 42.88 4.78 26.05 5.33 7.96 19.44 13.98 23.99 - David3 6.71 4.06 78.91 12.86 50.93 51.76 18.49 54.35 221.97 9.57 90.03 9.5 135.75 Deer 5.64 21.27 240.97 111.85 98.75 194.3 93.9 152.9 13.32 44.78 24.07 64.54 - Diving 27.96 42.22 98.97 84.74 50.57 74.89 17.73 80.79 66.14 15.7 95.76 36.99 - Dog 7.38 5.22 10.08 12.18 15.81 99.03 10.3 6.32 7.45 24.07 9.01 10.19 - DragonBaby 74.78 50.52 53.69 46.39 75.58 92.86 35.56 49.88 20.31 - 101.62 27.88 - FaceOcc1 15.82 14.83 36.1 11.17 23.59 18.74 27.8 37.74 22.62 18.97 17.82 34.5 33.48 Fish 9.41 4.08 9.39 22.73 8.84 5.09 39.16 3.81 5.93 29.3 29.64 34.16 - Football 230.41 14.8 22.17 5.51 9.29 14.56 181.72 15.26 13.38 105.89 15.19 6.81 14.29 Freeman3 9.34 19.57 38.31 58.3 32.6 36.07 6.3 3.58 3.42 83.81 33.31 40.22 - Girl 8.27 11.92 19.77 20.12 23.98 26.38 18.39 6.72 5.74 30.63 2.75 22.94 8.32 Girl2 35.29 264.55 103.47 257.63 236.34 209.21 8.31 86.98 135.45 14.68 220.53 34.13 - Gym 15.16 16.45 25.65 10.04 104.47 27.52 10.52 14.83 19.18 9.56 79.91 9.69 14.23 Human3 241.45 260.8 212.6 224.23 227.09 262.45 157.83 252.25 173.66 254.84 284.02 207.78 - Human4 130.56 131.46 295.71 310.21 245.91 295.95 202.23 308.54 327.55 - 319.63 212.91 - Human5 112.98 175.52 238.86 286.2 259.06 180.92 218.33 6.8 188.88 - 7.47 89.44 - Human6 83.42 107.67 53.24 84.19 131.11 115.03 23.11 79.22 87.48 205.11 63.6 43.05 - Lemming 81.61 77.97 141.85 98.84 77.75 184 11.48 185.26 27.71 14 177.44 20.41 - Matrix 144.89 76.42 98.9 163.58 105.78 97.26 136.88 55.14 162.7 50.51 62.01 - - MotorRolling 167.49 228.06 167.86 142.22 174.17 169.64 155.46 190.88 142.5 147.97 207.11 133.19 - RedTeam 4.32 3.81 5.17 54.9 50.26 2.83 13.88 3.02 29.85 122.59 4.26 69.74 - Skater 10.18 10.94 8.27 24.25 46.03 9.14 8.8 7.84 6.86 11.33 14.21 9.23 11.27 Skater2 10.48 18.07 63.11 20.02 125.04 63.86 23.09 37.08 56.95 24.57 110.4 15.71 - Skating2 20.48 30.76 64.53 126.57 259.39 157.18 24.85 45.32 203.63 31.19 189.21 22.71 - Skiing 31.22 260.45 265.01 271.52 276.2 276.76 256.2 252.66 145.09 265.3 265.73 248.51 - Sylvester 13.65 13.3 37.08 14.4 44.88 36.75 14.16 19.71 5.79 18.24 25.97 11.68 9.88 Trellis 12.99 8.21 34.92 63.65 44.87 108.55 43.9 5.46 10.44 46.52 61.96 51.09 - Twinnings 4.94 6.67 10.35 16.03 12.6 16.73 21.09 12.43 18.09 19.44 10.79 28.74 - Walking2 26.27 29.57 62.06 57.31 29.09 4.19 55.02 29.91 34 44.98 4.7 64.56 - Woman 6.22 10.09 120.16 106.69 8.5 188.89 120.59 10.22 120.05 130.24 128.51 130.56 - 效果最好的用粗体标注
下载: 导出CSV
表 5 测试视频属性统计
Table 5 The counts for the attitudes of test videos
视频属性 IV SV OCC DEF MB FM IPR OPR OV BC LR 视频数量 15 34 22 24 14 21 21 29 6 17 5
下载: 导出CSV
表 6 不同方法不同视频属性下的平均成功率(%)
Table 6 The average success rates (%) of different trackers in different videos
平均成功率 KCFAOT KCF CT Frag DFT IVT CPF ASLA CXT KMS L1APG LOT TLD 总计 76.29 68.67 35.16 38.53 34.69 48.89 53.52 61.06 56.68 42.16 51.65 44.12 53.97 IV 86.27 85.64 36.43 36.98 40.23 62.92 54.5 76.9 76.59 36.54 59.11 43.13 71.28 SV 73.94 64.03 36.38 31.38 27.18 48.47 55.68 60.9 54.58 40.05 52.75 41.64 56.48 OCC 65.84 56.02 30.46 33.22 37.51 42.21 51.68 54.18 35.99 40.28 44 44.97 41.74 DEF 65.83 46.98 22.04 29.19 28.03 24.8 49.21 46.09 26.11 42.76 28.87 47.63 34.96 MB 82.02 62.57 24.14 30.78 24.65 29.73 51.21 45.96 57.26 48.69 44.39 34.39 46.75 FM 69.1 61.26 20.95 37.89 30.96 26.79 50.49 38.34 55.32 44.66 38.94 36.61 49 IPR 83.75 80.97 48.82 46.96 36.87 56.44 64.21 68.05 68.99 50.34 56.92 51.96 62.85 OPR 73.19 64.25 36.65 43.41 38.45 42.12 61.68 57.6 47.64 49.64 41.33 52.14 52.08 OV 48.38 42.53 13.61 39.5 33.48 19.29 57.5 27.06 41.02 53.6 20.09 47.09 45.4 BC 75.23 73.75 32.04 32.97 29.24 56.03 42.38 66.21 59.2 26.01 55.89 32.2 53.7 LR 82.18 81.07 78.5 26.51 42.76 89.02 63.69 82.97 44.08 25.73 90.34 24.76 49.27
下载: 导出CSV
表 7 不同方法不同视频属性下的均位置误差(像素)
Table 7 The CLE (pixels) of different trackers in different videos
平均位置误差 KCFAOT KCF CT Frag DFT IVT CPF ASLA CXT KMS L1APG LOT TLD 总计 42.56 63.64 90.71 107.77 112.24 97.69 53.39 69.74 69.37 - 92.86 - - IV 27.28 28.34 101.56 106.46 95.07 79.25 56.26 56.55 48.16 - 70.23 - - SV 47.56 74.49 89.47 119.71 127.29 102.67 50.42 69.81 68.08 - 94.76 - - OCC 67.08 92.03 108.12 127.01 122.41 129.72 65.4 97.11 107.06 - 126.09 - - DEF 68.53 119.62 134.71 158.55 161.94 163.45 83.07 114.44 139.42 - 162.43 94.91 - MB 25.08 91.08 84.77 129.95 124.54 131.5 40.86 68.78 62.31 - 108.69 91.88 - FM 41.7 58.17 89.35 99.84 108.15 126.23 43.05 84.66 63.31 - 112.59 - - IPR 26.33 30.69 55.28 63.16 83.94 66.27 32.75 47.52 34.93 - 60.3 - - OPR 49.95 70.87 73.77 88.79 99.27 105.91 42.55 71.82 72.25 - 105.91 - - OV 71.56 83.98 99.35 118.76 100.71 153.69 38.23 126.56 87 - 162.85 78.7 - BC 58 64.08 105.81 117.38 123.86 86.74 73.6 72.61 71.5 - 90.97 - - LR 19.19 25.75 31.87 63.86 56.57 22.35 33.52 26.85 35.99 107.27 20.63 72.65 -
下载: 导出CSV
-
[1] Yilmaz A, Javed O, Shah M. Object tracking:a survey. ACM Computing Surveys, 2006, 38(4):Article No.13 doi: 10.1145/1177352 [2] Li X, Hu W M, Shen C H, Zhang Z F, Dick A, van den Hengel A. A survey of appearance models in visual object tracking. ACM Transactions on Intelligent Systems and Technology, 2013, 4(4):Article No.58 [3] Liu Q, Zhao X G, Hou Z G. Survey of single-target visual tracking methods based on online learning. Computer Vision, 2014, 8(5):419-428 doi: 10.1049/iet-cvi.2013.0134 [4] Smeulders A, Chu D M, Cucchiara R. Visual tracking:an experimental survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(7):1442-1468 doi: 10.1109/TPAMI.2013.230 [5] 尹宏鹏, 陈波, 柴毅, 刘兆栋.基于视觉的目标检测与跟踪综述.自动化学报, 2016, 42(10):1466-1489 http://www.aas.net.cn/CN/abstract/abstract18935.shtmlYin Hong-Peng, Chen Bo, Chai Yi, Liu Zhao-Dong. Vision-based object detection and tracking:a review. Acta Electronica Sinica, 2016, 42(10):1466-1489 http://www.aas.net.cn/CN/abstract/abstract18935.shtml [6] Comaniciu D, Ramesh V, Meer P. Real-time tracking of non-rigid objects using mean shift. In:Proceedings of the 2000 IEEE Conference on Computer Vision and Pattern Recognition. Hilton Head, SC, USA:IEEE, 2000. 2142-2151 [7] Vojir T, Noskova J, Matas J. Robust scale-adaptive mean-shift for tracking. In:Proceedings of the 2013 Scandinavian Conference on Image Analysis. Berlin, Germany:Heidelberg Springer, 2013. 652-663 [8] Zhou S K, Chellappa R, Moghaddam B. Visual tracking and recognition using appearance-adaptive models in particle filters. IEEE Transactions on Image Processing, 2004, 13(11):1491-1506 doi: 10.1109/TIP.2004.836152 [9] Oron S, Bar-Hillel A, Levi D, Avidan S. Locally orderless tracking. International Journal of Computer Vision, 2015, 111(2):213-228 doi: 10.1007/s11263-014-0740-6 [10] Delabarre B, Marchand E. Dense non-rigid visual tracking with a robust similarity function. In:Proceedings of the 2014 IEEE International Conference on Image Processing (ICIP). Paris, France:IEEE, 2014. 2-7 [11] Lin L, Lu Y Y, Li C L, Cheng H, Zuo W M. Detection-free multi-object tracking by reconfigurable inference with bundle representations. IEEE Transactions on Cybernetics, 2016, 46(11):2447-2458 doi: 10.1109/TCYB.2015.2478515 [12] Liu X B, Lin L, Yan S C, Jin H, Jiang W B. Adaptive object tracking by learning hybrid template online. IEEE Transactions on Circuits and Systems for Video Technology, 2011, 21(11):1588-1599 doi: 10.1109/TCSVT.2011.2129410 [13] Ross D A, Lim J, Lin R S, Yang M H. Incremental learning for robust visual tracking. International Journal of Computer Vision, 2008, 77(1-3):125-141 doi: 10.1007/s11263-007-0075-7 [14] Lu D, Li L S, Yan Q S. A survey:target tracking algorithm based on sparse representation. In:Proceedings of the 7th International Symposium on Computational Intelligence and Design. Hangzhou, China:IEEE, 2015. 195-199 [15] Mei X, Ling H B. Robust visual tracking using ι minimization. In:Proceedings of the 12th IEEE International Conference on Computer Vision. Kyoto, Japan:IEEE, 2009. 1436-1443 [16] Mei X, Ling H B, Wu Y, Blasch E, Bai L. Minimum error bounded efficient ι tracker with occlusion detection. In:Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs, CO, USA:IEEE, 2011. 1257-1264 [17] Wang J Y, Chen X L, Gao W. Online selecting discriminative tracking features using particle filter. In:Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, CA, USA:IEEE, 2005. 1037-1042 [18] Babenko B, Yang M H, Belongie S. Visual tracking with online multiple instance learning. In:Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami, FL, USA:IEEE, 2009. 983-990 [19] Kalal Z, Mikolajczyk K, Matas J. Tracking-learning-detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(7):1409-1422 doi: 10.1109/TPAMI.2011.239 [20] 王丽佳, 贾松敏, 李秀智, 王爽.基于改进在线多示例学习算法的机器人目标跟踪.自动化学报, 2014, 40(12):2916-2925 http://www.aas.net.cn/CN/abstract/abstract18569.shtmlWang Li-Jia, Jia Song-Min, Li Xiu-Zhi, Wang Shuang. Person following for mobile robot using improved multiple instance learning. Acta Automatica Sinica, 2014, 40(12):2916-2925 http://www.aas.net.cn/CN/abstract/abstract18569.shtml [21] Grabner H, Bischof H. On-line boosting and vision. In:Proceedings of the 2006 IEEE Conference on Computer Vision and Pattern Recognition. New York, NY, USA:IEEE, 2006. 260-267 [22] Hare S, Golodetz S, Saffari A, Vineet V, Cheng M M, Hicks S L, Torr P H. Struck:structured output tracking with kernels. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(10):2096-2109 doi: 10.1109/TPAMI.2015.2509974 [23] Matas J, Mikolajczyk K, Kalal Z. P-N learning:bootstrapping binary classifiers by structural constraints. In:Proceedings of the 2010 IEEE Conference on Computer Vision and Pattern Recognition. San Francisco, CA, USA:IEEE, 2010. 49-56 [24] Wang X Y, Hua G, Han T X. Discriminative tracking by metric learning. In:Proceedings of the 11th European Conference on Computer Vision. Heraklion, Crete, Greece:Springer, 2010. 200-214 [25] 李庆武, 朱国庆, 周妍, 霍冠英.基于特征在线选择的目标压缩跟踪算法.自动化学报, 2015, 41(11):1961-1970 http://www.aas.net.cn/CN/abstract/abstract18770.shtmlLi Qing-Wu, Zhu Guo-Qing, Zhou Yan, Huo Guan-Ying. Object compressive tracking via online feature selection. Acta Automatic Sinica, 2015, 41(11):1961-1970 http://www.aas.net.cn/CN/abstract/abstract18770.shtml [26] Wu Y, Lim J, Yang M H. Object tracking benchmark. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9):1834-1848 doi: 10.1109/TPAMI.2014.2388226 [27] Yang M, Wu Y, Hua G. Context-aware visual tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(7):1195-1209 doi: 10.1109/TPAMI.2008.146 [28] Dinh T B, Vo N, Medioni G. Context tracker:exploring supporters and distracters in unconstrained environments. In:Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs, CO, USA:IEEE, 2011. 1177-1184 [29] Wen L Y, Cai Z W, Lei Z, Yi D, Li S Z. Online Spatio-temporal structural context learning for visual tracking. In:Proceedings of the 12th European Conference on Computer Vision. Florence, Italy:Springer, 2012. 716-729 [30] Zhu G B, Wang J Q, Zhao C Y, Lu H Q. Weighted part context learning for visual tracking. IEEE Transactions on Image Processing, 2015, 24(12):5140-5151 doi: 10.1109/TIP.2015.2479460 [31] Quan W, Jiang Y Q, Zhang J J, Chen J X. Robust object tracking with active context learning. The Visual Computer, 2015, 31(10):1307-1318 doi: 10.1007/s00371-014-1012-8 [32] Li Y, Zhu J K, Hoi S C H. Reliable patch trackers:robust visual tracking by exploiting reliable patches. In:Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA, USA:IEEE, 2015. 353-361 [33] Yuan X H, Kong L B, Feng D C, Wei Z C. Automatic feature point detection and tracking of human actions in time-of-flight videos. IEEE/CAA Journal of Automatica Sinica, 2017, 4(4):677-685 doi: 10.1109/JAS.2017.7510625 [34] Bolme D S, Beveridge J R, Draper B A, Lui Y M. Visual object tracking using adaptive correlation filters. In:Proceedings of the 2010 IEEE Conference on Computer Vision and Pattern Recognition. San Francisco, CA, USA:IEEE, 2010. 2544-2550 [35] Henriques J F, Caseiro R, Martins P, Batista J. Exploiting the circulant structure of tracking-by-detection with kernels. In:Proceedings of the 12th European Conference on Computer Vision. Florence, Italy:Springer, 2012. 702-715 [36] Henriques J F, Rui C, Martins P, Batista J. High-speed tracking with kernelized correlation filters. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 37(3):583-596 http://www.ncbi.nlm.nih.gov/pubmed/26353263 [37] Liu T, Wang G, Yang Q X. Real-time part-based visual tracking via adaptive correlation filters. In:Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA, USA:IEEE, 2015. 4902-4912 [38] Ma C, Yang X K, Zhang C Y, Yang M H. Long-term correlation tracking. In:Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA, USA:IEEE, 2015. 5388-5396 [39] Zhang K H, Zhang L, Liu Q S, Zhang D, Yang M H. Fast visual tracking via dense spatio-temporal context learning. In:Proceedings of the 13th European Conference on Computer Vision. Zurich, Switzerland:Springer, 2014. 127-141 [40] Stuart R, Peter N[著], 姜哲, 金奕江, 张敏[译]. 人工智能: 一种现代方法(第2版). 北京: 人民邮电出版社, 2010. 368-370Stuart R, Peter N[Author], Jiang Zhe, Jin Yi-Jiang, Zhang Min[Translator]. Artificial Intelligence:A Modern Approach (2nd Edition). Beijing:Posts and Telecommunications Press, 2010. 368-370 [41] Jiang H L, Li J H, Wang D, Lu H C. Multi-feature tracking via adaptive weights. Neurocomputing, 2016, 207:189-201 doi: 10.1016/j.neucom.2016.03.074 [42] Chen H K, Zhao X G, Tan M. Target salient confidence for visual tracking. In:Proceedings of the 7th International Congress on Image and Signal Processing. Dalian, China:IEEE, 2015. 436-441 [43] Possegger H, Mauthner T, Bischof H. In defense of color-based model-free tracking. In:Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA, USA:IEEE, 2015. 2113-2120 [44] Zhang K H, Zhang L, Yang M H. Real-time compressive tracking. In:Proceedings of the 12th European Conference on Computer Vision. Florence, Italy:Springer, 2012. 864-877 [45] Adam A, Rivlin E, Shimshoni I. Robust fragments-based tracking using the integral histogram. In:Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York, NY, USA:IEEE, 2006. 798-805 [46] Sevilla-Lara L, Learned-Miller E. Distribution fields for tracking. In:Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, USA:IEEE, 2012. 1910-1917 [47] Pérez P, Hue C, Vermaak J, Gangnet M. Color-based probabilistic tracking. In:Proceedings of the 7th European Conference on Computer Vision. Copenhagen, Denmark:Springer, 2002. 661-675 [48] Jia X, Lu H C, Yang M H. Visual tracking via adaptive structural local sparse appearance model. In:Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, USA:IEEE, 2012. 1822-1829 [49] Comaniciu D, Ramesh V, Meer P. Kernel-based object tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(5):564-575 doi: 10.1109/TPAMI.2003.1195991 [50] Bao C L, Wu Y, Ling H B, Ji H. Real time robust L1 tracker using accelerated proximal gradient approach. In:Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, USA:IEEE, 2012. 1830-1837 期刊类型引用(54)
1. 王青元，张坤，苟斌. 单相脉冲整流器故障在线智能诊断实验设计. 实验室研究与探索. 2024(05): 36-41 . 
百度学术2. 程慧，陈艳. 基于多级支持向量机的配电网故障识别方法. 山西大同大学学报(自然科学版). 2024(03): 55-59 . 百度学术3. 贾舜宇，齐咏生，魏淑娟，刘利强，李永亭. 基于RF与D-S证据理论融合的多通道齿轮箱复合故障诊断. 振动与冲击. 2024(13): 115-125 . 百度学术4. 程超，霍乃西，许水清，蒲茜，陈宏田. 基于MLCCA的高速列车牵引系统故障诊断. 控制工程. 2024(07): 1163-1168 . 百度学术5. 雷文丞，郭静，高士根. 列车运行牵引制动故障分类的随机森林算法设计与验证. 铁道技术标准(中英文). 2024(07): 21-29 . 百度学术6. 彭辉，张群慧. 基于深度学习的列车设备螺栓脱落故障检测研究. 现代计算机. 2024(15): 43-47 . 百度学术7. 王宵，乔毅. 基于LabVIEW的列车信号图像采集装置的设计. 新技术新工艺. 2024(11): 46-51 . 百度学术8. 李学明，倪强，刘侃，徐绍龙，黄庆. 基于系统信号时序特征辨识的电力机车齿轮弛缓故障实时诊断. 中国电机工程学报. 2023(03): 1200-1210 . 百度学术9. 潘腾，姜顺，潘丰. 存在部分解耦扰动的网络化系统容错控制. 信息与控制. 2023(01): 104-114 . 百度学术10. 钟麦英，王钦，彭涛，席霄鹏，杨超，薛婷. 高速列车牵引传动系统运行状态监测技术综述. 山东科技大学学报(自然科学版). 2023(02): 88-97 . 百度学术11. 许水清，柴晖，胡友强，黄大荣，张可，柴毅. 高速列车牵引电机转子断条和速度传感器联合诊断方法. 自动化学报. 2023(06): 1214-1227 . 本站查看12. 杨春雨，曹博仕，张鑫，姬明君. 带式输送机系统故障诊断方法综述. 工矿自动化. 2023(06): 149-158 . 百度学术13. 许水清，王健，胡友强，张可，江萍，柴毅. 基于自适应滑模观测器的高铁牵引系统单相三电平整流器开路故障诊断. 控制理论与应用. 2023(11): 1920-1930 . 百度学术14. 宋冰，郭涛，侍洪波，谭帅，陶阳，马浴阳. 基于双子空间并行回归的化工过程质量相关故障检测方法. 化工学报. 2023(11): 4600-4610 . 百度学术15. Lili Yue，Luyue Liu，Maoqing Li，Baodi Xiao，Xiaochun Wu. Research on text fault recognition for on-board equipment of a C3 train control system based on an integrated XGBoost algorithm. Transportation Safety and Environment. 2023(04): 316-324 . 必应学术16. Xiaochun Wu，Weikang Yang，Jianrong Cao. Fault diagnosis of railway point machines based on wavelet transform and artificial immune algorithm. Transportation Safety and Environment. 2023(04): 397-406 . 必应学术17. 刘伟铭，邹星宇. 基于改进YOLOv2的动车组裙板螺栓检测. 铁道标准设计. 2022(01): 161-166 . 百度学术18. 林鹏，田宇，袁志明，张琦，董海荣，宋海锋，阳春华. 高速铁路信号系统运维分层架构模型研究. 自动化学报. 2022(01): 152-161 . 本站查看19. 张洪，盛永健，黄子龙，刘晨，曹毅. 基于W-DenseNet的减压阀不平衡样本故障诊断模型. 控制与决策. 2022(06): 1513-1520 . 百度学术20. 倪强，李学明，刘侃，黄庆. 基于时序特征模式识别的列车网侧过流故障实时诊断. 中国电机工程学报. 2022(11): 3963-3975 . 百度学术21. 刘昭翼. 车载网络控制系统数据流优化方法研究与实现. 现代信息科技. 2022(09): 121-125 . 百度学术22. 刘勇，石翠，李小兵. 传感器故障诊断与分布式MPC容错控制. 电子技术与软件工程. 2021(03): 112-114 . 百度学术23. 张梅，李泽滔，DAHHOU Boutaied. 一类非线性级联系统层次化执行器故障诊断方法研究. 贵州大学学报(自然科学版). 2021(03): 67-75 . 百度学术24. 马莉，殷培峰，畅丽霞. 动车组牵引供电系统关键设备使用寿命评估方法. 兰州石化职业技术学院学报. 2021(01): 29-31 . 百度学术25. 陈志文，李学明，徐绍龙，彭涛，阳春华，桂卫华. 基于特征相关性的牵引系统主回路接地故障诊断. 自动化学报. 2021(07): 1516-1529 . 本站查看26. 陈凡. 基于遗传算法的故障诊断方法研究. 软件. 2021(07): 118-122 . 百度学术27. 王周恺，张炯，马维纲，王怀军. 面向高速列车监测数据的并行解压缩算法. 计算机应用. 2021(09): 2586-2593 . 百度学术28. 李学明，徐绍龙，倪大成，黄庆，欧阳泽华. 基于时序特征模式识别的牵引电机过流实时诊断. 电机与控制应用. 2021(10): 77-83 . 百度学术29. 郑志刚，李学明. 基于信息融合的列车牵引系统接触器故障实时诊断. 电力机车与城轨车辆. 2021(06): 83-87 . 百度学术30. 谢雨飞，田启川. 基于隐马尔可夫模型的高铁无线通信系统故障诊断. 北京交通大学学报. 2021(05): 22-29 . 百度学术31. 查园园，王亭岭，上官伟. 基于贝叶斯网络的列控车载设备故障诊断. 北京交通大学学报. 2021(05): 37-45 . 百度学术32. 吕洪武，赵航，王宏志，胡黄水. 基于模糊神经网络的MVB故障诊断算法. 吉林大学学报(理学版). 2020(01): 104-108 . 百度学术33. 尹进田，谢永芳，陈志文，彭涛，杨超. 基于故障传播与因果关系的故障溯源方法及其在牵引传动控制系统中的应用. 自动化学报. 2020(01): 47-57 . 本站查看34. 董平，李雪江，张立伟. CRH2统型动车组牵引变流器MMOC1故障分析与处理. 内燃机与配件. 2020(06): 149-150 . 百度学术35. 姜斌，陈宏田，易辉，陆宁云. 数据驱动高速列车动态牵引系统的故障诊断. 中国科学:信息科学. 2020(04): 496-510 . 百度学术36. 郭天序，桑建学，陈茂银，张峻峰，台秀华，周东华. 一种高速列车制动系统故障检测方法. 中国科学:信息科学. 2020(04): 483-495 . 百度学术37. 杨超，彭涛，陶宏伟，阳春华，桂卫华. 高速列车信息控制系统故障注入研究进展. 中国科学:信息科学. 2020(04): 465-482 . 百度学术38. 乔心宏，谢敬玲，黄鹰. 列车牵引系统在线监测单元研究. 中国新技术新产品. 2020(07): 8-9 . 百度学术39. 王磊. 动车组制动系统故障对行车安全的影响. 造纸装备及材料. 2020(02): 20 . 百度学术40. 李春林，熊建斌，苏乃权，张清华，梁琼，叶宝玉. 深度学习在故障诊断中的应用综述. 机床与液压. 2020(13): 174-184 . 百度学术41. 秦方方，郑财晖，李学明，李鹏. 列车供电系统接地绝缘故障实时诊断与预测. 控制与信息技术. 2020(04): 80-86+95 . 百度学术42. 何潇，郭亚琦，张召，贾繁林，周东华. 动态系统的主动故障诊断技术. 自动化学报. 2020(08): 1557-1570 . 本站查看43. 沈华波，孙晓东，胡昊，刘洋. 基于车载网络的标准化动车组单车试验装置设计. 计算机测量与控制. 2020(10): 256-260 . 百度学术44. 李波，张琳，汪文峰，王冠男. 基于Park-HHT的故障特征提取方法. 系统工程与电子技术. 2020(12): 2944-2952 . 百度学术45. 姬文江，左元，黑新宏，高橋聖，中村英夫. 基于FastDTW的道岔故障智能诊断方法. 模式识别与人工智能. 2020(11): 1013-1022 . 百度学术46. 荆学娜. 高速列车制动系统气制动泄漏故障快速检测方法. 内燃机与配件. 2019(12): 168-169 . 百度学术47. 施文，陆宁云，姜斌，支有冉，许志兴. 数据驱动的地铁车门微小故障智能诊断方法. 仪器仪表学报. 2019(06): 192-201 . 百度学术48. 汪浩，姜顺，潘丰. 基于Round-Robin协议网络化系统的故障检测. 信息与控制. 2019(05): 595-602 . 百度学术49. 陶宏伟，彭涛，杨超，陈志文，桂卫华. 高速列车牵引整流器多类故障联合诊断方法. 自动化学报. 2019(12): 2294-2302 . 本站查看50. 谢国，金永泽，黑新宏，姬文江，高士根，高桥圣，望月宽. 列车动力学模型时变环境参数自适应辨识. 自动化学报. 2019(12): 2268-2280 . 本站查看51. 宁滨，董海荣，郑伟，荀径，高士根，王洪伟，孟令云，李浥东. 高速铁路运行控制与动态调度一体化的现状与展望. 自动化学报. 2019(12): 2208-2217 . 本站查看52. 杨超，彭涛，阳春华，陈志文，桂卫华. 高速列车牵引传动系统故障测试与验证仿真平台研究. 自动化学报. 2019(12): 2218-2232 . 本站查看53. 王秀丽，姜斌，陆宁云. 基于相关向量机的高速列车牵引系统剩余寿命预测. 自动化学报. 2019(12): 2303-2311 . 本站查看54. 刘强，方彤，董一凝，秦泗钊. 基于动态建模与重构的列车轴承故障检测和定位. 自动化学报. 2019(12): 2233-2241 . 本站查看其他类型引用(80)
-
下载:
计量
- 文章访问数: 2842
- HTML全文浏览量: 277
- PDF下载量: 1255
- 被引次数: 134
