动车组检修机器人系统应用研究及效益分析

Application Research and Benefit Analysis of EMU Maintenance Robot System

摘要

动车组一级检修是保障动车组列车运行安全的重要周期性维护修程，传统人工一级检修作业需要大量人力投入，其作业效率及质量容易受到人工因素的影响和制约。在广泛深入的现场调研基础上，研究引入基于计算机视觉技术的检修机器人条件下动车组一级检修的生产应用模式和人机协同分工方式，以准确率、识别率等核心指标及人机对比方式跟踪评估动车组检修机器人系统的故障检测能力，对应用检修机器人带来的效率提升和减员效益进行了统计测算，另外运用净现值法综合分析了检修机器人项目投资的经济效益。动车组检修机器人系统目前已可部分替代一级检修人工作业，在保障动车组运行安全的基础上可显著减少作业人员投入并提高作业效率，项目投入将产生明显的经济效益。

Abstract

The first-level maintenance of Electric Multiple Units (EMUs) is a crucial periodic maintenance program aimed at ensuring the safety of their operations. Traditional manual first-level maintenance operations require significant human resources, and their operational efficiency and quality are susceptible to human factors. Based on extensive and in-depth on-site research, this paper explored the production application mode and human-machine collaborative division of labor under the conditions of first-level maintenance of EMUs using maintenance robots based on computer vision technology. Core indicators such as accuracy, recognition rate, and human-robot comparison were used to track and evaluate the fault detection capability of the EMU maintenance robot system. The study also statistically calculated the efficiency improvement and workforce reduction benefits brought by the application of maintenance robots. Additionally, it conducted a comprehensive economic benefit analysis of the investment in the maintenance robot project using the Net Present Value (NPV) method. The EMU maintenance robot system can now partially replace manual first-level maintenance work, significantly reducing labor input and improving operational efficiency, thereby resulting in substantial economic benefits from the project investment while ensuring the safety of EMU operations.

Graphical abstract

关键词

动车组检修 / 机器人 / 图像识别 / 人机协同 / 净现值法

Key words

EMU Maintenance / Robot / Image Recognition / Human-machine Collaboration / NPV Method

0　引言

近年来我国高速铁路持续高速发展，运营里程和动车组配属数量不断增长，伴随而来的是动车组运用检修长期面临提升效率、降低成本方面的挑战和压力^[1]。随着基于机器视觉的图像识别技术迅速发展，工业部门在产品或部件外观缺陷检测领域应用该技术的智能化设备已成为主流和常态，而近年来动车组运用检修领域也已引入了机器人系统辅助实施动车组一级检修作业，从传统的“人检人修”模式逐步向“机检人修”模式转变^[2-4]。

目前针对动车组外观故障检测已有相关检测机器人的设计实现方案，通过比对识别、三维特征分析等图像识别技术实现动车组外观缺陷检测，并利用人机交替作业模式提供安全保障^[5-7]。城市轨道交通领域已在车辆作业、线路巡检环节进行了机器人应用实验和探讨，随着机器人性能逐步提升，相关技术在地铁检修也将呈现发展普及趋势^[8-9]。当前外观缺陷检测机器人主要依托以深度学习为核心的图像识别技术，深度学习作为机器学习领域的一种新兴方法，以其强大的自动特征提取能力已经在图像、语音识别等领域取得了一定成果^[10-11]。赵永强等^[12]针对当前基于深度学习的目标检测面临的关键技术挑战，从提高小目标检测精度、多类别物体检测等方面对深度学习算法进行综述，对模型如何更适应特定场景的检测需求等问题进行分析和展望。李新春等^[13]提出一种基于领域特征点提取和匹配的点云配准方法，从数据集和配准实验表明其可有效提高三维成像重建时的配准精度。张萍香^[14]和林杰辉^[15]就净现值法的不足和存在问题进行了研究并提出对策建议，指出净现值法在企业投资决策评价中具有比较优势。但以上研究尚未完整地呈现出某种动车组检修机器人系统的实际应用案例和相关数据，并结合具体应用场景对其综合效益进行分析研究。

上海动车段2017年开始组织开展动车组检修机器人系统(以下简称“检修机器人”)研究，2019年完成验证评审并正式投入使用，2020年在虹桥动车所实现了扩大部署和规模化应用，是全铁路行业动车组维修领域首家引入检修机器人的单位，也是首家实现动车组机器人检修常态化、规模化应用的单位。结合上海动车段检修机器人的应用实际，对基于人机协同的动车组一级检修作业模式、分工及流程等进行具体研究，通过长期跟踪数据分析验证机器人的故障检测能力，并对其带来的生产效率提升和经济效益进行全面评估。动车组机器人检修规模化应用的不断优化完善，对加快动车段智能化和数字化转型、持续深化动车组运用检修提质增效具有重要意义。

1　检修机器人概述

1.1　主要构成

检修机器人由入库动态检测装置、库内检测机器人系统、信息管理平台3部分构成。

（1）入库动态检测装置。入库动态检测装置布设在动车所入所咽喉处，实现动车组车顶、车侧及裙板相关部件的检测。该检测系统由车号智能识别、车体故障动态检测、受电弓及车顶状态检测、踏面状态检测、图像采集控制和中心服务器等模块组成。其中车号智能识别设备、车体故障动态检测设备、受电弓及车顶状态检测设备、踏面状态检测设备安装在检测棚内，图像采集控制装置和中心服务器等安装在机房内。

（2）库内检测机器人系统。库内检测机器人布设在检修库地沟内，实现对动车组底板、转向架等底部部件的检测。其由检测机器人、图像识别服务器、手持移动终端、列位检测4大模块组成。其中视觉检测机器人由充电装置、检测轨道车、无线传输装置、车载供电及电池组装置、安全防撞装置、高精度定位装置、底板扫描检测装置、转向架关键部件检测装置组成。中心服务器主要由存储服务器、图像自动识别服务器组成。

（3）信息管理平台。信息管理平台是动车组智能检修系统功能实现的核心组成部分，其通过动车所既有网络及布设的无线接入点，实现入库动态检测装置、库内检测机器人相关检测及外部信息系统信息的融合和分析，在设施和系统间按照检修技术作业的组织规律建立关系并实现联动，为使用者提供统一的集成作业界面，形成一体化、信息化的监控作业平台。

1.2　关键技术及原理

入库动态检测装置采用三维图像采集和处理技术对动车组车顶、车侧及裙板相关部件进行检测；库内检修机器人主要采用精准运动控制、工业机器人等技术，使用6自由度机械臂和双目三维图像测量模组对动车组底板、转向架等车底部件进行检测；信息管理平台将入库动态监测装置和库内检修机器人的检测结果进行输入，通过图像识别技术进行分析，生成故障预警信息输出，反馈至检修人员对预警故障进行复核和确认。

检修机器人运用基于机器视觉的图像识别技术实现动车组外观故障的目标检测，融合了比对标准模型、深度学习模型^[8]和点云配准模型^[9]等主流图像识别算法模型。图像比对模型针对部件历史图像的差异性进行判断，深度学习模型通过大量数据训练将异常目标完成特征提取和聚类并实现目标检测，而对于特定关键部件则可构建三维点云模型与标准模型进行配准实现异常检测。

2　人机协同生产组织方式

深入研究引入检修机器人后的动车组一级检修模式，即人机协同生产组织方式，包括检修周期、作业模式、计划安排、检修流程以及人机协同分工等关键要素。这种协同方式对于确保动车组一级检修的质量、效率和安全性至关重要。

2.1　检修周期及作业模式

动车组一级检修以走行公里周期为主、时间周期为辅(先到为准)的计划预防修，时速300~350 km运营动车组一级检修里程周期不大于7 000+700 km或48 h。检修机器人在动车所投用后，在股道及车组条件具备的情况下，动车组一级检修实行“人机交替”模式安排作业^[7]，即一次传统人工模式的一级检修，一次采用检修机器人作业的一级检修，互相交替安排。采用检修机器人作业的一级检修由于有电试验、车内检查等部分内容仍需要人工完成，且检修机器人操作监控以及检测故障的复核处置也需要人工介入，因此需要进行密切配合的人机协作，以按标完成整个动车组一级检修项目。

2.2　计划安排及检修流程

动车组机器人检修依托入库动态检测装置、库内检测系统系统等设备，按照规定的流程、时间、程序、线路、标准等实施人机交替一级检修作业。计划实施动车组一级检修机检作业的动车组，入动车所必须安排途经入库动态检测装置(限速8~12 km/h)，并停放在检修库中装有库内检测机器人系统的股道。动车组机器人检修作业采用“有电—无电”作业模式，按照分工流程完成一级检修机检作业平均时间为110 min/组，重联或长编时采用同步作业方式。动车组机器人检修作业计划纳入动车所日检修计划管理，通过动车组运用维修管理信息系统实施任务派工，各作业单位应按照给定的时间、内容实施作业。编制日检修计划时，严禁连续2次安排同一列动车组进行一级检修机检作业。当系统发生故障超过20 min仍未修复或机检作业超过30 min后系统发生故障，该列动车组则立即采取一级检修人检作业。计划安排机检的动车组未途经入库动态检测装置入库或入库动态检测装置无法正常工作时，则立即取消机检作业，采用人工一级检修方式进行作业。

2.3　人机协同分工

采用检修机器人作业的动车组一级检修，由检修机器人、机检作业组、乘务组、地勤作业组、临修作业组、外协作业组等分工负责，协同实施动车组一级检修作业内容，具体如下。

（1）检修机器人负责利用入库动态检测装置和库内检测机器人系统设备对运用动车组车顶、车下、车体两侧等部分部位实施快速例行检查。

（2）每台库内检测机器人系统配备2名检修人员组成机检作业组，负责库内检测机器人系统的操作，司机室的快速例行检查、试验，系统发现故障复核确认等内容。

（3）乘务组、地勤作业组等部门分工参照既有人工模式的动车组一级检修相关规定及要求执行。乘务组负责根据“库乘协作”原则进行车内上部设施的检查，地勤作业组负责股道供断电操作，临修作业组负责检测故障的处置，外协作业组负责散热系统清洁、车顶绝缘子清洁、车内保洁内容。

3　故障检测能力验证

3.1　检测覆盖范围评估

在机器人系统正式投用前，开展机器人系统运用能力验证测试，对照一级检修作业指导书核实机器人系统检测项点覆盖情况，并通过设置实车故障形式对机器人系统进行故障识别测试。CR400BF平台动车组一级检修项点共598项，机器人系统可检测识别其中416项，覆盖率69.6%，其中库内检测机器人系统可检测识别237项，入库动态检测装置可检测识别179项；CRH38平台动车组检修项点共689项，机器人系统可检测识别其中458项，覆盖率66.5%，其中库内检测机器人系统可检测识别260项，入库动态检测装置可检测识别198项。同时，针对76项一级检修中常见的故障类型的识别准确率测试显示，机器人系统对其中44种故障类型实现了100%的检测准确率，主要集中在裙底板螺栓丢失、盖板未闭合、扫石器破损、接地线移位、闸片异常以及各类防护板破损等常见故障。

3.2　故障识别能力跟踪

对检修机器人投用后至今的运用数据进行动态跟踪统计，检修机器人故障检测关键指标跟踪统计如表1所示。每标准组动车组一级检修作业检修机器人平均预报故障7.7件，其中经复核确认为真实故障3.12件，误报故障4.64件，故障检测准确率达40.2%，识别率达100%。按子系统区分，库内检测机器人系统每标准组动车组一级检修平均预报故障5.8件，其中经复核确认为真实故障3件，误报故障2.8件，故障检测准确率达40.7%，识别率达100%；入库动态检测装置每标准组动车组一级检修平均预报故障1.96件，其中经复核确认为真实故障0.12件，误报故障1.84件，故障检测准确率达8.6%，识别率达100%。入库动态检测装置的故障识别准确率相对较低，主要是受部分被检动车组通过入库动态检测装置时速度较快，以及入库动态检测装置所处的室外光线、雨水干扰等多重因素影响所致。

对检修机器人报警故障进行进一步梳理统计，将正确报警和误报警分别按故障类型呈现分布，检修机器人正确报警类型分布如图1所示，机器人误报警类型分布如图2所示，可以看出正确报警和误报警均以限度(测量)类和部件外观状态异常为主，其余小部分由部件位移、部件渗油、轮对踏面缺陷等类型组成。按故障类型比较机器人系统检测准确率时，可以发现机器人系统对异物类、部件位移及丢失类故障类型具有较好的识别能力，而对轮对踏面缺陷类故障的识别能力相对偏弱。

3.3　机器人与人工检修发现故障对比

机器人投用初期，为验证使用效果并保障动车组安全，对机器人检修的动车组实施“人机共检”措施，即机器人检修的动车组仍会同时重复安排一遍人工技检，以收集数据进行交叉比对分析。根据动车所“人机共检”阶段的故障情况统计，检修机器人组均发现故障3.5件，组均漏报故障0.8件；人工技检组均发现故障3.8件，组均漏报故障0.5件。按作业项点将机器人检修、人工技检发现故障进行交叉对比分析，机器人检修与人工技检故障识别对比如图3所示。检修机器人发现故障已较高比例覆盖了人工技检发现故障，而采用“人机共检”或“人机交替”模式则可消除部分漏检风险，实现人机互补。

4　应用效益综合分析

4.1　作业效率评估

得益于机器人全自动检测的速度优势，机器人检修将一级修作业时间由120 min降低到110 min，作业效率提高了8%。通过系统优化、硬件升级、数据积累，预计机器人系统还能进一步提高检测速度，作业效率还有持续提高的空间。

目前上海动车段一级检修人检作业采用“无电—有电”模式，平均作业总时长为130 min。而一级检修机检作业采用“有电—无电”的整体流程，充分利用库内检测机器人系统作业时间，同步进行车内有电作业，优化当前库内生产组织，减少车组待检时间，最大程度地提高检修股道的使用效率。机器人一级检修作业时长相较人检缩短8%，使得在同等时间内动车所能够检修更多数量的动车组，有效提高动车组一级检修供给能力。

4.2　人力减员测算

采用机器人系统具备显著的人力成本效益，最直接的体现就是检修人员投入减少。根据机器人一级检修作业标准，每标准组配备2名检修人员组成机检作业组。原有传统一级检修办法，每标准组配备4名检修人员组成作业组。按照安装库内检测机器人的股道(每股道2台)饱和检修能力每日白班6个标准组、夜班6个标准组测算，每条股道采用机器人系统检修后虹桥动车所可减少检修人员投入共10人。

具体测算方法如下。根据现有一级检修办法，每组人工一级修由4人共同完成，每人每班完成总量为4组车，即折算每标准组一级修需投入1人。根据现有机器人一级修作业流程，每组机器人检修由2人完成，每人每班完成总量为4组车，即折算每标准组一级修需投入0.5人。实行人机交替检后，按照安装检修机器人的股道(每股道2台机器人)每日白班4个标准组、夜班6个标准组工作量安排测算。则白班共检修4组标准组，可减少2人，白班按照做5休2计算，需要备班人员为2×(2/5)=0.8人，即白班可减少2+0.8=2.8人。夜班共检修6组标准组/班，可减少3人/班，夜班为两班制，则可减少3×2=6人，夜班按照每4班后轮休1班计算，备班人员为6×(1/4)=1.5人，即夜班可减少6+1.5=7.5人。则一条股道总体可减少2.8+7.5=10.3人，核算为10人/股道，即对于动车运用所而言，1条库内股道在部署检修机器人系统并实现饱和生产的状态下，可节约配置10名检修人员或定员。

4.3　项目投资效益分析

检修机器人系统初始投资和年度使用费由设备采购、维保支出、大修改造等组成，列为该项目投资及运营成本。而检修效率提升对最终收益的影响不具备直接相关性，在投资效益分析中不予考虑，则本项目的收益部分主要来源于项目投用所减员节省的劳动力成本支出。另外为简化分析过程，本项目投资分析中暂不考虑未来人力成本上涨和通胀因素。

本项目涉及的检修机器人系统整体设备采购价格2 891万元(含税13%)，按不含税价格列固定资产原值，维保支出按原值3%预估为80万元/年，大修费用按原值30%预估为791万元/次。根据中国国家铁路集团有限公司固定资产管理办法有关规定，本项目按15年期进行折旧，在第5年、第10年各进行1次大修，期末按残值率5%进行收回。本项目机器人系统部署规模为3条库内检修股道及1条入库咽喉线，根据之前的减员测算，共可减少作业人员30名，按上海动车段2021年税前人均成本计算，本项目投用并正常运营后每年产生收益750万元。

（1）投资收益率。该项目实施后每年息税前利润有一定差别，故按年平均息税前利润计算，其投资收益率ROI计算公式为

ROI=\frac{EBIT}{TI}\times \mathrm{100}\mathrm{\%}=\mathrm{19.7}\mathrm{\%}

式中：EBIT为息税前利润，万元；TI为投资总额，万元。

（2）投资回收期。净现金流由负转正所用的时间即为投资回收期，根据现金流量图，累计净现金流量于第6年开始转为正值，则投资回收期P_t=\mathrm{5}+\frac{\mathrm{第}\mathrm{5}\mathrm{年累}\mathrm{计净}\mathrm{现金}\mathrm{流量}\mathrm{绝对}\mathrm{值}}{\mathrm{第}\mathrm{6}\mathrm{年净}\mathrm{现金}\mathrm{流量}}=\mathrm{5.4}年。

（3）净现值。按项目投资可接受的最低收益水平原则，综合当前宏观市场利率水平，本项目的基准折现率i_{\mathrm{0}}设定为5%。按现金流量图计算本项目净现值NPV计算公式为

NPV={\displaystyle \sum _{t=\mathrm{0}}^n}{\left(CI-CO\right)}_t\left(P/F，i_{\mathrm{0}}，t\right)=\mathrm{3}\mathrm{097.68}(\mathrm{万元})

式中：CI为现金流入量，万元；CO为现金流出量，万元；\left(P/F，i_{\mathrm{0}}，t\right)为现值转换因子表达式，其中F为终值，万元；P为现值，万元；i_{\mathrm{0}}为折现率，%；t为年数或期数。

（4）净现值指数。净现值指数为净现值与初始全部投资现值的比值，本项目初始投资现值K_p为2 891万元，则本项目的净现值指数NPVI计算公式为

NPVI=\frac{NPV}{K_p}=\mathrm{1.07}

（5）内部收益率。内部收益率为使该项目净现值等于0时的折现率，将净现值表示为折现率的函数，即净现值函数，当该函数等于0时求出的折现率即为项目内部收益率，其计算公式为

{\displaystyle \sum _{t=\mathrm{0}}^n}{(CI-CO)}_t(P/F，IRR，t)=\mathrm{0}

式中：(P/F，IRR，t)为现值转换因子表达式；IRR为内部收益率，%。

利用线性插值法求出项目内部收益率IRR=18.85%。

综上，本项目静态分析条件下投资收益率ROI达19.7%，投资回收期5.4年，回报率和投资收回速度十分可观。动态分析条件下，净现值NPV达3 097.68万元，净现值指数NPVI\mathrm{为}\mathrm{1.07}>\mathrm{0}，证明该项目从投资角度未来可以产生正向现金流，且其盈利水平已超过初始投资金额，引入检修机器人系统可带来长期显著的经济效益。另外项目内部收益率IRR达到18.85%，远超市场基准收益率，同样证明本项目具有较高的收益率水平及抗风险能力。

5　结束语

针对检修机器人在上海动车段的应用情况进行追踪研究，通过长期跟踪数据对其故障检测能力进行了验证分析，并测算评估了检修机器人带来的生产效益和项目投资收益。相关数据及分析结果表明动车组检修机器人系统可有效识别动车组各类外观故障和缺陷，可部分替代传统人工作业，并通过人机交替模式实现动车组运行安全保障，同时减少检修人员投入，另外检修机器人项目投资具有回收周期短、净现值和内部收益率高等特点，经济效益十分明显。未来动车组检修机器人系统应基于深度学习等AI框架继续优化故障目标检测算法，减少各类干扰因素造成的误报故障数量，提升检测响应速度，以进一步实现动车组检修提质增效。

参考文献

[1] 韦皓. 中国高速动车组运用检修状况与发展[J]. 铁道机车车辆，2017，37(5)：64-67.

[2] WEI Hao. Development and State of Operation and Maintenance for China High Speed Trains[J]. Railway Locomotive & Car，2017，37(5)：64-67.

[3] 姜涛，路美生，王涛. 智能机器人在动车组检修应用前景分析[J].百科论坛电子杂志，2020(21)：3559.

[4] 曾照平. 智能机器人在动车组检修应用前景分析[J]. 科技风，2019(18)：9.

[5] 王超，肖拾花，满月娥，等. 机器视觉在航空发动机外观缺陷检测中的应用[J]. 航空计算技术，2021，51(3)：82-85.

[6] WANG Chao， XIAO Shihua， MAN Yue'e，et al. Application of Machine Vision in Aero-Engine Appearance Defect Detection[J]. Aeronautical Computing Technique，2021，51(3)：82-85.

[7] 李卓. 动车组故障检测机器人系统的设计与实现[J]. 铁路计算机应用，2017，26(7)：24-26，36.

[8] LI Zhuo. Fault Detection Robot System of EMU[J]. Railway Computer Application，2017，26(7)：24-26，36.

[9] 张伟，周斌，郑煜，等. 动车组入所在线智能检测系统图像自动识别的研究与实现[J]. 铁道车辆，2020，58(1)：36-39，5.

[10] ZHANG Wei， ZHOU Bin， ZHENG Yu，et al. Research and Realization of Automatic Picture Identification in the On-Line Intelligent Inspection System in the Inspection and Repair Station for Multiple Units[J]. Rolling Stock，2020，58(1)：36-39，5.

[11] 陈澄，金永祥，姜陈. 动车组一级检修人机交替作业模式研究[J]. 铁道运输与经济，2020，42(11)：57-61.

[12] CHEN Cheng， JIN Yongxiang， JIANG Chen. A Study on Human-Machine Alternating Operation Mode of EMU Level-1 Maintenance[J]. Railway Transport and Economy，2020，42(11)：57-61.

[13] 史时喜，宗超. 机器人技术在地铁车辆检修作业中的应用探讨[J]. 现代城市轨道交通，2020(8)：105-108.

[14] SHI Shixi， ZONG Chao. Application of Robot Technology in Metro Vehicle Maintenance[J]. Modern Urban Transit，2020(8)：105-108.

[15] 田俊. 申城地铁线路全自动巡检探索[J]. 都市快轨交通，2019，32(5)：19-24，32.

[16] TIAN Jun. Exploration of the Automatic Inspection of the Shanghai Metro Lines[J]. Urban Rapid Rail Transit，2019，32(5)：19-24，32.

[17] LECUN Y， BENGIO Y， HINTON G. Deep Learning[J]. Nature，2015，521：436-444.

[18] 吴魁，王仙勇，孙洁，等. 基于深度学习的故障检测方法[J]. 计算机测量与控制，2017，25(10)：43-47.

[19] WU Kui， WANG Xianyong， SUN Jie，et al. Fault Detection Method Based on the Deep Belief Network[J]. Computer Measurement & Control，2017，25(10)：43-47.

[20] 赵永强，饶元，董世鹏，等. 深度学习目标检测方法综述[J]. 中国图象图形学报，2020，25(4)：629-654.

[21] ZHAO Yongqiang， RAO Yuan， DONG Shipeng，et al. Survey on Deep Learning Object Detection[J]. Journal of Image and Graphics，2020，25(4)：629-654.

[22] 李新春，闫振宇，林森，等. 基于邻域特征点提取和匹配的点云配准[J]. 光子学报，2020，49(4)：255-265.

[23] LI Xinchun， YAN Zhenyu， LIN Sen，et al. Point Cloud Registration Based on Neighborhood Characteristic Point Extraction and Matching[J]. Acta Photonica Sinica，2020，49(4)：255-265.

[24] 张萍香. 企业项目投资决策净现值法研究[J]. 重庆理工大学学报(自然科学)，2020，34(2)：252-258.

[25] ZHANG Pingxiang. Research on the Net Present Value Method of Enterprise Project Investment Decision[J]. Journal of Chongqing University of Technology (Natural Science)，2020，34(2)：252-258.

[26] 林杰辉. “净现值法”应用常见问题及对策建议[J]. 交通财会，2020(6)：73-75.