Trong bối cảnh mạng lưới đường sắt tốc độ cao (ĐSTC) của Trung Quốc đã vượt 40.000 km vào cuối năm 2022, việc duy trì độ tin cậy của mạng tiếp xúc trên cao (OCS) trở thành yếu tố quyết định an toàn và hiệu suất vận hành. Các bộ phụ kiện hỗ trợ OCS – như insulators, isoelectric lines, screw pins – chịu áp lực từ môi trường, rung động tàu và hao mòn thời gian, dẫn đến các khuyết tật như lỏng, nứt, mất vị trí.
Những khuyết tật này không chỉ làm giảm chất lượng truyền điện cho các EMU mà còn có thể gây ra sự cố nghiêm trọng, ảnh hưởng đến lịch trình và an toàn hành khách. Vì vậy, nhu cầu một hệ thống phát hiện nhanh, chính xác và tự động cho các thành phần hỗ trợ OCS đang ngày càng cấp bách.
1. Tổng quan về mạng tiếp xúc trên cao và tầm quan trọng
Mạng tiếp xúc trên cao, còn gọi là hệ thống tiếp xúc trên cao, bao gồm dây mang (messenger wire), dây tiếp xúc (contact wire), các thanh treo (dropper) và các bộ phụ kiện liên kết ray. Khi tàu chạy, cần thu điện trên đầu máy tiếp xúc với dây tiếp xúc để cung cấp năng lượng cho các mô‑tơ của EMU.
Đối với ĐSTC, thiết kế thường áp dụng điện áp 25 kV AC 50 Hz và tốc độ thiết kế từ 250‑350 km/h. Ở tốc độ này, hiệu ứng piston trong các hầm và biến dạng dọc đường ray làm tăng độ rung và tải trọng lên OCS, làm cho các bộ phụ kiện dễ bị mòn và hỏng.
2. Phương pháp phát hiện truyền thống và những giới hạn
Trước khi có AI, các nhà quản lý thường dựa vào:
- Kiểm tra bằng mắt người (visual inspection) – tiêu tốn thời gian, phụ thuộc vào kinh nghiệm.
- Hệ thống đo dao động và âm thanh – chỉ phát hiện được lỗi lớn, độ nhạy thấp.
- Xử lý ảnh truyền thống (edge detection, thresholding) – gặp khó khăn với đa dạng hình dạng, ánh sáng thay đổi và số lượng mẫu khuyết tật hiếm.
Những phương pháp này thường cho độ chính xác dưới 60 % và tỷ lệ bỏ sót lỗi (false negative) cao, gây nguy cơ an toàn.
3. Ứng dụng Deep Learning trong phát hiện lỗi OCS
Deep Learning, đặc biệt là các kiến trúc Convolutional Neural Network (CNN), đã chứng minh khả năng trích xuất đặc trưng tự động từ ảnh có độ phức tạp cao. Trong tài liệu “Deep Learning-Based Detection of Catenary Support Component Defect and Fault in High‑Speed Railways” (2023), các tác giả đã đề xuất một chuỗi quy trình gồm:
- Tiền xử lý ảnh: cân bằng ánh sáng, cắt vùng quan tâm (ROI) quanh các bộ phụ kiện.
- Phân đoạn (segmentation) bằng mạng U‑Net để xác định vị trí chính xác của từng thành phần.
- Phân loại khuyết tật bằng các mô hình Faster R‑CNN hoặc YOLOv5, đạt precision > 0.94 và recall > 0.92 trên tập dữ liệu thực địa.
Nhờ khả năng học từ hình ảnh gốc và đánh dấu lỗi (annotated data), hệ thống có thể nhận diện các dạng lỗi khó phát hiện bằng mắt người như micro‑cracks hoặc loosened pins.
4. Kiến trúc và mô hình Deep CNN tiêu biểu
Dưới đây là một so sánh ngắn gọn giữa các mô hình CNN thường được áp dụng trong phát hiện lỗi OCS:
| Mô hình | Precision | Recall | FPS (hình/giây) | Độ phức tạp |
|---|---|---|---|---|
| Faster R‑CNN | 0.95 | 0.93 | 7 | Cao |
| YOLOv5 (s) | 0.92 | 0.90 | 45 | Thấp‑trung |
| EfficientDet‑D0 | 0.94 | 0.91 | 12 | Trung |
Với Faster R‑CNN được lựa chọn làm mô hình chuẩn trong nhiều dự án thực tế ở Trung Quốc nhờ cân bằng giữa độ chính xác và tốc độ xử lý.
5. Kết quả thực nghiệm và triển khai thực tế
Trong các thử nghiệm thực địa trên đoạn đường sắt tốc độ cao Bắc‑Nam (tốc độ thiết kế 300 km/h), hệ thống AI được gắn trên xe kiểm tra di động, chụp ảnh các bộ phụ kiện mỗi 5 m. Kết quả:
- Phát hiện 99 % các bộ phận bị lỏng, giảm thời gian kiểm tra từ 2 giờ/km xuống 15 phút/km.
- Giảm chi phí bảo trì ước tính 30 % nhờ hạn chế việc thay thế không cần thiết.
- Hệ thống cảnh báo thời gian thực (real‑time) được tích hợp vào OCC, cho phép điều độ nhanh chóng.
Những kết quả này đã được một số nhà thầu tại Trung Quốc áp dụng vào dự án ĐSTC Bắc Kinh‑Thượng Hải, và đang được nghiên cứu triển khai thử nghiệm tại Việt Nam (đường sắt Bắc‑Nam).
Kết luận và hàm ý
Việc áp dụng Deep Learning vào phát hiện khuyết tật các bộ phụ kiện của mạng tiếp xúc trên cao không chỉ nâng cao độ an toàn và hiệu suất vận hành mà còn mở ra cơ hội giảm chi phí bảo trì đáng kể. Đối với Việt Nam, khi quy mô ĐSTC đang mở rộng (dự án Đường sắt cao tốc Hà Nội‑TP HCM dự kiến hoàn thành vào 2035), việc đầu tư vào hệ thống AI‑based inspection sẽ giúp:
- Đạt chuẩn ETCS và ATP với mức độ giám sát liên tục.
- Tích hợp dữ liệu phát hiện vào OCC để thực hiện bảo trì dự phòng (predictive maintenance).
- Xây dựng cơ sở dữ liệu khuyết tật (defect database) cho các mô hình học sâu trong tương lai.
Như vậy, công nghệ Deep Learning không chỉ là “công cụ” mà còn là “động lực” cho việc hiện đại hoá hạ tầng giao thông đường sắt tốc độ cao của Việt Nam, đồng thời góp phần nâng cao năng lực cạnh tranh quốc tế.