论文部分内容阅读
摘要：地铁车门运营过程中使用最多的一个部件，因此，发生故障率最高的也是这个部件。车门故障如不及时发现，对于地铁车辆运行中存在严重的安全隐患。本文根据多年工作经验，对地铁车辆车门故障的一些诊断技术进行探讨。
关键词：地铁车辆;车门系统;决策树;故障诊断
一、车门系统
地铁车辆分别有两种车门系统，分别为气动式车门和电动式车门。另外由于安装的位置有所差别，分别有内藏门、塞拉门、外挂门等。内藏门主要由门页、车门导轨、传动组件、门机械锁闭机构、紧急解锁机构、气动控制系统以及电气控制系统等;塞拉门由门页、支承杆、托架组件、车门导轨、传动组件、制动组件、紧急解锁机构、车门旁路系统以及电子门控单元等组成;外挂门主要由门页、直流驱动电机、车门悬挂机构、丝杆，螺母机械传动机构和电子门控单元等组成。
二、车门故障及产生原因分析
地铁运营时间间距较短，车门频繁操作容易对列车车门的电气元件以及机械零部件造成损坏，这个也是车门为什么容易发生故障的原因。车门故障也可以概括为两部分，机械故障以及电器故障。如电源、门控元件等故障为电器故障。故障的发生容易造成列车晚点或救援等现象，严重影响地铁车辆的正常运行以及乘客的人身安全。
如某地铁车辆在关门过程中由于存在相关的信号干扰，在开门时信号瞬间丢失以及电机电流瞬间增大，造成电机控制模块断开，由此引发的电器故障并导致列车无法正常运行。
另外由于门外部指示灯的结构安装不合理，在进行高压水枪进行列车顶部清洗时容易进水，导致指示灯损坏，最终进行故障诊断为轻级故障，造成车辆出车晚点及不便。
门控继电器触点与触点间的电阻值大，对于触点闭合时导通的性能无法满足，导致继电器经常发生故障，车门无法打开和车门监控回路失效等故障频发，给正常行车造成很大影响。
机械故障主要是车门尺寸变形或机械尺寸调整不到位等引起的车门限位开关故障，机械零件丢失、磨损，螺丝松动等。由于地铁列车运行过程中处于动态，列车车门要往复地开关，造成机械尺寸的变形，从而可能影响车门的正常工作。
车门在运行高峰时期容易受到乘客的拥挤而产生变形，另外受到各个方面的激扰振动的影响也是容易造成装配尺寸的变化，严重时会造成固定装置松动。
据文献【1】指出，关门限位开关的尺寸直接影响着车门的关门位置，尺寸太大会使车门关闭后留一条缝，尺寸太小则会使车门已经到了关闭极限后仍然继续动作，造成车门无法正常关闭。
三、故障诊断技术
地铁列车在运行过程中会不可避免地产生各种故障，故障发生时会表现出不同的信息征兆。当列车车门系统出现故障时，通过搜索、分析车门运行当中表现出的异样征兆，采用合适的故障诊断方法，得出可能发生的故障原因。随着人工智能技术的发展，故障诊断技术日趋成熟和多样化，目前常用的故障诊断方法包括决策树诊断方法、人工神经网络诊断方法和贝叶斯网络诊断方法等。
（一）决策树诊断方法
决策树诊断方法是根据对象不同的特征，以树型结构表示分类或决策集合，利用信息论原理对样木的属性进行分析和回归而产生的，所生成的决策树是用样本的属性作为结点，用属性的取值作为分支的树结构。决策树作为一种安全可靠的分析技术，将其应用于故障诊断领域，通过对故障数据进行挖掘，发现故障数据中存在的规律并生成故障树，从而有效地对故障进行分类。图1为决策树生成流程。
图1决策树生成流程
文献【2】以上海轨道交通车辆车门系统的历史故障为依据，采用决策树算法和粗糙集理论结合的方法，将粗糙集理论中的粗糙度作为决策树分枝的校验属性，通过对决策表的约简泛化，最终构造出车门系统故障诊断决策树，克服常规决策树方法的不足，对车门系统进行了较好的故障分类。
文献【3】采用故障树分析方法对车门系统进行可靠性分析，通过对车门的各种故障模式及其对车门的影响进行分析，并把每一个故障模式按其严重程度进行分类。
（二）人工神经网络诊断方法
人工神经网络是由神经元相互连接而构成的高度并行的非线性系统，具有自学习、自组织、并行处理、联想记忆和容错性的特点，并广泛应用于预测控制、模式识别、非线性逼近等领域。神经网络的训练灵活，可以根据实际应用实现在线或者离线学习。采用神经网络进行车门故障诊断，需要获取车门故障的特征样本，通过训练样本对网络进行训练，调整网络的连接权值和阈值，然后根据测试样木进行故障的识别，其诊断流程如图2所示。
图2 基于神经网络的车门故障诊断流程
采用RBF神经网络模拟了列车车门的位移轨迹，获得了速度和气流分布曲线的精确模型，并从模型化的分布曲线中提取了车门位移轮廓的暂态、频谱和抽象特征.并和实际测量值进行了比较以表述其征兆，利用SOFM神经网络对征兆进行分类，仿真实验实现了80%的车门系统故障诊断精确度。
（三）贝叶斯网络诊断方法
贝叶斯网络是一种图形化概率模型，能集成使用定性信息和定量信息，并充分利用验前信息和试验信息在数据集不完备情况下实现对系统故障完整的概率描述。贝叶斯网络适合于描述复杂系统的故障与征兆之间的多对多的关系和不确定性关系，并根据故障信息推断可能故障原因发生的概率。
在车门故障数据的基础上，从FMEA和FAT分析结果中获取故障知识，将各故障树的事件组成一个原始集合，从中产生各级子系统、部件甚至元件的故障原因集、故障模式集和故障影响集，并在这三种集合的基础上构建三层贝叶斯诊断网络对车门进行故障诊断。
四、结语
综上所述，地铁车辆的车门由于受到各种因素的影响，故障率非常高。以上对于车辆车门的故障诊断方法进行了介绍，以期为地铁车门故障诊断提供参考。
参考文献：
【1】杨涛，朱小娟，王建兵.上海地铁AC03型电动列车客室车门故障分析及解决措施[J].城市轨道交通研究，2006（5）：33-35
【2】时旭.地铁车门系统故障诊断与维修决策的方法研究【D】.北京北京交通大学.2009
【3】朱小娟，王建兵，印祯民.上海地铁车辆客室车门可靠性技术研究【J】城市轨道交通研究，2006，9（3）：31-34
关键词：地铁车辆;车门系统;决策树;故障诊断
一、车门系统
地铁车辆分别有两种车门系统，分别为气动式车门和电动式车门。另外由于安装的位置有所差别，分别有内藏门、塞拉门、外挂门等。内藏门主要由门页、车门导轨、传动组件、门机械锁闭机构、紧急解锁机构、气动控制系统以及电气控制系统等;塞拉门由门页、支承杆、托架组件、车门导轨、传动组件、制动组件、紧急解锁机构、车门旁路系统以及电子门控单元等组成;外挂门主要由门页、直流驱动电机、车门悬挂机构、丝杆，螺母机械传动机构和电子门控单元等组成。
二、车门故障及产生原因分析
地铁运营时间间距较短，车门频繁操作容易对列车车门的电气元件以及机械零部件造成损坏，这个也是车门为什么容易发生故障的原因。车门故障也可以概括为两部分，机械故障以及电器故障。如电源、门控元件等故障为电器故障。故障的发生容易造成列车晚点或救援等现象，严重影响地铁车辆的正常运行以及乘客的人身安全。
如某地铁车辆在关门过程中由于存在相关的信号干扰，在开门时信号瞬间丢失以及电机电流瞬间增大，造成电机控制模块断开，由此引发的电器故障并导致列车无法正常运行。
另外由于门外部指示灯的结构安装不合理，在进行高压水枪进行列车顶部清洗时容易进水，导致指示灯损坏，最终进行故障诊断为轻级故障，造成车辆出车晚点及不便。
门控继电器触点与触点间的电阻值大，对于触点闭合时导通的性能无法满足，导致继电器经常发生故障，车门无法打开和车门监控回路失效等故障频发，给正常行车造成很大影响。
机械故障主要是车门尺寸变形或机械尺寸调整不到位等引起的车门限位开关故障，机械零件丢失、磨损，螺丝松动等。由于地铁列车运行过程中处于动态，列车车门要往复地开关，造成机械尺寸的变形，从而可能影响车门的正常工作。
车门在运行高峰时期容易受到乘客的拥挤而产生变形，另外受到各个方面的激扰振动的影响也是容易造成装配尺寸的变化，严重时会造成固定装置松动。
据文献【1】指出，关门限位开关的尺寸直接影响着车门的关门位置，尺寸太大会使车门关闭后留一条缝，尺寸太小则会使车门已经到了关闭极限后仍然继续动作，造成车门无法正常关闭。
三、故障诊断技术
地铁列车在运行过程中会不可避免地产生各种故障，故障发生时会表现出不同的信息征兆。当列车车门系统出现故障时，通过搜索、分析车门运行当中表现出的异样征兆，采用合适的故障诊断方法，得出可能发生的故障原因。随着人工智能技术的发展，故障诊断技术日趋成熟和多样化，目前常用的故障诊断方法包括决策树诊断方法、人工神经网络诊断方法和贝叶斯网络诊断方法等。
（一）决策树诊断方法
决策树诊断方法是根据对象不同的特征，以树型结构表示分类或决策集合，利用信息论原理对样木的属性进行分析和回归而产生的，所生成的决策树是用样本的属性作为结点，用属性的取值作为分支的树结构。决策树作为一种安全可靠的分析技术，将其应用于故障诊断领域，通过对故障数据进行挖掘，发现故障数据中存在的规律并生成故障树，从而有效地对故障进行分类。图1为决策树生成流程。
图1决策树生成流程
文献【2】以上海轨道交通车辆车门系统的历史故障为依据，采用决策树算法和粗糙集理论结合的方法，将粗糙集理论中的粗糙度作为决策树分枝的校验属性，通过对决策表的约简泛化，最终构造出车门系统故障诊断决策树，克服常规决策树方法的不足，对车门系统进行了较好的故障分类。
文献【3】采用故障树分析方法对车门系统进行可靠性分析，通过对车门的各种故障模式及其对车门的影响进行分析，并把每一个故障模式按其严重程度进行分类。
（二）人工神经网络诊断方法
人工神经网络是由神经元相互连接而构成的高度并行的非线性系统，具有自学习、自组织、并行处理、联想记忆和容错性的特点，并广泛应用于预测控制、模式识别、非线性逼近等领域。神经网络的训练灵活，可以根据实际应用实现在线或者离线学习。采用神经网络进行车门故障诊断，需要获取车门故障的特征样本，通过训练样本对网络进行训练，调整网络的连接权值和阈值，然后根据测试样木进行故障的识别，其诊断流程如图2所示。
图2 基于神经网络的车门故障诊断流程
采用RBF神经网络模拟了列车车门的位移轨迹，获得了速度和气流分布曲线的精确模型，并从模型化的分布曲线中提取了车门位移轮廓的暂态、频谱和抽象特征.并和实际测量值进行了比较以表述其征兆，利用SOFM神经网络对征兆进行分类，仿真实验实现了80%的车门系统故障诊断精确度。
（三）贝叶斯网络诊断方法
贝叶斯网络是一种图形化概率模型，能集成使用定性信息和定量信息，并充分利用验前信息和试验信息在数据集不完备情况下实现对系统故障完整的概率描述。贝叶斯网络适合于描述复杂系统的故障与征兆之间的多对多的关系和不确定性关系，并根据故障信息推断可能故障原因发生的概率。
在车门故障数据的基础上，从FMEA和FAT分析结果中获取故障知识，将各故障树的事件组成一个原始集合，从中产生各级子系统、部件甚至元件的故障原因集、故障模式集和故障影响集，并在这三种集合的基础上构建三层贝叶斯诊断网络对车门进行故障诊断。
四、结语
综上所述，地铁车辆的车门由于受到各种因素的影响，故障率非常高。以上对于车辆车门的故障诊断方法进行了介绍，以期为地铁车门故障诊断提供参考。
参考文献：
【1】杨涛，朱小娟，王建兵.上海地铁AC03型电动列车客室车门故障分析及解决措施[J].城市轨道交通研究，2006（5）：33-35
【2】时旭.地铁车门系统故障诊断与维修决策的方法研究【D】.北京北京交通大学.2009
【3】朱小娟，王建兵，印祯民.上海地铁车辆客室车门可靠性技术研究【J】城市轨道交通研究，2006，9（3）：31-34