摘要：本文主要简述了地铁车门系统概述及常见故障，并介绍了故障树诊断方法、人工神经网络诊断方法和贝叶斯网络诊断方法，为列车车门故障诊断提供了方法依据。
关键词：地铁；车门系统；故障；诊断方法
随着社会的发展和时代的进步，城市汽车数量急剧增长，再加上人们生活节奏的加快，很多人出行都选择地铁。这就导致地铁上的人流比较密集，尤其是在上下班高峰期，地铁经常会出现严重的超载现象，致使地铁车门受到严重的挤压和震动，因此，在整辆地铁中，车门系统发生故障的概率最高。由此可见，对地铁车门系统故障，尤其是用于乘客上下车的电控电动双扇内藏门的常见故障进行分析，并采取相应的维修措施具有非常重要的意义。
一、地铁车门简介
车门系统主要由承载导向装置、基础部件、电气控制装置和驱动锁闭装置等子系统组成，其中承载导向装置主要由长短导柱、上下导轨和携门架等组成，基础部件包括胶条、指示灯和门叶等，电气控制装置主要由EDCU、行程开关和车门控制按钮等组成，驱动锁闭装置包括电机、丝杆螺母副和带轮等，地铁车门系统的工作原理如下图1 所示。
车门系统的运动由电子门控器EDCU 控制、电动机驱动。EDCU 在接收到开门信号后，控制驱动电机动作，电机通过带轮带动丝杆螺母副，引起携门架、长导柱、挂架、下滚轮导向部件的动作，并最终使得门叶在导向系统的引导下向外做摆出运动。在达到完全摆出状态后，导向系统控制门叶的直线平移，使门页平行于车辆侧面运动。在平移过程中，携门架使门叶沿着长导柱自由滑动，直到门叶达到完全打开状态。
二、地铁车门系统故障的诊断
（一）地铁车门系统概述
地铁车门系统主要包括基础部件、承载导向装置、电气控制装置和驱动锁闭装置等几部分。作为用于乘客上下车的关键部分，内藏门能够对列车进行集中控制。内藏门的主要功能有开关门、再开门、障碍物探测重开门、故障切除、紧急解锁、故障诊断等。
（二）地铁车门系统的常见故障
为了缓解日益加重的交通压力，各大城市缩短了地铁的行车间隔。当地铁的行车间隔缩短后，地铁客室的侧门，也就是内藏门，其开关次数就相应增多，导致内藏门在使用过程中极易出现故障。
1、承载轮和防跳轮脱落
承载轮和防跳轮安装在携门架的轴上，在承载轮和防跳轮的前端采用挡圈来将其固定，但由于轴上的沟槽深度太浅，承载轮和防跳轮极易出现脱落现象。
2、门体和车体受到刮蹭
门体和车体刮受到刮蹭的主要原因是门板所在位置不正确。这一故障一般仅出现在部分地铁上。
3、锁闭装置底板出现裂纹
锁闭装置底板出现裂纹的原因主要有三个：①当完成焊接后，焊缝冷却的速度不同，进而在内应力的作用下产生裂缝；②因使用时间过长，导致疲劳裂纹的产生；③焊接强度不够。
期刊文章分类查询,尽在期刊图书馆
三、地铁车门系统的故障诊断方法
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本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。
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。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，然后根据测试样本进行故障的识别。
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。
总结
地铁车门系统是整辆地铁故障发生最频繁的部分，确保地铁车门系统的安全可靠性对保证地铁安全、稳定运行具有非常重要的意义。通过分析车门系统常见故障，并提出相应的维修策略，为总结今后地铁车门系统的故障发生规律及排除措施提供了必要的依据，从而确保地铁的正常运行。
参考文献：
[1]浅析地铁车门系统故障的诊断与维修策略_傅新伟
[2]地铁列车车门系统故障分析及诊断方法_杨颖
[3]地铁车门系统故障模式可靠性分析_夏军
论文作者:谭杰
论文发表刊物:《基层建设》2017年4期
论文发表时间:2017/5/5
标签：车门论文; 故障论文; 地铁论文; 系统论文; 方法论文; 神经网络论文; 故障诊断论文; 《基层建设》2017年4期论文;