摘要：车门系统是地铁车辆最重要的部件之一。在运营过程中，由于车门开闭频繁、乘客干扰因素众多，导致车门系统故障频发。据相关数据统计，车门系统故障次数约占客车系统总故障次数的30%以上。目前，针对地铁车辆车门系统的故障诊断及预测研究多数仍停留在定性、逻辑分析层面，尚未开展基于地铁车辆车门系统运行状态的大数据分析，对运行故障以及设备零部件亚健康（即潜在风险）状态并不能实现有效的监测和预警。同时，在传统维修保养（以下简称“维保”）模式中，维保人员需要对整列车进行逐门检查和故障排除，这样容易出现过度维修、误判和漏判，致使资源严重浪费，而且不能对故障及安全隐患进行预测和预警。因此，本文以某地区地铁4号线电客车电动双开塞拉门系统为研究对象，对地铁车辆车门系统维修提出一种新的模式。
关键词：状态监测；地铁车辆；车门系统；维修
引言：为了能够达到降低维修成本的目的，切实提高维修人员的工作效率，文章介绍一种基于状态监测的地铁车辆车门系统维修模式。此种模式通过采集和分析车门系统运行的实时数据，并结合这些数据对车门系统状态进行诊断，从而尽早识别车门系统的故障和亚健康状态，实现状态维修。
1.地铁车辆车门系统
某地区地铁4号线车辆车门系统构成如图1所示。车门系统的运行由驱动电机驱动，车门控制器（以下简称“门控器”）控制驱动电机的电流、转速和位移，驱动电机通过丝杆带动门扇运动，从而实现车门的自动开关。车门系统的运行过程为：门控器收到开（关）门指令，启动驱动电机，执行开（关）门曲线。为了确保车门系统的可靠性，在运行初始段会限定驱动电机的启动速度和启动电流，并维持一段时间，然后执行设定的开（关）门曲线，在距离开到位一定范围内将强制降低开（关）门速度和电流限幅值，以避免撞门。每成功完成一次开（关）门，门控器都会记录整个过程的车门系统运行状态曲线。车门系统是结构复杂的安全苛求系统，其零部件众多，且各部件间配合紧密。随着列车的持续运营，由于元件老化、磨损，车门系统会以亚健康状态运行，其运行性能将受到大幅影响。因此，需要对车门系统的运行状态进行实时监测和故障诊断，以及时发现隐患并实施维修，确保车门系统的正常运行。
2.车门系统状态监测
对车门系统进行状态监测应参考传统轨道交通车门系统运营维护经验，综合应用互联网、人工智能、自动控制、计算机通信等多种技术，以车门系统的设计、试验、检验、装车、正线运行和维护等全寿命周期各阶段工作状态的大数据为基础。
2.1数据的采集和传输
数据采集和传输是状态监测的基础。车门系统主要通过门控器和智能驱动电机采集运行参数数据，并利用门控器内嵌的数据传输装置将数据传输到远程诊断系统以进行下一步处理。门控器内嵌有远程监测数据传输采集板，形成远程诊断系统的采集传输节点，可将门控器采集到的单个车门监测数据通过470MHz频段的数传电台无线传输到所在车厢的网关节点。此外，门控器内还嵌有远程监测数据传输网关板，形成远程诊断系统的网关传输节点，可通过470MHz频段的数传电台接收该车厢其他车门的监测数据，并将其与该门控器采集到的单个车门监测数据一起通过4G网络无线传输到远程诊断系统的服务器中。智能驱动电机可以采集驱动电机转矩、转速、角度等数据。其与门控器通过线缆连接，将采集的数据通过上述的门控器内嵌数据传输装置传输给远程诊断系统。
期刊文章分类查询,尽在期刊图书馆
2.2典型故障诊断与亚健康状态预测
首先，典型故障诊断。远程诊断系统以采集到的车门系统运行参数数据（包含门控器的故障代码）为基础，建立车门典型故障诊断规则知识库，并根据建立的规则判断车门系统当前是否产生故障，给出故障原因和维修方案。在此过程中，最关键的步骤是建立典型故障诊断规则。其过程为：①通过车门系统故障模拟测试采集车门系统运行参数数据；②利用数据分析算法从这些原始数据中提取特征；③根据提取的特征制定规则。通过监测驱动电机、门控器的工作状态，远程诊断系统可优先预测以下车门系统常见故障：无法关门、开门不到位、3秒不解锁、阻力过小、阻力过大等。另外，亚健康状态预测。车门系统在亚健康状态下运行时会表现出开关门全程或局部阻力增大、驱动电机运转异常、锁闭转矩异常等特征，这些特征体现在驱动电机参数上则为数据分布特性、关联特性和时序特性的改变。远程诊断系统会自动将采集到的车门系统运行参数数据与该车门系统的历史数据进行对比，并从数据分布特性、关联特性和时序特性3方面开展基于数据驱动的大数据分析和比较，以判断车门系统是否处于亚健康状态，预测未来可能出现的故障以及可能产生问题的部件位置，并给出检修范围。本文运用K-means算法对地铁车辆车门系统的亚健康状态进行分析。K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法。该算法快速、简单，对处理大数据集有较高的效率；此外，其具有可伸缩性，适合挖掘大规模数据集。因此，可将该方法应用于驱动电机数据特征分类，以实现亚健康预测。
目前，使用K-means聚类方法诊断车门系统亚健康状态按照以下5个步骤进行。（1）特征值提取。主要采用单变量统计方法，统计驱动电机的转角、转速、电流、加速度以及各时间段的位移。提取的主要特征量如图5所示。（2）数据标准化。以正常数据为基准，计算其平均值和方差，并以此进行标准化，消除正常数据和未知数据的量纲，以便下一步进行分类处理。（3）数据权重计算。分别计算正常数据和未知数据各特征值的离散型，得到其特征值的权重，以消除离散性所导致的分类异常。（4）数据分类。将标准化后的数据经过加权处理，得到可用于分类的数据，然后运用K-means算法进行分类。如果超过80%的数据能够分为2类，则可根据分类结果得到模型[1]。
3.车门系统状态维修
车门系统状态维修是根据门控器采集的驱动电机转矩、转速、角度等状态信息，依靠车门系统模拟试验建立的故障库和亚健康库，利用数据分析算法，实现基于数据的车门系统智能诊断，进而判断设备的异常，预测设备的故障，并根据预测的故障信息合理安排维修项目和周期的维修方式。结合杭州地铁4号线车门系统状态维修的实际开展情况，具体状态维修项目有：左右旋螺母组件、车门开关状态、门扇与车体间状态、平衡轮组件、下摆臂滚轮组件、门槛嵌块与下挡销、车门内外指示灯、S1和S4行程开关、开门止挡（缓冲头）、车门V型、车门对中、门扇和车体外表面距离、车门平行度/开度、护指胶条挤压宽度。对于状态维修项目，将通过远程诊断系统自动判断其健康状态，不再开展人工检修。当状态监测数据出现异常，且远程诊断系统判断车门系统处于亚健康状态时，再安排人工对相对应的状态维修项目进行检修。这样可以降低车门系统故障率和减少维修工作量[2]。
结论
简而言之，以地铁车辆车门状态诊断结果为基础，得出状态维修的具体项目，对车门系统进行状态维修，从而改变被动维修的状况，提高检修效率，降低维修成本。
参考文献
[1]傅新伟.浅析地铁车门系统故障的诊断与维修策略[J].科技与创新，2019（24）：139，142.
[2]徐春华.电动塞拉门控制系统故障分析与诊断方法研究[J].中国高新技术企业，2017（1）：106-107，167.
论文作者:杨立伟,孟凡磊,陈照岩
论文发表刊物:《基层建设》2019年第29期
论文发表时间:2020/3/16
标签：车门论文; 系统论文; 门控论文; 数据论文; 状态论文; 电机论文; 地铁论文; 《基层建设》2019年第29期论文;