试论地铁列车车门系统故障分析及诊断方法

葛兰云

新疆铁道职业技术学院

试论地铁列车车门系统故障分析及诊断方法

葛兰云

新疆铁道职业技术学院

随着我国交通体系建设的不断完善，地铁逐渐成为人们日常生活中愈加常用的交通工具，与此同时，地铁运行安全问题也受到越来越多的关注和重视，而车门系统作为地铁列车的主要组成之一，如果列车车门系统出现故障，将会对列车正常运行造成比较严重的影响。本文就围绕地铁列车车门系统故障加以分析，并探讨其故障的诊断方法。

地铁列车；车门系统；故障分析

前言

相比于传统形式的交通方式，城市轨道交通系统的出现和普及，在人们出行方面，提供较大程度的便利条件，在缓解交通压力、降低交通事故发生率方面具有比较显著的贡献，另外，轨道交通还具备污染少、更环保、速度快、运量大等一系列优势特点。而随着科学技术的不断创新，地铁列车的功能性也更强，其结构也更加复杂。

一、车门系统概述

车门系统作为地铁列车的主要组成之一，对于列车的安全性和稳定性具有非常关键的影响，根据数据显示，在地铁列车的引发交通事故中，其中超过30%的事故是由车门系统的故障所引起的[1]。从驱动系统的角度区分，地铁列成的车门可以划分为气动式和电动式。其中气动式车门是由驱动气缸来提供动力的，而电动式车门系统需要由电机来提供动力，电动式电机又可划分为直流电机和交流电机。

根据车门的安装位置，又可将地铁车门区分为内藏式、外挂式和塞拉式。

其中内藏式车门的组成部分包括导轨、门叶、传动部分、锁闭环节、解锁环节以及电气控制系统等；塞拉式车门的组成部分包括导轨、门叶、传动部分、制动部分、解锁环节以及车门旁路部分等；外挂式车门的组成部分包括门叶、直流电机、悬挂系统、传动部分以及电子门控系统等[2]。

二、车门故障与原因

在地铁运行路线中，各站点之间距离及运行时间较短，地铁车门的开关频率较高，因此车门系统的中门控器件损坏的可能性比较大，进而容易引发地铁列车车门系统故障。在地铁列车的引发交通事故中，其中超过30%的事故是由车门系统的故障所引起的。其中电气类故障约占车门故障总数65%以上，机械类车门故障约为35%。车门系统故障的发生，轻则影响地铁的正常运行，导致列车延误；严重情况下，可能会导致裂成不按牵引运行，甚至造成人员伤亡。

地铁列车的车门故障大致可归纳为两大类，即电气类故障和机械类故障，其中电气类故障通常包括，由门控元器件、制动器、继电器等电气原因造成的车门开关环节的故障。如在上海地铁二号线，曾经在列车开、关门过程中，受到周围信号的影响，导致车门系统在开门时，信号消失引发电流瞬间加大，电机控制系统断开，引发车门系统的电气故障，干扰了列车的常规运行[3]。

机械类故障通常包括，车门受力变形或尺寸调整不合理造成的限位开关不动作；机械零件缺损、松动；车门频繁开关导致的尺寸变化等，干扰了列车车门的正常运行。尤其是在早晚的客流高峰段，很多乘客车门处拥挤，极有可能导致车门变形而无法自动关闭，列车也会因此无法正常运行，另外，受频率变化引发振动的干扰，也有可能导致车门配件尺寸的变化，引发固定装置的位置变化。

三、故障诊断方法

地铁列车运行过程中出现车门故障是难以避免的，不过在故障发生时，通常可以根据其表现出的不同征兆，来选择适当的诊断方式，从而准确的分析出故障原因，进而针对性的加以解决。随着科学技术的不断创新，诊断技术也愈加丰富，当前常用的车门故障诊断方法主要有以下几种：

（一）决策树诊断方法

这种方法的原理，是针对问题的不同的特征，通过树状结构来表现决策合集，并借助信息理论对问题的属性加以分析，决策树的节点表示的是不同问题的属性，利用属性来区别分支，从而形成树状结构。这种诊断方面不受车门故障类型的限制，将决策树诊断法应用到车门故障的分析中，具有比较显著的安全性和稳定性，可以通过对故障数据加以分析，并总结故障发生规律，建立故障树模型，从而实现对故障的明确分类。以某城市地铁为例，以其车门故障历史数据为依据，借助决策树诊断法，建立车门系统故障树，将车门故障进行了比较明确的分类。利用决策树诊断方法，不但可以以车门故障的类型加以分类，还可以根据车门故障的严重程度加以区分[4]。相比于其它诊断方法，决策树诊断法的计算流程简便，而且准确率较高，基本可以保障在95%以上。

（二）贝叶斯网络诊断方法

贝叶斯网络需要借助图形的表现形式，来构建概率模型，通过这个模型能够反映出定性与定量信息，即便在车门故障相关数据不完整的环境下，也能够比较精准的计算出车门系统故障概率。贝叶斯网络主要应用于分析故障与征兆之间的复杂关系，而且能够利用故障信息判断出造成故障的可能因素及其概率。有研究人员对车门故障数据加以分析，从中总结故障知识，并将各种可能引发故障的原因加以总结，形成一个集合，以车门部件甚至元件为子系统，添加到故障原因集合、故障类型集合等不同集合中，并以此为依据建立三级贝叶斯网络，对车门故障加以诊断分析。应用贝叶斯网络诊断方法，得出北京市2016年地铁车门故障概率为0.005%，实践结果表明，该诊断方法的计算结果误差极小。

（三）人工神经网络诊断方法

人工神经网络诊断法主要应用于地铁车门机械类故障的诊断。该方法依据的是人体神经元的工作原理，这套系统不但具有自学习和自组织的功能，而且还具有预测控制的作用。将人工神经网络法应用到车门故障的诊断中，首先要选取一定数量的车门故障样本，并对这些样本加以训练，从而得到神经网络的权值和阈值，并对该数值加以适当修正，进而通过对样本的识别，来确定车门故障的原因。有学者借助人工神经网络系统，对地铁列成的移动轨迹加以分析，从而得到了车门速度以及气流分布的变化情况，并以此建立模型，根据该模型来分析车门位移时的暂态、频率等特征，将其与实际测量值加以对比发现。应用人工神经网络法进行仿真实验，对上海地铁站去年发生的150次车门故障加以诊断，结果表明，该方法的诊断准确率超过90%。

结语

本研究首先对车门系统进行概述，然后从电气故障和机械故障两个角度，对地铁列车的车门系统常见故障加以研究，分析其故障发生原因，并提出决策树法、贝叶斯网络法以及人工神经网络法等对车门故障加以诊断，希望本研究能够为地铁列车的车门故障分析及诊断，提供全面且充实的依据。

[1]沈碧波，佘维，叶阳东，贾利民.一种基于TC-CPN的城轨列车车门故障溯因诊断方法[J].铁道学报，2016，04（09）:51-58.

[2]彭松，黄志辉，胡奇宇.基于EMD与SVM的地铁列车滚动轴承故障诊断方法分析[J].科技创新与应用，2016，23（09）:36.

[3]张亦农.浅析地铁门控系统的故障树诊断方法研究[J].工程建设与设计，2016，16（09）:72-73.

[4]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，2017，01（09）:106-107+167.