车门是地铁车辆的重要组成部分，地铁车辆的客室门在运营中频繁地使用(运营中平均每2 min就须开关门1次)。

人们乘坐地铁，必须通过车门到达客室。列车在站台每一次乘降，乘客都需要开关车门，过程不能有一点失误。列车在区间内，能保证乘客安全的还是车门。如果在区间列车车门突然打来，会对客室里的乘客带来相当大的危害。因此，车门对人们的生命安全起着至关重要的责任。

一辆地铁主要有三类门，分别是司机室门、客室门和紧急疏散门。

之前我们的文章《干货！地铁车门知多少》按不同的驱动方式、开启方式和用途，介绍了地铁车门的多种类型。

今天，我们来讲讲地铁车门需要用到的部件、车门系统的构成以及地铁车门系统的常见故障和故障诊断方法。

车门需要用到的部件

其中客室车门主要包含的部件以及技术参数如下：

司机室侧门包含的部件以及技术参数如下：

紧急疏散门主要包括门扇、空气弹簧、铰链、密封框架、疏散坡道、链条和防护罩几个部分。门扇依靠两个铰链安装在车体骨架上，密封框架、疏散坡道依靠侧面螺栓和地面螺栓安装在车体司机室，门扇中上部分设置有瞭望玻璃，为司机提供了视窗。

车门系统的构成

车门系统由车门、机构锁组成、紧急解锁装置、传动装置、隔离锁闭装置构成。

车门简介：

机构锁组成：

紧急解锁装置：

内外侧紧急解锁装置：为使乘客在客车出现意外危险的情况下可以迅速疏散，特为专门的门配备紧急解锁拉手。通过钢丝绳组成将紧急解锁拉手与机构锁组成相连接。当操纵紧急解锁拉手时，也会使锁钩旋转从而将锁闭撞轴释放出来实现解锁，同时触发相应的行程开关，提供门被紧急解锁信号。

紧急解锁装置分为车体内部和外部两种：

传动装置：

传动装置由驱动电机组成、齿带、齿带轮组成等零部件共同组成。

隔离锁闭装置：

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。

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。

注：本文由中国e车网原创整理，转载请注明出处！