2. 城轨车辆关键系统与运维对象

智能运维与故障预测不是悬在空中的算法，它必须落到具体的物理对象上。城轨车辆由若干功能相对独立、又通过电气与机械接口紧密耦合的系统组成，其中走行部、牵引系统、制动系统、车门系统、空调系统是运维工作量最大、故障影响最直接的五类核心对象。理解它们的结构组成、功能边界和典型故障模式，是后续布置传感器、选择特征量、建立健康指标的前提。本节按“功能—关键部件—常见故障模式—可观测信号”的线索逐一梳理，最后给出五类对象的整体关系视图。

走行部：承载、导向与走行的基础

走行部是车辆与钢轨直接接触的部分，典型组成包括构架、轮对（车轴与车轮）、轴箱及轴承、一系悬挂（弹簧、减振器）、二系悬挂（空气弹簧、抗侧滚扭杆、横向减振器）、牵引装置和基础制动安装座。它的功能可以概括为三点：承载车体重量并均匀分配到各轮对；引导车辆沿钢轨运行并顺利通过曲线；衰减来自轮轨的振动与冲击，保证运行平稳。

走行部的常见故障模式具有明显的“渐进性”和“耦合性”。车轮踏面损伤（擦伤、剥离、多边形磨耗）多由制动滑行、轮轨黏着不足或长期运营磨耗引起，表现为周期性冲击和振动；轴承故障（内圈、外圈、滚动体剥落）会在早期产生特定频率的冲击脉冲，是振动与温度监测的重点；空气弹簧漏气或失效会导致车体高度异常、左右偏载；悬挂部件老化则表现为减振能力下降、振动传递率上升。可观测信号主要包括轴箱振动加速度、轴承温度、构架振动、空气弹簧气压与车体高度、轮轨力（在试验或特定监测条件下）。这些信号大多具有“早期微弱、后期突变”的特点，适合用趋势分析和阈值加变化率联合判断。

牵引系统：能量转换与速度控制的核心

牵引系统负责将接触网（或第三轨）电能转换为轮对上的牵引力，并在制动时实现电制动回馈。典型链路为：受电弓/集电靴取流 → 高速断路器与牵引变压器（或直接直流供电）→ 牵引变流器（整流、中间直流环节、逆变）→ 牵引电机 → 齿轮传动 → 轮对。核心部件包括牵引电机、变流器功率模块（IGBT）、冷却单元、速度传感器和牵引控制单元。

牵引系统的故障模式与电力电子和电机特性密切相关。功率模块老化或击穿会导致变流器输出异常、牵引力下降甚至封锁；牵引电机轴承磨损、绝缘劣化、匝间短路会引起电流不平衡、温升异常和振动；冷却系统故障（风机停转、风道堵塞、冷却液泄漏）会使功率模块或电机温度快速上升，触发降功率保护；速度传感器故障则造成控制失稳或防空转误动作。可观测信号包括电机三相电流与电压、功率模块温度、冷却介质温度与流量、电机轴承振动、转速信号。电流频谱中的边频成分、温度上升速率是常用的早期特征。

制动系统：安全冗余与精确停车

城轨车辆普遍采用电制动与空气制动协同的制动方式。电制动由牵引系统实现，优先使用并回馈能量；空气制动由制动控制单元、制动风缸、制动夹钳/闸瓦和防滑装置组成，作为低速补充和安全冗余。制动系统的功能是保证常用制动平稳、紧急制动可靠，并实现精确停车。

常见故障模式包括：制动缸压力不足或泄漏导致制动力下降；闸瓦/闸片磨耗到限影响摩擦性能；防滑阀卡滞或速度传感器异常引起防滑误动作或失效；空压机故障或干燥器失效造成风源压力不足、管路积水；制动控制单元通信或阀件故障导致制动指令不执行。可观测信号有制动缸压力、总风压力、空压机运行状态与电流、闸瓦磨耗量（部分车型可测）、制动指令与反馈的一致性。制动系统对“指令—响应”一致性要求极高，因此对比指令值与实际压力是最直接的诊断手段。

车门系统：高频动作与乘客安全界面

车门系统是车辆中动作最频繁的机电部件之一，典型组成包括门控单元、驱动电机、传动机构（丝杠或皮带）、门扇、锁闭机构、密封条和障碍物检测装置。其功能是在站台安全、准确地完成开关门，并具备防夹和故障隔离能力。

车门故障在运营中占比很高，常见模式有：开关门阻力增大（导轨异物、润滑不足、密封条老化）导致动作时间变长或到位失败；门控单元或电机故障造成无法开关；锁闭机构磨损引起锁闭信号丢失；障碍物检测误触发导致反复开关；密封条老化影响隔声与防水。可观测信号包括开关门时间曲线、电机电流波形、门位置反馈、锁闭开关状态和故障代码。电机电流在开关门过程中的“形状”变化，往往比单一阈值更能反映阻力异常。

空调系统：乘客环境与设备散热

空调系统由压缩机、冷凝器、蒸发器、节流装置、送风机、回风机、控制单元和风道组成，承担客室温度调节、通风换气和部分设备散热功能。其运行状态直接影响乘客舒适度，也与整车能耗相关。

常见故障模式包括：制冷剂泄漏导致制冷量下降；压缩机故障（启动异常、过流、过热）造成不制冷；冷凝器脏堵或风机故障引起高压保护；蒸发器结霜或滤网堵塞导致风量不足；温度传感器漂移造成控制失准。可观测信号有送/回风温度、压缩机电流与启停频率、系统高低压、风机状态和滤网压差。空调系统的故障往往表现为“性能缓慢下降”，适合用能效比和降温速率等派生指标做趋势监测。

从物理对象到运维数据对象

把上述五类系统放在一起看，会发现它们的运维逻辑并不相同。走行部和车门系统更依赖机械动作与振动特征，牵引和制动系统更强调指令—响应一致性与电气量，空调系统则偏向热力性能与能效趋势。因此，在智能运维建设中，不能对所有系统套用同一套阈值和模型，而应先明确每个系统的“可观测点—特征量—故障模式”对应关系。

以走行部轴承为例，一个可操作的监测配置思路是：在轴箱处布置振动加速度传感器，采样率不低于 10 kHz，按固定时间窗计算均方根值和包络谱中轴承特征频率处的幅值；同时采集轴承温度作为辅助量。判断时不宜只看单次超限，而应观察包络幅值在数周内的上升斜率，并结合温度是否同步上升。若振动包络持续上升而温度基本稳定，多指向早期剥落；若两者同时快速上升，则需警惕润滑失效或严重损伤。这类“特征量+趋势+多信号交叉”的方法，正是故障预测区别于定期检修的关键。

再以车门为例，可在门控单元中记录每次开关门的电机电流曲线和动作时间。正常开关门电流呈“启动—平稳—到位”的形态；当导轨阻力增大时，平稳段电流整体抬高、动作时间延长。把同一车门连续若干次的动作时间做成趋势线，比单次是否超时更能提前发现劣化。这说明运维对象的物理特性决定了特征提取方式，而特征又决定了预测模型能否有效工作。