基于小波的健康监测方法：利用电机电流分析来监控火车门的开关情况 作者：Yaojung Shiao, Premkumar Gadde 和 Manichandra Bollepelly

《Sensors》：Wavelet-Based Health Monitoring Approach for Train Door Actuation Using Motor Current Analysis Yaojung Shiao, Premkumar Gadde and Manichandra Bollepelly

　　**摘要**
列车车门驱动系统是铁路车辆中的关键安全部件，早期故障检测对于确保安全运行和减少服务中断至关重要。传统的监测方法通常依赖红外探测器或视觉系统等额外传感器，这会增加系统的复杂性和成本。为了克服这些限制，本研究提出了一种基于小波的健康监测结构，利用电机电流信号分析来检测电气和机械故障。在MATLAB/Simulink中开发了列车车门驱动机制的动态模型，包括直流电机、齿轮箱和丝杠，以模拟电枢电气故障、刷子磨损、摩擦增加和丝杠错位等情况。使用离散小波变换（Daubechies (db10) 母小波）分析电机电流信号，提取基于小波系数L1范数的诊断特征（W8和W9层）以及电机启动电流峰值。通过基于LabVIEW的测试平台进行的实验验证显示，故障检测准确率超过96%，响应时间低于0.3秒，证实了该方法在铁路车门系统预测性维护中的有效性。

**1. 引言**
列车车门系统是现代铁路车辆中最关键的安全子系统之一，因为它们直接关系到乘客安全、可靠的登车操作以及列车运行过程中的事故预防。铁路运营报告显示，近30-40%的服务延误和运营故障与车门驱动和控制机制的故障有关[1]。此类故障通常由机械退化（如部件磨损和传动元件的摩擦增加）以及直流电机驱动系统内的电气故障引起。这些问题会降低运营效率，更重要的是会带来潜在的安全风险，同时影响整个铁路系统的可靠性。为了减少与车门操作相关的事故，已在铁路车门机制中实施了各种基于传感器的障碍物检测系统。传统方法通常使用红外传感器或敏感的边缘传感器来检测关门过程中的物理障碍物。尽管有效，但这些系统需要额外的硬件、定期校准，并且容易受到环境条件的影响。最近，人们探索了使用深度学习的基于视觉的监测方法。例如，Tan等人提出了一种深度微分分割神经网络（DDSNN），能够在复杂环境中检测外来物体，而Liu等人引入的AnoDet框架实现了超过97%的检测准确率[2,3]。同样，Yan等人开发了一种用于地铁系统中的对象检测的深度学习模型[4]。尽管这些方法具有较高的准确率，但它们依赖于相机系统和高计算量，因此容易受到光照条件、遮挡和较高处理要求的影响。作为替代方案，基于电流的监测方法因其简单性和成本效益而受到关注。这些方法利用机械负载变化与电机电流响应之间的关系[5]。Liu等人的早期工作展示了基于反电动势的故障检测方法，而Michal和Li等人的研究表明，电机电流信号中的纹波成分可以指示障碍事件[6,7,8]。尽管有效，但这些方法往往对噪声敏感，主要依赖于时域或频域分析，可能无法完全捕捉电机电流信号的瞬态和非稳态特性。

电机电流分析已广泛应用于各种领域，包括汽车电源窗的防夹保护和使用于电机诊断，其在检测电气和机械异常方面表现出有效性[9,10,11]。然而，许多方法主要依赖于时域或频域分析，可能无法充分捕捉电机电流信号的瞬态和非稳态特性，尤其是在列车车门机制等动态系统中。为了解决这些限制，越来越多地采用基于小波变换的方法来分析机电系统中的非稳态信号。Mallat提出的多分辨率分析框架允许将信号分解为多个频率带，从而在时间和频率域中进行局部特征提取[12]。基于这一概念，离散小波变换（DWT）已被用于电机故障诊断。例如，Liu等人使用小波阈值技术提高了纹波信号的清晰度，而Wu等人证明了基于小波的诊断在列车车门测试平台中的有效性[13,14]。此外，电机电流特征分析（MCSA）被认为是一种非侵入式且实用的诊断方法。Miljkovic和Majdi的研究表明，它无需额外传感器即可检测电气故障。然而，这些方法通常侧重于稳态条件，在捕捉瞬态故障行为方面效果有限[15,16]。

信号处理技术的进一步发展增强了诊断能力。Daubechies提出的正交小波基有助于改进时频定位，便于检测与电气故障和负载变化相关的短时干扰[17]。Douglas等人的后续工作引入了基于小波的瞬态分析方法，与传统频谱技术相比具有更高的灵敏度[18]。尽管有这些进步，大多数研究仍限于工业电机应用，并未充分解决涉及多个组件同时交互的复杂机电系统（如铁路车门机制）问题。最近在状态监测领域的研究越来越多地探索数据驱动和基于深度学习的方法，这些方法在复杂检测任务中表现出强大的性能。然而，这些方法通常需要大量数据和高计算资源，并且往往作为黑箱模型运行，限制了其在实时铁路系统中的可解释性和实际应用。相比之下，基于信号和物理的方法提供了更高的透明度和更低的计算复杂性，使其更适合嵌入式应用。

现代监测系统中的另一个重要考虑因素是不确定性处理。先进的技术（如基于贝叶斯推断的框架）明确地对系统行为和测量中的不确定性进行建模，以提高诊断可靠性[19]。虽然有效，但这些方法往往涉及增加的建模复杂性，并需要对系统参数有准确的先验知识。此外，在铁路系统等安全关键应用中，可解释性已成为一个关键要求。许多先进的数据驱动方法缺乏明确的物理解释，使得难以将诊断结果与实际系统行为联系起来，从而限制了它们在维护决策中的实用性。在这方面，所提出的方法采用基于信号和物理可解释的故障诊断框架。该方法不依赖于数据密集型模型，而是利用电机电流信号结合基于小波的特征提取来识别故障条件。选定的特征（包括W8和W9系数以及电机启动电流特性）提供了明确的物理意义，使得可以直接解释机电故障机制。此外，所提出的框架计算效率高且无需传感器，适合在实际铁路系统中实时应用。

其他研究探索了改进的小波阈值技术，以减少电机电流信号中的噪声并提取特征[20]。然而，这些研究主要关注工业电机，而对涉及齿轮箱、丝杠、滚轮和滑动门组件等交互组件的复杂机电系统（如铁路车门机制）关注较少[21,22,23]。此外，Teel-Jongebloed的研究表明，通过电流信号的统计分析可以识别直流电机中的磨损等退化机制，突显了基于电流的监测在检测电气和机械故障方面的潜力[13]。

为了更清楚地了解现有方法，表1总结了相关研究及其主要贡献和局限性。可以看出，基于视觉的方法实现了高检测准确率，但它们依赖额外硬件，并且通常容易受到光照变化和遮挡等环境条件的影响。相比之下，基于电流的方法提供了更简单且更具成本效益的替代方案，但许多现有方法主要关注稳态或故障后的检测，在捕捉瞬态和早期退化方面能力有限。此外，大多数研究分别处理电气和机械故障，并未专门针对如列车车门机制这样的集成机电系统设计。

**2. 方法论与仿真**
所提出的框架整合了仿真建模、小波信号处理、特征提取和基于规则的诊断分类。该过程包括：电机电流采集、小波分解、W8和W9系数的提取及MSC峰值、阈值比较以及故障分类。

**2.1. 列车车门系统中的故障仿真**
所提出的健康监测（预诊断）框架旨在在列车车门驱动系统的电气和机械故障发展到严重故障之前识别它们。该方法结合了基于MATLAB/Simulink的仿真环境和基于离散小波变换的特征提取，以分析电机电流信号作为系统健康状况的指标。通过分析电机电流波形的变化，所提出的框架能够有效区分正常运行条件、电气异常和机械退化。电气子系统（包括直流电机及其控制电路）通过异常电流特征反映故障，如电枢短路或开路。相比之下，机械子系统（包括齿轮箱、丝杠、滚轮组件和滑动门面板）在摩擦阻力因磨损或错位增加时表现出特征性的电流波动。这些不同的波形模式使得在集成诊断模型中准确区分故障源和严重程度成为可能。

电气故障被模拟为电枢短路和开路，而机械故障则通过摩擦扭矩逐渐超过额定工作限制来建模。每种故障场景生成独特的电流特征，这些特征通过DWT分解以提取用于健康监测分析的区分性时频特征。

**2.1.1. 列车车门驱动系统中的电气故障仿真**
通过改变直流电机的电枢电路参数来模拟列车车门驱动系统中的电气故障，以模拟真实的退化和故障条件，包括线圈短路、开路和逐步恶化。电机启动电流被用作主要的健康指标，因为它反映了每次关门周期中电枢的电气完整性。在正常运行下，MSC保持在指定的容忍范围内，任何显著偏差都表明可能存在电气故障。

**电枢健康监测**
电枢健康状况基于MSC曲线进行评估。监测MSC可以在关键故障发生前进行早期维护干预。MSC受到多种因素的影响，包括电枢电阻的变化、短路、开路、松动的连接或偏心相关故障。在开发的列车车门控制系统仿真模型中，记录了健康状态下的MSC，以建立基线限制。在每次关门事件期间，预诊断算法检查测得的MSC是否在这一健康阈值范围内。如果MSC偏离额定范围，则系统依次检查开路和短路故障。不符合任一条件的情况被归类为未识别的电气故障。

- **电枢短路故障**
直流电机中的短路故障表示绝缘损坏或部分绕组失效，这会大幅降低电枢电阻。在仿真中，通过将电枢电阻设置为0.01 Ω来模拟这种情况，导致电流异常波动，如图1所示。

- **电枢开路故障**
开路故障模拟了线圈断裂或绕组断开的情况。这种故障导致电枢电阻显著增加，在仿真中建模为1 GΩ，如图2所示。用于模拟直流电机电枢开路故障的参数。电机动态行为遵循标准的机电关系，表示为：（1）（2）其中T是电磁转矩，i是电枢电流，J是转子惯量，b是粘性阻尼系数，TL是负载转矩，eb是反电动势。为了模拟逐渐恶化的模式，模拟中加入了额外的故障场景：刷子磨损：模拟为随时间变化的电枢电阻R(t)；轴承摩擦增加：通过增加阻尼系数b来表示；换向器不平衡：转矩常数Kt的周期性波动。每种故障条件都会在电机电流波形中产生不同的失真，例如幅度波动和瞬态尖峰。这些时间特征使用离散小波变换（DWT）进行分析，以提取与早期电气退化相对应的敏感时间-频率特征。DWT系数和MSC趋势作为所提出的健康监测（预诊断）算法中的诊断参数，能够准确分类电枢状态，并在超过预设阈值时生成短路、开路或未识别异常的警报。

2.1.2. 列车门驱动系统中的机械故障模拟
列车门驱动模型的机械子系统包括齿轮箱、丝杆机构、滚轮组件和滑动门面板。通过改变驱动模型中的库仑摩擦参数来模拟机械退化，以模拟磨损、污染和不对准的影响。在正常运行条件下，标称摩擦转矩保持在0.173 Nm。逐渐增加到0.20 Nm表示由于滚轮磨损、灰尘积累或轻微丝杆不对准引起的中度退化。严重故障条件定义为0.29 Nm，模拟超出系统允许极限的过度摩擦，导致门卡住或无法完全关闭。健康监测（预诊断）算法配置为可容忍摩擦增加到0.27–0.28 Nm。超过此阈值时，会触发“摩擦高于阈值”的警报，以在操作故障发生之前启动维护干预。丝杆效率（η）的计算公式为：（3）其中F是推力，P是丝杆螺距，T是施加的转矩。效率的降低表明机械传动路径中的摩擦损失或不对准增加。为了再现真实的退化场景，引入了额外的机械故障：面板不对准：模拟为丝杆上增加的侧向负载转矩；齿轮磨损：通过降低传动效率来表示。

2.2. 使用小波变换进行特征提取
电机电流信号使用离散小波变换（DWT）进行分析，以提取与电气和机械故障相关的瞬态和稳态特征。选择Daubechies（db10）母小波，因为它对非平稳电流信号具有有效的时间-频率定位能力。电流波形被分解成九个级别（W1–W9），并计算每个级别详细系数的L1范数，以量化信号能量分布。较低的分解级别（W1–W4）捕获高频成分，主要是由于开关噪声、电气瞬态和测量干扰。中间级别（W5–W7）反映了具有中等诊断相关性的电气和机械效应的混合。较高级别（W8和W9）代表与机电行为相关的低频成分，如负载转矩变化、摩擦增长和电枢退化。由于早期机械故障和逐渐的电气退化主要表现在这些低频电流中，W8和W9作为系统健康状况的物理意义上的指标，而不仅仅是数学构造。表2总结了在摩擦增加、电枢短路和电枢开路条件下的L1范数值，从而可以比较不同分解级别的故障敏感性。

3. 健康监测（预诊断）算法结构
在MATLAB中开发的健康监测算法通过评估提取的参数（MSC峰值、W8和W9）与定义的阈值进行系统健康状况分类。逻辑流程如下：1. 信号采集 → 2. 小波分解 → 3. 特征提取 → 4. 阈值比较 → 5. 故障分类和警报生成。在故障分类阶段，提取的特征被映射到预定义的诊断范围内，以支持一致和稳健的决策。基于小波的特征（W8和W9）和电机启动电流峰值的阈值范围在图5中进行了说明，该图清楚可视化了不同运行和故障条件下的特征可分离性。图5突出了对应于正常运行、电气故障和机械退化的不同值带。电气异常的特点是MSC峰值和较高级别小波系数的同时增加，而机械故障主要表现为W9系数的逐渐增长，同时MSC幅度相对稳定。通过评估信号在W8–W9–MSC特征空间中的组合位置，算法能够有效区分重叠的故障特征，提高分类可靠性。

3. 实验设置和验证
为了验证模拟结果，开发了一种实验配置来验证所提出的健康监测框架。图7展示了基于CAD设计构建的相应比例缩放的实验原型。该装置包括一个有刷直流电机、丝杠-滚轮组件和滑动门面板，复制了全尺寸火车门的运动学和摩擦行为，同时允许控制故障模拟。图7. 用于验证所提出的健康监测框架的比例缩放实验原型。电机电流通过霍尔效应电流传感器进行监测，采样率为1 kHz，门的位置变化通过位置反馈传感器记录以供验证。数据采集和控制是通过与LabVIEW环境集成的DAQ接口实现的。基于MATLAB的预诊断算法嵌入在LabVIEW中，便于实时数据处理、基于小波的特征提取、故障识别和视觉警报生成。为了评估诊断准确性，检查了三种操作场景：健康状态（基线）：正常运行，摩擦最小且没有电气故障；退化状态：中等摩擦阻力以及轻微的电机磨损，代表早期退化；故障状态：严重的机械错位或电气故障，如电枢短路和开路。对于每种场景，都提取了离散小波变换系数（W8、W9）和电机启动电流峰值幅度。在早期退化过程中观察到W9和MSC幅度的逐渐增加，这预示着障碍物的存在。该系统表现出平均故障检测延迟小于0.3秒，证实了所提出的预诊断框架的快速响应和灵敏度。

3.2. 失效模式与影响分析
进行了全面的FMEA（故障模式与影响分析）来评估火车门驱动系统中的潜在故障风险。评估重点关注四个主要部件：电枢线圈、齿轮箱、带轴承的丝杠和滚轮。每种故障模式都使用标准的FMEA参数进行分析：发生概率（O）、严重程度（S）和检测概率（D），风险优先数（RPN = O × S × D）用于指导维护措施的优先级。分析遵循了Dinmohammadi [24]的铁路车辆可靠性研究中采用的九步程序，如图8所示。该方法包括识别故障机制、对门操作的影响以及分配预防措施，如过流保护、润滑或部件更换。

4. 结果与讨论
本节介绍了基于小波的健康监测（预诊断）框架的仿真和实验验证结果。分析评估了该系统在准确识别火车门驱动机制中的机械和电气故障方面的性能。每种故障场景都从检测准确性、特征灵敏度和诊断可靠性方面进行了检验，证实了所开发方法的稳健性。

4.1. 基于仿真的故障分析
进行了全面的仿真研究，使用0.15 Nm的扭矩指令来评估系统在不同运行和故障条件下的能力。算法持续监测小波系数（W8、W9）和电机启动电流峰值，以评估健康状态。

4.1.1. 健康电枢状态
在正常运行下，电流波形在门运动开始和结束时（0秒和11.1秒）显示出明显的MSC峰值。测得的峰值幅度为24.2 A，处于健康阈值范围内（22 ≤ 峰值 ≤ 35 A），证实了正常的运行状态，没有触发任何警告。这为健康电枢运行建立了基准，如图9所示。

4.1.2. 摩擦故障
接下来模拟了超过阈值（FTH）的摩擦故障。最初，在第一次迭代中电枢被检测为健康状态。当计数超过30次时，函数使用W9和峰值来计算摩擦是否超过了阈值。在稳态下，W9和峰值幅度分别达到了35.1和8.39，均在图10所示的FTH范围内。随后，模拟了摩擦增加（FIMR）故障。同样，电枢最初是健康的。当计数超过60次时，通过W9和峰值计算摩擦是否超过了健康阈值。W9和峰值的稳态幅度分别为26和6，表明处于FIMR范围内，如图11所示。

4.1.3. 电气故障
引入0.01 Ω的电阻导致电流瞬间激增至30 A。相应的小波系数为W8 = 107.7、W9 = 525.6、峰值 = 125.6，均超过了临界限制。算法正确识别出了“电枢短路”并终止了运行。

4.2. 预诊断的实验验证
为了验证仿真结果并评估所提出的健康监测（预诊断）算法的实时性能，使用了第3节描述的LabVIEW集成测试平台进行实验验证。基于MATLAB的诊断功能通过数据采集接口嵌入到LabVIEW环境中，实现了连续信号监测和自动警告生成。实验程序复制了所有主要的故障场景：健康运行、摩擦退化和电枢电气故障。

4.2.1. 健康电枢状态
首先通过控制界面启动关门操作来评估基线健康状态。如图14所示，电机电流显示出一个平滑的瞬态轮廓，最大信号系数峰值在第175个采样点达到32.1 A，略高于模拟值24.2 A。这种偏差归因于电机电感、反电动势和负载惯性的固有参数容差，这些参数是根据数据表数据和测量的电阻及速度估算的。在MATLAB函数中通过调整检测阈值来补偿这些参数偏移。因此，系统正确地将此状态识别为电枢健康状态，并激活了相应的LED指示灯，而没有触发错误警报。

4.2.2. 由摩擦引起的故障
通过在关门过程中手动对门面板施加相反的力量来模拟两种逐渐加剧的摩擦故障。
- 超过阈值（FTH）的摩擦
当施加中等大小的相反力时，诊断算法检测到小波系数W9的幅度显著上升至37.4，MSC峰值达到8.83，如图15所示。这些值超出了多项式拟合模型预测的上限摩擦阈值。系统立即发出了“摩擦超过阈值”的警报，激活了FTH指示灯，并自动停止了门的运动，以防止潜在的卡住或执行器过载。

4.2.3. 需要增加维护的摩擦（FIMR）
然后施加了一个较小的相反力来模拟早期退化。算法检测到W9上升至26.7，峰值升至6.49，如图16所示。这些值处于定义的维护范围内（0.21–0.28 Nm）。系统显示了“需要增加维护”的警告，指示需要检查同时允许继续运行。这些实验证实了W9和峰值幅度趋势对逐渐增加的摩擦的敏感性，验证了算法在故障发生前识别初期机械退化的预测能力。

4.2.3. 电枢电气故障
- 电枢短路
引入0.01 Ω的电阻导致电流瞬间激增至30 A。相应的小波系数为W8 = 107.7、W9 = 525.6、峰值 = 125.6，均超过了临界限制。算法正确识别出了“电枢短路”并终止了运行。

4.2.4. 实验结果的统计验证
为了评估实验结果的一致性，每种运行条件都进行了三次测试，遵循标准工程实践。在每次试验中，记录了关键特征，即电机启动电流峰值和小波系数W8、W9。结果总结在表6中，使用平均值和标准差来显示试验之间的变化程度。表6. 不同条件下提取特征的中心统计分析。结果表明，所有运行条件下的变化都很小，如低标准差值所示。这表明提取的特征在健康和故障状态下都是一致的且可重复的。此外，可以根据特征值清晰地区分不同的故障条件，证实所选参数能有效区分电气和机械故障。总体而言，每种条件内的小变化以及不同条件之间的清晰分离支持了所提出方法的可靠性。这些发现还突显了所提出方法的实际优势。虽然深度学习和贝叶斯推理等先进方法提供了强大的诊断能力，但它们通常涉及更高的计算复杂性和有限的解释性。相比之下，所提出的方法在准确性、可解释性和实际应用之间取得了平衡。使用基于小波的特征提供了对故障行为的清晰物理洞察，且低计算要求使其能够实现实时应用。此外，一致的实验性能证明了该方法在实际运行条件下的稳健性。

4.3. 故障分类性能
评估了所提出的诊断算法在不同故障条件下的分类性能。表7显示了所有运行状态下的高检测准确性结果，包括电枢健康状态下的98.2%、电枢短路故障下的100%、电枢开路故障下的99.1%、摩擦增加下的96.7%以及摩擦超过阈值状态下的97.8%。这些结果证实了所提出的基于小波的监测框架在准确区分电气和机械故障方面的可靠性。提供了一个混淆矩阵来说明算法的分类性能。

4.4. 失效模式与影响分析结果与讨论
FMEA显示，电枢线圈故障，特别是短路和开路故障，表现出最高的临界性，需要立即采取预防措施，包括过流保护和热监测。机械故障显示出中等程度的问题，如齿轮箱齿损坏、丝杠错位和滚轮卡住，表明需要定期润滑、对准检查以及必要时更换部件。识别出了潜在的故障模式，包括电枢短路/开路、齿轮箱齿断裂、丝杠错位和滚轮卡住，原因包括绝缘层破裂、磨损、摩擦、灰尘和过载。使用380型EMU火车的历史数据，为发生概率（O）和严重程度（S）进行了评级，并计算了风险因子（R = O × S）以确定故障的优先级。故障被分为五个临界等级，并推荐了过流保护、部件更换和定期润滑等预防措施。FMEA成功量化了与门驱动故障相关的风险（表8）。失效模式与影响分析（FMEA）不仅用于评估火车门驱动系统中的潜在风险，还用于指导所提出的诊断框架的开发。根据FMEA的结果，在仿真和实验验证过程中，对那些故障值较高的故障（如电枢电气故障和丝杠错位）给予了优先处理。这些故障模式直接影响电机的电流特性，因此成为特征提取和阈值校准的主要目标。例如，影响电枢线圈的电气故障会伴随电机启动电流的显著变化，而与丝杠和滚轮摩擦增加相关的机械故障则会在低频小波系数（W8和W9）上产生可观察到的变化。因此，FMEA分析指导了诊断特征的选择，并支持了所提出的预诊断监控框架中阈值的确定。

4.5 实验验证的局限性和普遍性
尽管实验结果表明所提出的方法效果良好，但在实验室中创建故障的方式仍存在一些局限性。具体来说，电枢短路故障并不是通过物理方式产生的；作为替代方案，使用了预先记录的电流信号。同样，开路状态是通过完全断开电机端子来实现的。虽然这些方法安全且易于控制，但它们并不能完全反映故障在真实系统中的发展过程——在实际系统中，故障通常是逐渐或间歇性地出现的。因此，实验中获得的故障信号可能比在真实运行条件下发现的故障信号更为理想和清晰。在真实的火车门系统中，故障通常发展缓慢，并受到负载变化、环境条件和噪声的影响。因此，尽管所提出的方法在检测故障方面表现良好，但在实际应用中的性能可能会有所不同。然而，使用小波特征和电机电流信号仍然为检测异常行为提供了坚实的基础。通过适当的调整和阈值设置，该方法可以应用于真实系统。在未来的工作中，将考虑更真实的故障条件和来自操作系统实时数据，以进一步验证和完善该方法。

4.6 所提出方法与常规监控技术的比较
为了进一步评估所提出的监控框架的实际意义，将其特性与铁路门系统和电机驱动机制中常用的监控方法进行比较是有用的。这些方法包括基于传感器的障碍物检测、利用深度学习的视觉监控、传统的电流阈值监控以及频域信号分析。表9总结了这些方法与所提方法在监控信号、能力和局限性方面的主要差异。

表9. 所提出的监控方法与常用故障检测方法的比较
传统的基于传感器和视觉的方法需要额外的硬件组件（如红外传感器或摄像头系统），这增加了系统的复杂性和维护要求。传统的电流阈值监控方法能够检测到严重的故障，但由于缺乏对逐渐恶化的敏感性而经常失效。相反，所提出的方法利用基于小波的电机电流信号分析来捕获与摩擦增加和电气异常相关的瞬态机电行为，从而能够在早期发现微妙的退化迹象，支持预测性维护，而无需额外的传感基础设施。

5. 结论
本研究证明，所提出的基于小波变换的监控框架可以实现预诊断检测，即在功能失效或严重的机械故障发生之前识别出早期退化迹象。通过分析电机电流信号，该系统提取了关键特征（即W8和W9系数以及电机启动电流），以区分正常运行、摩擦退化和电枢故障。仿真结果证明了该方法能够准确地识别与摩擦和电气异常相关的故障，并在实际故障发生前生成预测警报。该方法成功检测到了电枢短路和开路情况，而当摩擦增加到阈值限制以上时则触发了维护警告，确保了门的安全可靠运行。使用LabVIEW集成的测试台进行的实验验证确认了仿真结果，检测延迟低于0.3秒，并且测量信号与模拟阈值之间存在强相关性。该算法能够有效区分由障碍物引起的干扰和摩擦干扰，在实际条件下的诊断精度很高。通过结合失效模式与影响分析，对电枢、齿轮箱和丝杠等关键部件进行了优先维护。与传统的基于阈值或依赖传感器的监控方法相比，所提出的方法对与早期摩擦增加和电枢异常相关的细微电流变化具有更高的敏感性。这种提高的敏感性使得能够更早地发现退化，从而延长维护决策的预测时间，并在实际故障发生前采取纠正措施。因此，该方法提供了一种成本效益高、无传感器的解决方案，支持预测性维护，并提高了火车门系统的可靠性和安全性。