摘要：城市轨道交通的快速发展对列车运行安全性和可靠性提出了更高要求。走行部作为列车关键部件，其状态直接影响行车安全。本文旨在综述城轨车载走行部故障检测系统的研究现状与发展趋势。首先，系统阐述了走行部常见的故障类型，并深入分析了这些故障对列车运行安全及稳定性的影响；其次，全面介绍了振动分析、声学诊断、温度监测及机器视觉等关键检测技术的基本原理、实施方法、各自优缺点以及具体适用范围，同时，通过必要的公式和数学模型进行了详细阐释；接着，深入探讨了车载故障检测系统的总体架构设计，详细分析了其关键组成部分，包括数据采集、传输、处理、存储与显示模块，并阐述了相应的设计原则；最后，深入分析了当前面临的主要技术挑战，包括强噪声背景下的微弱信号提取、多源异构数据融合、实时在线诊断算法、复杂工况适应性以及深度学习应用中的问题，并展望了未来的发展方向。

关键词：城市轨道交通；走行部；故障检测；状态监测；传感器技术；信号处理

1. 走行部故障及其对列车运行的影响

城市轨道交通系统在现代城市交通中发挥着至关重要的作用。列车走行部作为承载、导向和驱动列车的核心部件，其健康状态直接关系到列车的运行安全、平稳性和乘坐舒适性。走行部主要由轮对、轴箱、齿轮箱、牵引电机、构架以及一系和二系悬挂系统组成[1]。

列车长期运行后，走行部组件会因复杂的动态载荷、环境侵蚀及材料老化等因素，不可避免地遭遇多种故障。若未能及时发现并处理这些故障，轻则列车运行品质受损，重则可能酿成重大行车事故。因此，对走行部进行实时、准确的状态监测和故障诊断具有极其重要的意义。

走行部常见故障可归纳为以下几类：（1）轮对故障： 轮对擦伤是由于车轮与钢轨之间的滑动摩擦造成的局部磨损；轮对多边形是指车轮圆周上出现多个磨耗峰，形成非圆形状；轮对失圆指车轮半径偏离正常值；轮辋裂纹是由于疲劳或冲击产生的裂纹，严重时会导致轮对断裂；踏面剥离是指轮对踏面材料的块状剥落。（2）轴箱轴承故障： 滚动体损伤包括点蚀、剥落等；内外圈损伤同样有点蚀、剥落；保持架损伤包括断裂、变形；润滑不良导致轴承温度升高、加速磨损。轴承故障的特征频率可由以下公式计算：

内圈故障频率： f_i = （n/2） * f_r * （1 + （d/ D） * cos（α））

外圈故障频率： f_o = （n/2） * f_r * （1 - （d/ D） * cos（α））

滚动体故障频率：f_b = （D/2d） * f_r * （1 - （d/ D）² * cos²（α））

保持架故障频率：f_c = （1/2） * f_r * （1 - （d/ D） * cos（α））

其中，n 为滚动体数量，f_r 为转速，d 为滚动体直径，D 为轴承节圆直径，α 为接触角。

齿轮箱故障： 齿轮断齿严重影响传动；齿面点蚀产生噪声和振动；齿面磨损降低传动效率；齿轮箱漏油导致润滑失效。齿轮啮合频率及其谐波是齿轮箱故障诊断的重要依据。

牵引电机故障： 定子绕组故障包括短路、断路；转子绕组故障类似定子；轴承故障与轴箱轴承类似；冷却系统故障导致电机过热。

构架故障： 构架裂纹和焊缝开裂是由于疲劳或冲击产生的，会随着运行时间的增加而扩展。

悬挂系统故障： 一系/二系弹簧失效（断裂、刚度退化）、减振器失效。

这些故障将加剧列车的振动，增大噪声，导致运行不稳定，严重时甚至可能引发脱轨事故。

2. 走行部故障检测技术

走行部故障检测的关键在于能够精确且可靠地捕捉并分析反映部件健康状态的物理信号。这些信号通常受到复杂工况和环境噪声的干扰，因此需要采用先进的传感技术和信号处理方法。本节将详细介绍振动分析、声学诊断、温度监测和机器视觉等主要检测技术的原理、方法、优缺点及适用范围[2]。

2.1振动分析

振动信号是旋转机械和往复机械中最普遍、包含信息最丰富的状态信号之一。走行部各部件在正常运行时会产生固有的振动，而当故障发生时，振动信号的特征会发生显著变化。振动分析通过测量和分析这些变化来识别故障。通常使用压电式加速度传感器或微机电系统（MEMS）加速度传感器来采集振动信号。

振动信号的处理方法主要包括时域分析、频域分析和时频分析，其中时频分析技术包括小波变换、W-V分布、短时傅立叶变换、S变换等。时域分析直接对振动信号的时域波形进行分析，提取一系列统计特征参数来表征振动状态，如均方根值、峰值、峭度、波形因子等。虽然这些参数的计算相对简单，但它们难以有效区分不同类型的故障。频域分析借助傅里叶变换技术，将原本处于时域中的信号转换至频域，进而详细剖析信号的频率构成及其对应的幅值大小。不同类型的故障会产生特定的特征频率，例如轴承的内圈、外圈、滚动体和保持架故障都有各自对应的特征频率。通过分析频谱中的特征频率及其幅值变化，可以识别故障类型和严重程度。常用的频域分析方法包括功率谱密度分析和包络谱分析。面对频率成分随时间不断变化的非平稳信号，传统的傅里叶变换方法显得力不从心，因为它无法有效揭示信号的局部时频特征。时频分析方法可以同时提供信号的时域和频域信息，适用于分析走行部故障产生的非平稳振动信号。常用的时频分析方法包括短时傅里叶变换、小波变换、维格纳-维尔分布和经验模态分解等。振动分析技术成熟、应用广泛，对轴承故障、齿轮故障等较为有效，但易受背景噪声干扰，对微弱故障信号的提取能力有限。

2.2声学诊断

走行部各部件在运行过程中会产生噪声，这些噪声携带着部件的健康状态信息。声学诊断技术则是通过分析这些噪声信号中所蕴含的信息，来准确识别出故障所在。常用的传感器包括麦克风和声发射传感器。麦克风测量空气中的声压变化，获取声波信号。声发射传感器则检测材料内部由于缺陷扩展或塑性变形产生的瞬态弹性波。声学信号的处理涵盖了声压级分析、频谱分析、包络检测、声发射参数解析、声源定位技术及盲源分离等多个方面。其中，声压级分析主要用于衡量噪声的整体强度。频谱分析与振动分析中的频域分析类似，将声学信号转换为频域信号进行分析。包络分析则用于提取被调制的声学信号中的低频故障特征。声发射参数分析则提取声发射事件的特征参数，如幅度、能量、持续时间等，用于评估缺陷的活动性和严重程度。声源定位利用多个麦克风组成的阵列来确定声源的位置。盲源分离则在不知道声源和传播路径的情况下，从多个麦克风采集的混合信号中分离出各个声源信号。声学诊断的优点是非接触测量，可实现早期故障检测（特别是声发射技术），但易受环境噪声影响，信号分析较为复杂。

2.3温度监测

走行部许多故障（如轴承故障、齿轮箱故障、电机故障）会导致部件温度异常升高。温度监测技术通过监测关键部件的温度波动来评估其运行状态。常用的传感器类型有热电偶、热电阻以及红外热像仪等。热电偶和热电阻需要与被测物体接触，而红外热像仪可以进行非接触测量。温度数据的分析方法相对简单，主要包括阈值报警（设定温度阈值，超限报警）、趋势分析（分析温度随时间的变化趋势）和差值分析（对比不同位置或不同时间的温度差异）。温度监测的优点是简单直观，易于实现，但对某些故障（如轮胎擦伤）不敏感，且温度变化可能滞后于故障的发生。

2.4机器视觉

机器视觉技术通过摄像机捕捉走行部的图像信息，运用图像处理和模式识别算法，能够自动识别诸如裂纹、擦伤、变形等外观缺陷。根据具体的检测需求，需选用合适类型的摄像机，并配置恰当的照明条件以确保检测效果。图像处理与分析过程通常包括预处理（图像去噪、灰度校正、图像增强等）、特征提取（提取图像中能够表征缺陷的特征，如边缘特征、纹理特征、形状特征）和缺陷识别（基于提取的特征，利用模式识别方法或深度学习方法对缺陷进行分类和识别）。深度学习方法，特别是卷积神经网络，特别适合处理复杂的图像识别任务。机器视觉的优点是直观、可检测外观缺陷，但需要良好的光照条件，且对内部缺陷不敏感。

3. 车载走行部故障检测系统

车载走行部故障检测系统是一个集数据采集、传输、处理、存储与显示于一体的综合系统。其总体架构通常包括以下几个关键组成部分[3]：

数据采集系统： 负责采集反映走行部状态的各种物理量信号。包括传感器选择与布置、信号调理电路、模数转换器等。传感器选择需要根据检测对象和故障类型确定，例如，轴承故障检测通常选用加速度传感器或声发射传感器，轮对擦伤检测可选用图像传感器。传感器应尽可能贴近故障源布置，同时需兼顾安装的实际可行性及抵御环境干扰的能力。

数据传输系统： 负责将采集到的数据实时、可靠地传输到车载数据处理单元。常用的传输方式包括有线传输（如控制器局域网总线、工业以太网）和无线传输（如 Wi-Fi、4G/5G）。

数据处理系统： 负责对采集到的数据进行预处理、特征提取、故障诊断和状态评估。

预处理： 包括数据滤波、降噪、去趋势等，以提高数据质量。

特征提取： 从原始数据中提取能够表征故障的特征参数。例如，对于振动信号，可提取时域特征（均方根值、峭度等）和频域特征（各特征频率分量的幅值）。

故障诊断： 基于提取的特征，利用模式识别、专家系统、机器学习等方法，判断故障类型和严重程度。常用的故障诊断算法涵盖支持向量机、人工神经网络以及贝叶斯网络等多种技术。

状态评估/预测： 评估走行部整体健康状态，预测剩余使用寿命，为预测性维护提供决策支持。

数据存储与显示系统： 负责存储历史数据和实时数据，并以图形、表格等形式显示检测结果和诊断结论，方便用户查看和分析。

4. 结论与展望

本文系统综述了城轨车载走行部故障检测系统的研究现状。走行部故障检测是保障列车安全运行的关键技术。当前，振动分析、声学诊断、温度监测及机器视觉等技术已被广泛应用于走行部故障检测，车载故障检测系统亦已初步成型。然而，现有故障检测技术与系统尚存缺陷，尤其是在强噪声环境下，微弱故障信号的提取仍是一大难题。多源异构数据的有效融合仍需深入研究，以充分利用不同传感器提供的信息；实时在线故障诊断算法的效率和准确性尚待提升，以匹配车载系统的实时性需求。复杂工况下（如变速度、变载荷）的故障诊断适应性不足，需要开发更具鲁棒性的算法；尽管深度学习等人工智能方法在故障诊断领域前景可期，但仍面临数据标注难、模型解释性差等挑战，亟需深入研究与改进。城轨车载走行部故障检测系统将朝着智能化、集成化、网络化、云化和标准化的方向发展。智能化方面，将进一步融合人工智能、大数据等技术，实现故障的自动识别、智能诊断、预测性维护以及自适应调整，减少人工干预，提高系统的自动化水平。集成化方面，将振动、声学、温度、视觉等多种检测技术更加紧密地融合于一个系统之中，实现多源信息的无缝整合，从而全面提升检测的全面性与准确性，并有效减少误报与漏报的情况。网络化方面，借助无线网络技术，将多个列车的检测系统紧密相连，实现数据的即时共享、远程高效诊断以及协同维护，共同构筑起一个智能化的列车健康管理网络体系。云化方面，通过云计算平台的运用，海量数据得以高效存储、处理与分析，进而显著提升了系统的可扩展性与灵活性，同时支持更为复杂的算法与模型运行，实现了更深层次的数据挖掘与知识发现。标准化方面，制定统一的故障诊断技术标准和规范，如新华都智能故障诊断模型更新专利所示，将有助于促进技术的推广应用，提高不同系统之间的兼容性和互操作性，降低开发和维护成本。随着这些技术的发展和应用，未来的城轨车载走行部故障检测系统将更加智能、可靠、高效，为城市轨道交通的安全、稳定运行提供更强有力的保障[4]。

参考文献：

[1]于海宁，朱红岗.基于LCU的城轨车辆客室车门控制及故障检测系统设计[J].无线互联科技，2024，21（01）：55-57+81.

[2]尹力，陈德立，谭国旭.基于双边阈值算法的城轨齿轮箱故障检测系统设计[J].机电技术，2023，（02）：36-41.DOI：10.19508/j.cnki.1672-4801.2023.02.011.

[3]马庆杰，程佳，王国庆.城轨车载走行部故障检测系统研究与设计[J].中国设备工程，2022，（14）：82-84.

[4]邬春晖，夏志成，高一凡，等.城轨列车走行部地面检测系统研究与设计[J].都市快轨交通，2021，34（04）：69-74.