文献综述（或调研报告）：
车门系统是地铁车辆最重要的部件之一，且在运营过程中因开闭频繁、环境干扰因素较多，导致系统故障频发。目前，针对地铁车门系统的故障诊断及预测研究多停留在定性的、逻辑分析的层面，尚未开展基于系统运行状态的大数据分析，因此对于系统潜在的性能退化与亚健康状态尚未有有效的监测与预警方法。
首先，前六篇文献主要是关于塞拉门系统的结构分析与各部件退化机理的分析。文献[1]利用FTA（Fault Tree Analysis,故障树分析）对系统的失效模式作了定性与定量的分析，计算出了车门系统的失效率与MTBF（Mean Time Before Failure,平均故障间隔时间），并建立了可靠性仿真模型。文献[2]和文献[3]从机械结构方面入手分析了系统的可靠性设计与可能的故障原理。文章中有对车门系统结构、各部分工作原理及其内部机械运动副的详细描述与图解，从中可知塞拉门系统主要由电气控制装置、承载导向装置与驱动闭锁装置构成，以及在车门反复开合的过程中这些机构的相互关系与运动。结合开关过程的车门理论速度曲线图分析，可发现由于反复开合造成的驱动闭锁装置（电机、联轴器、丝杠）的性能退化是最为显著与应该关注的地方。文献[4]主要聚焦了系统的传动机构中的故障问题。文献[5]通过聚焦滚珠丝杠的摩擦磨损（丝杠的主要退化形式之一）并建立系统蠕变分析模型，得到了蠕变量与丝杠磨损退化的关系及对丝杠机械效率的影响。文献[6]以飞机制动系统为例，为联轴器的退化对于整个物理连接系统和对环境的影响进行了量化分析，或许可为了解塞拉门系统中联轴器对总体的影响最为参考。
接下来的四篇文献主要是针对车门系统故障监测手段的方法论与建模的理论探索。文献[7]是对PHM（Prognostics Health Management,故障检测与健康管理）这一技术的综述，以一攻击战斗机JSF的PHM应用来介绍了PHM技术的内涵、工作原理及功用。了解这一技术的内涵使我们知道技术实现的关键在于数据的收集、对多传感器数据的分析、基于所收集数据的特征提取、最后是借助各种算法构建基于特征的退化模型。文献[8]初步测试了时间序列模型对车门亚健康状态识别的有效性。该试验模拟塞拉门系统的各种亚健康状态，收集电机在开关门过程中的各项数据，通过将数据字符化后计算与模板曲线的距离作为标签，实现了对8种车门亚健康状态的较高正确率识别。这一研究思路基本接近当下对车门系统亚健康状态预测的一般方法，但字符化过程较为繁琐、效率较低。文献[9]是一在业工程师发布于城轨交通期刊的文章，从较为实际和浅显易懂的角度总结了现代化车门系统维保模式的研究思路，本课题所将采用的方法基本上是按这一思路推进的。文献[10]发布于2018的ICMCE，即第二届国际功能材料与化学工程会议上提出的对于构建塞拉门系统的模型并进行状态监测的新构想，不再从历史数据出发，而是直接通过SDG图与Petri网相结合对系统进行动态过程仿真，同时SDG映射和Petri网通过标准表连接，实现在线安全监控。但这种技术对本科生而言研究起来较为困难，因此只作为了解与前瞻而并不采取实用。
接下来的文献基本都是采取利用历史数据提取特征来建立对各机械系统的故障诊断与预测，所应用的特征提取算法与分类模型多样，这里主要查阅了应用EMD（Empirical Mode Decomposition,经验模态分解）方法与小波包分解法作为时频域分析方法，和应用神经网络算法作为分类模型的文献来研读。
EMD法是对观测信号进行分解的常用方法。文献[11]采用基于Hilbert-Huang变换（其中包括EMD与Hilbert变换两个过程）的边际能量谱分析来获取振动能量在整个频域上的大小和分布，实现对退化特征的提取。文献[12]则是采用PCA（Principal Components Analysis,主成分分析）方法对经过EMD法分解后再重新组合的新观测信号进行共性分析，实现对故障源的分离。文献[13]提出基于EMD和SSAE（Stacked Sparse Auto-Encoder,堆叠稀疏自动编码器）的轴承故障诊断方法，用EMD分解出的IMF（Intrinsic Mode Function,本征模函数）构建Hankel矩阵，获得能反映特征的奇异值，以奇异值作为输入样本建立基于SSAE方法的诊断模型，这种方法无需对信号去噪，简化了传统的对滚动轴承故障诊断的特征提取方法。文献[14]是基于EMD为多重故障诊断的包络分析选择合适的信号分量，对比普通的包络分析在分辨多重故障信号上的效果。文献[15]是通过计算包含主要故障信息的IMF分量的模糊熵，从模糊熵值中得到基于样本分位数的特征提取。文献[16]验证了利用EMD和FFT（Fast Fourier Transform,快速傅里叶变换）结合的方法对分析非平稳、非线性滚珠丝杠副离散信号的有效性。
除EMD方法外，小波分解法也是现今越来越常用于信号分解的一种方法，相对于传统的傅里叶变换更加适用于非平稳信号的处理。文献[17]便是采用小波变换作为工具分析了一组故障信号，详细介绍相关理论，并证实了小波分解法对于时域上的局部故障信号诊断的优越性与相对其他方法的灵活高效。文献[18]通过小波包分解的方法得到重要频段的能量谱作为特征向量，再利用PCA法对特征向量降维使故障特征增强，以更便于之后的故障类型识别。文献[19]中利用小波变换和隐马尔可夫模型建立了轴承的退化性能指标，通过将小波处理非平稳信号的能力与隐马尔科夫模型较好的识别能力相结合，进一步证实了其退化性能评估的有效性。
当提取并构造出了状态评估所需的特征集后，需要选取一种分类算法来完成最终的预测。文献[20]介绍了用BP（Back Propagation,误差反传）神经网络算法构建故障分类器的基本原理与网络规模，并应用这一算法构建了一个故障分类器，结合专家系统进行故障分类，与用户交互完成诊断。文献[21]建立基于相空间重构的RBF（Radial Basis Function,径向基函数）神经网络模型，对用小波包变换分解出的继电器信号中的随机项进行预测，再通过小波包重构方法对预测结果进行重构，实现了对原始非平稳径流信号的预测，并验证了这一方法的高精度与可行性。文献[22]与之类似，也是设计了一种结合小波分析与神经网络的智能算法，验证了这一方法对于风力发电机故障诊断与预测的有效性。文献[23]中采集了滚珠丝杠在加速寿命实验中的振动信号，利用MCS（Multiple Classifier System,多分类器系统）来分解与判定丝杠的退化水平，且采用了一个新的局部分类精度技术代替传统技术，达到了更高的识别精确度。
最后三篇是对于上述方法论证的集大成者。文献[24]对比分析了多种信号特征提取的方法，并以对单级离心泵的振动数据的应用为例，进一步阐释了各方法的优缺点。在故障诊断方面，采用的是将多特征信息融合与模糊推理系统相结合的方法，这种融合技术的优势是结合了多种传统预测方法的长处。文献[25]和[26]两篇的主题均为对轴承剩余寿命的预测，展现了从数据处理、特征提取到利用特征建模的全过程。在时频域特征的分解上文献[25]主要运用EMD分解，用PCA方法对特征集进行选取后，利用SVM（Support Vector Machine,支持向量机)模型实现状态评估，最后建立SVR（Support Vector Regression,支持向量回归）模型实现寿命预测。文献[26]则采用了短时傅里叶和小波熵能量等多种方法对特征进行了时频域上的分析，然后运用非线性算法ISOMAP（等距特征映射）对特征数据进行简化，再与高斯混合模型融合，建立了衰退指标的阈值，完成了退化评估。
综上所述，对机械设备的退化状况进行评估和预测，主要需要对采集的传感数据进行分析与特征提取、总结和建立退化性能指标、最后以指标为判断依据对退化状态进行分类。因此，如何处理大量的数据、如何量化提取的特征并挑选出合适的退化指标、如何对系统的不同生命阶段进行分类并与模型配合，都是尤为关键的事。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
