王川 張珍文 安帥

摘 要：隨著高鐵的快速發(fā)展，人們對乘車環(huán)境的要求也越來越高。列車空調(diào)系統(tǒng)運行于列車高速振動環(huán)境下，性能極易下降且定期檢修成本巨大，高效準確的空調(diào)故障檢測尤為重要。本文用K-means聚類對空調(diào)數(shù)據(jù)進行分類，找到明顯異常的類別并與業(yè)務部門確認后找到真正的空調(diào)系統(tǒng)故障數(shù)據(jù)，并對故障數(shù)據(jù)進行標記，利用CART決策樹建立空調(diào)故障檢測模型。

關鍵詞：K-means；CART；空調(diào)故障檢測

中圖分類號：U266 文獻標志碼：A

0 引言

根據(jù)鐵道部《客車空調(diào)三機檢修及運用管理規(guī)程》規(guī)定：空調(diào)機組必須定時檢修。但是定時檢修耗費大量的人力物力，因此需要對空調(diào)數(shù)據(jù)進行分析，建立空調(diào)故障檢測模型進行故障檢測，進行針對性的檢修，節(jié)約運營成本。

對于空調(diào)故障檢測，潘文海等針對廣州地鐵3號線在運營期間頻繁出現(xiàn)的客室悶熱現(xiàn)象進行故障數(shù)據(jù)分析，最終確定故障點并據(jù)此進行整改，效果顯著。羅浩在列車性能試驗臺采集到空調(diào)機組在正常及故障狀態(tài)下的數(shù)據(jù)樣本，建立幾種常見故障的判斷規(guī)則，依據(jù)故障規(guī)則判定表，利用MATLAB建立了SVM多分類器。

但是目前并沒有有效的故障檢測模型在線運行。本文針對列車運行狀態(tài)空調(diào)數(shù)據(jù)，利用K-means聚類結(jié)合CART決策樹算法進行空調(diào)故障建模，并用實際數(shù)據(jù)進行驗證。

1 數(shù)據(jù)預處理

1.1 數(shù)據(jù)過濾

剔除掉NULL、異常、無效等數(shù)據(jù)。

1.2 指標篩選

目前所取數(shù)據(jù)指標較多，包括多個衍生指標，需要對指標進行相關性分析，選取與業(yè)務目標最相關的指標進行建模。

因為空調(diào)運行時，各個參數(shù)變化都與目標溫度有關，此處計算各個參數(shù)與目標溫度的相關性系數(shù)，結(jié)果見表1。

前6個指標的相關性系數(shù)大于0.6，與目標溫度相關性較強。

1.3 數(shù)據(jù)標準化

溫度與壓力值量綱不同，數(shù)值相差很大，用Z-Score方法對數(shù)據(jù)進行標準化。

2 算法簡介

由于目前沒有空調(diào)故障樣本，所以用無監(jiān)督學習方法進行建模?？照{(diào)運行正常與異常時，壓力值以及溫度表現(xiàn)出的規(guī)律不同，可以通過聚類發(fā)現(xiàn)空調(diào)數(shù)據(jù)內(nèi)在的模式或者空調(diào)故障類的特點。

首先對空調(diào)數(shù)據(jù)進行聚類，分析各類的聚類中心，找出異常類別，與業(yè)務部門確認故障數(shù)據(jù)并對其進行標記，然后用分類算法進行分類，建立空調(diào)故障檢測模型。

3 空調(diào)異常檢測

3.1 模型訓練

選取標準化后的某段時間的全量數(shù)據(jù)，共20列車608355條記錄。

聚類效果可以通過肘部法則進行評估，肘部法則會把不同k值的成本函數(shù)值畫出來。空調(diào)數(shù)據(jù)對應的聚類模型平均畸變程度隨聚類個數(shù)k的變化趨勢圖如圖1所示。

從圖1可以看出，k值為5～6時，平均畸變程度變化最大。k超過6以后，平均畸變程度變化顯著降低，因此肘部就是k=6。因此最終選擇的模型為k=6對應的聚類模型。聚類模型的中心點見表2。

從聚類中心點可以看出，第5類的制冷系統(tǒng)2低壓壓力值明顯異常，經(jīng)與業(yè)務部門確認該類為壓力傳感器故障。

將第5類標記為1，其余類別標記為0，利用CART決策樹進行分類，通過決策樹模型結(jié)果可以看出，只要變量X[6]<=2720，就把空調(diào)歸為正常數(shù)據(jù)，X[6]代表變量“制冷系統(tǒng)2低壓壓力”，由此抽象出空調(diào)故障檢測的規(guī)則：

制冷系統(tǒng)2低壓壓力>2720kPa，則報出“空調(diào)壓力異常”。

3.2 效果驗證

將模型部署到PHM系統(tǒng)中，運行一段時間后確實檢測到異常數(shù)據(jù)。與業(yè)務部門確認后，證實該數(shù)據(jù)確實為空調(diào)系統(tǒng)故障，但是是壓力傳感器故障，更換壓力傳感器，后期跟蹤發(fā)現(xiàn)，該列車該車廂不再出現(xiàn)壓力異常。

4 結(jié)論與展望

本文針對空調(diào)實際數(shù)據(jù)，利用K-means聚類算法找到異常類，對異常類別進行標記后，利用CART決策樹進行分類，建立空調(diào)故障檢測模型。本文建立的模型簡單易實現(xiàn)，且效果良好，具有很強的實際意義。

由于沒有真實空調(diào)系統(tǒng)故障數(shù)據(jù)，目前僅發(fā)現(xiàn)并建立了空調(diào)系統(tǒng)壓力傳感器故障模型，對于壓縮機故障，濾網(wǎng)臟堵等空調(diào)系統(tǒng)故障，需要對數(shù)據(jù)進一步分析，建立全面可靠的空調(diào)故障檢測模型，保證空調(diào)系統(tǒng)正常運行。

參考文獻

[1]潘文海，蘇錦華，李許磊，等.廣州地鐵3號線列車空調(diào)無制冷故障調(diào)查分析及解決[J].機車電傳動，2013（3）：56-57.

[2]羅浩.列車空調(diào)機組故障檢修中SVM的應用[D].華中科技大學，2008：1-61.

[3]羅浩.列車空調(diào)機組故障檢修中SVM的應用[D].湖北：華中科技大學，2008.