طريقة تشخيص ذاتي متعددة الأعطال لتكييف قطارات المترو مدفوعة بتعلم انتقالي تنافسي نطاقي
摘要
يعد التشخيص الفعال لأعطال أنظمة تكييف المترو أمراً حيوياً لتقليل استهلاك الطاقة وضمان راحة الركاب. في هذه الورقة، نطرح طريقة تشخيص أعطال قائمة على التعلم الانتقالي غير المُشرف مع شبكة عصبية تنافسية مجال (DANN) لمعالجة مشكلة التباين الكبير في توزيع الميزات وتعقيد الأعطال في تشغيل تكييف المترو. تم جمع بيانات أعطال متزامنة تشمل ثلاثة أعطال منفردة (تكلس المكثف، تكلس نظام التهوية، وتسرب مادة التبريد) وثلاث مجموعات من الأعطال المنفردة في سيارة اختبار متعددة الوظائف. تم التحقق من التعلم الانتقالي تحت ظروف تشغيل مختلفة وترددات ضاغط مختلفة، حيث بلغ دقة تشخيص الأعطال المنفردة 97.30٪ ~ 98.90٪، ودقة تشخيص الأعطال المتزامنة 77.80٪ ~ 86.70٪. استخدمنا طريقة تقليل الأبعاد غير الخطية UMAP وأداة تفسير نموذج SHAP لدراسة الأسباب العميقة لانخفاض دقة تشخيص الأعطال المتزامنة مقارنة بالأعطال المنفردة. بالمقارنة مع نموذجين آخرين للتعلم الانتقالي، كان تذبذب دقة DANN أقل بشكل ملحوظ. في مهام التعلم الانتقالي ذات اختلاف توزيع الميزات الكبير، بلغ تذبذب الدقة 1٪ فقط، وحافظ النموذج على دقة عالية حتى في حالة تداخل خصائص الأعطال المتزامنة.
关键词
تكييف المترو;تشخيص الأعطال;التعلم الانتقالي;شبكة عصبية تنافسية نطاقية
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website