Die effiziente Fehlerdiagnose von U-Bahn-Klimaanlagen ist entscheidend zur Senkung des Energieverbrauchs und zur Gewährleistung des Fahrgastkomforts. In diesem Artikel wird eine unüberwachte Transferlern-Fehlerdiagnosemethode basierend auf einem domänenadversarialen neuronalen Netzwerk (DANN) vorgeschlagen, um das Problem der großen Unterschiede in der Merkmalsverteilung und komplexer Fehler beim Betrieb der U-Bahn-Klimaanlage zu adressieren. Es wurden Daten zu drei Einzelstörungen (Kondensatorenverkalkung, Verstopfung des Belüftungssystems und Kältemittelleckage) sowie zu drei Kombinationen von Einzelstörungen in einem multifunktionalen Versuchswagen erfasst. Die Transferlernerprobung erfolgte unter verschiedenen Betriebsbedingungen und Kompressorenfrequenzen, wobei die Diagnosegenauigkeit für Einzelfehler 97,30 % bis 98,90 % und für kombinierte Fehler 77,80 % bis 86,70 % betrug. Mit der nichtlinearen Dimensionsreduktionsmethode UMAP und dem interpretierbaren SHAP-Modell wurde der tiefere Grund untersucht, warum die Diagnosegenauigkeit bei kombinierten Fehlern unter der von Einzelfehlern liegt. Im Vergleich zu zwei weiteren Transferlernmodellen war die Schwankungsbreite bei DANN deutlich geringer. Bei Transferlernaufgaben mit großen Unterschieden in der Merkmalsverteilung betrug die Schwankung der Diagnosegenauigkeit nur 1 % und die hohe Genauigkeit blieb auch bei überschneidenden Merkmalen kombinierter Fehler erhalten.

U-Bahn-Klimaanlage;Fehlerdiagnose;Transferlernen;domänenadversariales neuronales Netzwerk