Le diagnostic efficace des pannes des systèmes de climatisation du métro est essentiel pour réduire la consommation d'énergie et assurer le confort des passagers. Cet article propose une méthode de diagnostic des pannes basée sur l'apprentissage transfert non supervisé à l'aide d'un réseau antagoniste de domaine (DANN) afin de traiter les grandes différences de distribution des caractéristiques et la complexité des pannes lors du fonctionnement de la climatisation du métro. Des données de pannes concurrentes, comprenant trois pannes simples (encrassement du condenseur, encrassement du système de ventilation et fuite de réfrigérant) ainsi que trois combinaisons de pannes simples, ont été collectées sur un véhicule d'essai multifonctionnel. La validation de l'apprentissage transfert a été réalisée sous différentes conditions de fonctionnement et fréquences de compresseur, avec un taux de précision de diagnostic des pannes simples de 97,30 % à 98,90 % et un taux de précision des pannes concurrentes de 77,80 % à 86,70 %. La méthode de réduction non linéaire de dimension UMAP et l’outil d’interprétabilité SHAP ont été utilisés pour étudier les raisons profondes expliquant la baisse de précision du diagnostic des pannes concurrentes par rapport aux pannes simples. Comparé à deux autres modèles d’apprentissage transfert, le DANN présente des fluctuations nettement plus faibles. Dans les tâches de diagnostic par apprentissage transfert avec de grandes différences dans la distribution des caractéristiques, l’amplitude des fluctuations de précision n’est que de 1 %, tout en maintenant une précision élevée en cas de recouvrement des caractéristiques des pannes concurrentes.

climatisation métro;diagnostic des pannes;apprentissage transfert;réseau antagoniste de domaine