地下鉄空調システムの効率的な故障診断は、エネルギー消費の削減と乗客の快適さの確保に不可欠です。本論文では、地下鉄空調の運転における特徴分布の大きな差異と複雑な故障問題に対処するため、ドメイン対抗型ニューラルネットワーク（DANN）に基づく教師なし転移学習故障診断手法を提案します。多機能総合試験車で、凝縮器スケーリング、換気システムスケーリングおよび冷媒漏れの3種類の単一故障および3種類の単一故障組み合わせによる同時故障データを収集し、異なる運転条件および圧縮機周波数で転移学習の検証を行いました。単一故障診断の正確率は97.30％～98.90％、同時故障診断の正確率は77.80％～86.70％でした。UMAP非線形次元削減法およびSHAPモデルの解釈性ツールを用いて、同時故障診断の精度が単一故障診断の精度を下回る深層的な原因を研究しました。他の2つの転移学習モデルと比較して、DANNは変動幅が著しく小さく、特徴分布差が大きい転移学習診断タスクでは、診断精度の変動幅はわずか1％であり、同時故障特徴の重複時でも高い診断精度を維持しています。

地下鉄空調;故障診断;転移学習;ドメイン対抗ニューラルネットワーク