지하철 에어컨 시스템의 효율적인 고장 진단은 에너지 소비 절감과 승객 쾌적성 보장에 매우 중요합니다. 본 논문에서는 지하철 에어컨 운전 중 특성 분포 차이가 크고 고장이 복잡한 문제를 해결하기 위해 도메인 대항 신경망(DANN)을 기반으로 한 비지도 전이 학습 고장 진단 방법을 제안합니다. 다기능 종합 시험차에서 응축기 스케일링, 환기 시스템 스케일링 및 냉매 누출의 3가지 단일 고장과 3가지 단일 고장 조합의 동시 고장 데이터를 수집하였으며, 다양한 운전 조건과 압축기 주파수에서 전이 학습 검증을 수행하였습니다. 단일 고장 진단 정확도는 97.30%~98.90%에 달하며, 동시 고장 진단 정확도는 77.80%~86.70%입니다. UMAP 비선형 차원 축소법과 SHAP 모델 해석 도구를 사용하여 동시 고장 진단 정확도가 단일 고장 진단 정확도보다 낮은 깊은 원리를 연구하였습니다. DANN을 다른 두 가지 전이 학습 모델과 비교했을 때 변동 폭이 현저히 적었습니다. 특성 분포 차이가 큰 전이 학습 진단 작업에서도 진단 정확도 변동 폭은 1%에 불과하며, 동시 고장 특성 중첩 시에도 높은 진단 정확도를 유지합니다.

지하철 에어컨;고장 진단;전이 학습;도메인 대항 신경망