O diagnóstico eficiente de falhas no sistema de ar condicionado do metrô é crucial para reduzir o consumo de energia e garantir o conforto dos passageiros. Este artigo propõe um método de diagnóstico de falhas baseado em aprendizado por transferência não supervisionado utilizando uma rede neural adversarial de domínio (DANN) para lidar com o problema da grande diferença na distribuição das características e a complexidade das falhas durante a operação do ar condicionado do metrô. Dados de falhas concorrentes, incluindo três falhas simples (incrustação do condensador, incrustação do sistema de ventilação e vazamento de refrigerante) e três combinações de falhas simples foram coletados em um veículo de teste multifuncional. A validação do aprendizado por transferência foi realizada sob diferentes condições de operação e frequências do compressor, com taxa de acurácia no diagnóstico de falhas simples variando de 97,30% a 98,90%, e no diagnóstico de falhas concorrentes de 77,80% a 86,70%. O método de redução não linear de dimensionalidade UMAP e a ferramenta interpretativa do modelo SHAP foram utilizados para estudar os princípios profundos que explicam a menor precisão na detecção de falhas concorrentes em comparação com falhas simples. Comparado com outros dois modelos de aprendizado por transferência, o DANN apresentou variações significativamente menores. Em tarefas de diagnóstico por aprendizado por transferência com grandes diferenças na distribuição das características, a oscilação na precisão do diagnóstico foi de apenas 1%, mantendo alta precisão mesmo quando há sobreposição das características das falhas concorrentes.

ar condicionado do metrô;diagnóstico de falhas;aprendizado por transferência;rede neural adversarial de domínio