El diagnóstico eficiente de fallas en el sistema de aire acondicionado del metro es fundamental para reducir el consumo de energía y garantizar la comodidad de los pasajeros. En este artículo, se propone un método de diagnóstico de fallas basado en aprendizaje por transferencia no supervisado utilizando una red neuronal adversarial de dominio (DANN) para abordar el problema de la gran diferencia en la distribución de características y la complejidad de las fallas en el funcionamiento del aire acondicionado del metro. Se recopilaron datos de fallas concurrentes que incluyen tres fallas simples (incrustación del condensador, incrustación del sistema de ventilación y fuga de refrigerante) y tres combinaciones de fallas simples en un vehículo de pruebas multifuncional. La validación del aprendizaje por transferencia se realizó bajo diferentes condiciones y frecuencias del compresor, alcanzando una precisión de diagnóstico de fallas simples del 97.30% al 98.90%, y una precisión de diagnóstico de fallas concurrentes del 77.80% al 86.70%. Se utilizaron el método de reducción no lineal de dimensionalidad UMAP y la herramienta interpretativa del modelo SHAP para estudiar las razones profundas de la menor precisión en el diagnóstico de fallas concurrentes comparado con las fallas simples. Al comparar DANN con otros dos modelos de aprendizaje por transferencia, la amplitud de fluctuación fue significativamente menor. En tareas de diagnóstico por aprendizaje por transferencia con grandes diferencias en la distribución de características, la amplitud de fluctuación de la precisión fue solo del 1%, manteniendo una alta precisión incluso cuando las características de las fallas concurrentes se superponen.

aire acondicionado metro;diagnóstico de fallas;aprendizaje por transferencia;red neuronal adversarial de dominio