張杜瑋 王偉 劉光俊

（中車青島四方機車車輛股份有限公司 山東省青島市 266111）

1 前言

由于列車高速運行，為保證安全性及經濟型車內封閉性較好，但空氣流通卻是一個大問題。因此，空調系統(tǒng)則承擔這一重要任務，它既能保證車內盡快的空氣流通，又可以乘客保證乘客乘車的舒適性。隨著出行人員對乘車體驗越來越重視，保證空調系統(tǒng)的正常運轉為乘客提供一個舒適的乘車體驗至關重要。

2 建模思路

通過對空調相關數據進行綜合分析，分析空調運轉與哪些參數密切相關，找到空調故障時變化最明顯的參數，根據參數變化建立空調故障預判模型，進行空調故障預判。在工業(yè)上，有許多學者將聚類算法用于離群點檢測[1]，以發(fā)現工業(yè)控制系統(tǒng)中的異常數據，極大地提高工業(yè)控制系統(tǒng)的安全防護能力。

可以通過聚類發(fā)現空調數據內在的模式或者空調故障類的特點，首先對空調數據進行聚類，分析各類的聚類中心找出異常類別，與業(yè)務部門確認該類是否是真正異常。如果該類確實異常，則將故障類進行標記，然后用分類算法進行分類，建立空調故障的模型?？照{故障模型建立的流程圖如圖1所示。

3 列車空調系統(tǒng)故障建模分析

3.1 數據準備

3.1.1 訓練數據與測試數據選取

訓練數據：2017-10-01 到2017-10-07 空調全量數據，共20 列車608355 條記錄。

測試數據：2017-10-08 到2017-10-13 空調全量數據，共748058 條記錄。

3.2 模型建立

3.2.1 聚類分析

通過肘部法則可以確定聚類的最佳個數[2]。空調數據對應的聚類模型平均畸變程度隨聚類個數 的變化趨勢圖如圖2所示。

從圖中可以看出k 值從5 到6 時，平均畸變程度變化最大。超過6 以后，平均畸變程度變化顯著降低，因此肘部就是k=6。因此最終選擇的模型為k=6 對應的聚類模型。

K=6 時聚類中心點如表1所示。

其中，類別5，制冷系統(tǒng)2 低壓壓力中心點為15.18，相比其他類別聚類中心點在[-1,1]之間明顯存在異常，這說明類別5 里面可能存在異常數據。因此，為進一步確認，查詢原始數據如表2所示。

從表2中開始看出，該類數據都為CR400AF2004 列車04 車廂的數據，空調控制方式都為集控，制冷系統(tǒng)1 低壓壓力都為4080，溫度檢測值與目標溫度值的差值范圍為-6℃～2℃，與業(yè)務專家確認制冷系統(tǒng)1 低壓壓力數據確實存在異常，實際為壓力傳感器發(fā)生故障。

圖1：空調故障模型建立的流程圖

圖2：肘部法確定最佳K 值

3.2.2 基于異常數據標簽化的決策樹模型構建

通過對空調特征數據的分析，進一步進行聚類分析，找出異常數據，并將聚類后得到的異常數據標記為1，其余類別的數據標記為0，使用標記后的2017-10-01 到2017-10-07 的空調數據，利用CART 決策樹算法[3]進行模型訓練，得到決策樹模型如圖3。

通過決策樹模型可以看出，只要變量X[6]<=2720，就把空調歸為正常數據，X[6]代表變量“制冷系統(tǒng)2 低壓壓力”，由此抽象出空調異常檢測的規(guī)則：制冷系統(tǒng)2低壓壓力 > 2720Kpa，則報出“空調壓力異?！薄?/p>

表1：各類別聚類中心展示表

表2：部分原始數據表

表3：部分空調故障預警報表

圖3：空調故障預警決策樹模型

3.3 模型測試

首先利用測試集驗證模型效果，最終從748058 條數據中檢測出3459 條異常數據，部分數據展示如表所示3。

與業(yè)務部門確認該數據確實為異常數據，為壓力傳感器故障，目前已經更換壓力傳感器，2017-10-22～2017-11-13 CR400AF2004列車04 車廂已經不再出現該現象。由此說明模型確實能檢測出異常（壓力傳感器異常），且效果良好。

4 結語

通過對空調數據挖掘分析，通過聚類算法分離出來異常數據，并進行打標簽，用于帶標簽的數據進行決策樹分析，最終得到故障預警規(guī)則，并實現對于空調故障的預警，是一種可以推廣的空調故診斷新方法。