基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)車組客室空調(diào)故障識(shí)別與預(yù)警研究

姜 陳,周 斌,廖小東

(1.上海鐵路局高鐵運(yùn)維技術(shù)中心, 上海 201812； 2.上海鐵路局南京動(dòng)車段, 南京 210012)

隨著全路各條高速鐵路、客運(yùn)專線的相繼開通，全路動(dòng)車組配屬數(shù)呈直線上升，與此同時(shí)，動(dòng)車組故障率也呈增長(zhǎng)趨勢(shì)。在動(dòng)車組各類故障中空調(diào)系統(tǒng)故障為影響旅客乘坐體驗(yàn)的重要故障之一[1-2]。由于動(dòng)車組采用全密閉式車體，動(dòng)車組內(nèi)的空氣調(diào)節(jié)、通風(fēng)換氣均依靠空調(diào)系統(tǒng)，在天氣炎熱的夏季一旦空調(diào)系統(tǒng)不能正常運(yùn)行，將嚴(yán)重影響旅客的乘車環(huán)境，甚至可能導(dǎo)致動(dòng)車組無法繼續(xù)運(yùn)行，極大地影響正常的運(yùn)輸組織秩序。所以對(duì)動(dòng)車組空調(diào)系統(tǒng)故障進(jìn)行識(shí)別和預(yù)警具有非常重大的意義，若能找到一種行之有效的方法及時(shí)發(fā)現(xiàn)動(dòng)車組空調(diào)系統(tǒng)故障甚至預(yù)測(cè)故障的發(fā)生，將空調(diào)系統(tǒng)故障帶來的影響減小到最低，對(duì)保證動(dòng)車組安全有序的運(yùn)行具有重要的意義。

1 動(dòng)車組客室空調(diào)故障的主要類型和分布

動(dòng)車組客室空調(diào)系統(tǒng)主要由單元式空調(diào)機(jī)組、混合空氣箱、廢排單元、控制面板、溫度傳感器、送風(fēng)系統(tǒng)等基本組件組成，其中單元式空調(diào)機(jī)組又包含壓縮機(jī)、冷凝器、蒸發(fā)器、通風(fēng)機(jī)、冷凝風(fēng)機(jī)、干燥過濾器、高低壓傳感器、壓力開關(guān)、安全閥等部件[3]。

通過跟蹤研究某動(dòng)車段2016年7、8月份CRH380B(L)型動(dòng)車組客室空調(diào)系統(tǒng)故障情況，在去除空調(diào)系統(tǒng)非功能性故障后，梳理出夏季動(dòng)車組客室空調(diào)系統(tǒng)制冷故障的主要類型有電氣元器件故障、系統(tǒng)偶發(fā)性故障、管路泄露、膨脹閥故障等，具體車型的故障類型及其在所有客室空調(diào)系統(tǒng)故障中的占比見表1。

表1 CRH380B(L)型動(dòng)車組空調(diào)故障主要故障類型及其故障占比

從表1可以看出，CRH380B(L)型動(dòng)車組中，電氣元器件故障、系統(tǒng)偶發(fā)性故障占比最高，且從發(fā)生故障后的故障排查情況來看，此類故障具有明顯的突發(fā)性和偶然性，具體表現(xiàn)為電氣元器件瞬間失效、空調(diào)系統(tǒng)瞬間停止工作，故障潛伏期短，不具備明顯的前瞻性研究意義。對(duì)于此類故障，最重要的是在線故障的提前報(bào)警，在故障影響擴(kuò)大前提前采取措施，減小故障帶來的影響。

其次故障占比最多的是空調(diào)系統(tǒng)制冷循環(huán)部件、管路與閥門故障，此類故障的故障潛伏期長(zhǎng)短不一。對(duì)于潛伏期短的，主要是在線故障的提前報(bào)警，對(duì)于潛伏期長(zhǎng)的，可以通過研究空調(diào)系統(tǒng)主要相關(guān)的數(shù)據(jù)來挖掘故障發(fā)生規(guī)律，實(shí)現(xiàn)故障的提前預(yù)判。

另外，從表1還可以發(fā)現(xiàn)，受空調(diào)機(jī)組綜合工況(如裝車批次、動(dòng)車組服役時(shí)間長(zhǎng)短等)的影響，CRH380B型動(dòng)車組空調(diào)系統(tǒng)故障主要以隨機(jī)性或偶然性較大的控制單元故障為主，而CRH380BL型動(dòng)車組制冷循環(huán)系統(tǒng)部件及管路與閥門故障占比較大。具體到應(yīng)用場(chǎng)景來說，現(xiàn)階段，對(duì)于CRH380B型動(dòng)車組，需更加側(cè)重于故障的在線報(bào)警，對(duì)于CRH380BL型動(dòng)車組，要兼顧故障在線報(bào)警和提前預(yù)判。

2 動(dòng)車組客室空調(diào)故障數(shù)據(jù)來源及空調(diào)故障識(shí)別與預(yù)警特征參數(shù)的確定

空調(diào)系統(tǒng)制冷系統(tǒng)較容易測(cè)量的參數(shù)是溫度和壓力，并且大部分故障表現(xiàn)現(xiàn)象都可以通過這2個(gè)參數(shù)進(jìn)行區(qū)別，現(xiàn)階段動(dòng)車組客室空調(diào)系統(tǒng)數(shù)據(jù)的主要來源如表2所示。

表2 現(xiàn)階段動(dòng)車組客室空調(diào)系統(tǒng)數(shù)據(jù)主要來源

動(dòng)車組客室空調(diào)故障識(shí)別和預(yù)警的目的，一是要在線對(duì)客室溫度已經(jīng)出現(xiàn)異常的或客室溫度持續(xù)走高、空調(diào)制冷工況出現(xiàn)惡化趨勢(shì)的情況進(jìn)行報(bào)警，二是通過分析歷史樣本數(shù)據(jù)對(duì)潛在的故障進(jìn)行識(shí)別和判斷。以某動(dòng)車段7、8月份動(dòng)車組客室空調(diào)故障為例，CRH380B(L)型動(dòng)車組中50.58%的客室空調(diào)故障是可以通過動(dòng)車組車載遠(yuǎn)程無線傳輸系統(tǒng)(WTDS)中的客室實(shí)時(shí)溫度反映出，其余49.42%的故障包含庫內(nèi)高低壓測(cè)量發(fā)現(xiàn)、途中閃報(bào)故障后復(fù)位正常、遠(yuǎn)程數(shù)據(jù)丟失等情況，CRH380B(L)型動(dòng)車組具體分析情況見表3?？紤]到現(xiàn)有數(shù)據(jù)的相關(guān)性和準(zhǔn)確性，兼顧可用數(shù)據(jù)的數(shù)據(jù)量和時(shí)效性，同時(shí)在不增加額外測(cè)量的工作量的條件下，選取與空調(diào)系統(tǒng)直接相關(guān)且可以通過有效手段獲取的(動(dòng)車組車載遠(yuǎn)程無線傳輸系統(tǒng)(WTDS))客室溫度數(shù)據(jù)作為特征參數(shù)，來對(duì)客室空調(diào)故障進(jìn)行實(shí)時(shí)識(shí)別以及對(duì)潛伏故障進(jìn)行預(yù)警。

表3 CRH380B(L)型動(dòng)車組空調(diào)系統(tǒng)故障與WTDS客室溫度對(duì)應(yīng)分析

動(dòng)車組空調(diào)系統(tǒng)的運(yùn)行工況十分復(fù)雜，想要準(zhǔn)確對(duì)其故障的發(fā)生進(jìn)行預(yù)警并不容易，因?yàn)榭照{(diào)系統(tǒng)故障部位多，而且故障原因各異，故障總體呈現(xiàn)分散性、非線性的特點(diǎn)，現(xiàn)階段還沒有一個(gè)足夠精確的模型對(duì)動(dòng)車組空調(diào)系統(tǒng)故障進(jìn)行描述。通過研究國內(nèi)外先機(jī)的、成熟的理論方法發(fā)現(xiàn)，智能故障診斷理論的發(fā)展為解決這類問題提供了新的理論依據(jù)，利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力，使故障診斷系統(tǒng)具有了更高的智能程度和對(duì)故障的判斷能力[4-5]。神經(jīng)網(wǎng)絡(luò)作為智能診斷的一種重要方法，已經(jīng)成功應(yīng)用在人們生活的各個(gè)領(lǐng)域，它可以從大量的樣本中提取空調(diào)系統(tǒng)典型性特征，通過對(duì)歷史樣本數(shù)據(jù)的學(xué)習(xí)，形成自己的知識(shí)系統(tǒng)，進(jìn)而實(shí)現(xiàn)故障的識(shí)別和預(yù)警[6-9]。本文主要討論神經(jīng)網(wǎng)絡(luò)在夏季動(dòng)車組空調(diào)制冷故障識(shí)別和預(yù)警中的應(yīng)用。

3 BP神經(jīng)網(wǎng)絡(luò)室溫預(yù)測(cè)模型的建立

3.1 輸入、輸出變量的確定

在以客室溫度為研究對(duì)象時(shí)，需要考慮影響客室溫度的主要因素，其中室溫的主要影響因素有：外界環(huán)境溫度、客室載客量、客室側(cè)門開啟和傳感器故障等。

(1)外界環(huán)境溫度因素。外界環(huán)境溫度較高時(shí)，則進(jìn)入到混合空氣箱的新風(fēng)溫度高，在客室空調(diào)制冷循環(huán)中制冷劑一定的條件下，制冷效果將有一定程度上的降低。因此，在客室空調(diào)制冷能力相同的情況下外溫越高，外界環(huán)境溫度從低到高變化時(shí)客室空調(diào)的制冷效果相對(duì)減弱，客室車廂的對(duì)應(yīng)溫度值呈現(xiàn)逐漸升高的趨勢(shì)。

(2)客室載客量因素。當(dāng)車廂內(nèi)乘客上座率較高時(shí)，由人體本身和乘客呼出氣體釋放到車廂內(nèi)的熱量越多，不僅直接造成客室溫度上升，而且提高了空調(diào)系統(tǒng)的回風(fēng)溫度，在制冷能力相同的情況下，高上座率較載客少的客室車廂溫度相應(yīng)較高。

(3)客室側(cè)門開啟因素。當(dāng)車廂側(cè)門打開時(shí)，車廂與外界相通，外界高溫氣體對(duì)車廂內(nèi)的封閉環(huán)境直接造成沖擊，與此同時(shí)，客室空調(diào)開啟站臺(tái)模式(制冷功率下降)，綜合作用使客室溫度迅速升高，待側(cè)門關(guān)閉后客室溫度會(huì)逐漸下降，直至達(dá)到能量的動(dòng)態(tài)平衡。因此當(dāng)速度為0 km/h時(shí)，客室車門可能存在開啟的情況，客室車廂溫度容易出現(xiàn)異常高的現(xiàn)象。

(4)傳感器傳輸因素。當(dāng)溫度傳感器功能異常時(shí)，一方面測(cè)量的溫度可能過高或過低甚至可能沒有數(shù)據(jù)等都不能反映真實(shí)的客室溫度，另一方面動(dòng)車組遠(yuǎn)程數(shù)據(jù)在傳輸過程中可能存在解析或讀取錯(cuò)誤而返回?cái)?shù)據(jù)，或是在傳輸過程中發(fā)生錯(cuò)誤而存在丟包等情況造成遠(yuǎn)程數(shù)據(jù)丟失。

除外界環(huán)境溫度外，其余的主要影響因素目前無法得到確切參數(shù)，在現(xiàn)有條件下，選擇外溫作為輸入量，后續(xù)樣本處理過程中，將通過數(shù)據(jù)的優(yōu)化處理，避免以上其他因素對(duì)客室溫度預(yù)測(cè)造成的影響。選擇空調(diào)故障識(shí)別與預(yù)警特征參數(shù)客室溫度作為輸出量。

3.2 BP神經(jīng)網(wǎng)絡(luò)室溫預(yù)測(cè)模型的計(jì)算過程

設(shè)外溫輸入向量為X=(x1，x2，…，xi，…，xn)T，室溫隱層輸出向量Y=(y1，y2，…，xj，…，xm)T，室溫輸出層輸出向量O=(o1，o2，…，ok，…，ol)T，室溫期望輸出向量D=(d1，d2，…，dk，…，dl)T，輸入層到隱層之間的權(quán)值矩陣V=(v1，v2，…，vj，…，vm)T，隱層到輸出層之間的權(quán)值矩陣W=(w1，w2，…，wj，…，wm)T，f(X)為激發(fā)函數(shù)，則室溫輸出層值為

室溫隱層輸出值為

室溫輸出層誤差定義

將室溫輸出層誤差定義展開至隱層

進(jìn)一步展開至室溫輸入層

如果在輸出層未得到期望的輸出，則計(jì)算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播，通過網(wǎng)絡(luò)將誤差信號(hào)沿原來的連接通路反傳回來修改各層神經(jīng)元的權(quán)值直至達(dá)到期望目標(biāo)。神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值，以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。將輸出誤差以某種形式通過隱層向輸入層逐層反傳[10-11]。計(jì)算過程如圖1所示。

4 BP神經(jīng)網(wǎng)絡(luò)室溫預(yù)測(cè)實(shí)例

4.1 樣本數(shù)據(jù)處理

樣本數(shù)據(jù)來源為某鐵路局配屬的CRH380B(L)型動(dòng)車組每日實(shí)時(shí)傳輸?shù)倪h(yuǎn)程數(shù)據(jù)，除了輸入量外溫和期望輸出量室溫外，為了方便樣本數(shù)據(jù)的處理，還保留了對(duì)應(yīng)的車組號(hào)、時(shí)間、速度，表4為CRH380B—3600動(dòng)車組部分遠(yuǎn)程數(shù)據(jù)。

圖1 計(jì)算流程

表4 客室空調(diào)相關(guān)遠(yuǎn)程數(shù)據(jù) ℃

圖2 CRH380B-3600 室溫預(yù)測(cè)模型誤差分析

客室溫度受到來自外溫、車廂內(nèi)所載乘客的數(shù)量、車廂側(cè)門是否打開、溫度傳感器功能好壞等因素的影響，部分影響因素目前無法通過實(shí)時(shí)測(cè)量或統(tǒng)計(jì)得到其值，選取外溫為輸入量。選取外溫對(duì)應(yīng)的單個(gè)車廂客室溫度為期望輸出。速度小于0 km/h時(shí)客室側(cè)門可能已開啟，室溫受外界空氣的直接影響容易產(chǎn)生異常，為了使得樣本數(shù)據(jù)更加準(zhǔn)確剔除速度小于100 km/h時(shí)遠(yuǎn)程數(shù)據(jù)；客室空調(diào)發(fā)生故障當(dāng)日客室溫度容易存在異常，清理故障當(dāng)日遠(yuǎn)程數(shù)據(jù)。

4.2 BP神經(jīng)網(wǎng)絡(luò)室溫預(yù)測(cè)模型Matlab程序相關(guān)參數(shù)確定

神經(jīng)網(wǎng)絡(luò)采用試算法來確定輸入節(jié)點(diǎn)和隱含節(jié)點(diǎn)，輸入結(jié)點(diǎn)數(shù)和隱含節(jié)點(diǎn)數(shù)采用由小到大的方法分別進(jìn)行試算，輸出節(jié)點(diǎn)數(shù)取為1。通過試算和仿真，輸入節(jié)點(diǎn)取一個(gè)，隱含節(jié)點(diǎn)取3個(gè)，訓(xùn)練 5 000次以上，網(wǎng)絡(luò)誤差精度能達(dá)到0.001。因此文中采用具有1個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)進(jìn)行室溫預(yù)測(cè)，隱含層具有3個(gè)隱含節(jié)點(diǎn)、1個(gè)輸入節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn)。在神經(jīng)網(wǎng)絡(luò)室溫預(yù)測(cè)系統(tǒng)中采用Levenberg-Marquardt算法。顯示訓(xùn)練結(jié)果的間隔步數(shù)為25，學(xué)習(xí)率為0.025，動(dòng)量因子為0.9[12-14]。運(yùn)用以上相關(guān)參數(shù)，編寫Matlab程序?qū)κ覝仡A(yù)測(cè)模型BP網(wǎng)格進(jìn)行訓(xùn)練計(jì)算。

4.3 BP神經(jīng)網(wǎng)絡(luò)室溫預(yù)測(cè)模型預(yù)測(cè)誤差分析

預(yù)測(cè)CRH380B—3600動(dòng)車組8個(gè)車廂室溫為例，以7月12日至22日處理后的外溫和室溫為樣本數(shù)據(jù)，預(yù)測(cè)8月1日至5日每個(gè)車廂的室溫。由于每個(gè)車廂的制冷效果不同，因此在相同樣本輸入量的條件下，當(dāng)要預(yù)測(cè)某一車廂的室溫時(shí)必須以相同車廂號(hào)的樣本室溫作為期望輸出進(jìn)行預(yù)測(cè)。

如圖2(a)所示可知，預(yù)測(cè)室溫與實(shí)際的實(shí)時(shí)室溫變化趨勢(shì)基本相同，其中存在實(shí)時(shí)室溫比預(yù)測(cè)室溫低，表明此時(shí)空調(diào)制冷環(huán)境較好。在對(duì)室溫進(jìn)行異常分析時(shí)，一般情況下只分析室溫較預(yù)測(cè)溫度高的情況，除長(zhǎng)時(shí)間室溫過低外，短時(shí)間室溫低對(duì)空調(diào)故障無影響。如圖2(b)、圖2(c)、圖2(d)中反映預(yù)測(cè)誤差值大小主要分布在1 ℃以下，對(duì)應(yīng)百分比基本維持在5%以下，少數(shù)超過1 ℃和5%主要由當(dāng)時(shí)制冷狀況不良導(dǎo)致溫度偏高。

另外分別選取20組CRH380B型和CRH380BL型共40組動(dòng)車組進(jìn)行研究，用相同的方法按車號(hào)逐一預(yù)測(cè)每個(gè)車廂8月1日至5日的室溫，分析預(yù)測(cè)結(jié)果與CRH380B—3600的8個(gè)車廂預(yù)測(cè)結(jié)果相似，預(yù)測(cè)誤差值的大部分聚集在-1～1 ℃，誤差百分比基本維持在5%以下，少數(shù)點(diǎn)誤差大于1 ℃，誤差百分比大于5%。

5 基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)車組客室空調(diào)故障識(shí)別與預(yù)警方法的驗(yàn)證

5.1 動(dòng)車組客室空調(diào)故障識(shí)別與預(yù)警方法的驗(yàn)證

客室空調(diào)在正常制冷功能條件下，客室車廂的室溫隨外溫的變化在一定幅度范圍內(nèi)變化，當(dāng)某一時(shí)間段內(nèi)外溫對(duì)應(yīng)的室溫超出正常變化幅度一定值，且持續(xù)的時(shí)間足夠長(zhǎng)時(shí)，則該車廂的客室空調(diào)可能存在故障。樣本數(shù)據(jù)室溫為客室空調(diào)在正常制冷條件下外溫對(duì)應(yīng)的室溫，因此根據(jù)樣本數(shù)據(jù)預(yù)測(cè)出的實(shí)時(shí)或當(dāng)天外溫對(duì)應(yīng)的室溫也將在正常變化幅度范圍內(nèi)。用實(shí)時(shí)室溫與預(yù)測(cè)室溫進(jìn)行對(duì)比計(jì)算，當(dāng)溫差超過一定幅值且持續(xù)時(shí)間足夠長(zhǎng)時(shí)，則該車廂客室空調(diào)存在異常[15]。

隨機(jī)選取某動(dòng)車段20列CRH380B型和20列CRH380BL型組動(dòng)車進(jìn)行研究，以2016年6、7月份客室遠(yuǎn)程數(shù)據(jù)為樣本，預(yù)測(cè)8月份各車外溫對(duì)應(yīng)的室溫，比較實(shí)際室溫與預(yù)測(cè)室溫的差值，并結(jié)合實(shí)際報(bào)故障情況進(jìn)行分析，如表5所示。

統(tǒng)計(jì)表5結(jié)果可知：8月份該40列動(dòng)車組共發(fā)生客室空調(diào)故障49件，通過客室遠(yuǎn)程數(shù)據(jù)處理后可識(shí)別和預(yù)警的有26起，占總故障的53.06%。其中可提前進(jìn)行預(yù)警的有11件，占總故障的22.45%；只能通過當(dāng)天客室溫度實(shí)時(shí)識(shí)別的有15件，占總故障的30.61%，有效地驗(yàn)證了基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)車組客室空調(diào)故障識(shí)別與預(yù)警方法可行性。

表5 基于BP網(wǎng)絡(luò)的客室空調(diào)故障識(shí)別與預(yù)警驗(yàn)證統(tǒng)計(jì)

5.2 動(dòng)車組客室空調(diào)故障的識(shí)別與預(yù)警閾值、規(guī)則和等級(jí)的確定

通過仔細(xì)分析用來驗(yàn)證的40組CRH380B(L)型動(dòng)車組在發(fā)生故障時(shí)和故障發(fā)生前對(duì)應(yīng)客室溫度的異常表現(xiàn)，制定以下相應(yīng)客室空調(diào)故障識(shí)別與預(yù)警閾值、規(guī)則、相對(duì)應(yīng)的等級(jí)和預(yù)警需滿足的條件，如表6所示，為后期開發(fā)客室空調(diào)故障自動(dòng)識(shí)別與預(yù)警系統(tǒng)奠定基礎(chǔ)。

表6 故障識(shí)別與預(yù)警規(guī)則與等級(jí)

圖3 故障識(shí)別與預(yù)警邏輯

故障識(shí)別與預(yù)警邏輯如圖3所示。

根據(jù)閾值出現(xiàn)的次數(shù)不同分為故障或預(yù)警等級(jí)，由級(jí)別的不同日后可制定不同的處理方案。

當(dāng)發(fā)生一、二、三級(jí)預(yù)警時(shí)，動(dòng)車段應(yīng)急臺(tái)立即通知隨車機(jī)械師，重點(diǎn)對(duì)客室空調(diào)配電柜空開以及空調(diào)的相關(guān)設(shè)置參數(shù)等進(jìn)行檢查是否有異常，并對(duì)客室溫度進(jìn)行跟蹤等；若在途中未查找到故障點(diǎn)，則入庫檢修時(shí)再進(jìn)行詳細(xì)檢查。

當(dāng)發(fā)生一、二級(jí)故障時(shí)，動(dòng)車段應(yīng)急臺(tái)立即通知隨車機(jī)械師采取相應(yīng)措施，如打開客室內(nèi)端門，對(duì)客室空調(diào)系統(tǒng)進(jìn)行重新復(fù)位或進(jìn)行手動(dòng)強(qiáng)制制冷；評(píng)估故障是否可控并組織換乘預(yù)案，對(duì)客室溫度進(jìn)行持續(xù)跟蹤等。

綜合差值作為故障識(shí)別與預(yù)警的閾值，主要分為1.5℃和2℃，綜合差值的計(jì)算公式如下

T溫差i=(T實(shí)時(shí)i-T預(yù)測(cè)i)

(1)

式中T溫差i——第i個(gè)車廂的溫差；

T實(shí)時(shí)i——第i個(gè)車廂外溫對(duì)應(yīng)的實(shí)時(shí)室溫；

T預(yù)測(cè)i——第i個(gè)車廂的預(yù)測(cè)室溫，i為列車車廂號(hào)，短編列車i=1，2，…，8，長(zhǎng)編列車i=1，2，…，16。

T綜合i=T溫差i-(∑T溫差i-T溫差i)/(n-1)

(2)

式中,T綜合i為第i個(gè)車廂的綜合差值；n為列車車廂數(shù)，短編列車n=8，長(zhǎng)編列車n=16。

6 結(jié)語

(1)選擇車載遠(yuǎn)程數(shù)據(jù)中的客室溫度作為研究對(duì)象，進(jìn)一步分析某動(dòng)車段2016年7、8月份動(dòng)車組客室空調(diào)故障可知，CRH380B(L)型動(dòng)車組50.58%的客室空調(diào)故障可通過動(dòng)車組車載遠(yuǎn)程無線傳輸系統(tǒng)(WTDS)中的客室實(shí)時(shí)溫度反映，表明客室溫度可作為故障識(shí)別和預(yù)警參數(shù)。

(2)建立BP神經(jīng)網(wǎng)絡(luò)客室溫度預(yù)測(cè)模型，并編寫Matlab程序進(jìn)行計(jì)算。分別選取某動(dòng)車段20組CRH380B型和CRH380BL型共40組動(dòng)車進(jìn)行誤差分析，發(fā)現(xiàn)預(yù)測(cè)誤差值主要分布在-1～1 ℃，誤差百分比基本維持在5%以下，少數(shù)點(diǎn)誤差大于1 ℃，對(duì)應(yīng)誤差百分比大于5%。誤差結(jié)果在可接受范圍內(nèi)，對(duì)故障的識(shí)別與預(yù)警無重大影響。

(3)隨機(jī)選取某動(dòng)車段20列CRH380B型和20列CRH380BL型動(dòng)車，運(yùn)用已建立的BP神經(jīng)網(wǎng)絡(luò)客室溫度預(yù)測(cè)模型預(yù)測(cè)8月份室溫，8月份該40列動(dòng)車組共發(fā)生客室空調(diào)故障49件，通過客室遠(yuǎn)程數(shù)據(jù)處理后可識(shí)別和預(yù)警的有26起，占總故障的53.06%。其中可提前進(jìn)行預(yù)警的有11件，占總故障的22.45%；只能通過當(dāng)天客室溫度實(shí)時(shí)識(shí)別的有15件，占總故障的30.61%，驗(yàn)證了故障識(shí)別與預(yù)警方法的可行性。

(4)根據(jù)在模型驗(yàn)證過程中空調(diào)故障發(fā)生時(shí)和故障發(fā)生前對(duì)應(yīng)客室溫度的異常表現(xiàn)，制定了2條故障識(shí)別規(guī)則和3條預(yù)警規(guī)則以及對(duì)應(yīng)的不同等級(jí)，確定了識(shí)別與預(yù)警需滿足的4個(gè)條件，編制了客室空調(diào)故障識(shí)別與預(yù)警的詳細(xì)邏輯圖，為后期客室空調(diào)故障識(shí)別與預(yù)警系統(tǒng)的開發(fā)奠定了基礎(chǔ)，對(duì)日后動(dòng)車組客室空調(diào)故障的及時(shí)發(fā)現(xiàn)和空調(diào)檢修計(jì)劃的制定具有重要的意義。

受最初設(shè)計(jì)方案的影響，司機(jī)室暫無室溫相關(guān)遠(yuǎn)程數(shù)據(jù)，因此無法進(jìn)行司機(jī)室空調(diào)故障識(shí)別與預(yù)警研究。此外，客室空調(diào)故障的表現(xiàn)除室溫異常外還包括其他一些參數(shù)，如空調(diào)系統(tǒng)壓力、空調(diào)進(jìn)出風(fēng)口溫度、空調(diào)進(jìn)出風(fēng)口量和送風(fēng)機(jī)電流值大小等，受當(dāng)前動(dòng)車組信息采集技術(shù)的限制，模型的輸入和期望輸出參數(shù)選擇有限。隨著CRH380B(L)型動(dòng)車組車載遠(yuǎn)程無線傳輸系統(tǒng)(WTDS)技術(shù)的發(fā)展，更多的參數(shù)實(shí)現(xiàn)實(shí)時(shí)采集，將大大調(diào)高客室空調(diào)故障識(shí)別與預(yù)警的能力和水平，為動(dòng)車組平穩(wěn)安全的運(yùn)行提供重要的保障。

[1] 曹小林，李江，曾偉，等.城軌列車車廂內(nèi)空調(diào)通風(fēng)系統(tǒng)數(shù)值模擬及優(yōu)化[J].中國鐵道科學(xué)，2013，34(6)：105-106.

[2] 王曉龍，王曉浩，邢宗義.基于EMD廣義能量的列車車輪故障診斷技術(shù)[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2017，61(1)：47-48.

[3] 沈文.旅客列車空調(diào)故障的分析與整修[J].太原鐵道科技，2011(03)：35-37.

[4] 郝小禮.空調(diào)系統(tǒng)傳感器故障檢測(cè)與診斷方法研究[D].長(zhǎng)沙：湖南大學(xué)，2003：8-9.

[5] 周立立.動(dòng)車組空調(diào)制冷系統(tǒng)運(yùn)行仿真與故障分析[D].成都：西南交通大學(xué)，2014：8-13.

[6] 許弋慧.空調(diào)機(jī)組故障診斷中多未知模態(tài)檢測(cè)方法的研究[D].天津：天津大學(xué)，2013：2-7.

[7] 王秋實(shí)，王小敏.基于FTA與改進(jìn)神經(jīng)網(wǎng)絡(luò)的軌道電路紅光帶診斷方法[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2017，61(4)：149-150.

[8] He Zhiguang， Li Zhen. A Fault Diagnosis Warning System of Refrigeration Systems Based on Fault Direction Space Method for Data Center[J]. ASHRAE Transactions，2015，121：1DD-4DD.

[9] 劉循，趙時(shí)旻，董德存.基于模糊神經(jīng)網(wǎng)絡(luò)的牽引變壓器全局故障診斷方法[J].中國鐵道科學(xué)，2009，30(1)：103-105.

[10] Zhu Yan， Zhang Guanghua， Qiu Jing. Network Traffic Prediction based on Particle Swarm BP Neural Network [J]. Journal of Networks，2013， 8 (11):2687-2689.

[11] 姜雪杰，李國寧.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的駝峰場(chǎng)車輛減速器故障診斷的研究[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2016，60(12)：136-138.

[12] 可榮博，王鐵寧，宋寧波.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的裝甲裝備器材需求預(yù)測(cè)[J].火力與指揮控制，2015，40(6)：100-101.

[13] 趙海濱.MATLAB應(yīng)用大全[M].北京：清華大學(xué)出版社，2012：698-700.

[14] 陳虎.RBF神經(jīng)網(wǎng)絡(luò)在鐵路客運(yùn)成本預(yù)測(cè)中的應(yīng)用[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2016，60(12)：47-48.

[15] 謝陳磊.面向空調(diào)故障預(yù)測(cè)與診斷的無線數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)與研究[D].合肥：安徽建筑工業(yè)學(xué)院，2010：3-7.