基于BP神经网络的动车组客室空调故障识别与预警研究

姜 陈,周 斌,廖小东

(1.上海铁路局高铁运维技术中心, 上海 201812； 2.上海铁路局南京动车段, 南京 210012)

随着全路各条高速铁路、客运专线的相继开通，全路动车组配属数呈直线上升，与此同时，动车组故障率也呈增长趋势。在动车组各类故障中空调系统故障为影响旅客乘坐体验的重要故障之一[1-2]。由于动车组采用全密闭式车体，动车组内的空气调节、通风换气均依靠空调系统，在天气炎热的夏季一旦空调系统不能正常运行，将严重影响旅客的乘车环境，甚至可能导致动车组无法继续运行，极大地影响正常的运输组织秩序。所以对动车组空调系统故障进行识别和预警具有非常重大的意义，若能找到一种行之有效的方法及时发现动车组空调系统故障甚至预测故障的发生，将空调系统故障带来的影响减小到最低，对保证动车组安全有序的运行具有重要的意义。

1 动车组客室空调故障的主要类型和分布

动车组客室空调系统主要由单元式空调机组、混合空气箱、废排单元、控制面板、温度传感器、送风系统等基本组件组成，其中单元式空调机组又包含压缩机、冷凝器、蒸发器、通风机、冷凝风机、干燥过滤器、高低压传感器、压力开关、安全阀等部件[3]。

通过跟踪研究某动车段2016年7、8月份CRH380B(L)型动车组客室空调系统故障情况，在去除空调系统非功能性故障后，梳理出夏季动车组客室空调系统制冷故障的主要类型有电气元器件故障、系统偶发性故障、管路泄露、膨胀阀故障等，具体车型的故障类型及其在所有客室空调系统故障中的占比见表1。

表1 CRH380B(L)型动车组空调故障主要故障类型及其故障占比

从表1可以看出，CRH380B(L)型动车组中，电气元器件故障、系统偶发性故障占比最高，且从发生故障后的故障排查情况来看，此类故障具有明显的突发性和偶然性，具体表现为电气元器件瞬间失效、空调系统瞬间停止工作，故障潜伏期短，不具备明显的前瞻性研究意义。对于此类故障，最重要的是在线故障的提前报警，在故障影响扩大前提前采取措施，减小故障带来的影响。

其次故障占比最多的是空调系统制冷循环部件、管路与阀门故障，此类故障的故障潜伏期长短不一。对于潜伏期短的，主要是在线故障的提前报警，对于潜伏期长的，可以通过研究空调系统主要相关的数据来挖掘故障发生规律，实现故障的提前预判。

另外，从表1还可以发现，受空调机组综合工况(如装车批次、动车组服役时间长短等)的影响，CRH380B型动车组空调系统故障主要以随机性或偶然性较大的控制单元故障为主，而CRH380BL型动车组制冷循环系统部件及管路与阀门故障占比较大。具体到应用场景来说，现阶段，对于CRH380B型动车组，需更加侧重于故障的在线报警，对于CRH380BL型动车组，要兼顾故障在线报警和提前预判。

2 动车组客室空调故障数据来源及空调故障识别与预警特征参数的确定

空调系统制冷系统较容易测量的参数是温度和压力，并且大部分故障表现现象都可以通过这2个参数进行区别，现阶段动车组客室空调系统数据的主要来源如表2所示。

表2 现阶段动车组客室空调系统数据主要来源

动车组客室空调故障识别和预警的目的，一是要在线对客室温度已经出现异常的或客室温度持续走高、空调制冷工况出现恶化趋势的情况进行报警，二是通过分析历史样本数据对潜在的故障进行识别和判断。以某动车段7、8月份动车组客室空调故障为例，CRH380B(L)型动车组中50.58%的客室空调故障是可以通过动车组车载远程无线传输系统(WTDS)中的客室实时温度反映出，其余49.42%的故障包含库内高低压测量发现、途中闪报故障后复位正常、远程数据丢失等情况，CRH380B(L)型动车组具体分析情况见表3。考虑到现有数据的相关性和准确性，兼顾可用数据的数据量和时效性，同时在不增加额外测量的工作量的条件下，选取与空调系统直接相关且可以通过有效手段获取的(动车组车载远程无线传输系统(WTDS))客室温度数据作为特征参数，来对客室空调故障进行实时识别以及对潜伏故障进行预警。

表3 CRH380B(L)型动车组空调系统故障与WTDS客室温度对应分析

动车组空调系统的运行工况十分复杂，想要准确对其故障的发生进行预警并不容易，因为空调系统故障部位多，而且故障原因各异，故障总体呈现分散性、非线性的特点，现阶段还没有一个足够精确的模型对动车组空调系统故障进行描述。通过研究国内外先机的、成熟的理论方法发现，智能故障诊断理论的发展为解决这类问题提供了新的理论依据，利用神经网络的自适应学习能力，使故障诊断系统具有了更高的智能程度和对故障的判断能力[4-5]。神经网络作为智能诊断的一种重要方法，已经成功应用在人们生活的各个领域，它可以从大量的样本中提取空调系统典型性特征，通过对历史样本数据的学习，形成自己的知识系统，进而实现故障的识别和预警[6-9]。本文主要讨论神经网络在夏季动车组空调制冷故障识别和预警中的应用。

3 BP神经网络室温预测模型的建立

3.1 输入、输出变量的确定

在以客室温度为研究对象时，需要考虑影响客室温度的主要因素，其中室温的主要影响因素有：外界环境温度、客室载客量、客室侧门开启和传感器故障等。

(1)外界环境温度因素。外界环境温度较高时，则进入到混合空气箱的新风温度高，在客室空调制冷循环中制冷剂一定的条件下，制冷效果将有一定程度上的降低。因此，在客室空调制冷能力相同的情况下外温越高，外界环境温度从低到高变化时客室空调的制冷效果相对减弱，客室车厢的对应温度值呈现逐渐升高的趋势。

(2)客室载客量因素。当车厢内乘客上座率较高时，由人体本身和乘客呼出气体释放到车厢内的热量越多，不仅直接造成客室温度上升，而且提高了空调系统的回风温度，在制冷能力相同的情况下，高上座率较载客少的客室车厢温度相应较高。

(3)客室侧门开启因素。当车厢侧门打开时，车厢与外界相通，外界高温气体对车厢内的封闭环境直接造成冲击，与此同时，客室空调开启站台模式(制冷功率下降)，综合作用使客室温度迅速升高，待侧门关闭后客室温度会逐渐下降，直至达到能量的动态平衡。因此当速度为0 km/h时，客室车门可能存在开启的情况，客室车厢温度容易出现异常高的现象。

(4)传感器传输因素。当温度传感器功能异常时，一方面测量的温度可能过高或过低甚至可能没有数据等都不能反映真实的客室温度，另一方面动车组远程数据在传输过程中可能存在解析或读取错误而返回数据，或是在传输过程中发生错误而存在丢包等情况造成远程数据丢失。

除外界环境温度外，其余的主要影响因素目前无法得到确切参数，在现有条件下，选择外温作为输入量，后续样本处理过程中，将通过数据的优化处理，避免以上其他因素对客室温度预测造成的影响。选择空调故障识别与预警特征参数客室温度作为输出量。

3.2 BP神经网络室温预测模型的计算过程

设外温输入向量为X=(x1，x2，…，xi，…，xn)T，室温隐层输出向量Y=(y1，y2，…，xj，…，xm)T，室温输出层输出向量O=(o1，o2，…，ok，…，ol)T，室温期望输出向量D=(d1，d2，…，dk，…，dl)T，输入层到隐层之间的权值矩阵V=(v1，v2，…，vj，…，vm)T，隐层到输出层之间的权值矩阵W=(w1，w2，…，wj，…，wm)T，f(X)为激发函数，则室温输出层值为

室温隐层输出值为

室温输出层误差定义

将室温输出层误差定义展开至隐层

进一步展开至室温输入层

如果在输出层未得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标。神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望的输出。将输出误差以某种形式通过隐层向输入层逐层反传[10-11]。计算过程如图1所示。

4 BP神经网络室温预测实例

4.1 样本数据处理

样本数据来源为某铁路局配属的CRH380B(L)型动车组每日实时传输的远程数据，除了输入量外温和期望输出量室温外，为了方便样本数据的处理，还保留了对应的车组号、时间、速度，表4为CRH380B—3600动车组部分远程数据。

图1 计算流程

表4 客室空调相关远程数据 ℃

图2 CRH380B-3600 室温预测模型误差分析

客室温度受到来自外温、车厢内所载乘客的数量、车厢侧门是否打开、温度传感器功能好坏等因素的影响，部分影响因素目前无法通过实时测量或统计得到其值，选取外温为输入量。选取外温对应的单个车厢客室温度为期望输出。速度小于0 km/h时客室侧门可能已开启，室温受外界空气的直接影响容易产生异常，为了使得样本数据更加准确剔除速度小于100 km/h时远程数据；客室空调发生故障当日客室温度容易存在异常，清理故障当日远程数据。

4.2 BP神经网络室温预测模型Matlab程序相关参数确定

神经网络采用试算法来确定输入节点和隐含节点，输入结点数和隐含节点数采用由小到大的方法分别进行试算，输出节点数取为1。通过试算和仿真，输入节点取一个，隐含节点取3个，训练 5 000次以上，网络误差精度能达到0.001。因此文中采用具有1个隐含层的三层BP神经网络预测系统进行室温预测，隐含层具有3个隐含节点、1个输入节点和1个输出节点。在神经网络室温预测系统中采用Levenberg-Marquardt算法。显示训练结果的间隔步数为25，学习率为0.025，动量因子为0.9[12-14]。运用以上相关参数，编写Matlab程序对室温预测模型BP网格进行训练计算。

4.3 BP神经网络室温预测模型预测误差分析

预测CRH380B—3600动车组8个车厢室温为例，以7月12日至22日处理后的外温和室温为样本数据，预测8月1日至5日每个车厢的室温。由于每个车厢的制冷效果不同，因此在相同样本输入量的条件下，当要预测某一车厢的室温时必须以相同车厢号的样本室温作为期望输出进行预测。

如图2(a)所示可知，预测室温与实际的实时室温变化趋势基本相同，其中存在实时室温比预测室温低，表明此时空调制冷环境较好。在对室温进行异常分析时，一般情况下只分析室温较预测温度高的情况，除长时间室温过低外，短时间室温低对空调故障无影响。如图2(b)、图2(c)、图2(d)中反映预测误差值大小主要分布在1 ℃以下，对应百分比基本维持在5%以下，少数超过1 ℃和5%主要由当时制冷状况不良导致温度偏高。

另外分别选取20组CRH380B型和CRH380BL型共40组动车组进行研究，用相同的方法按车号逐一预测每个车厢8月1日至5日的室温，分析预测结果与CRH380B—3600的8个车厢预测结果相似，预测误差值的大部分聚集在-1～1 ℃，误差百分比基本维持在5%以下，少数点误差大于1 ℃，误差百分比大于5%。

5 基于BP神经网络的动车组客室空调故障识别与预警方法的验证

5.1 动车组客室空调故障识别与预警方法的验证

客室空调在正常制冷功能条件下，客室车厢的室温随外温的变化在一定幅度范围内变化，当某一时间段内外温对应的室温超出正常变化幅度一定值，且持续的时间足够长时，则该车厢的客室空调可能存在故障。样本数据室温为客室空调在正常制冷条件下外温对应的室温，因此根据样本数据预测出的实时或当天外温对应的室温也将在正常变化幅度范围内。用实时室温与预测室温进行对比计算，当温差超过一定幅值且持续时间足够长时，则该车厢客室空调存在异常[15]。

随机选取某动车段20列CRH380B型和20列CRH380BL型组动车进行研究，以2016年6、7月份客室远程数据为样本，预测8月份各车外温对应的室温，比较实际室温与预测室温的差值，并结合实际报故障情况进行分析，如表5所示。

统计表5结果可知：8月份该40列动车组共发生客室空调故障49件，通过客室远程数据处理后可识别和预警的有26起，占总故障的53.06%。其中可提前进行预警的有11件，占总故障的22.45%；只能通过当天客室温度实时识别的有15件，占总故障的30.61%，有效地验证了基于BP神经网络的动车组客室空调故障识别与预警方法可行性。

表5 基于BP网络的客室空调故障识别与预警验证统计

5.2 动车组客室空调故障的识别与预警阈值、规则和等级的确定

通过仔细分析用来验证的40组CRH380B(L)型动车组在发生故障时和故障发生前对应客室温度的异常表现，制定以下相应客室空调故障识别与预警阈值、规则、相对应的等级和预警需满足的条件，如表6所示，为后期开发客室空调故障自动识别与预警系统奠定基础。

表6 故障识别与预警规则与等级

图3 故障识别与预警逻辑

故障识别与预警逻辑如图3所示。

根据阈值出现的次数不同分为故障或预警等级，由级别的不同日后可制定不同的处理方案。

当发生一、二、三级预警时，动车段应急台立即通知随车机械师，重点对客室空调配电柜空开以及空调的相关设置参数等进行检查是否有异常，并对客室温度进行跟踪等；若在途中未查找到故障点，则入库检修时再进行详细检查。

当发生一、二级故障时，动车段应急台立即通知随车机械师采取相应措施，如打开客室内端门，对客室空调系统进行重新复位或进行手动强制制冷；评估故障是否可控并组织换乘预案，对客室温度进行持续跟踪等。

综合差值作为故障识别与预警的阈值，主要分为1.5℃和2℃，综合差值的计算公式如下

T温差i=(T实时i-T预测i)

(1)

式中T温差i——第i个车厢的温差；

T实时i——第i个车厢外温对应的实时室温；

T预测i——第i个车厢的预测室温，i为列车车厢号，短编列车i=1，2，…，8，长编列车i=1，2，…，16。

T综合i=T温差i-(∑T温差i-T温差i)/(n-1)

(2)

式中,T综合i为第i个车厢的综合差值；n为列车车厢数，短编列车n=8，长编列车n=16。

6 结语

(1)选择车载远程数据中的客室温度作为研究对象，进一步分析某动车段2016年7、8月份动车组客室空调故障可知，CRH380B(L)型动车组50.58%的客室空调故障可通过动车组车载远程无线传输系统(WTDS)中的客室实时温度反映，表明客室温度可作为故障识别和预警参数。

(2)建立BP神经网络客室温度预测模型，并编写Matlab程序进行计算。分别选取某动车段20组CRH380B型和CRH380BL型共40组动车进行误差分析，发现预测误差值主要分布在-1～1 ℃，误差百分比基本维持在5%以下，少数点误差大于1 ℃，对应误差百分比大于5%。误差结果在可接受范围内，对故障的识别与预警无重大影响。

(3)随机选取某动车段20列CRH380B型和20列CRH380BL型动车，运用已建立的BP神经网络客室温度预测模型预测8月份室温，8月份该40列动车组共发生客室空调故障49件，通过客室远程数据处理后可识别和预警的有26起，占总故障的53.06%。其中可提前进行预警的有11件，占总故障的22.45%；只能通过当天客室温度实时识别的有15件，占总故障的30.61%，验证了故障识别与预警方法的可行性。

(4)根据在模型验证过程中空调故障发生时和故障发生前对应客室温度的异常表现，制定了2条故障识别规则和3条预警规则以及对应的不同等级，确定了识别与预警需满足的4个条件，编制了客室空调故障识别与预警的详细逻辑图，为后期客室空调故障识别与预警系统的开发奠定了基础，对日后动车组客室空调故障的及时发现和空调检修计划的制定具有重要的意义。

受最初设计方案的影响，司机室暂无室温相关远程数据，因此无法进行司机室空调故障识别与预警研究。此外，客室空调故障的表现除室温异常外还包括其他一些参数，如空调系统压力、空调进出风口温度、空调进出风口量和送风机电流值大小等，受当前动车组信息采集技术的限制，模型的输入和期望输出参数选择有限。随着CRH380B(L)型动车组车载远程无线传输系统(WTDS)技术的发展，更多的参数实现实时采集，将大大调高客室空调故障识别与预警的能力和水平，为动车组平稳安全的运行提供重要的保障。

[1] 曹小林，李江，曾伟，等.城轨列车车厢内空调通风系统数值模拟及优化[J].中国铁道科学，2013，34(6)：105-106.

[2] 王晓龙，王晓浩，邢宗义.基于EMD广义能量的列车车轮故障诊断技术[J].铁道标准设计，2017，61(1)：47-48.

[3] 沈文.旅客列车空调故障的分析与整修[J].太原铁道科技，2011(03)：35-37.

[4] 郝小礼.空调系统传感器故障检测与诊断方法研究[D].长沙：湖南大学，2003：8-9.

[5] 周立立.动车组空调制冷系统运行仿真与故障分析[D].成都：西南交通大学，2014：8-13.

[6] 许弋慧.空调机组故障诊断中多未知模态检测方法的研究[D].天津：天津大学，2013：2-7.

[7] 王秋实，王小敏.基于FTA与改进神经网络的轨道电路红光带诊断方法[J].铁道标准设计，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] 刘循，赵时旻，董德存.基于模糊神经网络的牵引变压器全局故障诊断方法[J].中国铁道科学，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，李国宁.基于改进BP神经网络的驼峰场车辆减速器故障诊断的研究[J].铁道标准设计，2016，60(12)：136-138.

[12] 可荣博，王铁宁，宋宁波.基于遗传BP神经网络的装甲装备器材需求预测[J].火力与指挥控制，2015，40(6)：100-101.

[13] 赵海滨.MATLAB应用大全[M].北京：清华大学出版社，2012：698-700.

[14] 陈虎.RBF神经网络在铁路客运成本预测中的应用[J].铁道标准设计，2016，60(12)：47-48.

[15] 谢陈磊.面向空调故障预测与诊断的无线数据采集系统设计与研究[D].合肥：安徽建筑工业学院，2010：3-7.