CN105160345A - 一种诊断列车空调机组故障的方法 - Google Patents

Abstract

本发明公开的一种诊断列车空调机组故障的方法，首先依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建多组先验知识；然后基于这多组先验知识得到等式约束；最后利用列车空调机组实际运行数据和这些等式约束，构建基于先验知识的列车空调机组故障诊断模型。本发明的一种诊断列车空调机组故障的方法提高了列车空调机组故障诊断的精度。

Description

一种诊断列车空调机组故障的方法

技术领域

本发明属于列车空调机组故障诊断方法技术领域，涉及一种诊断列车空调机组故障的方法。

背景技术

随着现代社会旅客列车的高速发展，带动了列车空调机组在旅客列车上的应用。

旅客列车的密封性比较好，这直接导致了车厢内空气的流通性差，特别是在春运高峰期，列车中人员密度更大，这就需要列车空调能长期的、无故障的工作。但是，列车空调机组长期运行在特殊条件下，如：列车高速运行时的较强震动、车外变化较大的空气状态下，列车空调机组更容易出现故障，直接导致空调性能的下降。因此，列车空调机组的故障的精确诊断有着十分重要的现实意义。

近几年，随着计算机技术的高速发展，列车空调系统故障能结合实时监控的机组数据，进行很好的故障识别和诊断，并且在故障发生时能及时诊断并给出解决方案，大大提高了列车空调的使用效率。

研究人员罗浩提出的支持向量机的方法进行列车空调的故障诊断，为实际工程应用起到了一些借鉴和指引作用，并对故障诊断中采用支持向量机算法的可行性做出了一定的判断。但是，支持向量机有限的诊断精度成为列车空调机组故障诊断的瓶颈。

基于以上认识，开发出一个可行的、精度更高的算法来改进列车空调机组故障诊断问题显得尤为重要。

发明内容

本发明的目的在于提供一种诊断列车空调机组故障的方法，能准确的对列车空调机组故障进行诊断。

本发明所采用的技术方案是，一种诊断列车空调机组故障的方法，具体按照以下步骤实施：

步骤1、根据列车空调制冷系统工作原理及常见制冷空调故障，确定出列车空调机组的主要故障类型，并构建列车空调制冷系统故障诊断模型；

步骤2、根据步骤1构建好的列车空调制冷系统故障诊断模型进行数据采集和人工标注，并获取训练样本集合；

步骤3、选择并确定先验知识；

步骤4、选择核函数；

步骤5、采用基于先验知识的1–v–k的多种故障诊断算法，针对k类分类共构造出k个PKSVM分类器，最终构造出列车空调机组故障诊断模；

步骤6、利用步骤5得到的列车空调机组故障诊断模型来诊断列车空调的运行状态。

本发明的特点还在于：

步骤1中列车空调机组的主要故障类型如下：

制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机；

在出现不同的故障时，列车空调机组的运行参数变化幅度不同，经数据分析，得到列车空调机组正常和各故障状态对应的判断参数对各故障的变化特征对应表；

选择特征向量Xi＝{压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}作为列车空调制冷系统故障诊断模型的输入。

步骤2具体按照以下步骤实施：

步骤2.1、在列车空调机组上设置多处采集测点，在模拟制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机五种故障和正常运行工况下，进行数据采集；

采集的数据主要分为温度参数、压力参数和湿度参数三类共9个参数，具体如下：

温度参数4个：列车空调机组进口空气干球温度，列车空调机组出口空气干球温度，压缩机吸气温度，压缩机排气温度；

压力参数3个：压缩机吸气压力，压缩机排气压力，列车空调机组出口压差；

湿度参数2个：列车空调机组进口空气相对湿度，列车空调机组出口空气相对湿度；

步骤2.2、将步骤2.1中设置的所有采集测点的名称、代号、传感器类型和安装位置进行列表，并获取以下数据：

压缩机吸气压力和排气压力分别由压缩机进口压力和压缩机出口压力测点获得；

压缩机吸气温度和压缩机排气温度分别由压缩机进口温度和压缩机出口温度测点获得；

列车空调机组进口空气干球温度、列车空调机组进口空气相对湿度、列车空调机组出口空气干球温度和列车空调机组出口空气相对湿度分别由列车空调机组进口空气温度、列车空调机组进口空气湿度、列车空调机组出口空气温度、列车空调机组出口空气湿度测点获得；

列车空调机组出口压差由风道压差测点获得；

步骤2.3、基于步骤2.1和步骤2.2结合的数据采集方案，采集列车空调机组在以上五种故障工况和正常运行工况下各测点的值，并由列车空调机组进口空气温度、列车空调机组进口空气湿度计算出列车空调机组进口空气的焓值，由列车空调机组出口空气温度、列车空调机组出口空气湿度计算出出口空气的焓值；进而用空气进、出口焓值及空气风量计算出空调机组的实际制冷量，从而得到形如特征向量Xi＝{压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的样本数据，并人工标注故障类型标号Yi＝{1，2，3，4，5，6}，分别代表六种类型Yi＝{正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}。

步骤3具体按照以下方法实施：

依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建形式为： $V_S^2=max\left(\right|x_i-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_i|,i=1,...,N)$ 的多组先验知识；

在数据样本A中选择前k行数据用来构造一个5维的球体，这个5维的球体将这k行的数据样本包含在球内，以此作为先验知识，剩余的m-k行数据作为训练样本。

步骤4中的核函数采用的是高斯核函数，具体如下：

$K(x,z)=\exp (-{\frac{\left|\right|x-z\left|\right|}{2{\mathrm{\σ}}^2}}^2);$

其中，x和z为输入特征向量。

步骤5具体按照以下步骤实施：

在构造k个分类器中的第i个分类器时，将第i类训练样本作为一类，类别号为yi＝1；其余的样本作为一类，类别号为yi＝-1，然后将分好的第i类的数据从样本中去除，进行第i+1次分类；

具体按照以下步骤获得第i个分类器：

步骤a、利用步骤3的先验知识构建临近非线性核分类问题的等式约束；

由步骤3得到的先验知识为：

对于一部分已知的x，利用g(x)≤0指定了一个5维的球体，当在其中时，x属于+1类，其中，x₀为圆心，r为半径；接着用g(x)₊＝max{g(x),0}替换g(x)≤0；

则先验知识表达为如下形式：

$g\left(x\right)\≤0\⇒K(x^{\′},B^{\′})u-\mathrm{\γ}=1,\∀x\∈{\mathrm{\Γ}}_1---\left(1\right);$

经过推导，式(1)等价于线性等式(2)，具体如下

$K(x^{\′},B^{\′})u-\mathrm{\γ}-1+v^{\′}g{\left(x\right)}_{+}=0,\∀x\∈{\mathrm{\Γ}}_1---\left(2\right);$

线性等式(2)就是等式约束；

步骤b、将线性等式(2)加入到PSVM的线性问题公式(3)中，得到线性问题，如式(4)；

其中，K_i′＝K((xⁱ)′,B′)∈R^1×k，K＝K(A,B′)∈R^m×k，B∈R^k×n，xⁱ∈Rⁿ，y∈R^m，A∈R^m×n，α∈R^m，λ,σ∈R，e＝(1,1,...,1)′_1×m，u∈R^k，g_i＝g(xⁱ)₊∈R^r，为一个r维向量函数，v∈R^r为一个r维向量，D为m×m的方阵， $Ir={\left(\begin{array}{cccc}1& 0& \mathrm{...}& 0\\ 0& 1& \mathrm{...}& 0\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ 0& 0& \mathrm{...}& 1\end{array}\right)}_{r\×r};$

$\begin{array}{c}\underset{(u,\mathrm{\γ})}{min}\frac{\mathrm{\λ}}{2}{||y||}^2+\frac{1}{2}(u^{\′}u+{\mathrm{\γ}}^2)\\ s.t.D(Ku-e\mathrm{\γ})+y=e\end{array}---\left(3\right);$

$\begin{array}{c}\underset{(u,\mathrm{\γ})}{min}\frac{\mathrm{\λ}}{2}\left|\right|y|{|}^2+\frac{1}{2}(u^{\′}u+{\mathrm{\γ}}^2+v^{\′}v)+\frac{\mathrm{\σ}}{2}\underset{i=1}{\overset{l}{\Σ}}{(K_i^{\′}u-\mathrm{\γ}-1+v^{\′}{g}_i)}^2\\ s.t.D(Ku-e\mathrm{\γ})+y=e\end{array}---\left(4\right);$

步骤c、求解步骤b中涉及的式(4)的线性规划问题，得到如下形式：

$u=\[\mathrm{\χ}({\mathrm{\λK}}^{\′}De-\mathrm{\Φ})-({\mathrm{\λe}}^{\′}De-\∂)\mathrm{\Ω}\]{\[\mathrm{\χ}T+{\mathrm{\χ\Ω\Ω}}^{\′}\]}^{-1}$ 和 $\mathrm{\γ}=\frac{1}{\mathrm{\χ}}({\mathrm{\λe}}^{\′}De-\∂+{\mathrm{\Ω}}^{\′}u);$

其中， $\begin{array}{ccc}H=\underset{i=1}{\overset{l}{\Σ}}{g}_i{K}_i^{\′}\∈R^{r\×k},& G=\underset{i=1}{\overset{l}{\Σ}}{g}_i\∈R^r,& \mathrm{\Γ}=\underset{i=1}{\overset{l}{\Σ}}{K}_i\∈R^k\end{array},$ $\begin{array}{ccc}S=\left(\underset{i=1}{\overset{l}{\Σ}}\right(g_i{g}_i^{\′}))+\frac{I_r}{\mathrm{\σ}}\∈R^{r\×r},& \mathrm{\Θ}=(\underset{i=1}{\overset{l}{\Σ}}{K}_i{K}_i^{\′})+\frac{I_k}{\mathrm{\σ}}\∈R^{k\×k},& \∂=-\mathrm{\σ}l+{\mathrm{\σG}}^{\′}{S}^{-1}G\∈R,\end{array}$ Φ＝-σΓ+σH′S^-1G∈R^k，T＝σΘ+λK′K-σH′S^-1H∈R^k×k， $\mathrm{\χ}=\∂-\mathrm{\λ}m-1\∈R,$ Ω＝Φ-λK′e∈R^k；

步骤d、经步骤c后，得到基于PKSVM的第i个分类器为f_i(x)＝K_i(x,B′)u_i-γ_i；

利用上述四个小步骤，就能够得到其它五个分类器；得到的六个分类器就构成了列车空调机组故障诊断模型。

步骤6具体按照以下步骤实施：

利用步骤5得到的列车空调机组故障诊断模型来诊断列车空调的的运行状态，诊断状态包括：正常运行工况、制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机故障，具体步骤如下：

步骤6.1、利用步骤2中采集到列车空调在六种工况下各测点的值，并由列车空调机组进口空气温度、进列车空调机组口空气湿度计算出列车空调机组进口空气的焓值；

由列车空调机组出口空气温度、列车空调机组出口空气湿度计算出出口空气的焓值；

进而用空气进、出口焓值及空气风量计算出列车空调机组的实际制冷量，从而得到形如特征向量Xi＝{压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的数据；

步骤6.2、将步骤6.1得到的数据作为列车空调机组故障诊断模型的输入矩阵；

列车空调机组故障诊断模型即步骤5得到六个PKSVM分类器模型，经列车空调机组故障诊断模型诊断得到列车空调机组属于六种工况中的哪一种；

用故障类型标号Yi＝{1，2，3，4，5，6}表示，分别代表六种工况类型Yi＝{正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}；

将步骤6.1得到的输入矩阵A依据图4的流程依次输入到这六个分类模型f_i(x)＝K_i(x,B′)u_i-γ_i,i＝1,...,6中，当某一个f_i(x)为1时，最终得到其诊断结果为第i种故障。

本发明的有益效果在于：

(1)本发明的诊断列车空调机组故障的方法，首先依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建多组先验知识；然后基于这多组先验知识得到等式约束；最后利用列车空调机组实际运行数据和这些等式约束，构建基于先验知识的列车空调机组故障诊断模型。

(2)采用本发明的诊断列车空调机组故障的方法提高了列车空调机组故障诊断的精度。

(3)本发明的诊断列车空调机组故障的方法还可用于高速铁路列车空调机组故障诊断领域。

附图说明

图1是列车空调机组制冷循环的工作原理示意图；

图2是先验知识类型示意图；

图3是先验知识结合方式示意图；

图4是本发明诊断列车空调机组故障的方法中构建六类分类器的分类流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行进一步说明。

本发明一种诊断列车空调机组故障的方法，具体按照以下步骤实施：

步骤1、根据列车空调制冷系统工作原理及常见制冷空调故障，确定出列车空调机组的主要故障类型，并构建列车空调制冷系统故障诊断模型，具体按照以下步骤：

构建列车空调制冷系统模型基于列车空调机组的结构；

现有列车空调机组主要由蒸发器、冷凝器、膨胀阀及压缩机通过管道连接形成一个封闭的制冷系统；

现有的列车空调制冷系统的工作原理为：液态制冷剂通过制冷系统回路的不断循环产生，在蒸发器内蒸发，与被冷却空气发生热量交换，吸收被冷却空气的热量后汽化成蒸气，随后压缩机将产生的蒸气从蒸发器中抽走，并压缩制冷剂，使其在高压下被排出；经压缩后的高温、高压蒸气在冷凝器内被周围的空气冷却，凝结成高压液体，利用热力膨胀阀使高压液体节流，节流后的低压、低温湿蒸气进入蒸发器，再次汽化，吸收被冷却空气的热量，如此周而复始，如图1所示。

基于列车空调制冷系统的工作原理和现有的故障发生情况，能够得出列车空调主要故障为：制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机。本发明将选择这五种典型故障作为研究对象。

在出现不同的故障时，列车空调机组的运行参数变化幅度不同，经过数据分析，得到列车空调机组正常和各故障状态对应的判断参数对各故障的变化特征对应表，如表1所示；根据表1，选择特征向量Xi＝{压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}作为列车空调制机组故障诊断模型的输入。

表1故障判别参数变化规则表

表1中的符号表示：＝表示参数基本无变化；++表示参数明显增加，变化很大；－－表示参数明显减少，变化很大；+表示参数稍有增加，变化不大；－表示参数稍有减少，变化不大。

步骤2、根据步骤1构建好的列车空调制冷系统故障诊断模型进行数据采集和人工标注，并获取训练样本集合，具体按照以下步骤实施：

步骤2.1、在列车空调机组上设置多处采集测点，在模拟制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机五种故障和正常运行工况下，进行数据采集；

采集的数据主要分为温度参数、压力参数和湿度参数三类共9个参数，具体如下：

(1)温度参数4个：列车空调机组进口空气干球温度，列车空调机组出口空气干球温度，压缩机吸气温度，压缩机排气温度；

(2)压力参数3个：压缩机吸气压力，压缩机排气压力，列车空调机组出口压差；

(3)湿度参数2个：列车空调机组进口空气相对湿度，列车空调机组出口空气相对湿度；

步骤2.2、将步骤2.1中设置的所有采集测点的名称、代号、传感器类型和安装位置进行列表，具体如表2所示；

表2测试点信息

压缩机吸气压力和排气压力分别由压缩机进口压力和压缩机出口压力测点获得；

压缩机吸气温度和压缩机排气温度分别由压缩机进口温度和压缩机出口温度测点获得；

列车空调机组进口空气干球温度、列车空调机组进口空气相对湿度、列车空调机组出口空气干球温度和列车空调机组出口空气相对湿度分别由列车空调机组进口空气温度、列车空调机组进口空气湿度、列车空调机组出口空气温度、列车空调机组出口空气湿度测点获得；

列车空调机组出口压差由风道压差测点获得；

步骤2.3、基于步骤2.1和步骤2.2结合的数据采集方案，采集列车空调机组在以上五种故障(制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机)和正常运行工况下各测点的值，并由列车空调机组进口空气温度、列车空调机组进口空气湿度计算出列车空调机组进口空气的焓值，由列车空调机组出口空气温度、列车空调机组出口空气湿度计算出出口空气的焓值；进而用空气进、出口焓值及空气风量计算出空调机组的实际制冷量，从而得到形如特征向量Xi＝{压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的样本数据，并人工标注故障类型标号Yi＝{1，2，3，4，5，6}，分别代表六种类型Yi＝{正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}。

步骤3、选择并确定先验知识，具体按照如下方式进行选择：

为保证通过有限训练数据学习得到的故障诊断模型具有良好的性能，在学习过程的同时要尽可能多地结合与当前学习问题相关的先验知识；

目前，可用的先验知识分为两大类：分类模型(函数)形式的先验知识和数据形式的先验知识，如图2所示。

分类函数，通常可约束模型的光滑性或不变性；

光滑性是指分类函数输出在训练样本上光滑，使相似样本具有相近的分类结果输出，该约束使诊断模型在正确诊断的同时尽量简单，以保证良好的推广性能；

不变性分为变换不变性、排列不变性和区域不变性；

其中，变换不变性指诊断模型输出对于输入空间的数据变换稳定或不敏感；排列不变性指诊断模型输出对于结构化输入中各元素排列稳定或不敏感；区域不变性主要是指诊断模型输出对某输入区域稳定。

数据形式的先验知识分为样本的先验知识和特征的先验知识；样本的先验知识主要包括样本分布的类不平衡性、判别性、样本质量、样本分布结构。

特征的先验知识主要包括(特征权值)光滑性和(单个特征)判别性，光滑性是指约束相似特征具有相近的特征权值；判别性则指判别能力强的特征在学习过程中被赋予更高的权值。

先验知识的结合方式也是多样的，常见的结合方式如图3所示，包括基于样本、基于核以及基于优化问题的结合方式。

基于样本的方式主要包括增加虚拟样本和对样本进行加权；基于核的结合方式可以选择现有的核函数，也可以重新自定义新的核函数；基于优化问题的结合方式主要包括在目标函数中引入正则化项、在优化问题中添加约束以及改变问题刻画等方式。

本发明诊断列车空调机组故障的方法中，首先依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建形式为： $V_S^2=max\left(\right|x_i-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_i|,i=1,...,N)$ 的多组先验知识；

然后在数据样本A中选择前k行数据用来构造一个5维的球体，这个5维的球体将这k行的数据样本包含在球内，以此作为先验知识，剩余的m-k行数据作为训练样本。

步骤4、选择核函数；

核方法是解决非线性故障诊断问题的一种有效方法，核方法对于线性不可分的情况，使用一个非线性变换φ，把输入空间X映射到一个高维特征空间F，然后在特征空间中将其变为线性可分的情况，最后使用线性分类模型对其进行分类，所以选择合适的核函数的有助于提高分类器的性能；

本发明的诊断列车空调机组故障的方法中采用高斯核函数：其中的x和z为输入特征向量。

步骤5、采用基于先验知识的1–v–k的多种故障诊断算法，针对k类分类共构造出k个PKSVM(基于知识的临近支持向量机，由Mangasarian等人提出来的)分类器，最终构造出列车空调机组故障诊断模；

在构造k个分类器中的第i个分类器时，将第i类训练样本作为一类，类别号为yi＝1；其余的样本作为一类，类别号为yi＝-1，然后将分好的第i类的数据从样本中去除，进行第i+1次分类；

具体按照以下步骤获得第i个分类器：

步骤a、利用步骤3的先验知识构建临近非线性核分类问题的等式约束；

步骤3得到的先验知识为：

对于一部分已知的x，利用g(x)≤0指定了一个5维的球体，当在其中时，x属于+1类，其中， $g\left(x\right)=\left|\right|x-x_0\left|\right|-r:{\mathrm{\Γ}}_1\⋐R^6\→R,$ x₀为圆心，r为半径；接着用g(x)₊＝max{g(x),0}替换g(x)≤0；

则先验知识表达为如下形式：

$g\left(x\right)\≤0\⇒K(x^{\′},B^{\′})u-\mathrm{\γ}=1,\∀x\∈{\mathrm{\Γ}}_1---\left(1\right);$

经过推导，式(1)等价于线性等式(2)，具体如下

$K(x^{\′},B^{\′})u-\mathrm{\γ}-1+v^{\′}g{\left(x\right)}_{+}=0,\∀x\∈{\mathrm{\Γ}}_1---\left(2\right);$

线性等式(2)就是等式约束；

步骤b、将线性等式(2)加入到PSVM的线性问题公式(3)中，得到线性问题，如式(4)；

其中，K′_i＝K((xⁱ)′,B′)∈R^1×k，K＝K(A,B′)∈R^m×k，B∈R^k×n，xⁱ∈Rⁿ，y∈R^m，A∈R^m×n，α∈R^m，λ,σ∈R，e＝(1,1,...,1)′_1×m，u∈R^k，g_i＝g(xⁱ)₊∈R^r，为一个r维向量函数，v∈R^r为一个r维向量，D为m×m的方阵， $I_r={\left(\begin{array}{cccc}1& 0& \mathrm{...}& 0\\ 0& 1& \mathrm{...}& 0\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ 0& 0& \mathrm{...}& 1\end{array}\right)}_{r\×r};$

$\begin{array}{c}\underset{(u,\mathrm{\γ})}{min}\frac{\mathrm{\λ}}{2}\left|\right|y|{|}^2+\frac{1}{2}(u^{\′}u+{\mathrm{\γ}}^2)\\ s.t.D(Ku-e\mathrm{\γ})+y=e\end{array}---\left(3\right);$

$\begin{array}{c}\underset{(u,\mathrm{\γ})}{min}\frac{\mathrm{\λ}}{2}\left|\right|y|{|}^2+\frac{1}{2}(u^{\′}u+{\mathrm{\γ}}^2+v^{\′}v)+\frac{\mathrm{\σ}}{2}\underset{i=1}{\overset{l}{\Σ}}{(K_i^{\′}u-\mathrm{\γ}-1+v^{\′}{g}_i)}^2\\ s.t.D(Ku-e\mathrm{\γ})+y=e\end{array}---\left(4\right);$

步骤c、求解步骤b中涉及的式(4)的线性规划问题，得到如下形式：

$u=\[\mathrm{\χ}({\mathrm{\λK}}^{\′}De-\mathrm{\Φ})-({\mathrm{\λe}}^{\′}De-\∂)\mathrm{\Ω}\]{\[\mathrm{\χ}T+{\mathrm{\χ\Ω\Ω}}^{\′}\]}^{-1}$ 和 $\mathrm{\γ}=\frac{1}{\mathrm{\χ}}({\mathrm{\λe}}^{\′}De-\∂+{\mathrm{\Ω}}^{\′}u);$

其中， $\begin{array}{ccc}H=\underset{i=1}{\overset{l}{\Σ}}{g}_i{K}_i^{\′}\∈R^{r\×k},& G=\underset{i=1}{\overset{l}{\Σ}}{g}_i\∈R^r,& \mathrm{\Γ}=\underset{i=1}{\overset{l}{\Σ}}{K}_i\∈R^k\end{array},$ $\begin{array}{ccc}S=\left(\underset{i=1}{\overset{l}{\Σ}}\right(g_i{g}_i^{\′}))+\frac{I_r}{\mathrm{\σ}}\∈R^{r\×r},& \mathrm{\Θ}=(\underset{i=1}{\overset{l}{\Σ}}{K}_i{K}_i^{\′})+\frac{I_k}{\mathrm{\σ}}\∈R^{k\×k},& \∂=-\mathrm{\σ}l+{\mathrm{\σG}}^{\′}{S}^{-1}G\∈R,\end{array}$ Φ＝-σΓ+σH′S^-1G∈R^k，T＝σΘ+λK′K-σH′S^-1H∈R^k×k， $\mathrm{\χ}=\∂-\mathrm{\λ}m-1\∈R,$ Ω＝Φ-λK′e∈R^k；

步骤d、经步骤c后，得到基于PKSVM的第i个分类器为：

f_i(x)＝K_i(x,B′)u_i-γ_i；

利用上述四个小步骤(步骤a到步骤d)，就能够得到其它五个分类器；得到的六个分类器就构成了列车空调机组故障诊断模型。

步骤6、利用步骤5得到的列车空调机组故障诊断模型来诊断列车空调的的运行状态；

利用步骤5得到的列车空调机组故障诊断模型来诊断列车空调的的运行状态，诊断状态包括：正常运行工况、制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机故障，具体步骤如下：

步骤6.1、利用步骤2中采集到列车空调在六种工况下各测点的值，并由列车空调机组进口空气温度、进列车空调机组口空气湿度计算出列车空调机组进口空气的焓值；

由列车空调机组出口空气温度、列车空调机组出口空气湿度计算出出口空气的焓值；

进而用空气进、出口焓值及空气风量计算出列车空调机组的实际制冷量，从而得到形如特征向量Xi＝{压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的数据；

步骤6.2、将步骤6.1得到的数据作为列车空调机组故障诊断模型的输入矩阵；

列车空调机组故障诊断模型即步骤5得到六个PKSVM分类器模型，经列车空调机组故障诊断模型诊断得到列车空调机组属于六种工况中的哪一种；

用故障类型标号Yi＝{1，2，3，4，5，6}表示，分别代表六种工况类型Yi＝{正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}；

将步骤6.1得到的输入矩阵A依据图4的流程依次输入到这六个分类模型f_i(x)＝K_i(x,B′)u_i-γ_i,i＝1,...,6中，当某一个f_i(x)为1时，最终得到其诊断结果为第i种故障。

实施例：

进行样本数据采集和人工标注：

首先，以我国常用的KLD29系列单元式客车空调机组为例，按照技术方案中的列车空调制冷系统模型中的方案在模拟正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体和压缩机停机这六种，分别进行数据采集，采集到如表3的数据，作为算法的输入，具体见表3；

表3训练样本

然后，人工标注故障类型标号Yi＝{1，2，3，4，5，6}分别代表故障类型Yi＝{正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}；

先验知识的确定：

采用数据样本的样本分布结构来构造先验知识，并将此先验知识作为优化问题中的约束添加到目标函数中；

构造形如 $g\left(x\right)\≤0\⇒K(x^{\′},B^{\′})u-\mathrm{\γ}=1,\∀x\∈{\mathrm{\Γ}}_1$ 的先验知识，此先验知识表示满足g(x)≤0的任意的x都属于正类；

对于每个PKSVM，在数据样本A中选择前5行数据用来构造一个5维的球体，为了这5行数据样本包含在球内，每个5维球体都以一类故障的所有数据列的平均值为圆心，平均值和列最大值的差的最大值为半径，将这个球体作为PKSVM的约束，作为确定使用的先验知识；

对于第一个分类器，先验知识为 $g{\left(x^i\right)}_{+}=\max \left(||x^i-\left(\begin{array}{c}6.005333\\ 19.42067\\ 14.99667\\ 84.46\\ 27.61\end{array}\right)||-3.44,0\right);$

对于第二个分类器，先验知识为 $g{\left(x^i\right)}_{+}=\max \left(||x^i-\left(\begin{array}{c}4.538\\ 14.626\\ 19.88\\ 98.86\\ 22.98\end{array}\right)||-2.24,0\right);$

对于第三个分类器，先验知识为 $g{\left(x^i\right)}_{+}=\max \left(||x^i-\left(\begin{array}{c}5.34\\ 19.098\\ 9.3\\ 85.7\\ 26.14\end{array}\right)||-1.5,0\right);$

对于第四个分类器，先验知识为 $g{\left(x^i\right)}_{+}=\max \left(||x^i-\left(\begin{array}{c}5.93\\ 21.948\\ 16.22\\ 93.28\\ 26.42\end{array}\right)||-2.32,0\right);$

对于第五个分类器，先验知识为 $g{\left(x^i\right)}_{+}=\max \left(||x^i-\left(\begin{array}{c}6.358\\ 24.632\\ 18.82\\ 102.52\\ 26.82\end{array}\right)||-2.78,0\right);$

对于第六个分类器，先验知识为 $g{\left(x^i\right)}_{+}=\max \left(||x^i-\left(\begin{array}{c}9.048\\ 11.806\\ 30.86\\ 49.04\\ 1.88\end{array}\right)||-2.16,0\right);$

核函数的选择：

采用高斯核函数：进行数据分类，其中，x和z为输入特征向量；这时需要确定高斯核函数的核参数和控制对错分样本惩罚程度的可调参数的值；

不同参数的分类效果是不一样的，这里以惩罚参数C＝1，核参数为0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9为例，比较不同参数下的分类效果；

形成列车空调机组故障诊断模型：

采用基于先验知识的1–v–6的多种类故障诊断算法，针对6类分类共构造出6个PKSVM分类器；

对于用第i次的数据样本进行第i次分类时，前5行的数据样本用来构造先验知识，剩余的数据作为训练样本，在训练样本中，人工标注故障类型标号Yi＝{1，2，3，4，5，6}分别代表故障类型Yi＝{正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}，第i类故障的类别号为1，其余样本的类别号为-1，以此为基础，用PKSVM的分类器进行训练；将分好的第i类的数据从样本中去除，进行第i+1次分类。而第i个分类器的获得是先验知识得到每个分类器的先验知识，进而得到6个PKSVM的列车空调机组分类器，即列车空调机组故障诊断模型；

利用列车空调机组故障诊断模型进行诊断：

利用第四步得到的列车空调机组故障诊断模型来诊断列车空调的的运行状态，诊断的状态包括：正常运行工况、制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机故障；

首先，我们利用数据采集方案得到形如特征向量Xi＝{压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的180行的数据，并用故障类型标号Yi＝{1，2，3，4，5，6}人工标注表示Yi＝{正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}，如表3；其次，采用数据采集方案得到形如特征向量Xi的如表4的数据，并用故障类型标号Yi＝{1，2，3，4，5，6}人工标注表示列车空调机组故障的类型，用表4的前5列作为测试样本，具体见表4；

表4测试样本

最后，将表3的数据作为列车空调机组故障诊断模型的输入矩阵；列车空调机组故障诊断模型即得到六个PKSVM分类器模型，经列车空调机组故障诊断模型诊断能得到列车空调机组属于以上六种工况中的哪一种；

表3中的所有数据为输入矩阵A，A依据图4的流程依次输入到这六个分类模型f_i(x)＝K_i(x,B′)u_i-γ_i,i＝1,...,6中，当某一个f_i(x)为1时，最终得到其诊断结果为第i种故障，并将1改为对应的故障类型标号；

采用predict_Y30维列向量记录每次分类结果，每次训练之后，predict_Y都会更新一次，为了便于标注，正常工况在PKSVM1训练结束之后故障类型标号改为0，在PKSVM6训练结束后又改回1，predict_Y的变化见表6(以核参数为0.1，惩罚参数为1为例)；

除此之外，为了证明列车空调机组故障诊断模型的有效性，选择了惩罚参数C＝1，核参数为0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9的情况下，分类器的诊断结果表，如表5所示；

表5实验结果：

核参数	分类正确率
		0.1	100.00％
0.2	93.33％
		0.3	80.00％
0.4	76.67％
		0.5	73.33％
0.6	70.00％
		0.7	66.67％
0.8	63.33％
		0.9	60.00％

表6六个列车空调机组故障诊断模型每次训练结束predictY变化情况

样本编号	PKSVM1	PKSVM2	PKSVM3	PKSVM4	PKSVM5	PKSVM6
							1	1	0	0	0	0	1
2	1	0	0	0	0	1
							3	1	0	0	0	0	1
4	1	0	0	0	0	1
							5	1	0	0	0	0	1
6	-1	2	2	2	2	2
							7	-1	2	2	2	2	2
8	-1	2	2	2	2	2
							9	-1	2	2	2	2	2
10	-1	2	2	2	2	2
							11	-1	-1	3	3	3	3
12	-1	-1	3	3	3	3
							13	-1	-1	3	3	3	3
14	-1	-1	3	3	3	3
							15	-1	-1	3	3	3	3
16	-1	-1	-1	4	4	4
							17	-1	-1	-1	4	4	4
18	-1	-1	-1	4	4	4
							19	-1	-1	-1	4	4	4
20	-1	-1	-1	4	4	4
							21	-1	-1	-1	-1	5	5
22	-1	-1	-1	-1	5	5
							23	-1	-1	-1	-1	5	5
24	-1	-1	-1	-1	5	5
							25	-1	-1	-1	-1	5	5
26	-1	-1	-1	-1	-1	6
							27	-1	-1	-1	-1	-1	6
28	-1	-1	-1	-1	-1	6
							29	-1	-1	-1	-1	-1	6
30	-1	-1	-1	-1	-1	6

实验证明，当核参数为0.1时，分类器的效果最好，达到100.00％，随着核参数的上升，分类器的分类效果逐渐下降，因此，选择合适的核参数，对提高分类器的分类效果有重要的作用。

本发明的一种诊断列车空调机组故障的方法，首先依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建多组先验知识；然后基于这多组先验知识得到等式约束；最后利用列车空调机组实际运行数据和这些等式约束，构建基于先验知识的列车空调机组故障诊断模型。本发明的诊断列车空调机组故障的方法提高了列车空调机组故障诊断的精度。

Claims (7)

1.一种诊断列车空调机组故障的方法，其特征在于，具体按照以下步骤实施：

步骤1、根据列车空调制冷系统工作原理及常见制冷空调故障，确定出列车空调机组的主要故障类型，并构建列车空调制冷系统故障诊断模型；

步骤2、根据步骤1构建好的列车空调制冷系统故障诊断模型进行数据采集和人工标注，并获取训练样本集合；

步骤3、选择并确定先验知识；

步骤4、选择核函数；

步骤5、采用基于先验知识的1–v–k的多种故障诊断算法，针对k类分类共构造出k个PKSVM分类器，最终构造出列车空调机组故障诊断模；

步骤6、利用步骤5得到的列车空调机组故障诊断模型来诊断列车空调的运行状态。

2.根据权利要求1所述的诊断列车空调机组故障的方法，其特征在于，所述步骤1中列车空调的主要故障类型如下：

制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机；

在出现不同的故障时，列车空调机组的运行参数变化幅度不同，经数据分析，得到列车空调机组正常和各故障状态对应的判断参数对各故障的变化特征对应表；

选择特征向量Xi={压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}作为列车空调制冷系统故障诊断模型的输入。

3.根据权利要求1所述的诊断列车空调机组故障的方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、在列车空调机组上设置多处采集测点，在模拟制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机五种故障和正常运行工况下，进行数据采集；

采集的数据主要分为温度参数、压力参数和湿度参数三类共9个参数，具体如下：

温度参数4个：列车空调机组进口空气干球温度，列车空调机组出口空气干球温度，压缩机吸气温度，压缩机排气温度；

压力参数3个：压缩机吸气压力，压缩机排气压力，列车空调机组出口压差；

湿度参数2个：机组进口空气相对湿度，机组出口空气相对湿度；

步骤2.2、将步骤2.1中设置的所有采集测点的名称、代号、传感器类型和安装位置进行列表；

压缩机吸气压力和排气压力分别由压缩机进口压力和压缩机出口压力测点获得；

压缩机吸气温度和压缩机排气温度分别由压缩机进口温度和压缩机出口温度测点获得；

列车空调机组进口空气干球温度、列车空调机组进口空气相对湿度、列车空调机组出口空气干球温度和列车空调机组出口空气相对湿度分别由列车空调机组进口空气温度、列车空调机组进口空气湿度、列车空调机组出口空气温度、列车空调机组出口空气湿度测点获得；

列车空调机组出口压差由风道压差测点获得；

步骤2.3、基于步骤2.1和步骤2.2结合的数据采集方案，采集列车空调机组在以上五种故障和正常运行工况下各测点的值，并由列车空调机组进口空气温度、列车空调机组进口空气湿度计算出列车空调机组进口空气的焓值，由列车空调机组出口空气温度、列车空调机组出口空气湿度计算出出口空气的焓值；进而用空气进、出口焓值及空气风量计算出空调机组的实际制冷量，从而得到形如特征向量Xi={压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的样本数据，并人工标注故障类型标号Yi={1，2，3，4，5，6}，分别代表六种类型Yi={正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}。

4.根据权利要求1所述的诊断列车空调机组故障的方法，其特征在于，所述步骤3具体按照以下方法实施：

依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建形式为： $V_S^2=max\left(\right|x_i-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_i|,i=1,...,N)$ 的多组先验知识；

在数据样本A中选择前k行数据用来构造一个5维的球体，这个5维的球体将这k行的数据样本包含在球内，以此作为先验知识，剩余的m-k行数据作为训练样本。

5.根据权利要求1所述的诊断列车空调机组故障的方法，其特征在于，所述步骤4中的核函数采用的是高斯核函数，具体如下：

$K(x,z)=\exp (-{\frac{\left|\right|x-z\left|\right|}{2{\mathrm{\σ}}^2}}^2);$

其中，x和z为输入特征向量。

6.根据权利要求1所述的诊断列车空调机组故障的方法，其特征在于，所述步骤5具体按照以下步骤实施：

在构造k个分类器中的第i个分类器时，将第i类训练样本作为一类，类别号为yi=1；其余的样本作为一类，类别号为yi=-1，然后将分好的第i类的数据从样本中去除，进行第i+1次分类；

具体按照以下步骤获得第i个分类器：

步骤a、利用步骤3的先验知识构建临近非线性核分类问题的等式约束；

由步骤3得到的先验知识为：

对于一部分已知的x，利用g(x)≤0指定了一个5维的球体，当在其中时，x属于+1类，其中，x₀为圆心，r为半径；接着用g(x)₊=max{g(x),0}替换g(x)≤0；

则先验知识表达为如下形式：

$g\left(x\right)\≤0\⇒K(x^{\′},B^{\′})u-\mathrm{\γ}=1,\∀x\∈{\mathrm{\Γ}}_1---\left(1\right);$

经过推导，式（1）等价于线性等式（2），具体如下

$K(x^{\′},B^{\′})u-\mathrm{\γ}-1+v^{\′}g{\left(x\right)}_{+}=0,\∀x\∈{\mathrm{\Γ}}_1---\left(2\right);$

线性等式（2）就是等式约束；

步骤b、将线性等式（2）加入到PSVM的线性问题公式（3）中，得到线性问题，如式（4）；

其中，K′_i=K((xⁱ)′,B′)∈R^1×k，K=K(A,B′)∈R^m×k，B∈R^k×n，xⁱ∈Rⁿ，y∈R^m，A∈R^m×n，α∈R^m，λ,σ∈R，e=(1,1,...,1)′_1×m，u∈R^k，g_i=g(xⁱ)₊∈R^r，为一个r维向量函数，v∈R^r为一个r维向量，D为m×m的方阵， $I_r={\left(\begin{array}{cccc}1& 0& ...& 0\\ 0& 1& ...& 0\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ 0& 0& ...& 1\end{array}\right)}_{r\×r};$

$\underset{(u,\mathrm{\γ})}{min}\frac{\mathrm{\λ}}{2}\left|\right|y|{|}^2+\frac{1}{2}(u^{\′},u+{\mathrm{\γ}}^2)---\left(3\right);$

s.t.D(Ku-eγ)+y=e

$\underset{(u,\mathrm{\γ})}{min}\frac{\mathrm{\λ}}{2}\left|\right|y|{|}^2+\frac{1}{2}(u^{\′}u+{\mathrm{\γ}}^2+v^{\′}v)+\frac{\mathrm{\σ}}{2}\underset{i=1}{\overset{l}{\Σ}}{(K_i^{\′}u-\mathrm{\γ}-1+v^{\′}{g}_i)}^2---\left(4\right);$

s.t.D(Ku-eγ)+y=e

步骤c、求解步骤b中涉及的式（4）的线性规划问题，得到如下形式：

$u=\[\mathrm{\χ}({\mathrm{\λK}}^{\′}De-\mathrm{\Φ})-({\mathrm{\λe}}^{\′}De-\∂)\mathrm{\Ω}\]{\[\mathrm{\χ}T+{\mathrm{\χ\Ω\Ω}}^{\′}\]}^{-1}$ 和 $\mathrm{\γ}=\frac{1}{\mathrm{\χ}}({\mathrm{\λe}}^{\′}De-\∂+{\mathrm{\Ω}}^{\′}u);$

其中， $H=\underset{i=1}{\overset{l}{\Σ}}{g}_i{K}_i^{\′}\∈R^{r\×k},$ $G=\underset{i=1}{\overset{l}{\Σ}}{g}_i\∈R^r,$ $\mathrm{\Γ}=\underset{i=1}{\overset{l}{\Σ}}{K}_i\∈R^k,$ $S=\left(\underset{i=1}{\overset{l}{\Σ}}\right(g_i{g}_i^{\′}\left)\right)+\frac{I_r}{\mathrm{\σ}}\∈R^{r\×r},$ $\mathrm{\Θ}=(\underset{i=1}{\overset{l}{\Σ}}{K}_i{K}_i^{\′})+\frac{I_k}{\mathrm{\σ}}\∈R^{k\×k},$ $\∂=-\mathrm{\σ}l+{\mathrm{\σG}}^{\′}{S}^{-1}G\∈R,$ Φ=-σΓ+σH′S^-1G∈R^k，T=σΘ+λK′K-σH′S^-1H∈R^k×k， $\mathrm{\χ}=\∂-\mathrm{\λ}m-1\∈R,$ Ω=Φ-λK′e∈R^k；

步骤d、经步骤c后，得到基于PKSVM的第i个分类器为f_i(x)=K_i(x,B′)u_i-γ_i；

利用上述四个小步骤，就能够得到其它五个分类器；

得到的六个分类器就构成了列车空调机组故障诊断模型。

7.根据权利要求1所述的诊断列车空调机组故障的方法，其特征在于，所述步骤6具体按照以下步骤实施：

利用步骤5得到的列车空调机组故障诊断模型来诊断列车空调的的运行状态，诊断状态包括：正常运行工况、制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机故障，具体步骤如下：

步骤6.1、利用步骤2中采集到列车空调在六种工况下各测点的值，并由列车空调机组进口空气温度、进列车空调机组口空气湿度计算出列车空调机组进口空气的焓值；

由列车空调机组出口空气温度、列车空调机组出口空气湿度计算出出口空气的焓值；

进而用空气进、出口焓值及空气风量计算出列车空调机组的实际制冷量，从而得到形如特征向量Xi={压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的数据；

步骤6.2、将步骤6.1得到的数据作为列车空调机组故障诊断模型的输入矩阵；

列车空调机组故障诊断模型即步骤5得到六个PKSVM分类器模型，经列车空调机组故障诊断模型诊断得到列车空调机组属于六种工况中的哪一种；

用故障类型标号Yi={1，2，3，4，5，6}表示，分别代表六种工况类型Yi={正常运行工况，制冷剂泄露，蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}；

将步骤6.1得到的输入矩阵A依据图4的流程依次输入到这六个分类模型f_i(x)=K_i(x,B′)u_i-γ_i,i=1,...,6中，当某一个f_i(x)为1时，最终得到其诊断结果为第i种故障。

本发明的诊断列车空调机组故障的方法，首先依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建多组先验知识；然后基于这多组先验知识得到等式约束；最后利用列车空调机组实际运行数据和这些等式约束，构建基于先验知识的列车空调机组故障诊断模型。采用本发明的诊断列车空调机组故障的方法提高了列车空调机组故障诊断的精度。本发明的诊断列车空调机组故障的方法还可用于高速铁路列车空调机组故障诊断领域。