聚类支持下决策树模型在动车组空调故障检测中的应用

王川 张珍文 安帅

摘 要：随着高铁的快速发展，人们对乘车环境的要求也越来越高。列车空调系统运行于列车高速振动环境下，性能极易下降且定期检修成本巨大，高效准确的空调故障检测尤为重要。本文用K-means聚类对空调数据进行分类，找到明显异常的类别并与业务部门确认后找到真正的空调系统故障数据，并对故障数据进行标记，利用CART决策树建立空调故障检测模型。

关键词：K-means；CART；空调故障检测

中图分类号：U266 文献标志码：A

0 引言

根据铁道部《客车空调三机检修及运用管理规程》规定：空调机组必须定时检修。但是定时检修耗费大量的人力物力，因此需要对空调数据进行分析，建立空调故障检测模型进行故障检测，進行针对性的检修，节约运营成本。

对于空调故障检测，潘文海等针对广州地铁3号线在运营期间频繁出现的客室闷热现象进行故障数据分析，最终确定故障点并据此进行整改，效果显著。罗浩在列车性能试验台采集到空调机组在正常及故障状态下的数据样本，建立几种常见故障的判断规则，依据故障规则判定表，利用MATLAB建立了SVM多分类器。

但是目前并没有有效的故障检测模型在线运行。本文针对列车运行状态空调数据，利用K-means聚类结合CART决策树算法进行空调故障建模，并用实际数据进行验证。

1 数据预处理

1.1 数据过滤

剔除掉NULL、异常、无效等数据。

1.2 指标筛选

目前所取数据指标较多，包括多个衍生指标，需要对指标进行相关性分析，选取与业务目标最相关的指标进行建模。……