基于RFECV-随机森林特征选择的地铁空调制冷剂充注量故障诊断

地铁车辆车厢空调能耗占整车能耗的25%~40%,若长期处于故障运行状态会造成大量的能源浪费,且影响乘客的乘车体验甚至危害乘客身体健康。地铁车辆空调故障中,制冷剂充注量故障发生频繁却难以察觉,短期内不会引发故障报警,但会使空调长期偏离正常工况。针对地铁空调的制冷剂充注量故障诊断,文章采用基于交叉验证的递归特征消除法进行了特征选择,筛选出含18个特征变量的较优特征子集,然后根据随机森林特征重要性度量选择出重要性得分在0.03以上的8个特征作为最优特征子集,并将该子集分别用于构建基于支持向量机、K-最近邻算法和反向传播神经网络的诊断模型,以验证最优特征子集的故障诊断效果。验证结果显示,该特征选择算法经过两步筛选得到最优特征子集,在2种制冷工况和4种制冷剂充注量水平下,3种故障诊断模型的总准确率分别为99.83%、99.98%、99.96%。