4. 按车辆编组与部件的重复故障热力分析

为什么用“编组位置 × 部件类别 × 故障模式”三维矩阵

重复故障的根因往往藏在“位置”里：同一故障模式如果只集中在某一节车厢，多半是该车的装配、线束或局部环境问题；如果六节车厢普遍出现，则更可能是设计共性、批次物料或全线运用条件问题。因此本例把故障记录聚合成编组位置（Tc1–Mp1–M1–M2–Mp2–Tc2）× 部件类别 × 故障模式的频次矩阵，再用热力色阶把高频单元“点亮”，最后用两个判据区分个别车集中与全线普遍两类模式。

数据准备与矩阵构建

输入为已标准化的重复故障明细（承接前序文本归并结果），每条记录至少含：车号、编组位置、部件类别、故障模式编码、发生日期。先按“编组位置 + 部件类别 + 故障模式”做计数透视，得到三维频次表；再对每个故障模式计算两个派生指标：

• 集中度：该模式在最高频编组位置上的次数 ÷ 该模式总次数。集中度 ≥ 0.6 视为“个别车集中”候选。
• 覆盖率：出现该模式的编组位置数 ÷ 6。覆盖率 ≥ 0.8（即 ≥5 节车厢出现）视为“全线普遍”候选。

下面用一段可直接运行的 Python 代码完成矩阵构建与两类模式判定（示例数据为教学构造，非实测）。

import pandas as pd

# 教学示例：已标准化的重复故障明细（节选）
rows = [
    # 车号, 编组位置, 部件类别, 故障模式编码, 次数
    ("Tc1-001", "Tc1", "车门系统", "DOOR_OPEN_FAIL", 7),
    ("Tc1-001", "Tc1", "车门系统", "DOOR_SENSOR_ERR", 5),
    ("Mp1-002", "Mp1", "牵引变流器", "TCU_OVERTEMP", 6),
    ("M1-003",  "M1",  "牵引电机",   "MOTOR_BEARING_HOT", 4),
    ("M2-004",  "M2",  "制动系统",   "BRAKE_PRESSURE_LOW", 3),
    ("Mp2-005", "Mp2", "辅助电源",   "APS_FAULT", 2),
    ("Tc2-006", "Tc2", "车门系统",   "DOOR_OPEN_FAIL", 6),
    ("Mp1-002", "Mp1", "车门系统",   "DOOR_OPEN_FAIL", 5),
    ("M1-003",  "M1",  "车门系统",   "DOOR_OPEN_FAIL", 4),
    ("M2-004",  "M2",  "车门系统",   "DOOR_OPEN_FAIL", 5),
    ("Mp2-005", "Mp2", "车门系统",   "DOOR_OPEN_FAIL", 4),
    ("Tc1-001", "Tc1", "制动系统",   "BRAKE_PRESSURE_LOW", 3),
    ("Mp1-002", "Mp1", "制动系统",   "BRAKE_PRESSURE_LOW", 2),
    ("M1-003",  "M1",  "制动系统",   "BRAKE_PRESSURE_LOW", 3),
    ("M2-004",  "M2",  "制动系统",   "BRAKE_PRESSURE_LOW", 2),
    ("Mp2-005", "Mp2", "制动系统",   "BRAKE_PRESSURE_LOW", 3),
    ("Tc2-006", "Tc2", "制动系统",   "BRAKE_PRESSURE_LOW", 2),
]
df = pd.DataFrame(rows, columns=["车号","编组位置","部件类别","故障模式","次数"])

# 三维频次矩阵：行=编组位置，列=部件类别+故障模式
pivot = df.pivot_table(index="编组位置", columns=["部件类别","故障模式"],
                       values="次数", aggfunc="sum", fill_value=0)
pivot = pivot.reindex(["Tc1","Mp1","M1","M2","Mp2","Tc2"])

# 每个故障模式的集中度与覆盖率
mode_stats = df.groupby("故障模式").apply(lambda g: pd.Series({
    "总次数": g["次数"].sum(),
    "最高位置次数": g.groupby("编组位置")["次数"].sum().max(),
    "出现位置数": g["编组位置"].nunique(),
}))
mode_stats["集中度"] = mode_stats["最高位置次数"] / mode_stats["总次数"]
mode_stats["覆盖率"] = mode_stats["出现位置数"] / 6

def classify(r):
    if r["集中度"] >= 0.6:
        return "个别车集中"
    if r["覆盖率"] >= 0.8:
        return "全线普遍"
    return "待观察"

mode_stats["模式类型"] = mode_stats.apply(classify, axis=1)
print(mode_stats.round(2))

按上述示例数据运行后，预期可得到如下判读（示例结果，由给定输入直接推出）：DOOR_OPEN_FAIL 在 6 节车厢均出现、覆盖率 1.0，判为全线普遍；TCU_OVERTEMP 仅出现在 Mp1、集中度 1.0，判为个别车集中；BRAKE_PRESSURE_LOW 覆盖率 1.0 同样归入全线普遍，需优先排查批次或设计共性。

热力矩阵与两类模式判读

下图把编组位置作为纵轴、部件类别与故障模式作为横轴，用色深表示重复频次，并在右侧标出每个故障模式的集中度/覆盖率判定结果。读图时先看“亮块落在哪一行”，再看“亮块是否贯穿整列”，即可快速区分两类模式。

判读要点与后续动作

从矩阵可直接读出三条结论：其一，DOOR_OPEN_FAIL 在 Tc1、Mp1、M1、M2、Mp2、Tc2 六行均有 4–7 次，属贯穿整列的“全线普遍”模式，应优先核查车门控制逻辑版本、门控器批次或全线站台间隙等共性因素；其二，TCU_OVERTEMP 只在 Mp1 行出现 6 次，集中度 1.0，属典型“个别车集中”，应聚焦 Mp1 牵引变流器的冷却风道、滤网与温度传感器；其三，APS_FAULT 仅 Mp2 出现 2 次，样本量小，暂列“待观察”，需累积更多记录再判定。