多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于Boosting的多联机制冷剂充注量故障诊断集成模型

多联机空调系统被广泛用于各种公共建筑物,一旦发生故障会导致舒适性降低,能耗增加。制冷剂充注水平是影响空调系统高效运行的重要参数。本文提出一种基于Boosting集成算法的故障诊断模型,以制冷剂充注量故障为研究对象,将逻辑回归、决策树、随机森林、支持向量机和BP神经网络等5个基分类器集成,使用卡方检验进行特征选择,并使用制冷、制热模式的实验数据建立诊断模型。结果表明:基于Boosting的集成模型能高效检测多联机制冷剂充注量的故障,准确率高达96. 8%,相比于传统故障检测方法,大幅提高了诊断模型的响应速度、准确度和实用性。     

基于PCA-LVQ多联机系统制冷剂充注量故障诊断研究

对于多联机空调系统,当发生了制冷剂的泄漏故障时,设备的性能会下降甚至失效,不仅造成能源的浪费、热舒适性的降低、设备有效使用寿命的缩短,还可能对环境造成严重污染。本论文将使用主成分分析(Principal Component Analysis, PCA)与学习向量化(Learning Vectorized Quantization Neural network, LVQ)神经网络结合的数据挖掘技术方法对多联机空调系统的制冷剂充注量故障进行诊断。首先通过多联机组试验获得运行数据,接着进行数据清洗工作,然后导入到PCA模型当中,利用权值矩阵将原始变量转换成新的综合变量,并将综合变量中重要度靠前的9个变量导入到LVQ,对多联机制冷剂充注量的故障进行诊断。结果表明:主成分分析与学习向量化神经网络的联合诊断模型结构简单、训练速度快、易于实现(代码简单),诊断正确率高,相较于单纯的LVQ算法模型,对制冷剂充注量故障的诊断效果更优。     

基于离散型Hopfield神经网络的制冷剂充注量故障诊断的新策略

本文提出了一种应用离散型Hopfield神经网络(Discrete Hopfield Neural Network,DHNN)对制冷剂充注量故障进行诊断的新策略。首先对数据进行清理,然后将原始数据集划分为训练集和测试集,接着对数据进行二值化处理,最后以训练集建立DHNN模型进行故障检测与诊断。实验数据测试集的检测与诊断结果验证了该策略可以用于制冷剂充注量的故障诊断。测试结果表明:基于DHNN的制冷剂充注量故障诊断模型可以有效地诊断出充注不足故障,收敛速度快,具有较好的实用性。     

应用模糊评价方法确定一拖多空调器制冷剂充注量

本文用模糊综合评价方法,优选出一拖多空调器的最佳制冷剂充注量方案,并在该最佳制冷剂充注方案下计算一拖多空调器的制冷剂充注量,然后通过实验证明充注量的合理性.     

滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法

针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则(BPDICNN);再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行"端到端"的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。     

基于多维曲线拟合算法的空调制冷剂不足故障诊断模型

中央空调多联机机组在各类建筑的空调系统中有着广泛运用,其中制冷剂不足将极大影响多联机机组的正常运转。为有效实现制冷剂不足的在线故障诊断,提出多维拟合算法。首先,基于建立的故障诊断模型开展模拟实验,再对实验数据采取预处理;最后,利用模型和处理后的数据进行故障诊断。结果显示,多联机制冷剂不足故障可通过所建立模型实现诊断,且具有较高的正确率,对空调系统的检修维护工作具有重要的指导意义。     

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。     

室内外温度对制冷系统制冷剂最佳充注量的影响

通过以试验数据校核、验证等方法,建立实际工况下试验样机的计算模型,并用此模型进行室外温度-1.1~37.8℃和室内温度10.0~48.9℃工况下该样机制冷剂最佳充注量的仿真计算,得到以下结论:制冷系统制冷剂最佳充注量受室外温度影响较小,变化幅度仅为2.6%;制冷系统制冷剂最佳充注量受室内温度影响较大,随室内温度的升高而增大,且当室内温度高于36.7℃时,其增长速度变大。     

基于CNN-集成学习的多风电机组故障诊断

海上风电场地处偏远环境,长期受到盐碱腐蚀。为解决风电机组运行过程中产生的多种故障检测识别问题,在传统卷积神经网络LeNet-5的基础上构建模型。该模型采用ReLU函数作为激活函数,增加了卷积层、池化层和全连接层。针对风电机组的监督控制和数据采集(supervisory control and data acquisition,SCADA)系统及状态监控(condition monitoring,CM)系统所提供的数据集,进行多元类别故障诊断。并对多台风电机组进行聚类分析,应用集成学习方法,构建多风电机组故障诊断模型。实验表明,所提方法取得了97%~99%的诊断精度。通过将实验结果与其他算法进行对比,验证了该方法的有效性。     

基于决策树算法的多联机气分插反故障诊断

本文将决策树算法应用于多联机气分插反故障诊断中,搭建了多联机实验平台采集数据,根据专家知识及数据变化模型验证选取了建模的特征变量,采用决策树C5.0算法构建气分插反故障诊断模型,进一步对由模型分类规则生成的最优变量即过冷器的EEV（电子膨胀阀）进行深入分析和验证。结果表明：将决策树算法应用于多联机气分插反故障诊断的方法,准确率为96%,有较高的准确性和可靠性,此诊断方法能满足多联机故障诊断实际运用的需要。由于多联机发生气分插反故障时,系统过热度降低,为保证多联机系统的制冷效果和能效比,可通过增大过冷器EXV开度调节。     

基于遗传算法和BP神经网络的多联机阀类故障诊断

针对多联机系统(变制冷剂流量系统)阀类故障的诊断特征变量冗杂、诊断效率低的问题,提出一种复合诊断模型,利用遗传算法在原始特征集中搜索特征子集,与参数优化后的BP神经网络模型结合,对多联机阀类故障进行检测和诊断。本文从原始特征集中优化选择了带有18个特征变量的最优特征子集,用该模型对电子膨胀阀卡死、电子膨胀阀泄漏和四通阀故障3种故障进行检测,结果表明:该复合诊断模型对故障检测率提高,其中电子膨胀阀的卡死故障检测率提升8%,整体诊断正确率提高到99.27%;该复合诊断模型大大提高了诊断效率,使测试时间缩短了52.17%,表明该复合诊断模型具有较好的故障诊断效果。     

Development of a virtual variable-speed compressor power sensor for variable refrigerant flow air conditioning system

This paper proposed a universal virtual variable-speed compressor power (VVCP) sensor for VRF system based on 20-coefficient model. Compressor power can be obtained by the VVCP sensor using three input parameters (frequency, condensing temperature and evaporation temperature) which are measured by system itself. The performance of the proposed VVCP sensor is evaluated using experiments data. Experimental conditions include cooling, heating and non-standard refrigerant charge levels. The result shows that the mean square percentage errors (MSPE) are 9.9% under cooling conditions and 7.96% under heating conditions. The MSPE are 9.88% at steady state and 9.75% at dynamic state when the VVCP sensor is applied under nine different refrigerant charge levels. It demonstrated that the proposed VVCP sensor can obtain compressor power under cooling, heating and non-standard refrigerant charge levels, which could be applied to do operational monitoring and fault detection and diagnosis for VRF system at low cost.     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

基于SVR-OCSVM模型的多联机系统用能评估与诊断

直接根据多联机系统能耗数据的变化来判断导致能耗大幅波动的因素是很困难的。本文提出一种有效的可用于多联机系统的能耗评估与诊断方法:将支持向量回归(SVR)算法与单类支持向量机(OCSVM)算法相结合,首先通过提取系统能耗数据集特征,去除非稳态数据,根据提取的特征变量与系统能耗建立SVR模型,预测多联机系统能耗;然后将实际能耗值与预测能耗值之差和之比分别标准化,作为输入变量,建立单类支持向量机(OCSVM)模型进行样本判别,确定是否为导致系统能耗异常的原因,以此评估诊断多联机系统能耗情况。本文基于多联机能耗正常的数据集构建了能耗评估与诊断模型,并用多联机系统能耗异常数据集验证了模型的可靠性。结果表明:基于SVR-OCSVM模型的能耗评估与诊断模型具有较高的准确度,基本能达到70%以上。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

基于增量学习的数控机床故障诊断系统

针对数控机床中主轴轴承和刀具同时出现故障或机床主轴转速改变时的故障诊断问题,提出了基于增量学习的深度卷积诊断模型。首先,将常用转速下的主轴轴承和刀具振动数据集,输入结合了批量归一化算法的一维卷积神经网络,实现单一转速下故障诊断;然后,人工判断跨转速诊断时的未知故障类型,对其打标签后重新输入网络,通过增量学习实现知识迁移并使模型学习新数据特征;最后模型在跨转速故障诊断领域的准确率为76.49%~86.09%,且与Fine Tuning和Joint Training两种经典跨领域算法相比,基于增量学习的深度卷积诊断模型提高了准确率,缩短了训练用时。     

Acoustic Emission Recognition Based on a Two-Streams Convolutional Neural Network

The Convolutional Neural Network (CNN) is a widely used deep neural network. Compared with the shallow neural network, the CNN network has better performance and faster computing in some image recognition tasks. It can effectively avoid the problem that network training falls into local extremes. At present, CNN has been applied in many different fields, including fault diagnosis, and it has improved the level and efficiency of fault diagnosis. In this paper, a two-streams convolutional neural network (TCNN) model is proposed. Based on the short-time Fourier transform (STFT) spectral and Mel Frequency Cepstrum Coefficient (MFCC) input characteristics of two-streams acoustic emission (AE) signals, an AE signal processing and classification system is constructed and compared with the traditional recognition methods of AE signals and traditional CNN networks. The experimental results illustrate the effectiveness of the proposed model. Compared with single-stream convolutional neural network and a simple Long Short-Term Memory (LSTM) network, the performance of TCNN which combines spatial and temporal features is greatly improved, and the accuracy rate can reach 100% on the current database, which is 12% higher than that of single-stream neural network.