基于遗传算法和支持矢量机参数优化的制冷机组故障检测与诊断研究

针对制冷机组故障诊断中特征多、诊断准确率低的特点,提出一种复合诊断模型,利用遗传算法搜索特征空间,与带参数优化的支持矢量机(Support vector machine,SVM)结合,同时进行故障特征提取和模型训练。用该模型研究7种典型的制冷机组故障,从64个原始特征中筛选出8个与试验辅助系统关系甚微、均十分靠近核心制冷循环的特征,作为故障指示特征,总体诊断准确率从96.95%提高到99.53%,测试时间下降70%以上。用命中率和虚警率评价模型对各故障的诊断性能,所提复合模型除个别故障外,均优于无特征提取及带主元分析特征提取的SVM模型。复合模型在制冷机组故障诊断中有良好的应用前景。     

FPGA自动加载系统设计实现

针对FPGA可以在每次上电时自动获取配置文件的需求,提出了一种由USB芯片和FLASH芯片、CPLD组成的可对FPGA上电后自动加载的系统。该系统可以通过USB芯片和CPLD将PC中的FPGA配置文件写入FLASH芯片,并且在CPLD的控制下将配置文件以PS模式配置给FPGA。测试表明,该系统可以在上电时自动对FPGA进行加载,弥补了FPGA掉电后数据消失的不足。     

基于SVM的制冷系统多故障并发检测与诊断

因现实中单发故障的多样性,以及各故障并发时可能存在的协同作用,使并发故障成为故障诊断界难点之一。利用支持向量机（SVM）优良的模式识别能力,分别与单标识（mL）及多标识（ML）技术结合,构建可用于并发故障检测与诊断的模型,应用于制冷机组双故障并发时的检测与诊断。结果表明,ML-SVM模型表现突出,训练时无需并发故障数据,却可用于并发故障的检测与诊断,且性能优良,总体诊断准确率（CR）达99.902%,故障检测及对并发故障的识别率甚至高于采用并发故障训练时的模型,具有良好应用前景。     

多变量统计分析方法在制冷故障检测与诊断中的应用研究

研究了多变量统计分析方法在制冷装置故障检测和诊断中的应用。对ASHRAE资助下的一组实验数据进行预处理,对其进行故障检测和故障诊断。对于故障检测,可利用平方预测误差(Q统计量)等统计控制变量来判断系统是否在正常运行状态。而对于故障诊断,第一次尝试采用各变量对于平方预测误差的负荷结合各变量的变化率来得到其对于平方预测误差异变的贡献率。从而快速利用变量的变化方向和程度判断故障类型。从结果分析,这种方法可以在众多变量中过滤掉不显著的变化,迅速找到故障主因。利用多变量统计分析方法可以实现对制冷装置的运行状态进行实时监控和诊断。