基于决策树算法的多联机气液分离器插反故障诊断

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%,此诊断方法能满足多联机故障诊断实际运用的需要,并可及时处理多联机发生气分插反故障时,系统过热度降低,从而保证多联机系统的制冷效果和能效比,可通过增大过冷器EEV开度调节。     

基于SEM-PCA-DT的多联机制冷剂泄漏在线故障诊断

制冷剂泄漏会给多联机带来不良影响,需要对其进行实时且准确的故障诊断。本文基于结构方程原理和试验数据,利用数据预处理提取的特征变量,建立结构方程模型,与决策树模型对比,分析结构方程在选择重要变量上的正确性,并利用重要显变量采用主元分析的方法建立专家变量,代入决策树模型,其在线诊断正确率达到96.96%,相对单独采用决策树模型提高2.81%。     

基于CART算法的多联机压缩机回液故障检测

近年来,多联机在各类建筑上得到广泛应用。一旦压缩机发生回液故障,将会导致多联机偏离正常工况,能效降低,同时无法保障室内环境的舒适性。长久的回液故障还会导致压缩机部件的机械故障,造成高额的维修费用。因此,本文提出决策树模型检测多联机压缩机回液故障。首先,通过数据集成和剔除缺失值得到齐整数据;其次,通过专家知识和线性相关分析分别选取变量和剔除冗余变量;最后,建立决策树模型检测回液故障。结果表明,决策树模型能够有效地检测出回液故障,而且与专业知识吻合得较好。     

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。     

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。     

基于主元分析的多联式空调系统传感器故障检测和诊断

作为多元数据分析方法之一,主元分析(PCA)被广泛运用于诊断制冷空调系统的传感器故障。本文首先结合热平衡原理以及多联机运行的控制逻辑,筛选系统中常用的18个传感器变量建立多联机(VRF)传感器的故障分析(FDD)模型。然后结合主元分析的算法原理,给出以Q统计量和Q贡献率为检验标准的传感器故障检测与诊断流程。接着用实测数据进行验证工作,引入不同类型和程度的传感器故障,分析得到不同故障条件下的故障检测和诊断特性。结果表明,总体上,主元分析应用于多联机传感器故障检测与诊断过程是可靠的。其具体特征表现为：不同类型的传感器在不同故障类型及程度条件下,故障检测效果差异明显;在小偏差故障条件下,基于主元分析的传感器故障检测方法的故障检测效率较低,并且针对个别传感器而言,其整体故障检测效率偏低。鉴于故障诊断是基于故障检测的结果,因此上述故障检测方法在FDD过程中将起到重要的作用。     

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。     

主元分析用于多联式空调系统传感器故障检测和诊断

作为多元数据分析方法之一,主元分析(PCA)被广泛运用于诊断制冷空调系统的传感器故障。本文首先结合热平衡原理以及多联机运行的控制逻辑,筛选系统中常用的18个传感器变量,建立多联机(VRF)传感器的故障分析(FDD)模型。然后结合主元分析的算法原理,给出以Q统计量和Q贡献率为检验标准的传感器故障检测与诊断流程。利用实测数据验证工作,引入不同类型和程度的传感器故障,分析得到不同故障条件下的故障检测和诊断特性。结果表明:总体上,主元分析应用于多联机传感器故障检测与诊断过程是可靠的。具体特征表现为:不同类型的传感器在不同故障类型及程度条件下,故障检测效果差异明显;在小偏差故障条件下,基于主元分析的传感器故障检测方法的故障检测效率较低,并且针对个别传感器而言,其整体故障检测效率偏低。鉴于故障诊断是基于故障检测的结果,因此上述故障检测方法在FDD过程中将起到重要的作用。     

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。     

基于PCA与决策树的转子故障诊断

将数据挖掘方法引入旋转机械故障诊断领域，提出一种基于主元分析（PCA）与决策树相结合的转子故障诊断方法。该方法首先利用PCA进行特征约简，降低特征空间的维数，然后采用C4．5决策树进行训练学习以及诊断决策。通过对转子类常见故障的诊断分析，证明该方法具有比BP神经网络训练时间更短、诊断准确率稍高的特点。     

基于G-DPSO算法的决策树轴承故障诊断方法

针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。     

基于遗传算法的滚动轴承复合故障诊断研究

建立了滚动轴承外圈与滚动体各有一点损伤的典型故障模型,在损伤模型振动分析的基础上,利用遗传算法的寻优功能,对故障的特征参数进行自动优化,最后利用逐次诊断理论,对变工况条件下的滚动轴承复合故障进行诊断。计算结果表明该方法对于滚动轴承的复合故障诊断非常有效。     

基于多故障假设的诊断策略研究与应用

 针对工程中最优单故障序贯测试难以隔离的多故障问题,利用Grunberg等人提出的多故障模糊组的概念,以最优单故障测试策略为基础,构造了一种多故障假设下的序贯测试算法．该算法以多故障状态集的最小碰集作为生成最优单故障策略的故障状态,生成最优单故障策略;以诊断决策树中各叶节点的多故障状态集为评判标准,确定系统的状态,完成多故障假设下的系统故障诊断;与连续使用单故障策略的方法相比,该方法提高了测试效率．以某型机载电子设备为例给出算例分析,验证了该算法隔离多故障的有效性．     

多联机系统故障类型识别及故障细化诊断模型研究

本文针对多联机系统实际运行中可能出现的多故障并发问题,提出一种结合线性判别分析(LDA)和随机森林(RF)算法的多故障诊断策略,可以在完成故障类型识别后,自适应地根据故障类型选择最佳细化诊断模型,进一步诊断出故障发生水平或故障发生原因。首先,在不同的制冷和制热工况下,引入四通阀故障、电子膨胀阀故障、制冷剂充注量故障,并按照7∶3的比例划分为训练集和测试集,利用训练集建立基于RF算法的故障类型识别模型;然后,利用LDA方法对训练集中3类故障的特征分别进行降维,并利用降维后的训练集建立故障细化诊断模型;最后,测试集中的样本数据在经过故障类型识别后,根据识别结果自适应地输入至最优故障细化诊断模型。结果显示:故障类型识别模型在测试集上的准确率达到99.99%,3类故障细化诊断准确率分别为96.12%、100%、97.44%,说明该策略能够较好的完成针对多联机系统的多类型故障诊断任务。