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。     

光谱数据分析中的通用非线性变量筛选新方法

光谱技术在移动互联时代获得飞速发展,但是光谱数据往往存在高维数、多样性等特点,如何对这些复杂多变的光谱数据进行高效分析迫在眉睫.在光谱分析中,变量筛选占有重要地位,可有效降低光谱维度,并显著提升光谱分析的精度和可靠性.本文发展了一种基于平均影响值-支持向量机(mean impact value-support vector machines,MIV-SVM)的非线性变量筛选方法,同时兼顾样本分布和非线性因素对变量筛选的影响,有望大幅度提升光谱数据的处理效率.MIV算法有机结合了SVM,采取迭代策略以实现边建模边变量筛选的目的,高效避免了非线性模型对样本分布的干扰.为验证算法的有效性,将该方法应用于不同数据结构的多组光谱数据定量分析.结果表明,MIV算法有效提升了SVM模型性能,不仅能准确提取重要变量,还能在保证模型预测精度的前提下提高模型的稳定性,为光谱数据分析提供了一种通用的非线性变量筛选算法.     

基于PCA-Clustering的压缩机回液故障诊断

在多联机(VRF)空调系统中,压缩机回液将导致能量损失。本文结合大数据提出了一种基于PCA-Clustering的压缩机回液故障诊断的方法。首先提取出故障相关变量,并通过数据预处理,剔除异常值与空值;然后将处理后的数据进行主成分分析(PCA),获取降维后的新主元变量数据;最后将新的主元变量进行聚类分析(Clustering analysis)得到回液故障数据分类标签。结果表明:该方法能够在数据标签未知的情况下,较好的区分不同类别的压缩机回液故障及正常数据,使压缩机回液故障诊断率达到94.29%。     

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。     

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。     

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。     

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。     

一种针对水泥回转窑故障诊断的贝叶斯网络模型

为了实现水泥回转窑的故障诊断,采用贝叶斯网络建立了水泥回转窑故障智能诊断模型。在模型建立 过程中,提出了一种基于数据样本、不依赖先验知识的贝叶斯网络结构学习改进算法。在利用改进结构学习算法 建立诊断模型贝叶斯网络的基础上,利用MLE算法和变量消除法完成了模型的参数学习和诊断推理。为了验证 水泥回转窑故障诊断贝叶斯网络模型的准确率以及可行性,利用现场数据进行了大量的测试实验。     

多联式空调制冷系统动态仿真研究

为了研究多联机制冷系统的动态性能,建立了基于简化气液两相流体网络的多联式空调制冷系统动态仿真模型.其中,压缩机和电子膨胀阀采用稳态模型,蒸发器和冷凝器采用移动边界动态仿真模型,气液分离器采用动态模型.采用Matlab和Simulink为仿真工具,对多联机动态仿真模型进行求解,并通过一套具有四台室内蒸发器的多联机系统的实验结果进行验证和改进.结果表明,该动态仿真模型能够准确预测多联机动态过程的变化趋势,并保持很高的计算精度,蒸发温度、冷凝温度和过热度的误差都在1.0℃左右,排气温度误差小于3.0℃,可以用于多联机动态性能分析,并可作为开发和优化多联机控制策略和控制算法的有效工具.     

Xgboost在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的"提升"思想来提高滚动轴承故障诊断的精度。首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短。     

集成特征选择在VRF系统制冷剂充注量故障诊断中的应用

针对VRF系统故障诊断存在的数据量大、特征冗余等问题,本文提出一种前向搜索优化的集成特征选择方法,该方法将单一特征选择方法得到的特征子集进行整合,以获得预测性能更好的特征变量。首先分别利用mRMR算法、ReliefF算法、随机森林算法、Adaboost.M1算法和Boruta特征选择算法对实验数据进行特征选择,然后利用前向搜索策略得到集成后的特征排序,并与算术平均、众数投票两种集成方法形成对比。最后,分别采用上述特征选择方法获得的关键特征变量作为模型的输入变量建立相应的故障诊断模型,通过对比发现前向搜索集成获得了最高的预测准确率,选出了最具代表的特征变量。     

改进的BP算法在柴油机故障诊断中的应用研究

利用改进ＢＰ算法的神经网络对柴油机进行故障诊断。首先讨论了其训练算法,然后确定了柴油机故障诊断所用特征参数及故障种类,并提出特征参数数据归一化公式,最后以６－１３５ＺＣ柴油机为例,将实验数据输入网络验证。结果表明,神经网络对柴油机故障识别率很高,应用于柴油机故障诊断领域是切实可行的。     

基于迁移学习与加权多通道融合的齿轮箱故障诊断

针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题，提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先，为了充分挖掘齿轮箱多通道数据的信息，提出了基于信息熵加权的多通道融合方法，采用信息熵法计算各通道数据的融合权重，并对各通道的采样数据进行加权融合。其次，利用源域的融合数据对深度迁移模型进行预训练，将预训练得到的模型参数作为目标域模型的初始化参数，同时冻结目标域模型特征提取器的参数，并利用目标域的融合数据对目标域模型分类器的参数进行微调，实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务。最后，齿轮箱多工况迁移诊断试验结果表明，所提方法可有效用于齿轮箱的故障诊断，相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation, BDA)、迁移成分分析(transfer component analysis, TCA)、联合分布自适应算法(joint distribution adaptation, JDA)、统计分布和几何空间联合调整算法(joint geome...