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。     

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。