為了提高多聯(lián)機(jī)系統(tǒng)制冷劑充注量故障檢測率,本文提出一種結(jié)合最大相關(guān)最小冗余（minimal-Redundancy-Maximal-Relevance,m RMR）和隨機(jī)森林（RandomForest,RF）算法的在線故障診斷策略。利用mRMR結(jié)合RF在訓(xùn)練集上進(jìn)行特征選擇,結(jié)合網(wǎng)格搜索和十折交叉驗(yàn)證對隨機(jī)森林、決策樹和支持向量機(jī)3種模型進(jìn)行參數(shù)尋優(yōu),并將優(yōu)化后的模型用于測試集中。在多個(gè)在線驗(yàn)證集上對mRMR-RF模型進(jìn)行驗(yàn)證,結(jié)果表明:僅選擇6個(gè)特征變量就可建立準(zhǔn)確率達(dá)98.63%的隨機(jī)森林診斷模型;3種診斷模型中,RF算法的診斷效果最好,整體分類準(zhǔn)確率達(dá)到97.06%;在4個(gè)不同在線多聯(lián)機(jī)系統(tǒng)上檢驗(yàn),其分類準(zhǔn)確率分別為95.82%、85.74%、88.24%和93.96%,分類準(zhǔn)確率均在85%以上。說明基于mRMR-RF的故障診斷模型具有較強(qiáng)的泛化能力。 

【文章來源】：制冷技術(shù). 2019,39(06)

【文章頁數(shù)】：8 頁

【部分圖文】：

實(shí)驗(yàn)多聯(lián)機(jī)系統(tǒng)原理

不同充注量水平在兩種工況上的分布

在某些比較評價(jià)的指標(biāo)處理中一般需要用到數(shù)據(jù)的標(biāo)準(zhǔn)化，一般是將數(shù)據(jù)按一定比例進(jìn)行縮放，可以去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無量綱的純數(shù)值。實(shí)驗(yàn)中采用了R語言中的Scale函數(shù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。3 基于歷史數(shù)據(jù)的多聯(lián)機(jī)故障診斷

【參考文獻(xiàn)】：
期刊論文
[1]基于PSO優(yōu)化BP的冷水機(jī)組故障診斷研究[J]. 徐玲,韓華,崔曉鈺,范雨強(qiáng),武浩.  制冷學(xué)報(bào). 2019(03)
[2]基于TRNSYS空調(diào)水系統(tǒng)能耗預(yù)測應(yīng)用研究[J]. 王洪乾,崔紅社,鄧鵬杰,姜鍍輝.  青島理工大學(xué)學(xué)報(bào). 2019(01)
[3]基于夏季主導(dǎo)風(fēng)向濟(jì)南市內(nèi)建筑風(fēng)冷系統(tǒng)的節(jié)能設(shè)計(jì)[J]. 李利平,楊權(quán).  科技通報(bào). 2018(12)
[4]基于ReliefF與mRMR耦合特征選擇的多聯(lián)機(jī)制冷劑充注量故障診斷[J]. 李正飛,譚澤漢,陳煥新,劉江巖,黃榮庚,劉佳慧.  暖通空調(diào). 2018(10)
[5]基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的空調(diào)系統(tǒng)未知類型故障診斷[J]. 丁新磊,李紹斌,譚澤漢,郭亞賓,陳煥新.  制冷技術(shù). 2018(05)
[6]基于支持向量機(jī)的多聯(lián)機(jī)系統(tǒng)制冷劑充注量故障檢測與診斷[J]. 黃倩云,陳煥新,孫劭波,劉江巖,李冠男,李紹斌.  暖通空調(diào). 2018(01)
[7]基于主元分析法的多聯(lián)機(jī)系統(tǒng)壓縮機(jī)排氣溫度傳感器故障檢測與診斷[J]. 禹法文,陳煥新,李紹斌,李冠男,郭亞賓,石書彪,李炅.  制冷技術(shù). 2017(04)
[8]基于CART算法的多聯(lián)機(jī)壓縮機(jī)回液故障檢測[J]. 王江宇,陳煥新,李冠男,劉江巖,胡云鵬,郭夢茹,胡文舉.  制冷與空調(diào). 2017(04)
[9]暖通空調(diào)系統(tǒng)故障檢測與診斷技術(shù)研究[J]. 孫利敏.  科技經(jīng)濟(jì)市場. 2015(12)
[10]大數(shù)據(jù)在空調(diào)領(lǐng)域的應(yīng)用[J]. 陳煥新,劉江巖,胡云鵬,李冠男.  制冷學(xué)報(bào). 2015(04)



本文編號：3049638