基于主成分分析与支持向量机的热泵系统制冷剂泄漏识别研究

发布时间：2021-02-01 00:00

　　为了研究热泵系统制冷剂泄漏识别的数据挖掘理论方法和实验验证,首先建立空气源热泵系统制冷剂泄漏实验台,进行热泵系统正常工况、干扰工况、泄漏工况的实验参数测试;其次,采用主成分分析法对测试数据进行特征提取处理,采用支持向量机对数据进行分类识别,建立了用于热泵系统的制冷剂泄漏识别的主成分分析-支持向量机模型,在二分类和多分类模式下验证了模型的性能,并研究了泄漏速率和不同故障工况对模型的影响。采用RefliefF特征选择算法对原始特征参数进行筛选,简化了识别模型的特征参数。研究结果表明:对于空气源热泵热水系统,PCA-SVM泄漏识别模型在多种验证集中对泄漏工况的识别准确度达100%,缓慢泄漏的诊断识别性能弱于快速泄漏,同一模型在不同故障诊断识别中性能不同,对系统运行影响轻微的故障诊断识别性能弱于其他故障。RefliefF特征选择方法将原始41个系统特征参数精简至10个特征参数,参数筛选优化后的泄漏识别模型识别精度也维持在较高水平,优化的泄漏识别模型更利于实际应用。 

【文章来源】：化工学报. 2020,71(07)北大核心

【文章页数】：14 页

【部分图文】：

泄漏实验系统及测点布置示意图

系统开机稳定后，随机选取不同时间段的数据作为正常工况数据，稳定后引入泄漏和干扰工况，测得的数据为故障工况数据。实验获取正常工况11组，干扰工况18组（调节冷凝器水流量3组，遮挡蒸发器3组，调松热力膨胀阀3组，调紧热力膨胀阀3组，25℃水温3组，35℃水温3组），泄漏工况12组（每个泄漏点各3组）。实验测得22个温度、8个压力以及1个压缩机耗功，根据制冷循环理论计算了系统过热度、过冷度等10个计算量。各组工况数据经过系统稳定运行态筛选、数据稳态检测后保留了大小各异的数据，所有正常、泄漏以及干扰工况筛选汇集为原始数据集作为热泵系统泄漏识别原始特征数据，大小为41×3213。41个特征变量具体名称及其符号含义见表3。1.3 不同泄漏速率的泄漏工况数据划分

主成分分析（principal component analysis,PCA）是一种基于多元统计回归的特征提取方法。它可以对多个变量参数构成的数据特征空间进行线性变换，将样本数据转化至新的特征空间内，新特征空间的基向量（主成分）是包含原始变量参数绝大部分内容的综合指标。经过主成分分析后，具有不同程度相关性的原始变量参数转化为相互无关的主成分，极大消除了变量参数之间相关性的影响，同时有效减少了数据特征空间的维数。主成分分析基本流程包括原始矩阵标准化、求解相关系数矩阵、求解特征值及特征向量以及主成分提取四个部分，具体计算如下。(1）原始矩阵标准化假设原始泄漏特征训练集为Xa×b,b个特征量，a个样本，X=(X1,X2,X3,…,Xb)T,采用式（1）对原始矩阵进行标准化变换。

【参考文献】：
期刊论文
[1]基于长短期记忆神经网络的数据中心空调系统传感器故障诊断[J]. 王路瑶,吴斌,杜志敏,晋欣桥.  化工学报. 2018(S2)
[2]基于MSPCA-KECA的冷水机组故障监测及诊断[J]. 齐咏生,张海利,王林,高学金,陆晨曦.  化工学报. 2017(04)
[3]基于主元分析-概率神经网络的制冷系统故障诊断[J]. 梁晴晴,韩华,崔晓钰,谷波.  化工学报. 2016(03)
[4]基于主元分析与支持向量机的制冷系统故障诊断方法[J]. 韩华,谷波,任能.  上海交通大学学报. 2011(09)
[5]基于核Fisher判别分析方法的非线性统计过程监控与故障诊断[J]. 赵旭,阎威武,邵惠鹤.  化工学报. 2007(04)

博士论文
[1]基于顺序集成方法的制冷系统故障检测与诊断研究[D]. 韩华.上海交通大学 2012
[2]制冷系统故障检测、诊断及预测研究[D]. 任能.上海交通大学 2008

硕士论文
[1]汽车空调性能衰减研究[D]. 郭军峰.重庆大学 2012
[2]基于多变量统计分析的制冷系统故障检测与诊断[D]. 洪迎春.上海交通大学 2012



本文编号：3011804