基于Boosting的多联机制冷剂充注量故障诊断集成模型
发布时间:2021-02-18 02:44
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。
【文章来源】:制冷学报. 2020,41(02)北大核心
【文章页数】:9 页
【部分图文】:
基于Boosting的故障诊断集成模型的原理框架
人工神经网络是一种模拟大脑大数据分析机制的计算方法,由大量简单处理单元按不同方式互相连接构成,进行并行分布式信息处理。它模仿人脑中神经系统,对预先提供的一批相互对应的输入输出信号进行学习分析,挖掘他们之间的隐含层关系,最后根据这些规律推算出新输入信号的输出结果。通过学习分析来挖掘出规律的整个过程也称为模型训练。最常用的为BP神经网络模型,由输入层、隐含层和输出层3部分构成的典型多层前馈模型[20]。神经网络模型展示如图2所示。2 集成模型的故障诊断
实验设置的制冷剂充注量水平值在60%~130%之间,其中包含制冷剂充注量不足、正常与过量的情况。对每种制冷剂充注量水平做出详细分类,具体对应情况如表1所示,其中-3、-2、-1代表制冷剂充注量不足,0为正常,1和2代表制冷剂过量。多联机空调系统的运行模式为制冷和制热两种,具体实验工况如表2所示。2.2 数据预处理、特征选择
【参考文献】:
期刊论文
[1]基于ReliefF与mRMR耦合特征选择的多联机制冷剂充注量故障诊断[J]. 李正飞,谭泽汉,陈焕新,刘江岩,黄荣庚,刘佳慧. 暖通空调. 2018(10)
[2]基于遗传算法和BP神经网络的多联机阀类故障诊断[J]. 郭梦茹,谭泽汉,陈焕新,郭亚宾,黄耀. 制冷学报. 2018(02)
[3]基于主成分分析和神经网络相结合的制冷剂充注量故障诊断[J]. 袁玥,陈焕新,石书彪,郭亚宾,黄耀. 制冷技术. 2017(06)
[4]基于PCA-DT的多联机制冷剂充注量故障诊断[J]. 王江宇,陈焕新,刘江岩,李冠男. 华中科技大学学报(自然科学版). 2016(07)
[5]基于自然冷却技术应用的数据中心空调节能分析[J]. 吕继祥,王铁军,赵丽,王景晖,胡力文,刘广辉,赵绍博. 制冷学报. 2016(03)
[6]数据挖掘技术在制冷空调行业的应用[J]. 陈焕新,孙劭波,刘江岩,李冠男. 暖通空调. 2016(03)
[7]Boosting算法理论与应用研究[J]. 张文生,于廷照. 中国科学技术大学学报. 2016(03)
[8]具有Fisher一致性的代价敏感Boosting算法[J]. 曹莹,苗启广,刘家辰,高琳. 软件学报. 2013(11)
[9]基于随机森林的特征选择算法[J]. 姚登举,杨静,詹晓娟. 吉林大学学报(工学版). 2014(01)
[10]浅谈多联机的应用发展[J]. 宋琦. 科技资讯. 2011(17)
本文编号:3038917
【文章来源】:制冷学报. 2020,41(02)北大核心
【文章页数】:9 页
【部分图文】:
基于Boosting的故障诊断集成模型的原理框架
人工神经网络是一种模拟大脑大数据分析机制的计算方法,由大量简单处理单元按不同方式互相连接构成,进行并行分布式信息处理。它模仿人脑中神经系统,对预先提供的一批相互对应的输入输出信号进行学习分析,挖掘他们之间的隐含层关系,最后根据这些规律推算出新输入信号的输出结果。通过学习分析来挖掘出规律的整个过程也称为模型训练。最常用的为BP神经网络模型,由输入层、隐含层和输出层3部分构成的典型多层前馈模型[20]。神经网络模型展示如图2所示。2 集成模型的故障诊断
实验设置的制冷剂充注量水平值在60%~130%之间,其中包含制冷剂充注量不足、正常与过量的情况。对每种制冷剂充注量水平做出详细分类,具体对应情况如表1所示,其中-3、-2、-1代表制冷剂充注量不足,0为正常,1和2代表制冷剂过量。多联机空调系统的运行模式为制冷和制热两种,具体实验工况如表2所示。2.2 数据预处理、特征选择
【参考文献】:
期刊论文
[1]基于ReliefF与mRMR耦合特征选择的多联机制冷剂充注量故障诊断[J]. 李正飞,谭泽汉,陈焕新,刘江岩,黄荣庚,刘佳慧. 暖通空调. 2018(10)
[2]基于遗传算法和BP神经网络的多联机阀类故障诊断[J]. 郭梦茹,谭泽汉,陈焕新,郭亚宾,黄耀. 制冷学报. 2018(02)
[3]基于主成分分析和神经网络相结合的制冷剂充注量故障诊断[J]. 袁玥,陈焕新,石书彪,郭亚宾,黄耀. 制冷技术. 2017(06)
[4]基于PCA-DT的多联机制冷剂充注量故障诊断[J]. 王江宇,陈焕新,刘江岩,李冠男. 华中科技大学学报(自然科学版). 2016(07)
[5]基于自然冷却技术应用的数据中心空调节能分析[J]. 吕继祥,王铁军,赵丽,王景晖,胡力文,刘广辉,赵绍博. 制冷学报. 2016(03)
[6]数据挖掘技术在制冷空调行业的应用[J]. 陈焕新,孙劭波,刘江岩,李冠男. 暖通空调. 2016(03)
[7]Boosting算法理论与应用研究[J]. 张文生,于廷照. 中国科学技术大学学报. 2016(03)
[8]具有Fisher一致性的代价敏感Boosting算法[J]. 曹莹,苗启广,刘家辰,高琳. 软件学报. 2013(11)
[9]基于随机森林的特征选择算法[J]. 姚登举,杨静,詹晓娟. 吉林大学学报(工学版). 2014(01)
[10]浅谈多联机的应用发展[J]. 宋琦. 科技资讯. 2011(17)
本文编号:3038917
本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/3038917.html