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

发布时间：2021-07-17 10:22

　　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。 

【文章来源】：制冷学报. 2020,41(01)北大核心CSCD

【文章页数】：8 页

【部分图文】：

多联机制冷充注量实验原理

为了建立实现制热工况下VRF系统制冷剂充注量判别的模型，通过分析化霜状态、压缩机排气温度和压缩机工作状态等特征变量，本文去除了化霜、压缩机非稳定、压缩机出口温度过低等情况下的测试数据。为取得更好的模型检测正确度并提高模型运行效率，本文根据专家知识和皮尔森变量相关性分析法，初步选择了如表3所示的20种输入特征变量(简称为输入特征)。各输入变量间的相关性系数如图3所示，由图3可知，大部分输入特征间相关系数较小，即线性相关性较弱。为了研究输入特征数目和模型诊断准确率的关系，以专家知识和皮尔森相关系数为依据进行特征选择，从表3中得到另外两组输入特征，一组包含第1、3～8、10、12、14、15、20号共12种输入特征，另一组包含1、4、6、7、8、12、15共7种输入特征。

数据图形化后的样式如图4所示，它显示的是20个输入特征下不同充注水平的图形，各子图的横轴不同刻度值对应表3的输入特征序号，纵轴代表各特征变量对应的数值。由图4可知，当充注量不同时，相应的图形化数据的形态有显著差异。3 模型的建立及故障检测与诊断结果分析

【参考文献】：
期刊论文
[1]基于级联全卷积神经网络的显著性检测[J]. 张松龙,谢林柏.  激光与光电子学进展. 2019(07)
[2]充注量对空气源热泵热水器性能的影响[J]. 袁朝阳,陶乐仁,虞中旸,谷志攀.  制冷学报. 2018(03)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[4]基于概率神经网络的离心式制冷机故障诊断[J]. 梁晴晴,韩华,崔晓钰.  暖通空调. 2015(11)
[5]大数据在空调领域的应用[J]. 陈焕新,刘江岩,胡云鹏,李冠男.  制冷学报. 2015(04)
[6]遗传算法函数寻优性能影响因素分析——基于正交试验的方法[J]. 李书全,吴秀宇.  计算机工程与应用. 2015(06)
[7]基于正交试验-遗传神经网络的陶瓷球面精密磨削参数优化[J]. 刘伟,邓朝晖,万林林,伍俏平.  中国机械工程. 2014(04)
[8]浅谈建筑环境与暖通空调节能[J]. 邱晓波.  中华民居(下旬刊). 2013(06)
[9]概率神经网络在水/水热泵机组故障诊断研究中的应用[J]. 王洋,江辉民,马最良,姜益强,姜安玺.  制冷与空调. 2008(01)
[10]神经网络与正交试验法结合优化注射工艺参数[J]. 陈晓平,胡树根.  模具工业. 2007(07)

硕士论文
[1]卷积神经网络及其应用[D]. 李飞腾.大连理工大学 2014



本文编号：3287987