针对空调故障诊断的特征选择与机器学习算法研究

发布时间：2021-08-01 22:03

　　利用机器学习算法对空调系统进行查错和诊断,能够及时有效地对空调的故障进行检测排查,保障系统有效运行并减少能源消耗。但空调设备复杂,故障原因种类繁多,机器学习算法在空调故障诊断适用性上还有待提高。当前研究尚未解决的问题包括:如何能够及时判断出空调系统中的可能存在的故障,如何在不易获取标记样本时拓宽诊断方法的应用范围,如何将实验状态与工程设计中的实际问题相结合。为解决上述问题,本文展开针对空调故障诊断的特征选择和机器学习算法研究,主要内容如下:（1）提出了利用多种特征选择方法对空调故障数据进行特征选择。针对目前冷水机组故障诊断过程中的不足,采用不同的特征选择方法对冷水机组故障数据进行特征选择,并利用支持向量机完成分类,通过对比分析获取冷水机组故障诊断中重要的特征子集。最终得到的结果能够更有效率地对冷水机组进行故障诊断。（2）通过扩展序列前向选择算法,提出一种结合代价敏感和序列前向选择算法的故障检测方法,使用反向跟踪序列前向特征选择算法,选择出次序排列且考虑代价敏感的特征,实验结果表明,该实验算法所得的分类准确率均高于同等文献工作结果,同时,这项工作实现了实验设计和工程实际问题的有效结合,弥... 

【文章来源】：中国计量大学浙江省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

ASHRAEproject1043-RP90吨离心式冷却器结构示意图

图 1.2 ASHRAE project 1312-RP 空气处理机组结构示意图1.4 创新点本文主要针对空调故障诊断的特征选择与分类算法展开研究。包括对最重要特征子集的选择，结合改进的序列特征选择和代价敏感的分类方法以及在故障样本较少情况下诊断方式的改善，本文的创新点主要包括三方面：（1）对冷水机组故障诊断中重要特征进行选择考虑目前冷水机组故障诊断过程中存在着大量高维和冗余的数据给故障检测和分类带来困难，采用不同的特征选择方法对冷水机组故障数据进行特征选择，利用支持向量机完成分类，通过对比分析，获取冷水机组故障诊断中重要的特征子集，重要特征子集的选择可以提高后续冷水机组故障分析时的诊断准确率。（2）提出了一种改进的序列特征选择并计算代价敏感分类准确性方法通过扩展序列前向选择算法，提出一种结合代价敏感和序列前向特征选择

择方法和本文涉及的相关分类算法等。的一般性框架动的集中式空调系统故障诊断过程中，特征选择工作，由于采集的数据集数目庞大，本文涉及实量均达到 1G 以上。其中，高维和冗余的数据往难，从变量选取重要的特征作为分类依据，去除维度可使得分类速度大幅度提升，更好地分析空角度还是对故障的有效判断上，特征选择都扮演也可称变量选择、属性选择或变量子集选择，这，可使构建的模型性能更好。特征选择是根据一最具有类别区分能力的特征子集，通常根据特征，然后从中选取若干个权重最大的特征组成新的提高相关数据的预测性能、提供更准确更具有成造更好的模型产生积极的作用。特征选择基本框架

【参考文献】：
期刊论文
[1]基于特征子集区分度与支持向量机的特征选择算法[J]. 谢娟英,谢维信.  计算机学报. 2014(08)

博士论文
[1]基于基因表达数据的肿瘤分类算法研究[D]. 陆慧娟.中国矿业大学 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



本文编号：3316322