基于PSO-SVM的多联机气液分离器插反故障诊断
发布时间：2020-11-03 22:44
空调系统的应用主要是为了改善室内空气品质、提高室内环境舒适度。多联机系统是常见的空调系统形式之一,由于具有安装方便、高效节能的特点,因此得以广泛应用。正常运行条件下,由于该系统在部分负荷运行时性能很好,故能降低运行能耗,达到节能减排的目的。但如果出现故障,不仅会使能耗增加,还会使设备磨损加快,降低室内舒适性。因此,进行多联机故障检测与诊断是十分重要的,可以使设备高效运行,减少能源浪费。本文主要研究的是多联机气液分离器插反故障检测与诊断。本研究首先介绍了多联机实验系统的结构及数据来源,经过初步选择后的原始数据集包含14个变量。考虑到可能变量间的相关性较高会使变量冗余,因此采用单变量特征选择方法,进行变量重要性排序和相关性分析,最终选择出对模型重要度较高、冗余小的特征子集。该特征子集共包含12个特征变量,利用特征子集建立支持向量机模型,得到测试集的故障诊断准确率在制冷工况下为87.1%,在制热工况下为85.6%。之后采用网格搜索和交叉验证法优化模型参数,优化后模型的故障诊断准确率在制冷和制热工况下分别为93.6%和91.7%。为了证明参数寻优的效果,采用另一种参数寻优方法——粒子群算法来形成对照。使用粒子群算法进行参数优化后的模型在制冷和制热工况下的故障诊断准确率分别为97.9%和96.7%。可见使用粒子群算法的参数寻优效果更好,优化后的模型故障诊断准确率更高,且模型训练时间相比网格搜索法也缩短1/3以上。因此,对于本研究而言,采用粒子群算法进行参数寻优的效果更好。最后对本研究的结论进行归纳总结,得到了更加适合用来进行参数寻优的方法,且粒子群算法优化后的故障检测与诊断模型精确度非常高。同时也指出了研究的不足之处,即数据采集周期不够长和未形成完整的故障检测与诊断体系,这也为以后的研究指明了方向。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TB657.2
【部分图文】：
不显著（3-3）多联机气液分离器插反故障实验的14个变量间的相关关系如图3-2所示。上三角区域的饼状图的面积大小表明变量间的相关性关系强弱，下三角的数字表示各变量间的相关系数。根据上一节的变量重要性排序结果，可得压缩机模块温度和压缩机排气温度是对气液分离器插反故障检测与诊断模型影响最大的两个变量。此外，过冷器气出温度、压缩机目标频率、压缩机运行频率、过冷器液出温度、过冷器EXV和模块低压的相对重要性都比较低。在计算数据集中的14个变量之间的相关系数时，重点研究重要性偏低的几个变量与压缩机模块温度和压缩机排气温度之间的相关系数。表 3-1 部分变量间的相关性变量名压缩机模块温度 压缩机排气温度相关系数 显著性检验 相关系数 显著性检验过冷器气出温度 0.09 0 0.01 0压缩机目标频率 0.63 0 0.51 0压缩机运行频率 0.46 0 0.51 0过冷器液出温度 -0.08 0 -0.23 0过冷器EXV -0.08 0 -0.12 0模块低压 0.07 0 -0.19 0
C2=1.83。参数寻优过程中的适应度曲线如图4-3所示，得到的最优参数为C=82.352，gamma=0.139。图 4-3 适应度曲线利用粒子群算法得到的最优参数组合，用训练集数据建立支持向量机模型，并利用测试集数据进行验证，得到的故障诊断结果见表4-2，可以得到优化后的模型在制冷工况下的故障诊断准确率为97.9%，在制热工况下的诊断准确率为96.7%。可见粒
【参考文献】
本文编号：2869210
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TB657.2
【部分图文】：
不显著（3-3）多联机气液分离器插反故障实验的14个变量间的相关关系如图3-2所示。上三角区域的饼状图的面积大小表明变量间的相关性关系强弱，下三角的数字表示各变量间的相关系数。根据上一节的变量重要性排序结果，可得压缩机模块温度和压缩机排气温度是对气液分离器插反故障检测与诊断模型影响最大的两个变量。此外，过冷器气出温度、压缩机目标频率、压缩机运行频率、过冷器液出温度、过冷器EXV和模块低压的相对重要性都比较低。在计算数据集中的14个变量之间的相关系数时，重点研究重要性偏低的几个变量与压缩机模块温度和压缩机排气温度之间的相关系数。表 3-1 部分变量间的相关性变量名压缩机模块温度 压缩机排气温度相关系数 显著性检验 相关系数 显著性检验过冷器气出温度 0.09 0 0.01 0压缩机目标频率 0.63 0 0.51 0压缩机运行频率 0.46 0 0.51 0过冷器液出温度 -0.08 0 -0.23 0过冷器EXV -0.08 0 -0.12 0模块低压 0.07 0 -0.19 0
C2=1.83。参数寻优过程中的适应度曲线如图4-3所示，得到的最优参数为C=82.352，gamma=0.139。图 4-3 适应度曲线利用粒子群算法得到的最优参数组合，用训练集数据建立支持向量机模型，并利用测试集数据进行验证，得到的故障诊断结果见表4-2，可以得到优化后的模型在制冷工况下的故障诊断准确率为97.9%，在制热工况下的诊断准确率为96.7%。可见粒
【参考文献】
相关期刊论文 前10条
1 石书彪;陈焕新;李冠男;胡云鹏;黎浩荣;胡文举;李炅;;基于改进BP网络的冷水机组故障诊断[J];制冷学报;2015年06期
2 李冠男;胡云鹏;陈焕新;黎浩荣;;基于PCA-SVDD的冷水机组故障检测方法[J];华中科技大学学报(自然科学版);2015年08期
3 彭琛;江亿;姜克隽;郝斌;;中国建筑能耗总量上限的确定[J];建设科技;2015年14期
4 李冠男;胡云鹏;陈焕新;黎浩荣;李炅;胡文举;;基于SVDD的冷水机组传感器故障检测及效率分析[J];化工学报;2015年05期
5 申广玉;卜巍;旷玉辉;;变流量多联式冷水(热泵)空调机组在别墅中的应用[J];制冷技术;2014年01期
6 刘顺波;段淇倡;周光伟;;基于SVM的空调系统智能故障诊断研究[J];安全与环境工程;2013年03期
7 徐维超;;相关系数研究综述[J];广东工业大学学报;2012年03期
8 韩华;谷波;任能;;基于主元分析与支持向量机的制冷系统故障诊断方法[J];上海交通大学学报;2011年09期
9 程忠平;;既有公共建筑的能耗及节能潜力分析[J];武汉工业学院学报;2008年03期
10 肖赋;王盛卫;徐新华;葛高明;;基于主成分分析法的空调系统传感器自动故障诊断[J];建筑科学;2008年06期
相关博士学位论文 前1条
1 韩华;基于顺序集成方法的制冷系统故障检测与诊断研究[D];上海交通大学;2012年
本文编号：2869210
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2869210.html
