最大化广义瑞利熵在列车空调制冷剂充注量诊断中应用

[目的]利用机器学习方法对列车空调制冷剂充注量的诊断中,经常出现许多特征,如何选择特征成为诊断中两难的抉择。特征选择过多,算法资源开销巨大;特征选择过少,则不能很好地学习故障信息,导致诊断模型的效果不好。目前,在特征选择中,有一个比较常用的方法,即PCA(主成分分析),还有一个引用次数比较少的为最大化瑞利熵,2个皆存在特征过多导致的算法资源开销过大问题。为减少资源开销及比较二者优劣,特开展本研究。[方法]选用比较经典的支持向量机和均值聚类模型作比较,同时利用小样本历史数据构造降维算法而不是利用全体样本构造最大化瑞利熵的降维算法,同样是为了减少资源开销,属于对算法的改进。比较基于小样本历史数据的最大化广义瑞利熵降维和常用的PCA降维方式在均值聚类和支持向量机模型的f1得分、准确率和时间开销上的优劣。[结果及结论]结果表明,最大化广义瑞利熵的支持向量机的故障诊断和探测时间资源开销只有原始数据训练支持向量机模型的3%,无论是均值聚类还是支持向量机在使用最大化瑞利熵的投影后的数据,测试数据准确率比其他模型更接近100%。

局部广义矩阵学习向量量化在多联机系统阀类故障诊断中的应用

多联机(VRF)系统结构复杂,采用传统方法难以识别设备故障,本文首次将特征选取和多目标进化算法优化框架集成于局部广义矩阵学习向量量化(LGMLVQ)故障诊断模型中,并应用于多联机系统的电子膨胀阀和四通阀故障诊断研究。运行数据来自多联机系统实验平台。实验结果表明,特征选择后的模型对多联机阀类故障的诊断准确率从91.40%提升到95.73%,而进化算法进一步将准确率提升至99.50%,耗时从14.109 s缩短为11.724 s。分析最优模型的正常数据自适应相关性矩阵可以对故障发生部位进行模糊定位,可以对实际故障维修提供一定的帮助。

基于递归特征消除-加权k近邻算法的多联机系统制冷剂充注量故障诊断策略

本文提出了一种基于递归特征消除-加权k近邻算法的多联机系统制冷剂充注量故障诊断策略。首先,基于专家先验知识筛选18个多联机运行特征,经数据预处理步骤后,采用递归特征消除(RFE)算法进行特征选择,筛选出最优特征子集;然后基于加权k近邻(wkNN)算法对训练集建立诊断模型,并采用网格搜索算法得到最优参数组合,对制冷剂充注量故障进行诊断。结果表明:该诊断策略弥补了现有方法中“只适用于单一工况、充注量等级分类少”等不足,选择重要性排列前7的特征集作为最优特征子集,在全工况和9个充注量等级的情况下,整体准确率为98.30%,受试者工作特征曲线下的面积(AUC)为0.9883,为设备维护人员提供了详细、关键的信息。

基于RFECV-随机森林特征选择的地铁空调制冷剂充注量故障诊断

地铁车辆车厢空调能耗占整车能耗的25%~40%,若长期处于故障运行状态会造成大量的能源浪费,且影响乘客的乘车体验甚至危害乘客身体健康。地铁车辆空调故障中,制冷剂充注量故障发生频繁却难以察觉,短期内不会引发故障报警,但会使空调长期偏离正常工况。针对地铁空调的制冷剂充注量故障诊断,文章采用基于交叉验证的递归特征消除法进行了特征选择,筛选出含18个特征变量的较优特征子集,然后根据随机森林特征重要性度量选择出重要性得分在0.03以上的8个特征作为最优特征子集,并将该子集分别用于构建基于支持向量机、K-最近邻算法和反向传播神经网络的诊断模型,以验证最优特征子集的故障诊断效果。验证结果显示,该特征选择算法经过两步筛选得到最优特征子集,在2种制冷工况和4种制冷剂充注量水平下,3种故障诊断模型的总准确率分别为99.83%、99.98%、99.96%。

多联机系统的堆栈自编码器模型故障诊断研究

本文利用深度学习在模式识别和特征提取方面的优势,提出了基于堆栈自编码和Softmax算法的多联机制冷剂充注量故障诊断策略。针对堆栈自编码和Softmax的故障诊断方法,本文主要从网络的层数、隐含层节点数、学习率大小、迭代次数以及Batchsize(批次样本数)大小这些超参数的选择探索与故障诊断模型性能的关系。此外,在堆栈自编码的基础上,本文还采用了传统自编码的变种(降噪自编码和稀疏自编码)来对故障诊断模型进行优化。结果表明:堆栈降噪自编码及堆栈稀疏自编码与Softmax的故障诊断模型能获得更好的诊断性能,在一定参数条件下诊断准确率均能达到96%以上。