基于CART算法的多联机压缩机回液故障检测

近年来,多联机在各类建筑上得到广泛应用。一旦压缩机发生回液故障,将会导致多联机偏离正常工况,能效降低,同时无法保障室内环境的舒适性。长久的回液故障还会导致压缩机部件的机械故障,造成高额的维修费用。因此,本文提出决策树模型检测多联机压缩机回液故障。首先,通过数据集成和剔除缺失值得到齐整数据;其次,通过专家知识和线性相关分析分别选取变量和剔除冗余变量;最后,建立决策树模型检测回液故障。结果表明,决策树模型能够有效地检测出回液故障,而且与专业知识吻合得较好。

基于PCA-Clustering的压缩机回液故障诊断

在多联机(VRF)空调系统中,压缩机回液将导致能量损失。本文结合大数据提出了一种基于PCA-Clustering的压缩机回液故障诊断的方法。首先提取出故障相关变量,并通过数据预处理,剔除异常值与空值;然后将处理后的数据进行主成分分析(PCA),获取降维后的新主元变量数据;最后将新的主元变量进行聚类分析(Clustering analysis)得到回液故障数据分类标签。结果表明:该方法能够在数据标签未知的情况下,较好的区分不同类别的压缩机回液故障及正常数据,使压缩机回液故障诊断率达到94.29%。

基于深度神经网络学习算法的压缩机回液故障诊断

为了提高多联机系统压缩机回液故障检测率,本文首次提出了一种基于深度神经网络(Deep Neural Networks,DNN)学习算法的多联机压缩机回液故障诊断模型。故障诊断分为数据变量选取、建立初始模型、DNN模型训练和故障诊断分类预测四个主要步骤。实验共设置3种压缩机状态,选取了17个特征变量,建立了深度神经网络模型。结果表明,深度神经网络学习模型能更高效地检测出两种回液故障,准确率高达99.86%,而且相对于有监督算法的决策树模型无需相关性分析和剪枝过程,相对于无监督算法的聚类分析算法模型无需相关性和主成分分析过程,处理过程简便易操作,且效率相较于两者分别提高了3.48%和5.91%。

多联机系统涡旋式压缩机回液故障在线诊断模型研究

本文提出了一种基于主成分分析-决策树算法的在线诊断方法。首先根据相关性分析和专家知识消除冗余变量,然后利用主成分分析方法对数据进行重构,将获取的新主成分变量作为输入,建立主成分分析-决策树算法分类模型;最后此主成分分析-决策树分类模型将对在线数据进行诊断。通过多联机系统传感器实时采集的3种数据集(实验测试数据集和两种在线测试数据集)对该模型进行验证。结果表明,此方法能准确识别出回液的故障和正常运行状态;离线实验测试数据的诊断准确率为97.42%,两种在线故障诊断准确率为93.45%;"正常"状态的在线诊断结果在时间上波动较小。在没有大量误判的情况下,"回液"出色的诊断性能得以体现,而其在线诊断结果会因异常点而略有波动。