基于多种模型集成学习的制冷系统故障诊断

作者：张展; 韩华^*; 崔晓钰; 范雨强

来源：热能动力工程, 2020, 35(05): 153-162.

DOI：10.16146/j.cnki.rndlgc.2020.05.022

• 制冷系统
• 故障诊断
• 模型
• 多数投票法
• 集成学习

制冷系统故障可由多种模型进行模拟诊断。为了提高其诊断性能,将包括K近邻模型(KNN)、支持向量机(SVM)、决策树模型(DT)、随机森林模型(RF)及逻辑斯谛回归模型(LR)在内的5种成员诊断器,通过绝对多数投票方法集成为一个集成模型,并采用美国采暖、制冷与空调工程师学会(ASHRAE)故障数据对1台90冷吨的离心式冷水机组进行建模及验证,数据包含制冷系统的7类典型故障及一类正常运行。结果表明:集成模型在所选数据集上总体诊断正确率达到99.58%,较各成员诊断器(94.55%～99.05%)均有显著提升,对正常运行、局部故障及全局故障的诊断性能亦有改善。此外,对比分析了不同集成模型及成员诊断器的诊断性能,从中找到诊断正确率与时间成本最佳的集成模型(99.41%,1.34 s)。可见,集成模型较单一模型性能更佳,在制冷系统故障诊断中具有更好的应用前景。

• 单位
  上海理工大学