2019级硕士研究生刘倩同学所撰写的论文“多联机系统故障类型识别及故障细化诊断模型研究”被《制冷学报》期刊录用，在此对刘倩同学表示祝贺！
论文信息
论文题目：多联机系统故障类型识别及故障细化诊断模型研究
作者：刘倩，李正飞，丁新磊，陈焕新，王誉舟，徐畅
第一单位：华中科技大学能源与动力工程学院，湖北 武汉 430074
关键词：多联机；故障识别；故障详细诊断；随机森林；LDA
期刊名：制冷学报
论文摘要
本文针对多联机系统实际运行中可能出现的多故障问题，提出一种结合线性判别分析(LDA)和随机森林(RF)算法的多故障诊断策略，可以在完成故障类型识别后，自适应地根据故障类型选择最佳细化诊断模型，进一步诊断出故障发生水平或故障发生原因。首先，在不同的制冷和制热工况下，引入四通阀故障、电子膨胀阀故障、制冷剂充注量故障，并按照7:3的比例划分为训练集和测试集，利用训练集建立基于RF算法的故障类型识别模型；然后，利用LDA方法对训练集中3类故障的特征分别进行降维，并利用降维后的训练集建立故障细化诊断模型；最后，测试集中的样本数据在经过故障类型识别后，根据识别结果自适应地输入至最优故障细化诊断模型。结果显示：故障类型识别模型在测试集上的准确率达到99.99%，3类故障细化诊断准确率分别为96.12%、100%、97.44%，说明该策略能够较好的完成针对多联机系统的多类型故障诊断任务。
论文图片及说明
图 1 多联机系统多类故障诊断策略流程图
文中提出的多联机系统多类故障检测和诊断策略结合了线性判别分析和随机森林算法，流程图如图1所示，除完成原始数据采集和预处理外，该策略主要包括两个部分，一是故障类型识别模型的训练和测试，二是单类故障细化诊断模型的训练和测试。
图2 测试集故障类型识别结果样本分布
正常运行工况、电子膨胀阀故障及四通阀故障均能全部正确识别，而制冷剂充注量故障的27335个测试样本中仅有极个别样本被错误识别为正常样本，这表明随机森林模型据不同类型故障数据的差异，学习到极好的分类规则，进而实现故障类型识别。该模型在测试集上几乎可完全准确的识别3类故障及正常运行样本数据，具有良好的故障识别能力及鲁棒性。
图3 两类故障训练集LAD降维单个特征区分贡献率及累计区分贡献率
单个特征区分贡献率是指单个所选投影向量对应的特征值占所有特征值之和的比例，特征值反映对应的特征向量的重要程度；累计区分贡献率是指所选全部投影特征向量对应的特征值之和占所有特征值之和的比例。根据原理中提到的，LDA降维最多降至类别数k-1的维数，而四通阀故障详细划分为四通阀掉电和失效两类，是典型的二分类问题，利用LDA进行降维只能保留一个特征向量。此外，对电子膨胀阀故障、制冷剂充注故障进行LDA特征抽取，并观测这两类故障在其对应的训练集上的单个特征区分贡献率及累计区分贡献率。
图4 LDA降维后RF模型在训练集上的诊断结果
图5 3类故障细化诊断RF模型在训练集和测试集上的整体诊断结果
文章所建立的故障类型识别及故障细化诊断模型可以用于多联机系统多故障并发情况，先完成故障类型识别后，根据故障类型自适应选择最优故障细化诊断模型，解决了不同故障的不同程度导致的故障标签过多，对模型建立和诊断结果造成的负面影响。对于不同故障类型，详细诊断模型的最优参数设置和特征维度差异显著，而且故障类型识别与进一步的细化诊断所需要的特征数据差异很大，前者不同的故障类型之间特征差异显著，后者同一故障类型不同程度之间的特征差异较小，若直接采取统一的诊断模型进行细化诊断而不考虑不同故障之间的差异性，会导致诊断效果不佳。该分层自适应诊断机制综合考虑了这两方面，实现了特定模型对某一故障类型的特定诊断。
作者简介
刘倩
2019级硕士研究生
(导师：陈焕新)
教育背景
- 2019年9月-2021年6月
华中科技大学 能源与动力工程学院 硕士硕士研究生 - 2015年9月~2019年6月
湘潭大学 土木工程与力学学院 学士
主要研究方向
- 基于数据挖掘技术的制冷空调系统故障诊断
学术成果
中文期刊论文2篇
- [1]刘倩,李正飞,陈焕新,王誉舟,徐畅.基于最大相关最小冗余-随机森林算法的多联机系统在线故障诊断策略研究[J].制冷技术.
- [2]刘倩,李正飞,丁新磊,陈焕新,王誉舟,徐畅.多联机系统故障类型识别及故障细化诊断模型研究[J].制冷学报.
2020
—END—
