基于ls―svm的制冷系统故障诊断

《基于ls―svm的制冷系统故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于LS―SVM的制冷系统故障诊断　　摘要：为了提高制冷系统故障诊断速度及准确性，提出了基于最小二乘支持向量机（LSSVM）的制冷系统故障诊断模型，并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨（约316kW）的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明，LS-SVM模型对制冷系统七类故障的总体诊断正确率比　　支持向量机（SVM）诊断模型、误差反向传播（BP）神经网络诊断模型分别提高0.12%和1.32%；尽管对个别局部故障（冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体）的诊断性

2、能较SVM模型的略有下降，但对系统故障的诊断性能均有较大改善，特别是对制冷剂泄漏/不足故障；诊断耗时比SVM模型减少近一半，快速性亦有所改善.可?，LSSVM模型在制冷系统故障诊断中具有良好的应用前景.　　关键词：制冷系统；故障诊断；最小二乘支持向量机；误差反向传播；支持向量机　　中图分类号：TB65文献标志码：A　　Abstract：Inordertoimprovethefaultdiagnosisspeedandaccuracyforrefrigerationsystem，afaultdiagnosismodelbasedon

3、leastsquaressupportvectormachine（LSSVM）wasproposed.AmericanSocietyofHeating，Refrigerating，andAirconditioningEngineering（ASHRAE）refrigerationsystemfaultsimulationdatawasusedforthemodeltrainingandvalidation.Theexperimentsofacentrifugalchillerof90tonswithseventypesoftypi

4、calfaultswereconducted.TheresultsshowedthattheoveralldiagnosticaccuracyofLSSVMmodelforseventypesoffaultsincreasedby0.12%and1.32%respectively，comparedwithsupportvectormachine（SVM）diagnosismodelanderrorbackpropagation（BP）neuralnetworkmodel.Althoughdiagnosticperformanceo

5、fLSSVMmodelforindividualcomponentlevelfault（ConFoul/ReduCF/NonCon）waslowslightlycomparedwithSVMmodel，thediagnosisperformanceforsystemlevelweregreatlyimproved，especiallyforrefrigerantleakageorlackofrefrigerant.ThediagnosistimeofLSSVMmodelreducednearlyhalfthanthatofSVMm

6、odel.Atthesametime，itsrapidityimproved.Therefore，LSSVMdiagnosticmodelhadgoodapplicationinthefaultdiagnosisofrefrigerationsystem.　　Keywords：refrigerationsystem；faultdiagnosis；leastsquaressupportvectormachine；errorbackpropagation；supportvectormachine　　暖通空调系统（HVAC）“带障”运行

7、将导致系统工作效率降低，无法达到预期制冷效果，维修成本、能耗及温室气体排放量都将增加.文献[1]显示，制冷系统因故障而导致的能耗增加达15%～30%，有效的故障检测与诊断有助于及时恢复HVAC系统正常运行，缩短设备带障运行的时间，减少制冷系统设备磨损乃至温室气体的释放等，从而节约能源，保护环境，并减少不必要的经济损失.　　目前，在故障诊断方面应用最多的是神经网络方法，如误差反向传播（BP）神经网络、径向基函数（RBF）神经网络，其中BP神经网络是一种信号前向传递、按误差反向传播的多层前馈神经网络.标准的BP神经网络沿着误差性能函数

8、梯度的反方向修改权值，属于最速下降法.BP神经网络在暖通空调和制冷领域的应用较为普遍[2-4]，如李中领等[3]、李冬辉等[4]均将BP神经网络模型用于空调系统研究.　　BP神经网络在制冷领域广泛应用，但其存在网络结构难确定、振荡、收敛慢、泛化能力