本文提出一種基于卷積神經(jīng)網(wǎng)絡的故障診斷模型,并通過正交試驗優(yōu)化了3層網(wǎng)絡的卷積核和神經(jīng)元數(shù)目,利用圖形化的多聯(lián)機（VRF）系統(tǒng)制冷劑充注量故障實驗數(shù)據(jù)訓練了多層卷積神經(jīng)網(wǎng)絡,評估了本模型的故障診斷性能。結果表明:該"數(shù)據(jù)圖形化-多層卷積神經(jīng)網(wǎng)絡"方法建立的模型能夠有效進行多聯(lián)機制冷劑充注量故障診斷,20個輸入特征時,對9類故障診斷總正確率最大為91%,比傳統(tǒng)BP神經(jīng)網(wǎng)絡達到更高的診斷精度。該方法首次利用卷積神經(jīng)網(wǎng)絡完成了VRF制冷劑充注量故障診斷,為相關研究的拓展奠定了基礎。 

【文章來源】：制冷學報. 2020,41(01)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

多聯(lián)機制冷充注量實驗原理

為了建立實現(xiàn)制熱工況下VRF系統(tǒng)制冷劑充注量判別的模型，通過分析化霜狀態(tài)、壓縮機排氣溫度和壓縮機工作狀態(tài)等特征變量，本文去除了化霜、壓縮機非穩(wěn)定、壓縮機出口溫度過低等情況下的測試數(shù)據(jù)。為取得更好的模型檢測正確度并提高模型運行效率，本文根據(jù)專家知識和皮爾森變量相關性分析法，初步選擇了如表3所示的20種輸入特征變量(簡稱為輸入特征)。各輸入變量間的相關性系數(shù)如圖3所示，由圖3可知，大部分輸入特征間相關系數(shù)較小，即線性相關性較弱。為了研究輸入特征數(shù)目和模型診斷準確率的關系，以專家知識和皮爾森相關系數(shù)為依據(jù)進行特征選擇，從表3中得到另外兩組輸入特征，一組包含第1、3～8、10、12、14、15、20號共12種輸入特征，另一組包含1、4、6、7、8、12、15共7種輸入特征。

數(shù)據(jù)圖形化后的樣式如圖4所示，它顯示的是20個輸入特征下不同充注水平的圖形，各子圖的橫軸不同刻度值對應表3的輸入特征序號，縱軸代表各特征變量對應的數(shù)值。由圖4可知，當充注量不同時，相應的圖形化數(shù)據(jù)的形態(tài)有顯著差異。3 模型的建立及故障檢測與診斷結果分析

【參考文獻】：
期刊論文
[1]基于級聯(lián)全卷積神經(jīng)網(wǎng)絡的顯著性檢測[J]. 張松龍,謝林柏.  激光與光電子學進展. 2019(07)
[2]充注量對空氣源熱泵熱水器性能的影響[J]. 袁朝陽,陶樂仁,虞中旸,谷志攀.  制冷學報. 2018(03)
[3]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應用. 2016(09)
[4]基于概率神經(jīng)網(wǎng)絡的離心式制冷機故障診斷[J]. 梁晴晴,韓華,崔曉鈺.  暖通空調(diào). 2015(11)
[5]大數(shù)據(jù)在空調(diào)領域的應用[J]. 陳煥新,劉江巖,胡云鵬,李冠男.  制冷學報. 2015(04)
[6]遺傳算法函數(shù)尋優(yōu)性能影響因素分析——基于正交試驗的方法[J]. 李書全,吳秀宇.  計算機工程與應用. 2015(06)
[7]基于正交試驗-遺傳神經(jīng)網(wǎng)絡的陶瓷球面精密磨削參數(shù)優(yōu)化[J]. 劉偉,鄧朝暉,萬林林,伍俏平.  中國機械工程. 2014(04)
[8]淺談建筑環(huán)境與暖通空調(diào)節(jié)能[J]. 邱曉波.  中華民居(下旬刊). 2013(06)
[9]概率神經(jīng)網(wǎng)絡在水/水熱泵機組故障診斷研究中的應用[J]. 王洋,江輝民,馬最良,姜益強,姜安璽.  制冷與空調(diào). 2008(01)
[10]神經(jīng)網(wǎng)絡與正交試驗法結合優(yōu)化注射工藝參數(shù)[J]. 陳曉平,胡樹根.  模具工業(yè). 2007(07)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡及其應用[D]. 李飛騰.大連理工大學 2014



本文編號：3287987