空調(diào)系統(tǒng)的應(yīng)用主要是為了改善室內(nèi)空氣品質(zhì)、提高室內(nèi)環(huán)境舒適度。多聯(lián)機(jī)系統(tǒng)是常見(jiàn)的空調(diào)系統(tǒng)形式之一,由于具有安裝方便、高效節(jié)能的特點(diǎn),因此得以廣泛應(yīng)用。正常運(yùn)行條件下,由于該系統(tǒng)在部分負(fù)荷運(yùn)行時(shí)性能很好,故能降低運(yùn)行能耗,達(dá)到節(jié)能減排的目的。但如果出現(xiàn)故障,不僅會(huì)使能耗增加,還會(huì)使設(shè)備磨損加快,降低室內(nèi)舒適性。因此,進(jìn)行多聯(lián)機(jī)故障檢測(cè)與診斷是十分重要的,可以使設(shè)備高效運(yùn)行,減少能源浪費(fèi)。本文主要研究的是多聯(lián)機(jī)氣液分離器插反故障檢測(cè)與診斷。本研究首先介紹了多聯(lián)機(jī)實(shí)驗(yàn)系統(tǒng)的結(jié)構(gòu)及數(shù)據(jù)來(lái)源,經(jīng)過(guò)初步選擇后的原始數(shù)據(jù)集包含14個(gè)變量�？紤]到可能變量間的相關(guān)性較高會(huì)使變量冗余,因此采用單變量特征選擇方法,進(jìn)行變量重要性排序和相關(guān)性分析,最終選擇出對(duì)模型重要度較高、冗余小的特征子集。該特征子集共包含12個(gè)特征變量,利用特征子集建立支持向量機(jī)模型,得到測(cè)試集的故障診斷準(zhǔn)確率在制冷工況下為87.1%,在制熱工況下為85.6%。之后采用網(wǎng)格搜索和交叉驗(yàn)證法優(yōu)化模型參數(shù),優(yōu)化后模型的故障診斷準(zhǔn)確率在制冷和制熱工況下分別為93.6%和91.7%。為了證明參數(shù)尋優(yōu)的效果,采用另一種參數(shù)尋優(yōu)方法——粒子群算法來(lái)形成對(duì)照。使用粒子群算法進(jìn)行參數(shù)優(yōu)化后的模型在制冷和制熱工況下的故障診斷準(zhǔn)確率分別為97.9%和96.7%�？梢�(jiàn)使用粒子群算法的參數(shù)尋優(yōu)效果更好,優(yōu)化后的模型故障診斷準(zhǔn)確率更高,且模型訓(xùn)練時(shí)間相比網(wǎng)格搜索法也縮短1/3以上。因此,對(duì)于本研究而言,采用粒子群算法進(jìn)行參數(shù)尋優(yōu)的效果更好。最后對(duì)本研究的結(jié)論進(jìn)行歸納總結(jié),得到了更加適合用來(lái)進(jìn)行參數(shù)尋優(yōu)的方法,且粒子群算法優(yōu)化后的故障檢測(cè)與診斷模型精確度非常高。同時(shí)也指出了研究的不足之處,即數(shù)據(jù)采集周期不夠長(zhǎng)和未形成完整的故障檢測(cè)與診斷體系,這也為以后的研究指明了方向。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TB657.2
【部分圖文】：

不顯著（3-3）多聯(lián)機(jī)氣液分離器插反故障實(shí)驗(yàn)的14個(gè)變量間的相關(guān)關(guān)系如圖3-2所示。上三角區(qū)域的餅狀圖的面積大小表明變量間的相關(guān)性關(guān)系強(qiáng)弱，下三角的數(shù)字表示各變量間的相關(guān)系數(shù)。根據(jù)上一節(jié)的變量重要性排序結(jié)果，可得壓縮機(jī)模塊溫度和壓縮機(jī)排氣溫度是對(duì)氣液分離器插反故障檢測(cè)與診斷模型影響最大的兩個(gè)變量。此外，過(guò)冷器氣出溫度、壓縮機(jī)目標(biāo)頻率、壓縮機(jī)運(yùn)行頻率、過(guò)冷器液出溫度、過(guò)冷器EXV和模塊低壓的相對(duì)重要性都比較低。在計(jì)算數(shù)據(jù)集中的14個(gè)變量之間的相關(guān)系數(shù)時(shí)，重點(diǎn)研究重要性偏低的幾個(gè)變量與壓縮機(jī)模塊溫度和壓縮機(jī)排氣溫度之間的相關(guān)系數(shù)。表 3-1 部分變量間的相關(guān)性變量名壓縮機(jī)模塊溫度 壓縮機(jī)排氣溫度相關(guān)系數(shù) 顯著性檢驗(yàn) 相關(guān)系數(shù) 顯著性檢驗(yàn)過(guò)冷器氣出溫度 0.09 0 0.01 0壓縮機(jī)目標(biāo)頻率 0.63 0 0.51 0壓縮機(jī)運(yùn)行頻率 0.46 0 0.51 0過(guò)冷器液出溫度 -0.08 0 -0.23 0過(guò)冷器EXV -0.08 0 -0.12 0模塊低壓 0.07 0 -0.19 0

C2=1.83。參數(shù)尋優(yōu)過(guò)程中的適應(yīng)度曲線如圖4-3所示，得到的最優(yōu)參數(shù)為C=82.352，gamma=0.139。圖 4-3 適應(yīng)度曲線利用粒子群算法得到的最優(yōu)參數(shù)組合，用訓(xùn)練集數(shù)據(jù)建立支持向量機(jī)模型，并利用測(cè)試集數(shù)據(jù)進(jìn)行驗(yàn)證，得到的故障診斷結(jié)果見(jiàn)表4-2，可以得到優(yōu)化后的模型在制冷工況下的故障診斷準(zhǔn)確率為97.9%，在制熱工況下的診斷準(zhǔn)確率為96.7%�？梢�(jiàn)粒
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石書(shū)彪;陳煥新;李冠男;胡云鵬;黎浩榮;胡文舉;李炅;;基于改進(jìn)BP網(wǎng)絡(luò)的冷水機(jī)組故障診斷[J];制冷學(xué)報(bào);2015年06期

2 李冠男;胡云鵬;陳煥新;黎浩榮;;基于PCA-SVDD的冷水機(jī)組故障檢測(cè)方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年08期

3 彭琛;江億;姜克雋;郝斌;;中國(guó)建筑能耗總量上限的確定[J];建設(shè)科技;2015年14期

4 李冠男;胡云鵬;陳煥新;黎浩榮;李炅;胡文舉;;基于SVDD的冷水機(jī)組傳感器故障檢測(cè)及效率分析[J];化工學(xué)報(bào);2015年05期

5 申廣玉;卜巍;曠玉輝;;變流量多聯(lián)式冷水(熱泵)空調(diào)機(jī)組在別墅中的應(yīng)用[J];制冷技術(shù);2014年01期

6 劉順波;段淇倡;周光偉;;基于SVM的空調(diào)系統(tǒng)智能故障診斷研究[J];安全與環(huán)境工程;2013年03期

7 徐維超;;相關(guān)系數(shù)研究綜述[J];廣東工業(yè)大學(xué)學(xué)報(bào);2012年03期

8 韓華;谷波;任能;;基于主元分析與支持向量機(jī)的制冷系統(tǒng)故障診斷方法[J];上海交通大學(xué)學(xué)報(bào);2011年09期

9 程忠平;;既有公共建筑的能耗及節(jié)能潛力分析[J];武漢工業(yè)學(xué)院學(xué)報(bào);2008年03期

10 肖賦;王盛衛(wèi);徐新華;葛高明;;基于主成分分析法的空調(diào)系統(tǒng)傳感器自動(dòng)故障診斷[J];建筑科學(xué);2008年06期

相關(guān)博士學(xué)位論文 前1條

1 韓華;基于順序集成方法的制冷系統(tǒng)故障檢測(cè)與診斷研究[D];上海交通大學(xué);2012年

本文編號(hào)：2869210