基于支持向量機的空調(diào)用制冷系統(tǒng)故障診斷研究.pdf

1、隨著全球性的能源緊缺問題越來越嚴重，如何提高能源利用效率成為一個主要的研究方向。建筑能耗占據(jù)了總能耗的30％以上，而空調(diào)系統(tǒng)是建筑能耗中的主要耗能器件。當空調(diào)系統(tǒng)帶障運行，系統(tǒng)的能耗會大大增加，所以對于空調(diào)系統(tǒng)的故障診斷是十分必要的。本文分別選用了兩個不同的空調(diào)系統(tǒng)作為研究對象來進行故障診斷的相關(guān)工作。
　　傳統(tǒng)冷水機組是個高度非線性的復(fù)雜系統(tǒng)，其系統(tǒng)故障會導(dǎo)致系統(tǒng)的運行偏離正常狀態(tài)，一方面會造成工作空間空氣質(zhì)量的下降，另一方面也

2、會造成機組能耗的增加。本文在選取 RP-1043實驗數(shù)據(jù)中的一組正常數(shù)據(jù)之后，又選取了其中七組故障數(shù)據(jù)，建立了訓(xùn)練數(shù)據(jù)。通過支持向量機（SVM）方法進行分類，以測試其對于冷水機組故障診斷的性能，同時引入四種不同程度故障，分析SVM方法的隨著故障程度變化的分類準確率變化。在加入了小波去噪后，取得了良好的正確率提升。
　　對于變流量多聯(lián)機系統(tǒng)來說，其高效運行的關(guān)鍵是系統(tǒng)得當?shù)闹评鋭┏渥⒘克?。然而由于系統(tǒng)的復(fù)雜性，要做到這一點比較困難

3、。因此，在系統(tǒng)自動控制中正確快速地確定制冷劑充注量是非常有意義的。本文提出了一種將支持向量機（SVM）、最大相關(guān)最小冗余（mRMR）和小波去噪聯(lián)合使用的SVM復(fù)合模型。小波去噪用于提升獲取數(shù)據(jù)的數(shù)據(jù)質(zhì)量和提高 SVM模型的泛化能力，mRMR用于特征提取工作。通過這種方法，我們得到了最適合的特征序列。之后，本文又進行了特征之間的相關(guān)性分析以支持進一步的特征選取工作。最終，特征子集B1被復(fù)合模型選中作為最優(yōu)的特征子集，與使用全特征集的分類正