为了提高故障诊断的速度和准确性，在矢量故障诊断机（LSSVM）最小二乘制冷系统支持模型的基础上，提出了制冷系统，并利用故障模拟数据ASHRAE培训和制冷系统模型验证。90为冷7循环制冷类吨典型故障（约316千瓦）离心式冷水机组进行了实验。果表明，模型LS-SVM为全球诊断精密制冷系统的七种故障诊断模型，支持向量机（SVM），反向传播误差（BP）神经网络模型虽然个别局部缺陷（冷凝器比例，冷凝器水流不足，含有不凝性气体的制冷剂），但分别提高了0.12％和1.32％的诊断率SVM的诊断性能模型略有下降，但系统故障的诊断性能有明显提高，特别是对于制冷剂/故障泄漏，减少时间模型近一半的SVM诊断，速度也有更好的可见性，模型LSSVM。障诊断制冷系统具有良好的视角，关键词：制冷系统，故障诊断，最小二乘矢量机;反向传播，分类图MVB：TB 65文献代码：AAbstract：为了改善制冷系统，基于最小二乘支持向量机的故障诊断模型的故障诊断的精度和速度（LSSVM）是供暖的proposed.American学会，冷冻空调工程制冷系统被用于训练模型（ASHRAE）故障模拟数据和validation.The经历离心式冷却器具有七种类型的90吨典型的缺陷是所进行的结果。载体矢量机（SVM）相比，LSSVM模型对7种类型缺陷的整体诊断准确性分别增加了0.12％和1.32％。经网络模型的诊断和误差逆行（BP）模型。然模型LSSVM的诊断性能为个体fa UTE componentlevel（ConFoul / ReduCF / NonCon）稍低相比SVM模型中，M级系统的诊断性能都得到了很大改善，尤其是制冷剂泄漏或缺乏时间refrigerant.The的诊断的比例模型LSSVM近的SVM model.At同时一半，他的诊断的模式迅速improved.Therefore，LSSVM曾在制冷system.Keywords的故障诊断提供了良好的应用：制冷系统诊断故障;最小二乘支持向量机;反向传播错误，HVAC系统（HVAC）机器支持'带屏障'运行系统将导致效率降低，无法达到理想的冷却效果，维护成本，功耗和温室气体排放量将增加。[1]显示制冷系统对故障的能耗增加15％至30％，有效的故障检测和及时诊断有助于恢复正常的HVAC系统运行，缩短驾驶受损时间，减少设备磨损，以及释放制冷系统和其他温室气体以节省能源，保护环境，减少不必要的经济损失。前，最广泛使用和故障排除的是神网络方法，如回归误差传播（BP）神经网络，神经网络的径向基函数（RBF），其中神经网络是BP信号传输，多层预补偿神经网络误差传播前根据BP神经网络标准修改误差性能函数斜率相反方向的权重，属于最陡峭神经网络在暖通空调和制冷中的应用比较常见[2-4]，如Lee和Lee [3]，李东辉等。[4]平均BP神经元网络模型广泛应用于制冷领域的空调系统.BP神经网络，但其存在很难确定网络的结构，振荡，收敛速度慢，泛化能力低，局部最小，加上缺乏学习，需要更少的学习时间和培训样本等问题。持向量机（SVM）可以克服神经网络学习方法，解决非线性样本，大型，小型等模式识别问题，具有良好的泛化性能。SVM在机械故障诊断中的应用[5-6]，但在相对稀有的制冷领域的应用。波[7]，韩华等[8] SVM模型用于故障诊断制冷系统，并使.SVM高效非线性系统建模的理想过程[9]，但该算法是样本数量的函数，加上相应的样本数解决了更复杂的二次规划问题，速度越高[10]因为BP，SVM算法是当前的速度和精度问题，我们提出使用正方形模式的故障诊断制冷少向量机支持系统（LSSVM），以便在相同的时间内保持高的精度，提高诊断的正方形SVM模型LSSVM算法的由Suykens提出的速度在1999年，是一个SVM算法改进，二次SVM编程优化中解决线性方程问题，提高计算速度[11]，多角度，多i-level以优化分类性能。算法提高了在标准SVM [12]，其中所述误差平方和被引入的目标函数，如所描述的约束不等式的等式约束简化了计算处理.LSSVM分类算法[ 13】设置训练数据包括一组采样点的n：T = {（X1，Y1），...，（XN，YN）}，xi∈Rn，yi∈Y= {1， -1}，i = 1，...，n其中：xi是输入数据（冷却系统故障状态特征参数）; Y是非线性分类期间的指标输出类别（制冷系统故障类别），引入非线性映射Φ（x）:. Rd→H，在.LSSVM的HH超平面优化表达式中为学习数据条目的高维特征空间映射空间配置的公式如下：w∈H是权重向量; ξi∈R是一个松弛因子，可以在理想条件下测量，可分离模型的偏差度数据点; b∈R极化值; gamma]是调整因子，可调参数和SVM惩罚因子，类似地，LSSVM设置的置信区间。的经验风险KarushKuhnTucker（KKT）优化和条件默瑟分辨率的条件下，分类模型导出式的比例：αi∈R拉格朗日核函数K系数（X，XI），以满足默瑟的要求，该函数是从原始特征空间中提取的，映射到原始空间中的H来解决线性不可分离的问题[14]，制冷系统故障模拟采用系统默认模拟ASHRAE制冷[15]数据模型测试对象培训和性能在一吨90（约316千瓦）离心式冷水机组，蒸发器和冷凝器是壳管式换热器，管用于水，蒸发器R134a制冷剂侧的入口是故障模拟站r下冷凝器制冷剂侧的进入如图1所示。操作条件下测试27。了制冷剂回路的基本单元，蒸汽供应组合回路模拟热水和建筑物负荷，从水，冷却水，热交换器中去除冷凝热冷水热平衡热冷实验数据。助冷凝器和蒸发器之间的八种类型：正常性，7种缺陷正常缩写和缺陷不同类别见表1实验得到的冷冻水，水温，冷却水，水温，压缩机功率，48个特征参数，制冷和实时计算诊断量缺陷，性能系数（COP）16参数等，总共64个特征参数来自在哈萨选择的实验数据8000 rd为模型训练样本，4000个样本为测试模型，每个类别样本制冷系统的型号编号排除.LSSVM如表2所示选择制冷系统功能的故障诊断模型。
　　立高斯核心，一半的基本参数都是通过交叉验证方法确定的.LSSVM故障排除流程图如图2所示。先，给出标准化实验装置，然后优化训练和训练样本，然后测试测试样品，通过模型的性能评估最终诊断的结果。障诊断采用七类LSSVM典型故障诊断的整体性能，并对SVM模型的神经网络BP性能诊断进行了比较，结果如表3和表4所示，表：“正确”表示样品正确诊断，“假警报”表示真实类别确定正常样品，冷库安装一个故障类型的发生，“省略”表示未检测到的故障被确定是正常的; “False”表示某些类型的故障被错误地诊断为另一个.BP故障神经网络是由多个网络结构设置的，结果形成了手动功能优化，四层隐藏层，每个节点10学习算法.BP用于神经网络模型的贝叶斯正则化方法和使用高斯核函数的更好结果.SVM三种训练模型并选择最优参数的惩罚因子和交叉验证内核的一半功能。表3中看到的那样，故障诊断精度模型LSSVM 99.55％，并且提高故障诊断SVM基于所述模型（99.43％去）的上的工作时间的缩短的准确性，比SVM模型的时间短，诊断模型时间缩短了约45.2％.BP神经网络需要587s（不包括优化时间），小于模型LSSVM，但它出现在文献[16]，该模型的结构设计依赖于问题本身和设计者的经验，缺乏严格的设计过程的理论基础，也没有普遍适用的准则。

　　种结构一直是人工优化的多重产品，实际总时间明显高于LSSVM模型正确诊断的最高失效率.BP神经网络模型高达98.23％。随机选择的号码训练过程中，大的波动的诊断性能，即使在相同的结构和的训练功能，故障诊断故障始终为约1％的波动模型.LSSVM波动率良好正确率约为0.3％，虽然模型BP波动1/3。此，只有LSSVM模型执行的结果优于BP神经网络模型的可信度.LSSVM，SVM模型可以正确诊断所有的训练（见表4），但BP模型神经网络有模型分别比SVM诊断，诊断误差或不确定性.LSSVM模型4000样品测试集，16个样本的假警报的BP 5，45，假阴性，很少出现假阳性的样本的数目已经减少了。

　　际应用中，制冷系统故障诊断的准确率越高，越能避免判断错误造成人力，物力，财力，能源，环境等的损失。此，LSSVM模型在每种情况下的制冷系统都具有良好的视角。析三种不同类型故障的故障诊断性能表现如图3所示。冷系统的故障分为系统故障，两种制冷剂和油的部分故障因此，制冷剂失效导致的油的作用的润滑效果大于冲击元件（例如，制冷剂） ，冷凝器和蒸发器）时发生，从而RefLeak，RefOver，ExcsOil属于系统故障，和ConFoul ReduCF，NonCon，ReduEF属于局部缺陷，其虽然NonCon的部分的故障制冷剂，但不凝性气体特别集中在冷凝器中，直接导致传热性能下降冷凝器，冷凝压力和冷凝温度，系统效果类似于局部故障，因此属于部分故障[17]。障错误制冷系统系统故障（RefLeak，RefOver），润滑剂不全（ExcsOil）两个来自文献[18]，RefLeak使冷却系统明确冷凝器压力降低，温度冷凝器入口气体增加，过热度增加，压缩机吸入和排出压力降低，进气温度高，故障对系统的影响制冷和各种参数比较复杂，容易与其他缺陷混淆，难以被正确检测和识别，因此诊断的准确性较弱。3显示RefLeak神经网络失败的正确率BP诊断为95.25％，但正确的诊断模型率LSSVM为99.38％，即神经网络BP，SVM模型增加了4.13％，1.03％，此外省略此模型，无误报也是正确的报告。分别为5和6，LSSVM，矩阵BP模式混淆神经网络测试游戏，其主要元素对角线表示正确诊断的样本数量，其余表示样本数量不正确的诊断模型RefLeak .BP神经网络故障七个低估样本，15个样本均为假阳性，一个不确定样本，且只有三个样本低估了LSSVM RefLeak缺陷模型。
　　冷系统影响RefOver，ExcsOil制冷系统的两个缺陷参数也很复杂，难以正确诊断。图3所示，LSSVM模型各类故障正确率提高了99％以上，RefOver缺陷诊断准确率为99.08％，没有明显改善，但仍高于BP神经网络，SVM模型上升，增加0.56％，0.19％.BP神经网络模型ExcsOil故障诊断正确率为97.51％，而诊断准确率模型LSSVM默认为与BP神经网络相比，SVM模型分别提高了2.28％，0.41％和表。5显示诊断矩阵混淆的类别（7）ExcsOil剩余元素，除主要对角元素外均等于零，表示没有其他错误默认，即只要报告缺陷，它会发生，完全信任诊断。见，LSSVM模型有效地解决了系统故障诊断准确率低的问题。LSSVM本地故障模型不仅一般故障排除精度最高，系统诊断故障准确率最高。里探讨了制冷系统的不同故障诊断局部模型的模型性能.SVM所述制冷系统的局部破坏的四个诊断准确性为100％，在将多于0.61％，三个本地精确的故障诊断ConFoul，ReduEF，NonCon每个模型LSSVM，0.22％，0.39％（参见图3）神经网络模型.bp ReduCF故障诊断的精度为100％，比LSSVM模型略高（见图3），但在表6中所示，神经网络模型具有两个正常样品是假警报作为默认ReduCF它RefLeak两个样品，一个样品被错误地报告为故障模型ReduCF ConFoul .LSSVM正确的数据包是ReduCF故障样本（见表5），而ConFoul模型默认LSSVM诊断精度和ReduEF高于BP神经网络模型，其中精度为ConFoul诊断缺陷大于0.81％BP神经网络（见图。3）从表6中可以看出，神经模型当前网络BP被发现，只要预设类别报告可以相信，模型混淆矩阵LSSVM诊断类别3（ReduCF），4（NonCon ），5（ReduEF）除了其他元素的对角线的主要元素也是0（见表5），即，只要添加ExcsOil报告的缺陷可以信任，三个诊断模型本地缺陷使用LSSVM，结果可以完全可靠。常故障检测系统作为参考，观察到识别正常状态有助于情况检测性能分析模型可以从表6中看出，BP神经网络模型具有六个误报警正常是部分故障样本，12个样本误报警系统故障。感报警基于正常状态分为三类系统故障，正常率低.bp识别神经网络，SVM模型，识别率分别为正常状态，96.32 ％，98.77％（见图3），识别率低于3.07％，分别为LSSVM型号，0.62％。

　　BP神经网络模型和正常状态是除了ReduEF对于任何缺陷假警报，（见表6），而只有三个样品LSSVM模型对于其它故障错误警报（见表5）警察的虚设样品未能ConFoul 2个样品失败误报警RefLeak结论该比较研究LSSVM模型BP神经网络模型中，SVM模型，得出以下结论：略微的诊断性能比SVM模型较低，但其性能优于诊断故障SVM系统中，神经网络模型BP .RefLeak提高诊断的准确性是特别重要的，相对于BP模型的4.13％的增加。BP诊断准确率神经网络故障的波动幅度较大，其设计取决于问题本身和设计人员的经验，解决了缺乏种植严谨设计过程的理论基础，他目前还没有一般的应用指导原则，需要多次手动优化才能获得更好的诊断，但LSSVM的小缺陷范围故障诊断模型的准确性，独特可靠的诊断。

　　LSSVM模型在基于SVM模型的高精度改进中，缩短了程序执行时间，时间表诊断缩短了约45.2％。化后的参数，LSSVM故障诊断模型检测七种典型制冷系统故障和正常状态，诊断准确率达99％以上，满足高精度要求。

　　练模型测试数据测试集当诊断准确性略有下降时，表明该模型具有更好的泛化能力和营销能力，更好的鲁棒性。
　　此，LSSVM模型在制冷系统故障排除方面具有良好的前景。
　　本文转载自
　　冷库安装www.iceage-china.com