劉倩，李正飛，陳煥新，王譽(yù)舟，徐暢

（華中科技大學(xué)能源與動(dòng)力工程學(xué)院，湖北武漢 430074）

0 引言

據(jù)統(tǒng)計(jì)，建筑是全球能源消耗的主要產(chǎn)業(yè)[1]。在我國(guó)，建筑能耗約占全社會(huì)終端的21%[2-3]，其中空調(diào)系統(tǒng)能耗約占建筑總能耗的40%～60%[4]。暖通空調(diào)系統(tǒng)設(shè)備復(fù)雜，在運(yùn)行過(guò)程中會(huì)發(fā)生多種故障問(wèn)題，造成大量能耗損失[5-6]。如果能在建筑中安裝暖通空調(diào)故障診斷設(shè)備，確保設(shè)備運(yùn)行正常，一個(gè)30年壽命的建筑至少可以減少30%的能源消耗[7]。多聯(lián)機(jī)系統(tǒng)是暖通空調(diào)系統(tǒng)中的重要一部分，現(xiàn)廣泛應(yīng)用于中、小型商業(yè)、辦公建筑以及大面積的住宅建筑等。制冷劑充注量若與系統(tǒng)不匹配將極大降低系統(tǒng)能效，增加系統(tǒng)的能耗。為了保證系統(tǒng)的穩(wěn)定運(yùn)行和正常使用，有必要針對(duì)多聯(lián)機(jī)系統(tǒng)制冷劑充注量故障策略進(jìn)行研究。

數(shù)據(jù)爆炸時(shí)代下，利用數(shù)據(jù)挖掘技術(shù)建立暖通空調(diào)系統(tǒng)故障檢測(cè)與診斷模型[8-10]，并進(jìn)一步實(shí)現(xiàn)系統(tǒng)在線故障預(yù)測(cè)，是目前該領(lǐng)域研究的熱點(diǎn)問(wèn)題之一。王江宇等[11]提出一種基于分類(lèi)回歸樹(shù)（Classification and Regression Tree，CART）算法的多聯(lián)機(jī)壓縮機(jī)回液故障檢測(cè)，證明了決策樹(shù)模型可以有效診斷回液故障。禹法文等[12]提出一種基于主元分析法的多聯(lián)機(jī)壓縮機(jī)排氣溫度傳感器故障診斷方法。采用正常數(shù)據(jù)對(duì)主成分分析（Principal Components Analysis，PCA）進(jìn)行建模，用故障運(yùn)行數(shù)據(jù)進(jìn)行驗(yàn)證診斷。結(jié)果表明該方法診斷效果良好。DU等[13]提出了小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的小波神經(jīng)網(wǎng)絡(luò)，用于診斷變風(fēng)量系統(tǒng)中傳感器的故障。丁新磊等[14]針對(duì)目前基于數(shù)據(jù)驅(qū)動(dòng)的制冷系統(tǒng)故障診斷模型，只能對(duì)參與建模訓(xùn)練的已知類(lèi)型故障進(jìn)行診斷，提出一種優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷策略，得到該模型對(duì)未知類(lèi)型故障的診斷效果良好。XU等[15]利用小波分析方法和PCA方法，為離心式冷水機(jī)組開(kāi)發(fā)了增強(qiáng)型傳感器故障檢測(cè)策略。結(jié)果表明，與傳統(tǒng)的基于 PCA的傳感器故障診斷策略相比，該策略使系統(tǒng)的性能更好。

目前國(guó)內(nèi)外應(yīng)用數(shù)據(jù)挖掘技術(shù)在暖通空調(diào)領(lǐng)域應(yīng)用研究較少，而其應(yīng)用在在線系統(tǒng)的故障檢測(cè)與診斷策略的研究更少[16-17]。本文提出了一種基于最大相關(guān)最小冗余（minimal-Redundancy-Maximal-Relevance，mRMR）-隨機(jī)森林（Random Forest，RF）算法的多聯(lián)機(jī)制冷劑充注量故障診斷策略。該策略通過(guò)采用 mRMR算法進(jìn)行特征選擇，然后結(jié)合隨機(jī)森林、支持向量機(jī)和決策樹(shù)算法建立故障診斷模型，并采用網(wǎng)格搜索和十折交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)，進(jìn)一步提高診斷模型的泛化能力，改善模型過(guò)擬合問(wèn)題，在3種模型中選擇泛化能力更好的模型作為最終的診斷模型，最后在在線未知實(shí)例上驗(yàn)證該模型的診斷性能。

1 特征選擇及分類(lèi)算法原理

1.1 最大相關(guān)最小冗余（mRMR）算法

最大相關(guān)最小冗余（minimal - Redundancy -Maximal-Relevance，mRMR）算法是一種最大化特征變量與目標(biāo)之間相關(guān)性、而最小化特征之間相關(guān)性的特征選擇方法[18]，以互信息量的大小作為衡量特征與特征、特征與類(lèi)別變量間相關(guān)性的標(biāo)準(zhǔn)。

式中，x和y為給定的兩個(gè)隨機(jī)變量；p(x, y)為x和y的聯(lián)合概率分布函數(shù)；p(x)和p(y)分別為x和y的概率分布函數(shù)。

為找出含有m個(gè)特征的特征子集S，最大相關(guān)性以I(xi, c)的適當(dāng)順序搜索與目標(biāo)分類(lèi)c相關(guān)的最佳m個(gè)特征xi，可用以下公式計(jì)算其相關(guān)性大?。?/p>

含有 m個(gè)特征的子集可能并不是最好的特征子集，當(dāng)兩個(gè)特征高度相互依賴時(shí)，其中一個(gè)被刪除，各自的階級(jí)判別力就不會(huì)有太大變化。因此，引入最小冗余標(biāo)準(zhǔn)來(lái)消除特征之間的冗余并選擇互斥特征（式(3)）；然后采用加法整和最大相關(guān)系數(shù)和最小冗余度（式(4)）。

1.2 決策樹(shù)、隨機(jī)森林和支持向量機(jī)算法

決策樹(shù)（Decision Tree，DT）算法是基于訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練學(xué)習(xí)，可以得到一個(gè)具有一定泛化能力的分類(lèi)模型。決策樹(shù)基于樹(shù)結(jié)構(gòu)進(jìn)行分類(lèi)診斷，進(jìn)行每一步分類(lèi)決策的過(guò)程如同樹(shù)不斷分支的過(guò)程，從根節(jié)點(diǎn)開(kāi)始分支，經(jīng)過(guò)若干的內(nèi)部分支結(jié)點(diǎn)將數(shù)據(jù)集不斷進(jìn)行分類(lèi)，最終得到對(duì)應(yīng)不同決策結(jié)果的葉結(jié)點(diǎn)完成分類(lèi)過(guò)程。

隨機(jī)森林（Random Forest，RF）算法從 Bagging并行式集成算法中演變而來(lái)。若給定數(shù)據(jù)集中含有a個(gè)樣本，從該數(shù)據(jù)集中抽取某一樣本放入一采樣集中，再將該樣本放回原數(shù)據(jù)集中，進(jìn)行a次隨機(jī)抽樣，得到含有a個(gè)樣本的采樣集。進(jìn)行多次此操作，可以得到N個(gè)含有a個(gè)樣本的采樣集，每個(gè)采樣集都可以訓(xùn)練出基學(xué)習(xí)器，每個(gè)基學(xué)習(xí)器都可以對(duì)樣本進(jìn)行分類(lèi)預(yù)測(cè)，可得到 N個(gè)結(jié)果，此時(shí)Bagging會(huì)對(duì)分類(lèi)結(jié)果進(jìn)行簡(jiǎn)單投票法，即該模型將預(yù)測(cè)結(jié)果出現(xiàn)次數(shù)最多的作為最終分類(lèi)結(jié)果。

支持向量機(jī)（Support Vector Machine，SVM）方法[19]基于樣本進(jìn)行計(jì)算：

在樣本空間中找到一個(gè)劃分超平面，利用超平面將不同類(lèi)型的樣本分開(kāi)，但是存在多個(gè)這樣的劃分超平面可以實(shí)現(xiàn)樣本分離，由于訓(xùn)練集的局限性或噪聲，需要選擇最具魯棒性的劃分超平面。

劃分超平面可以用式（6）來(lái)描述：

其中，w=（w1, w2, … , wd）為法向量，決定了超平面的方向；b決定了超平面與原點(diǎn)之間距離。

樣本空間中的任意點(diǎn)x到超平面(w，b)的距離可表示為：

2 實(shí)驗(yàn)裝置及數(shù)據(jù)獲取

實(shí)驗(yàn)采用國(guó)家標(biāo)準(zhǔn)檢測(cè)多聯(lián)機(jī)（Variable Refrigerant Flow，VRF）系統(tǒng)在制熱和制冷兩種運(yùn)行工況下不同制冷劑充注量的工作性能。圖 1所示為實(shí)驗(yàn)多聯(lián)機(jī)系統(tǒng)原理。該系統(tǒng)由蒸發(fā)器、冷凝器和壓縮機(jī)等設(shè)備組成，配備有5個(gè)室內(nèi)單元和1個(gè)室外單元，實(shí)驗(yàn)多聯(lián)機(jī)系統(tǒng)中壓縮機(jī)為密封渦卷式，制冷劑為 R410A，標(biāo)準(zhǔn)充注量為 9.9 kg，室外單元額定功率為28 kW，室內(nèi)單元額定功率為29.7 kW。操作數(shù)據(jù)均由原始制造商組裝的傳感器收集，通過(guò)內(nèi)置控制器傳送到計(jì)算機(jī)終端。

圖1 實(shí)驗(yàn)多聯(lián)機(jī)系統(tǒng)原理

多聯(lián)機(jī)系統(tǒng)分別在制熱和制冷工況下運(yùn)行，其中5個(gè)室內(nèi)單元全部運(yùn)行，溫度設(shè)置如表1所示。實(shí)驗(yàn)制熱和制冷工況下制冷劑充注量水平從 63.64%至130.0%共 9個(gè)級(jí)別，按照充注量水平分為 L1（63.64%）、L2（75.45%, 80%）、L3（84.84%）、L4（95.75%, 103.74%）、L5（111.72%）和L6（120%,130%）6類(lèi)。對(duì)于每一種實(shí)驗(yàn)工況，風(fēng)機(jī)轉(zhuǎn)速認(rèn)為保持不變，實(shí)驗(yàn)通過(guò)調(diào)節(jié)壓縮機(jī)轉(zhuǎn)速和膨脹閥開(kāi)度使制冷劑流量匹配冷凝負(fù)荷。當(dāng)制冷劑充注不足或充注過(guò)量時(shí)，多聯(lián)機(jī)系統(tǒng)依舊可以穩(wěn)定運(yùn)行。

在此實(shí)驗(yàn)基礎(chǔ)上制熱與制冷工況下共獲得156,251組數(shù)據(jù)，其中制冷工況下有66,887組，制熱工況下有89,364組，在不同制冷劑充注量水平下數(shù)據(jù)分布如圖2所示。

實(shí)驗(yàn)獲取的不同制冷劑充注量工況下系統(tǒng)運(yùn)行數(shù)據(jù)中，根據(jù)其他學(xué)者前期所做的研究工作，實(shí)驗(yàn)選取了原始數(shù)據(jù)集中的 18個(gè)特征變量，選取的特征變量如表2所示。

表1 系統(tǒng)運(yùn)行工況表

圖2 不同充注量水平在兩種工況上的分布

圖3所示制冷劑充注故障診斷策略流程。由于實(shí)驗(yàn)中獲得的數(shù)據(jù)往往存在缺失值和重復(fù)值，因此需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理[20]。

在某些比較評(píng)價(jià)的指標(biāo)處理中一般需要用到數(shù)據(jù)的標(biāo)準(zhǔn)化，一般是將數(shù)據(jù)按一定比例進(jìn)行縮放，可以去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無(wú)量綱的純數(shù)值。實(shí)驗(yàn)中采用了R語(yǔ)言中的Scale函數(shù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。

表2 特征變量

圖3 制冷劑充注故障診斷策略流程

3 基于歷史數(shù)據(jù)的多聯(lián)機(jī)故障診斷

3.1 基于mRMR-RF的特征選擇

利用分層抽樣將數(shù)據(jù)集隨機(jī)分為 70%的訓(xùn)練集和 30%的測(cè)試集，將訓(xùn)練集輸入到集成 mRMR算法中，對(duì)特征變量集按照重要性進(jìn)行重新排序，根據(jù)經(jīng)驗(yàn)方法，在隨機(jī)森林故障診斷模型中保持默認(rèn)參數(shù)值，用訓(xùn)練集對(duì)隨機(jī)森林故障診斷模型進(jìn)行訓(xùn)練并檢驗(yàn)，結(jié)果如圖4所示。綜合考慮模型的分類(lèi)準(zhǔn)確率和程序運(yùn)行時(shí)間，取前6個(gè)特征變量時(shí)雙工況下整體分類(lèi)準(zhǔn)確率已經(jīng)達(dá)到98.63%，在相對(duì)更短的時(shí)間達(dá)到了理想診斷效果。兩種工況下選取的6個(gè)特征變量依次為氣分出管溫度、電子膨脹閥開(kāi)度、化霜溫度、壓縮機(jī)排氣溫度、本機(jī)當(dāng)前運(yùn)行能力和過(guò)冷器出液溫度。

圖4 雙工況下分類(lèi)準(zhǔn)確率隨特征變量個(gè)數(shù)的變化

表3所示為經(jīng)過(guò)篩選后的特征變量之間相關(guān)性系數(shù)矩陣。原 18個(gè)特征變量中有些特征變量間相關(guān)性很大，如本機(jī)目標(biāo)運(yùn)行能力和本機(jī)分配能力間的相關(guān)性高達(dá) 1，對(duì)于相關(guān)性很高的兩個(gè)變量，可以剔除其中一個(gè)，這樣并不會(huì)對(duì)模型的泛化能力造成很大的影響。篩選后的6個(gè)變量間的相關(guān)性較小，進(jìn)一步證明了特征選擇后所剩余的6個(gè)特征變量的合理性。

3.2 參數(shù)尋優(yōu)

網(wǎng)格搜索采用簡(jiǎn)單遍歷給定參數(shù)組合進(jìn)行參數(shù)尋優(yōu)來(lái)優(yōu)化模型。將模型可能的參數(shù)取值進(jìn)行排列組合，所有可能存在的參數(shù)組合構(gòu)成“網(wǎng)格”，網(wǎng)格搜索估計(jì)函數(shù)的參數(shù)再通過(guò)交叉驗(yàn)證的方式進(jìn)行優(yōu)化來(lái)得到最優(yōu)學(xué)習(xí)算法。交叉驗(yàn)證可以評(píng)估統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)算法對(duì)獨(dú)立于訓(xùn)練數(shù)據(jù)的數(shù)據(jù)集的泛化能力，能夠避免過(guò)擬合問(wèn)題。數(shù)據(jù)預(yù)處理的過(guò)程中，將數(shù)據(jù)集按照一定的比例劃分成訓(xùn)練集和測(cè)試集。本實(shí)驗(yàn)中將全部數(shù)據(jù)按照 7∶3的比例劃分為訓(xùn)練集和測(cè)試集。K折交叉驗(yàn)證是將訓(xùn)練集中的所有數(shù)據(jù)平均劃分為K份，取第K份作為驗(yàn)證集，剩余的K-1份作為交叉驗(yàn)證的訓(xùn)練集。共得到K個(gè)評(píng)價(jià)分?jǐn)?shù)，相當(dāng)于訓(xùn)練了K次，驗(yàn)證了K次，然后對(duì)這K個(gè)評(píng)價(jià)分?jǐn)?shù)求平均，作為最終的驗(yàn)證分?jǐn)?shù)。

表3 篩選后的特征變量之間相關(guān)性系數(shù)矩陣

已選定6個(gè)特征變量，利用網(wǎng)格搜索和十折交叉驗(yàn)證優(yōu)化3個(gè)常用的故障檢測(cè)和診斷模型，分別為隨機(jī)森林、決策樹(shù)和支持向量機(jī)。隨機(jī)森林模型優(yōu)化一般選擇對(duì)mtry和ntree參數(shù)進(jìn)行優(yōu)化，其中mtry用來(lái)確定結(jié)點(diǎn)中用于二叉樹(shù)的變量個(gè)數(shù)；ntree可以確定隨機(jī)森林中樹(shù)的數(shù)目。通過(guò)網(wǎng)格搜索和十折交叉驗(yàn)證最終從mtry=c(2, 3, 4, 5, 6），ntree=c(50, 100, 150, 200,250, 300, 350, 400, 500, 750, 1,000)中確定最佳參數(shù)組合為mtry=5，ntree=300。在決策樹(shù)模型中對(duì)cp參數(shù)進(jìn)行優(yōu)化，cp是指每一步拆分后，模型的擬合優(yōu)度所必須提高的程度。對(duì)cp參數(shù)在10-8、10-7、10-6、10-5和10-4間尋優(yōu)，當(dāng)cp=10-5時(shí)，決策樹(shù)故障診斷模型的錯(cuò)誤率最低。支持向量機(jī)模型針對(duì)cost和gamma參數(shù)進(jìn)行優(yōu)化，在R語(yǔ)言的e1071包中，cost為懲罰因子，表示對(duì)支持向量機(jī)在優(yōu)化模型時(shí)對(duì)導(dǎo)致模型預(yù)測(cè)效果變差的因素的懲罰力度，默認(rèn)值為1。gamma是選擇徑向基核函數(shù)作為kernel后，該函數(shù)自帶的一個(gè)參數(shù)。它隱含地決定了數(shù)據(jù)映射到特征空間后的分布，gamma值越小，支持向量越多。經(jīng)過(guò)一定試算后，確定懲罰因子 cost和核參數(shù) gamma的范圍分別為cost=c(4, 5)，gamma=c(4, 5, 6)，最后確定 cost=5，gamma=6時(shí)模型最優(yōu)。

3.3 三種模型比較評(píng)價(jià)

本文將采用均方誤差（Mean Square Error，MSE）、整體檢測(cè)率和單類(lèi)檢測(cè)率這3種標(biāo)準(zhǔn)比較3種模型的優(yōu)劣，其中：

在前期的工作下，經(jīng)過(guò)網(wǎng)格搜索和十折交叉驗(yàn)證對(duì)隨機(jī)森林、決策樹(shù)和支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，在最優(yōu)參數(shù)的設(shè)置下，將測(cè)試集輸入到3種故障檢測(cè)和診斷模型中，檢驗(yàn)3種模型對(duì)未知數(shù)據(jù)集的故障診斷效果，結(jié)果如圖5所示。

由圖5可知，決策樹(shù)、隨機(jī)森林和支持向量機(jī)這3種故障檢測(cè)診斷模型對(duì)測(cè)試集的整體分類(lèi)準(zhǔn)確率分別為 92.6%、97.06%和 95.1%，3種故障診斷模型的均方誤差分別為0.364、0.169和0.229。從3種模型的整體分類(lèi)準(zhǔn)確率和均方誤差都說(shuō)明隨機(jī)森林泛化能力最好，決策樹(shù)的診斷效果最差。

圖5 對(duì)測(cè)試集的整體分類(lèi)準(zhǔn)確率和MSE比較

圖6所示為決策樹(shù)、隨機(jī)森林和支持向量機(jī)對(duì)6種充注量水平的單類(lèi)分類(lèi)準(zhǔn)確率比較。由圖6可知，在6個(gè)充注量水平中，隨機(jī)森林均顯示出最好的分類(lèi)效果，而決策樹(shù)的仍然最差。圖7所示為3個(gè)模型對(duì)測(cè)試集在6個(gè)制冷劑充注量水平上的均方誤差。由圖7可知，在6個(gè)充注量水平上，隨機(jī)森林模型的均方誤差均最小，決策樹(shù)幾乎在6個(gè)水平上都表現(xiàn)為均方誤差最大，說(shuō)明隨機(jī)森林故障診斷模型的整體準(zhǔn)確率上泛化能力和各單類(lèi)制冷劑充注量水平上分類(lèi)準(zhǔn)確率均最好。隨機(jī)森林模型對(duì)測(cè)試集的分類(lèi)混淆矩陣如表4所示。

圖6 對(duì)測(cè)試集的單類(lèi)分類(lèi)準(zhǔn)確率比較

圖7 RF、DT和SVM模型對(duì)測(cè)試集的MSE比較

表4 隨機(jī)森林對(duì)測(cè)試集故障診斷的混淆矩陣

通過(guò)對(duì)以上3種模型對(duì)比發(fā)現(xiàn)，隨機(jī)森林故障檢測(cè)和診斷模型比其他兩種模型泛化能力更強(qiáng)，同時(shí)以上模型是將制熱和制冷雙工況下的數(shù)據(jù)來(lái)訓(xùn)練充注量故障檢查和診斷模型，檢測(cè)雙工況下對(duì)未知數(shù)據(jù)集的故障檢測(cè)和診斷效果。

圖8所示為在制熱工況、制冷工況和雙工況下的已知數(shù)據(jù)集對(duì)診斷模型進(jìn)行訓(xùn)練，然后分別在 3種情況下的未知數(shù)據(jù)集上進(jìn)行測(cè)試。由圖8可知，當(dāng)訓(xùn)練集和測(cè)試集是同一種工況時(shí)，準(zhǔn)確率較好，均在96%以上，用制熱工況下的訓(xùn)練集訓(xùn)練出的故障診斷模型對(duì)制冷工況下故障診斷準(zhǔn)確率為20.49%，制冷工況下的訓(xùn)練集訓(xùn)練出的診斷模型對(duì)制熱工況下故障診斷準(zhǔn)確率為28.13%；單工況下訓(xùn)練出的診斷模型對(duì)雙工況制冷劑充注量水平診斷效果較差，但是雙工況下的訓(xùn)練集訓(xùn)練出的故障診斷模型對(duì)單/雙工況下的未知測(cè)試集均有較好的故障診斷效果。

圖8 不同工況訓(xùn)練RF模型對(duì)不同工況測(cè)試集故障診斷準(zhǔn)確率

4 基于mRMR-RF的制冷劑充注量故障在線診斷策略

通過(guò)歷史數(shù)據(jù)對(duì)該模型的檢驗(yàn)，一定程度上證明了該策略具有實(shí)際應(yīng)用意義?？梢允褂孟鄳?yīng)的具有代表性正常操作和特定系統(tǒng)的故障數(shù)據(jù)來(lái)訓(xùn)練所提出的模型，并將該故障診斷模型納入到 VRF系統(tǒng)微機(jī)控制中，可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)、控制制冷劑充注量水平。

經(jīng)過(guò)前期的工作，最終確定了原數(shù)據(jù)集中的 6個(gè)特征變量作為模型訓(xùn)練集的特征變量和未知實(shí)例中所需變量。對(duì)比發(fā)現(xiàn)隨機(jī)森林故障檢測(cè)和診斷模型可以獲得對(duì)多聯(lián)機(jī)系統(tǒng)制冷劑充注量水平更好的分類(lèi)效果。將前面建立的隨機(jī)森林故障診斷模型分別用于室內(nèi)分別有5個(gè)、8個(gè)、11個(gè)和12個(gè)單元的多聯(lián)機(jī)系統(tǒng)，進(jìn)一步驗(yàn)證該故障檢測(cè)診斷模型是否對(duì)在線數(shù)據(jù)仍然具有良好的診斷效果，如表5所示。

由表5可知，將此模型用于在線動(dòng)態(tài)數(shù)據(jù)中時(shí)，對(duì) 5個(gè)室內(nèi)機(jī)的多聯(lián)機(jī)系統(tǒng)分類(lèi)準(zhǔn)確率達(dá)到95.82%，說(shuō)明前文提出的隨機(jī)森林故障檢測(cè)與診斷策略在類(lèi)似的 VRF系統(tǒng)上具有理想的分類(lèi)性能。對(duì)于有8個(gè)和11個(gè)室內(nèi)機(jī)的多聯(lián)機(jī)系統(tǒng)，此模型的分類(lèi)效果較差，分別為85.74%和88.24%，此模型對(duì)不同的多聯(lián)機(jī)系統(tǒng)診斷準(zhǔn)確率均在85%以上，說(shuō)明該診斷策略具有強(qiáng)大的泛化能力和魯棒性。

表5 對(duì)不同多聯(lián)機(jī)系統(tǒng)制冷劑充注量的檢測(cè)與診斷性能

5 結(jié)論

本文研究了多聯(lián)機(jī)系統(tǒng)制冷劑充注量故障檢測(cè)與診斷策略，構(gòu)建了基于mRMR-RF的故障檢測(cè)和診斷模型，進(jìn)行特征選擇?；谶x擇后的特征子集，進(jìn)行參數(shù)優(yōu)化，在測(cè)試集上進(jìn)行驗(yàn)證，對(duì)3種診斷模型比較和評(píng)價(jià)，得到如下結(jié)論：

1） 采用mRMR算法進(jìn)行特征選擇，輸入前6個(gè)特征變量時(shí)對(duì)已知數(shù)據(jù)的分類(lèi)準(zhǔn)確率達(dá)到98.63%，且運(yùn)行時(shí)間適中；

2） 在經(jīng)過(guò)特征選擇后的訓(xùn)練集的基礎(chǔ)上，隨機(jī)森林、決策樹(shù)和支持向量機(jī)的整體分類(lèi)準(zhǔn)確率分別為97.06%、92.6%和95.1%，且在各單類(lèi)制冷劑充注量水平以及均方誤差上，隨機(jī)森林模型的表現(xiàn)最好；

3） 訓(xùn)練集的選擇對(duì)故障檢測(cè)與診斷模型的影響很大，單工況下訓(xùn)練的模型只能對(duì)相同單工況下的未知測(cè)試集有較好的泛化性能，而雙工況下訓(xùn)練的模型對(duì)3類(lèi)情況的未知數(shù)據(jù)均表現(xiàn)出較好的魯棒性；

4） 該診斷策略對(duì)多聯(lián)機(jī)系統(tǒng)在線故障檢測(cè)和診斷具有較好的泛化性能及良好的魯棒性。將該模型分別用于5個(gè)、8個(gè)、11個(gè)和12個(gè)室內(nèi)單元的多聯(lián)機(jī)系統(tǒng)，其分類(lèi)準(zhǔn)確率分別為95.82%、85.74%、88.24%和93.96%。