基于多分类策略的列车空调机组故障诊断方法技术

本发明专利技术公开的基于多分类策略的列车空调机组故障诊断方法为：首先依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，计算每一个类的分布密度，然后基于寂结分布密度进行排序，最后利用排序结果，构建基于PSVM的二叉分类策略树，学习训练得到列车空调机组故障诊断模型，从而利用列车空调机组故障诊断模型进行诊断，确定列车空调机组故障类型。本发明专利技术公开的基于多分类策略的列车空调机组故障诊断方法，能有效的提高故障诊断的精度。

【技术实现步骤摘要】

本专利技术属于列车空调机组故障检测方法
，涉及一种基于多分类策略的列 车空调机组故障诊断方法。
技术介绍
随着现代社会旅客列车的高速发展，列车空调机组在旅客列车上得到了广泛的应 用。现代旅客列车密封性都比较好，直接导致车厢内空气流通性差，尤其在春运高峰期，列 车中人员密度更大，这就需要列车空调能长期的、无故障的工作。但是，列车空调机组长期 运行在特殊条件下，如：列车高速运行时的较强震动、车外变化较大的空气状态等，列车空 调机组非常容易出现故障，导致空调性能的下降。因此，实现列车空调机组的故障的精确诊 断有着十分重要的现实意义。 随着计算机技术的高速发展，列车空调系统故障能结合实时监控的机组数据，很 好的进行故障识别和诊断，并且在故障发生时能及时诊断并给出解决方案，大大提高了列 车空调的使用效率。 研究者罗浩提出的支持向量机（SVM)的方法进行列车空调的故障诊断，为实际工 程应用起到了一些借鉴和指引作用，并对故障诊断中采用支持向量机算法的可行性做出了 一定的判断，然而该方法中所采用的一对多的多类分类策略需要对每个子分类器进行非常 仔细的调整，否则易于"过学习"。 目前，构造 SVM多类分类器的方法主要有两类：一类是直接法，直接在目标函数上 进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题"一 次性"实现多类分类；这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适 合用于小型问题中。另一类是间接法，主要是通过组合多个二分类器来实现多分类器的构 造，常见的方法有 one-against-one 和 one-against-all 两种。 a. 一对多法（one-versus-rest，简称1-v-r SVMs):训练时依次把某个类别的样 本归为一类，其他剩余的样本归为另一类，这样k个类别的样本就构造出了 k个SVM ;分类 时将未知样本分类为具有最大分类函数值的那类。 b. 一对一法（one-versus-one，简称1-v-l SVMs):其做法是在任意两类样本之间 设计一个SVM，因此k个类别的样本就需要设计k (k-1) /2个SVM ;当对一个未知样本进行分 类时，最后得票最多的类别即为该未知样本的类别；Libsvm中的多类分类就是根据这个方 法实现的。 c.层次支持向量机（H-SVMs):层次分类法首先将所有类别分成两个子类，再将子 类进一步划分成两个次级子类，如此循环，直到得到一个单独的类别为止。 d.其他多类分类方法；除了以上几种方法外，还有有向无环图SVM(Directed Acyclic Graph SVMs，简称DAG-SVMs)和对类别进行二进制编码的纠错编码SVMs。 基于以上认识，采用基于分布密度排序的二叉树临近支持向量机多分类策略的列 车空调机组故障诊断方法，能实现对列车空调机组故障准确诊断，适合用于高速铁路列车 空调机组故障诊断领域。
技术实现思路
本专利技术的目的在于提供一种，能准 确的对列车空调机组故障进行诊断。 本专利技术所采用的技术方案是，，具 体按照以下步骤实施： 步骤1、根据列车空调制冷系统工作原理及常见制冷空调故障，确定出列车空调机 组的主要故障类型，并构建列车空调制冷系统故障诊断模型； 步骤2、根据步骤1构建好的列车空调制冷系统故障诊断模型进行数据采集和人 工标注，并获取训练样本集合； 步骤3、利用步骤2预处理得到的训练样本集合，经计算得到每个类的分布密度， 依据分布密度由轻到重的顺序对分类次序进行排列，以得到最合理的分类顺序，并构建二 叉分类策略树，即哈夫曼树； 步骤4、完成步骤1到步骤3后，进行核函数的选择； 步骤5、利用临近支持向量机算法PSVM作为二分类学习机，构造哈夫曼树中各内 节点的最优超平面，即构建基于分布密度排序的二叉树多分类策略的列车空调机组故障诊 断模型； 步骤6、利用步骤5得到的列车空调机组故障诊断模型进行诊断，完成对列车空调 机组故障类型的诊断。 本专利技术的特点还在于： 步骤1中列车空调机组的主要故障类型如下： 制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体和压缩机停机； 在出现不同的故障时，列车空调机组的运行参数变化幅度不同，经数据分析，得到 列车空调机组正常和各故障状态对应的判断参数对各故障的变化特征对应表； 选择特征向量Xi = {:压缩机吸气压力，压缩机排气压力，压缩机吸气温度，压缩机 排气温度，机组实际制冷量}作为列车空调制冷系统故障诊断模型的输入。 步骤2具体按照以下步骤实施： 步骤2. 1、在列车空调机组上设置多处采集测点，在模拟制冷剂泄露、蒸发器污垢、 冷凝器污垢、有不凝性气体和压缩机停机五种故障和正常运行工况下，进行数据采集； 采集的数据主要分为温度参数、压力参数和湿度参数三类共9个参数，具体如下： 温度参数4个：列车空调机组进口空气干球温度，列车空调机组出口空气干球温 度，压缩机吸气温度，压缩机排气温度； 压力参数3个：压缩机吸气压力，压缩机排气压力，列车空调机组出口压差； 湿度参数2个：列车空调机组进口空气相对湿度，列车空调机组出口空气相对湿 度； 步骤2. 2、将步骤2. 1中设置的所有采集测点的名称、代号、传感器类型和安装位 置进行列表，并获取以下数据： 压缩机吸气压力和排气压力分别由压缩机进口压力和压缩机出口压力测点获 得； 压缩机吸气温度和压缩机排气温度分别由压缩机进口温度和压缩机出口温度测 点获得； 列车空调机组进口空气干球温度、列车空调机组进口空气相对湿度、列车空调机 组出口空气干球温度和列车空调机组出口空气相对湿度分别由列车空调机组进口空气温 度、列车空调机组进口空气湿度、列车空调机组出口空气温度、列车空调机组出口空气湿度 测点获得； 列车空调机组出口压差由风道压差测点获得； 步骤2. 3、基于步骤2. 1和步骤2. 2结合的数据采集方案，采集列车空调机组在 以上五种故障工况和正常运行工况下各测点的值，并由列车空调机组进口空气温度、列车 空调机组进口空气湿度计算出列车空调机组进口空气的焓值，由列车空调机组出口空气温 度、列车空调机组出口空气湿度计算出出口空气的焓值；进而用空气进、出口焓值及空气风 量计算出空调机组的实际制冷量，从而得到形如特征向量Xi ={压缩机吸气压力，压缩机 排气压力，压缩机吸气温度，压缩机排气温度，机组实际制冷量}的样本数据，并人工标注 故障类型标号Yi= {1，2,3,4,5,6}，分别代表六种类型￥丨={正常运行工况，制冷剂泄露， 蒸发器污垢，冷凝器污垢，有不凝性气体，压缩机停机}。 步骤3具体按照以下步骤实施： 步骤3. 1，利用步骤2预处理得到的训练样本集合，经计算得到每个类的分布密 度； 具体按照以下步骤实施： 步骤a、计算每个类的分布体积有如下两种计算方法：一种是超长方体体积；另一 种是超球体体积； 对超长方体体积： 设类S的训练样本集合中有N个d维的训练样本X1, X2, ...，xNe Rd，则包含类S中 所有训练样本的超长方体体积为： 对超球体体积： 设类S的训练样本集合中有N个d维的训练样本X1, X2, ...，xNe Rd，则包含类S中 所有训练样本的超球体体积为：[004当前第1页1 本文档来自技高网...

【技术保护点】
基于多分类策略的列车空调机组故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1、根据列车空调制冷系统工作原理及常见制冷空调故障，确定出列车空调机组的主要故障类型，并构建列车空调制冷系统故障诊断模型；步骤2、根据步骤1构建好的列车空调制冷系统故障诊断模型进行数据采集和人工标注，并获取训练样本集合；步骤3、利用步骤2预处理得到的训练样本集合，经计算得到每个类的分布密度，依据分布密度由轻到重的顺序对分类次序进行排列，以得到最合理的分类顺序，并构建二叉分类策略树，即哈夫曼树；步骤4、完成步骤1到步骤3后，进行核函数的选择；步骤5、利用临近支持向量机算法PSVM作为二分类学习机，构造哈夫曼树中各内节点的最优超平面，即构建基于分布密度排序的二叉树多分类策略的列车空调机组故障诊断模型；步骤6、利用步骤5得到的列车空调机组故障诊断模型进行诊断，完成对列车空调机组故障类型的诊断。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵金伟，柳宇，黑新宏，谢国，马维纲，严睿平，李秀秀，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61