【技术实现步骤摘要】
基于支持向量回归模型的冷水机组故障诊断方法
[0001]本专利技术涉及一种基于支持向量回归模型的冷水机组故障诊断方法。
技术介绍
[0002]冷水机组是中央空调系统的核心部件，其主要功能是为空气处理设备提供冷量，机组故障将会引起能耗增加、设备使用寿命降低、对室内环境控制能力下降等问题。因此，研究冷水机组的故障诊断具有重要意义。
[0003]目前，用于冷水机组故障诊断的方法主要有：解析模型方法、数据驱动方法、以及半经验模型方法。解析模型方法依赖于冷水机组物理模型的建立，使用过程复杂且普适性差，在实际中很难实现；数据驱动方法，如主成分分析(PCA)、人工神经网络(ANN)、支持向量机(SVM)等，不需要知道系统的物理结构知识，适用于解决复杂的非线性问题，但该方法忽略了运行数据的实际物理意义；半经验模型将解析模型方法和数据驱动方法相结合，对系统物理模型的精确度要求不高，又充分利用了实际运行数据的信息，因此很多学者都致力于这方面的研究。
[0004]半经验模型主要有多项式回归(Multivariable Polyno...
【技术保护点】
【技术特征摘要】
1.一种基于支持向量回归模型的冷水机组故障诊断方法，其特征在于，包括如下步骤:步骤1：确定冷水机组故障类型；步骤2：确定冷水机组故障的敏感特征参数和故障诊断规则；步骤3：使用冷水机组的运行数据训练各个敏感特征参数的支持向量回归模型，其中，通过狼群算法获得所述支持向量回归模型需选取的参数；步骤4：确定各个敏感特征参数的故障阈值；步骤5：利用支持向量回归模型预测当前各个敏感特征参数值，根据敏感参数值和故障阈值，判断冷水机组故障。2.根据权利要求1所述的基于支持向量回归模型的冷水机组故障诊断方法，其特征在于：步骤3中，所述支持向量回归模型需选取的参数为正则化常数C、不敏感损失函数l
ε
和核函数参数，所述核函数参数为高斯核的带宽σ。3.根据权利要求2所述的基于支持向量回归模型的冷水机组故障诊断方法，其特征在于：步骤3中，通过狼群算法获得支持向量回归模型需选取的参数时，采用佳点集方法对种群进行初始化。4.根据权利要求3所述的基于支持向量回归模型的冷水机组故障诊断方法，其特征在于，通过佳点集方法对种群进行初始化具体为：狼群中每只狼的位置可以表示为狼群中每只狼的位置可以表示为则编号为i的灰狼对应的佳点集集合P
i
为：P
i
＝[{r1*i}，
…
,{r
j
*i}，
…
,{r
D
*i}]式中的{r
j
*i}表示灰狼i在第j维度上对应的佳点集元素，大括号表示对括号内的对象取小数部分，其中r
j
获取方式为r
j
＝2cos(2πj/p)上式中的p表示满足(p
‑
D)/z≥D约束的最小素数，z为精度参数，则种群初始化为：D)/z≥D约束的最小素数，z为精度参数，则种群初始化为：表示代号为i的灰狼在第0代、第j维度上的值，和分别表示第j个维度的下边界和上边界，表示佳点系数，为佳点集合内的第j个元素。5.根据权利要求1所述的基于支持向量回归模型的冷水机组故障诊断方法，其特征在于：步骤3包括如下步骤，步骤3.1：初始化灰狼算法和支持向量回归模型的参数，所述参数为灰狼种群规模N、最大允许迭代次数t
max
以及正则化常数C、不敏感损失函数l
ε
、高斯核的带宽σ的取值范围；步骤3.2：采用佳点集方法对种群进行初始化，确定每头灰狼的位置(C、l
ε
、σ)初始值；步骤3.3：使用冷水机组的运行数据对支持向量回归模型进行学习训练，计算出每头灰狼在该初始值下的预测精度；步骤3.4：根据所得的预测精度，将灰狼种群划分成α、β、δ和ω四个等级；步骤3.5：对不同等级的灰狼个体位置(C、l
ε
、σ)值进行更新；计算新位置上各个灰狼个体的预测精度，对比位置更新前后的预测精度值，若当前值优于前次迭代得到的预测精度值，则保留更新后的位置，否则位置不更新；
步骤3.6：将当前迭代次数与最大允许迭代次数对比，若未达到N，则继续寻优，否则训练结束，头狼α的位置(C、l
ε
、σ)值为最优解，相应支持向量回归模型训练完成。6.根据权利要求1所述的基于支持向量回归模型的冷水机组故障诊断方法，其特征在于：步骤1中，故障类型包括冷凝器结垢故障、制冷剂泄露故障、润滑油充注过多故障、不凝性气体故障、制冷剂加注过多故障中的一个或多个。7.根据权利要求1所述的基于支持向量回归模型的冷水机组故障诊断方法，其特征在于：步骤2中，敏感特征参数包括压缩机输入功率kW、蒸发压力P...
【专利技术属性】
技术研发人员：蔡洪，吕瑾，李咏强，王复峰，青晓雨，王欣，陈海莲，梁草茹，周天一，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学士官学校，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。