基于机器学习BSVM的军用移动空调故障诊断方法技术

本发明专利技术实施例提供了一种基于机器学习BSVM的军用移动空调故障诊断方法；基于获得的所述实验数据集与所述仿真数据集进行交差实验获得多个实验组，通过多个实验组对BSVM模型验证；选择部分实验数据集或是仿真数据集为目标测试样本；根据所述BSVM模型计算得到当前输出概率分布以及当前输出概率分布的不确定度。在具体应用时，该方法能够用于处于动态工况的军用移动空调故障诊断中，并且取得较高的正确率，除了使用两种故障诊断率作为评价指标以外还设计了不确定度的计算处理。还设计了不确定度的计算处理。还设计了不确定度的计算处理。

【技术实现步骤摘要】
基于机器学习BSVM的军用移动空调故障诊断方法


[0001]本专利技术涉及空调故障检测领域，尤其涉及一种基于机器学习BSVM的军用移动空调故障诊断方法。

技术介绍

[0002]军用移动空调目前常备应用在军事设施以及军事装备中(例如：军用方舱中)；目前军用移动空调用户仅能处理清洗滤网等简单操作，使用场景特殊，分布相对分散，生产厂家很难实现定期检修和维护。
[0003]在这种情况下，只有当空调出现不运行、运行不制冷或不制热等严重故障时，上述用户才会向厂家报修。在这种情况下，空调往往无法在较短时间内恢复正常工作，严重影响用户的使用，甚至会造成方舱内设备无法工作或过热损坏，贻误战机。同时空调机组长时间在非正常状态下工作会导致压缩机、风机、电气系统灯损坏，造成更大的损失。
[0004]由于军用方舱使用场景常常会导致外界环境发生较大的改变，而且方舱空调应用的外界环境较为恶劣，这点与建筑暖通空调有极大不同，不能简单将建筑暖通空调领域的故障诊断方法研究结果应用于军用移动空调领域。所以，在基于数据驱动的故障诊断方法中，RNN、SVM、ANN等大多数模型，只能给出诊断结果，即便是对不正确的数据(如测试工况与训练工况不一致，多种故障耦合等)，模型也能给出一个诊断结果，而人们对于该结果是否可信一无所知。尽管在有高质量的大数据的前提下不存在这一问题，但对于缺乏数量和质量样本的军用移动空调领域就存在准确性的问题了。
[0005]因此说，如何提升上述军用移动空调的机器学习故障诊断方式的准确率是本领域技术人员急需解决的问题。

技术实现思路

[0006]本专利技术的目的在于提供一种基于机器学习BSVM的军用移动空调故障诊断方法，用以解决
技术介绍
中指出的问题。
[0007]本专利技术提供了一种基于机器学习BSVM的军用移动空调故障诊断方法，包括如下操作步骤：
[0008]S1:对军用移动空调的故障样本数据进行获取，在具体执行过程中，以实验室模拟故障获得实验数据集，以仿真模拟故障获得仿真数据集从而获得两种类型的数据集；
[0009]S2:基于获得的所述实验数据集与所述仿真数据集进行交差实验获得多个实验组，通过多个实验组对BSVM模型验证；
[0010]S3:选择部分实验数据集或是仿真数据集为目标测试样本；每个目标测试样本对应的故障类别均包括多个(例如：4
‑
5个)；基于构建好的所述BSVM模型对每一个目标测试样本按照其对应的故障类别进行累计输出概率，以获取恰好是累计输出概率之和为1的输出概率分布，使用所述输出概率分布的熵作为其所述BSVM模型针对当前输出概率分布的不确定度的指标；且所述输出概率分布的熵越大代表不确定度越高，对于离散概率其计算公式
为：
[0011][0012]P(X＝k)：表示X取k发生概率；
[0013]C：表示故障类别数；
[0014]X：表示一个离散型随机变量，总共有C种取值；
[0015]K：表示1
‑
C中的数值；
[0016]S4:根据所述BSVM模型计算得到当前输出概率分布以及当前输出概率分布的不确定度。
[0017]较佳地，作为一种优选的可实施方案；多个实验组具体为三个实验组，分别为实验组1和实验组2和实验组3；
[0018]其中，所述实验组1在实验数据集上进行训练模型，在实验数据集上进行故障诊断；所述实验组2在仿真数据集上进行训练模型，在仿真数据集上进行故障诊断；所述实验组3在实验数据集上训练模型，在仿真数据集上进行故障诊断。
[0019]较佳地，作为一种优选的可实施方案；在基于获得的所述实验数据集与所述仿真数据集进行交差实验获得多个实验组，通过多个实验组对BSVM模型验证，具体包括：
[0020]所述实验组1具体用于获取标准制冷工况下收集到的实验数据集的样本，具体在实验数据集上进行训练模型；同时获取动态工况下的实验数据集，具体在动态工况下的实验数据集上进行故障诊断，用以验证BSVM模型在工况发生变化时是否有效；
[0021]所述实验组2具体用于在系统频繁启停状态下获取仿真数据集，在仿真数据集上进行训练模型，在仿真数据集上进行故障诊断用以验证BSVM模型在系统频繁启停的情况下是否有效；
[0022]所述实验组3具体用于在实验数据集上训练模型，在仿真数据集上进行故障诊断并且使用OVO策略，每次抽取两类故障样本用于训练二分类BSVM，直到类别间所有的两两组合都训练完成，用以验证BSVM模型在同为军用移动空调的样本且训练数据与测试数据相差较大时BSVM模型是否有效；
[0023]在上述三组实验组的验证结果均为合格时，确定当前BSVM模型构建成功且为有效的BSVM模型。
[0024]较佳地，作为一种优选的可实施方案；在所述根据所述BSVM模型计算得到当前输出概率分布以及当前输出概率分布的不确定度之后还包括：
[0025]S5:对构建的所述BSVM模型进行性能评估处理操作。
[0026]较佳地，作为一种优选的可实施方案；所述对构建的所述BSVM模型进行性能评估处理操作包括：
[0027]S51:基于构建的所述BSVM模型进行性能评估时，获取当前实验组的实验数据结果，通过预设设置的混淆矩阵计算得的总的故障诊断率和单个故障的故障诊断率；
[0028]其中，总的故障诊断率用HR表示，单个故障诊断率用CR表示；
[0029]所述HR被定义为预测正确的军用移动空调样本数目与总的军用移动空调样本数目的百分比；所述CR表示对于每类的故障类别而言，预测正确的军用移动空调样本数目与总的军用移动空调样本数目的百分比；
[0030]所述混淆矩阵可以定义HR和CR如下：
[0031][0032][0033]且其中C
ii
表示类别i中被正确分类为类别i的样本个数，M
ij
表示类别i中被误诊为类别j的样本个数；i，j为样本类别(上述说的类别即为故障类别)。
[0034]本专利技术实施例提供了一种基于机器学习BSVM的军用移动空调故障诊断方法具有技术效果有：
[0035]分析本专利技术实施例提供的上述基于机器学习BSVM的军用移动空调故障诊断方法可知，其主要包括如下操作步骤：S1:对军用移动空调的故障样本数据进行获取，在具体执行过程中，以实验室模拟故障获得实验数据集，以仿真模拟故障获得仿真数据集从而获得两种类型的数据集；S2:基于获得的所述实验数据集与所述仿真数据集进行交差实验获得多个实验组，通过多个实验组对BSVM模型验证；S3:选择部分实验数据集或是仿真数据集为目标测试样本；每个目标测试样本对应的故障类别均包括多个(例如：4
‑
5个)；基于构建好的所述BSVM模型对每一个目标测试样本按照其对应的故障类别进行累计输出概率，以获取恰好是累计输出概率之和为1的输出概率分布，使用所述输出概率分布的熵作为其所述BSVM模型针对当前输出概率分布的不确定度的指标；S4:根据所述BSV本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习BSVM的军用移动空调故障诊断方法，其特征在于，包括如下操作:S1:对军用移动空调的故障样本数据进行获取，在具体执行过程中，以实验室模拟故障获得实验数据集，以仿真模拟故障获得仿真数据集从而获得两种类型的数据集；S2:基于获得的所述实验数据集与所述仿真数据集进行交差实验获得多个实验组，通过多个实验组对BSVM模型验证；S3:选择部分实验数据集或是仿真数据集为目标测试样本；每个目标测试样本对应的故障类别均包括多个；基于构建好的所述BSVM模型对每一个目标测试样本按照其对应的故障类别进行累计输出概率，以获取恰好是累计输出概率之和为1的输出概率分布，使用所述输出概率分布的熵作为其所述BSVM模型针对当前输出概率分布的不确定度的指标；且所述输出概率分布的熵越大代表不确定度越高，对于离散概率其计算公式为：P(X＝k)：表示X取k发生概率；C：表示故障类别数；X：表示一个离散型随机变量，总共有C种取值；K：表示1
‑
C中的数值；S4:根据所述BSVM模型计算得到当前输出概率分布以及当前输出概率分布的不确定度。2.如权利要求1的基于机器学习BSVM的军用移动空调故障诊断方法，其特征在于，多个实验组具体为三个实验组，分别为实验组1和实验组2和实验组3；其中，所述实验组1在实验数据集上进行训练模型，在实验数据集上进行故障诊断；所述实验组2在仿真数据集上进行训练模型，在仿真数据集上进行故障诊断；所述实验组3在实验数据集上训练模型，在仿真数据集上进行故障诊断。3.如权利要求2的基于机器学习BSVM的军用移动空调故障诊断方法，其特征在于，在基于获得的所述实验数据集与所述仿真数据集进行交差实验获得多个实验组，通过多个实验组对BSVM模型验证，具体包括：所述实验组1具体用于获取标准制冷工况下收集到的实验数据集的样本，具体在实验数据集上进行训练模型；同时获取动态工况下的实验数据集，具体在动态工况下的实验数据集上进行故障诊断，用以验证BSVM模型...

【专利技术属性】
技术研发人员：宋纯，臧建彬，张永利，
申请(专利权)人：苏州市佳路防务科技有限公司，
类型：发明
国别省市：