排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
针对制冷系统传统故障诊断正确率低的问题,引入最小二乘支持向量机(LSSVM)算法用于制冷系统故障诊断。在LSSVM模型基础上,结合粒子群优化(PSO)得到PSOLSSVM模型,利用特征选择方法优化得到LSSVM8模型,利用组合方法得到PSO-LSSVM8模型。分析比较了4种模型的诊断性能。结果表明:PSO-LSSVM模型、LSSVM8模型均可改善基于LSSVM模型的制冷系统故障诊断性能,尤其是对于制冷剂泄漏/充注量不足故障,准确率分别提高1.04%,1.24%;PSO-LSSVM8模型比采用单种优化方法的诊断模型具有更好的诊断性能,可克服人为选择参数的盲目性,在全局优化与收敛速度方面具有较大优势,应用于制冷系统故障诊断具有较好的可行性。 相似文献
2.
3.
为了提高制冷系统故障诊断速度及准确性,提出了基于最小二乘支持向量机(LS-SVM)的制冷系统故障诊断模型,并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨(约316 kW)的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明,LS-SVM模型对制冷系统七类故障的总体诊断正确率比支持向量机(SVM)诊断模型、误差反向传播(BP)神经网络诊断模型分别提高0.12%和1.32%;尽管对个别局部故障(冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体)的诊断性能较SVM模型的略有下降,但对系统故障的诊断性能均有较大改善,特别是对制冷剂泄漏/不足故障;诊断耗时比SVM模型减少近一半,快速性亦有所改善.可见,LS-SVM模型在制冷系统故障诊断中具有良好的应用前景. 相似文献
4.
5.
6.
7.
制冷系统作为建筑的主要能耗设备,其故障的及时诊断与纠正有助于提高能源利用率,减少对环境的影响。缺乏诊断平台是制约制冷系统故障智能诊断推广应用的重要因素之一。基于MATLAB软件强大的数据处理能力和LabVIEW软件便捷的虚拟仪器开发功能,进行联合编程,实现优势互补,并将粒子群优化(PSO)算法引入最小二乘支持向量机(LSSVM),作为故障诊断的内核,建立了制冷系统故障诊断平台。对离心式冷水机组七类典型故障的诊断实验结果表明:该联合编程方法可行,可以实现界面友好、功能丰富、方便快捷的制冷系统故障诊断;所建立的PSO-LSSVM模型总体诊断正确率高达99.70%,正常和每类故障的诊断正确率均在99%以上。该平台具有一定的开放性和扩展性,后续可以根据需要对诊断算法及其他功能模块进行更改或添加,也可增加不同算法之间的比较分析或集成诊断,改善其灵活性,推进其推广应用。LabVIEW软件的采用,也为故障检测与诊断嵌入系统控制提供了可能。 相似文献
1