基于LOF-RF的制冷系统故障检测与诊断研究.pdfVIP

摘要

随着工业技术的发展和人民生活水平的提高，制冷设备和技术广泛用于各行各业和千家

万户，其占社会能源消耗的比重越来越大，约占社会总能源消耗的15%，制冷设备能源的使

用效率问题，已经成为社会关注的热点。制冷设备的大量使用，故障发生的概率随之增加，

设备带故障运行，必然导致能源效率明显下降。如何快速准确的完成制冷系统的故障检测与

诊断就显得极为重要。

本文旨在寻求一种高效稳定的故障检测与诊断方法，围绕制冷系统展开研究。针对其典

型故障，提出局部异常因子(LOF)和随机森林(RF)的故障检测与诊断模型，具体工作如下：

（1）针对在制冷系统中运行的数据具有非线性、非高斯分布且含有噪声的特点。本文提

出了基于LOF模型的故障检测，该方法以数据的密度含义来表达故障与正常的关系，避免了

高斯分布和数据线性的假设，通过核密度估计(KDE)来获取LOF统计量的控制限。以ASHRAE

RP-1043冷水机组为对象，对7类典型故障进行实验仿真检测，将仿真结果同PCA以及

OCSVM进行对比，仿真结果表明：使用KDE-LOF的模型检测率均优于其它两种模型,在故

障等级为高的情况下，检测准确率大于90%，该模型在研究对象的小微程度故障，检测率大

于83%，漏报率小于3%。

（2）由于单一分类器诊断性能较差，引入随机森林(RF)的集成学习模型提高对制冷系统

诊断效果。结合粒子群搜索算法(PSO)，提出基于PSO-RF的故障诊断模型。以ASHRAERP-

1043冷水机组为对象，对7类典型故障进行实验仿真，诊断结果与支持向量机(SVM)，人工

神经网络(ANN)以及单一的DT模型比较，结果表明提出的PSO-RF诊断模型具有更好的诊断

性能,在故障等级为1情况下诊断正确率率达到96.3%。

（3）为了验证故障诊断方法的实际应用效果，通过改装一台热泵式分体式落地空调器，

搭建故障模拟试验台，模拟了四种常见故障，压缩机串气、冷凝器表面堵塞、四通阀泄漏和

制冷剂泄漏，分析4类故障发生时，系统的各个参数的变化状态，诊断结果表明采用LOF-RF

模型，对四种故障检测的正确率都大于88.6%，四种故障总体诊断正确率为99.7%，实现了对

制冷空调机组的故障诊断。

关键词：局部异常因子，核密度估计，随机森林，制冷系统，故障检测与诊断

ABSTRACT

Withthedevelopmentofindustrialtechnologyandtheimprovementofpeople’slivingstandards,

refrigerationequipmentandtechnologyarewidelyusedinallwalksoflifeandmillionsofhouseholds.

Theyaccountforanincreasingproportionofsocialenergyconsumption,accountingforabout15%

oftotalsocialenergyconsumption.Theissueofenergyefficiencyofrefrigerationequipmenthas

becomeahotspotofsocialconcern.Withtheextensiveuseofrefrigerationequipment,theprobability

offailurewillincrease,andtheoperationofequipmentwithfailurewillinevitablyleadtoasignificant

decreaseinenergyefficiency.Howtoquicklyandaccuratelycompletethefaultdetectionand

diagnosisoftherefrigerationsystemisextremelyimportant.

Thisarticleaimstoseekan