大金多联机的故障分析及维修保养分析研究 机械制造专业

1、大金多联机的故障分析及维修保养摘要摘要：随着全球能源短缺问题的日益严重，如何提高能源效率已经成为一个主要的研究方向。建筑能耗占总能耗的30%以上，空调系统是建筑能耗中的主要耗能设备。当空调系统遇到障碍物时，系统的能耗会大大增加，因此对空调系统进行故障诊断是非常必要的。对于可变流量多连接系统，其有效运行的关键是系统的制冷剂充注水平。然而，由于系统的复杂性，很难做到这一点。因此，正确快速地确定制冷剂充注量对系统的自动控制具有重要意义。提出了一种结合支持向量机(SVM)、最大相关最小冗余度(RMR)和小波去噪的SVM复合模型。小波去噪用于改善采集数据的数据质量，提高SVM模型的泛化能力，m . RM

2、R用于特征提取。通过这种方法，我们得到了最合适的特征序列。之后，进行特征之间的相关性分析，以支持进一步的特征选择。最后，通过组合模型选择特征子集1B作为最优特征子集。与使用完整特征集的分类精度相比，分类精度仅降低2.14%。由于模型性能下降最低，使用的数据大大减少。不再需要某些传感器，从而实现了经济效益和模型性能之间的平衡。该组合模型的诊断结果表明，在特征选择过程中，应认真考虑特征与目标类别的关系以及特征本身的关系。关键词：空调系统故障诊断；多联机；维修保养Absrtact: With the global energy shortage becoming more and more seri

3、ous, how to improve energy efficiency has become a major research direction. Building energy consumption accounts for more than 30% of the total energy consumption. Air conditioning system is the main energy consuming equipment in building energy consumption. When the air conditioning system encount

4、ers obstacles, the energy consumption of the system will greatly increase, so it is very necessary to diagnose the faults of the air conditioning system. For variable flow multi-connection system, the key to its effective operation is the refrigerant charge level of the system. However, due to the c

5、omplexity of the system, it is difficult to do this. Therefore, it is of great significance for the automatic control of the system to correctly and quickly determine the refrigerant charge. A SVM composite model combining support vector machine (SVM), maximum correlation minimum redundancy (RMR) an

6、d wavelet denoising is proposed. Wavelet denoising is used to improve the data quality of collected data and the generalization ability of SVM model. m RMR is used for feature extraction. Through this method, we get the most suitable feature sequence. After that, correlation analysis between feature

7、s is carried out to support further feature selection. Finally, the feature subset 1B is selected as the optimal feature subset through the combination model. Compared with the classification accuracy using the complete feature set, the classification accuracy is only reduced by 2.14%. Since the per

8、formance of the model is the lowest, the data used is greatly reduced. Some sensors are no longer needed, thus achieving a balance between economic benefits and model performance. The diagnosis results of the combined model show that the relationship between features and target categories and the re

9、lationship between features themselves should be carefully considered in the process of feature selection. Key words: fault diagnosis of air conditioning system; Multiple connections; Maintenance目录TOC o 1-3 h u HYPERLINK l _Toc6617 目录 PAGEREF _Toc6617 3 HYPERLINK l _Toc25729 一、 绪论 PAGEREF _Toc25729

10、4 HYPERLINK l _Toc6817 1.1系统故障诊断研究意义 PAGEREF _Toc6817 4 HYPERLINK l _Toc8998 1.2故障诊断历史和研究现状 PAGEREF _Toc8998 5 HYPERLINK l _Toc348 1.2.1故障诊断发展历史 PAGEREF _Toc348 5 HYPERLINK l _Toc22042 1.2.2多联机系统的故障诊断发展 PAGEREF _Toc22042 6 HYPERLINK l _Toc17845 二、 多联机故障诊断 PAGEREF _Toc17845 10 HYPERLINK l _Toc14739 2

11、.1实验描述与数据处理 PAGEREF _Toc14739 10 HYPERLINK l _Toc12632 2.1.1实验描述 PAGEREF _Toc12632 10 HYPERLINK l _Toc15769 2.1.2数据处理流程 PAGEREF _Toc15769 13 HYPERLINK l _Toc13588 2.2特征选择 PAGEREF _Toc13588 14 HYPERLINK l _Toc21790 2.2.1方式简介 PAGEREF _Toc21790 14 HYPERLINK l _Toc4100 2.2.1改进的特征选择 PAGEREF _Toc4100 15 H

12、YPERLINK l _Toc17136 三、大金多联机的保养 PAGEREF _Toc17136 18 HYPERLINK l _Toc8509 3.1主机制冷系统 PAGEREF _Toc8509 19 HYPERLINK l _Toc31573 3.2末端系统 PAGEREF _Toc31573 19 HYPERLINK l _Toc16260 3.3末端系统 PAGEREF _Toc16260 20 HYPERLINK l _Toc10049 3.4空调水系统 PAGEREF _Toc10049 20 HYPERLINK l _Toc4123 3.5中央空调维修保养分类 PAGEREF

13、 _Toc4123 21 HYPERLINK l _Toc32395 总结 PAGEREF _Toc32395 22 HYPERLINK l _Toc23728 致谢 PAGEREF _Toc23728 23 HYPERLINK l _Toc6291 参考文献 PAGEREF _Toc6291 24绪论1.1系统故障诊断研究意义作为世界上发展最快的国家之一，尽管近年来中国的经济增长逐渐由粗放型向集约型转变，但随着经济的快速增长，能源浪费问题越来越突出。英国石油公司发布的2015年世界能源统计年鉴显示，尽管中国能源消费增速已达到1998年以来的最低水平，但仍是连续14年世界上增长最快的能源消费。

14、与此同时，中国的一次能源消耗总量也位居第一。能源浪费将不可避免地导致温室气体排放的增加。中国目前是世界第二大排放国，但预计最迟将在20世纪20年代超过美国。因此，节能减排是我国的当务之急，已经成为我国的一项重要国策。随着全球能源短缺和能源危机的反复爆发，能源问题越来越受到人们的关注。如何提高能源效率已经成为各国专家的主要研究方向。在我国，建筑能耗约占总能耗的30%，而发达国家为35%40%。建筑能耗的很大一部分是可以避免的能耗。因此，研究如何降低建筑能耗是非常必要的。供热通风与空调工程的能耗占建筑能耗的大部分。随着暖通空调系统的普及，我国许多办公楼已经开始使用暖通空调系统进行空调。暖通空调系统

15、故障将导致建筑能耗增加、设备损耗增加、设备使用寿命缩短以及直接或间接的能源浪费。随着区域经济水平的提高，人们对居住环境舒适度的要求越来越高。暖通空调系统中满足这一要求的设备越来越多，工况的复杂性也越来越高。这给空调系统的故障检测和诊断带来了新的困难和问题。同时，受空调安装和运行环境的限制，空调系统在实际运行过程中的工况会变得更加复杂，容易发生各种非人为故障，如阀门卡滞、冷凝器脏污、传感器故障、制冷剂泄漏等。人为故障主要是由于操作和维护不规范造成的，如中央空调系统各种设备启停顺序错误导致机组停机、空调系统制冷剂加注过多、润滑油加注过多等。由于系统的进一步复杂化，故障诊断的难度也随之增加。与此同时

16、，新问题层出不穷。因此，对空调系统故障诊断的研究是非常必要的。研究和实验表明，空调系统能耗可降低10%40%，便于空调系统的及时故障检测和诊断。对于制冷剂泄漏故障，每减少15%的充注量，就会导致能耗增加5%，COP降低。对于蒸发器结垢，空气流量减少25%将导致能耗增加约12.5%，铜含量减少。因此，暖通空调系统的节能潜力可以说非常大。今天，能源管理和控制系统(EMCS)已被添加到大多数新的大型建筑中。EMCS能够有效监控建筑各部分的运行状况，并进行合理简单的控制，达到节能的目的。EMCS系统主要由两部分组成，即电子处理器和通信设备。在暖通空调系统中，布置大量传感器来获取空调系统的运行状态数据，

17、包括温度数据、压力数据、电信号和其他数据，这为空调系统的故障诊断提供了必要的支持。20世纪90年代以来，空调系统的故障检测与诊断不断发展，从静态模型到动态模型，从物理模型到数据驱动模型，从单一故障到多故障并存，从离线故障检测与诊断到在线故障检测与诊断。随着计算机技术、数据采集和传输技术的不断发展，空调系统的故障检测和诊断方法发生了新的变化，新技术被应用到这一领域。鉴于这些新的变化和发展，现有的空调和制冷系统故障检测和诊断方法已不能在新的条件下进行故障诊断。鉴于此，空调系统故障检测与诊断方法的研究具有非常重要的研究和实际工程意义，也具有很大的潜在经济价值。1.2故障诊断历史和研究现状 1.2.1

18、故障诊断发展历史 故障是指设备偏离原运行状态，输出异常，甚至失去原设计功能。故障检测是使用一定的分析方法来确定系统中是否存在故障。故障诊断是确定系统中故障的类型、位置和程度。故障诊断技术的发展大致可以分为四个阶段，可以追溯到19世纪末20世纪初。这个阶段可以被认为是最初的诊断阶段。在此期间，大多数故障诊断是由各个领域的专家通过他们的经验做出的简单判断。这种初级故障诊断对于简单的设备来说非常经济实用，效率高，但也有很大的局限性。第二阶段可视为基于传感器和计算机技术的诊断阶段。这个阶段的时间是从20世纪初到60年代。现阶段，人们根据可靠性理论和设备性能前理解理论，通过对设备材料的局部检测来进行故障

19、诊断。此后，随着计算机技术和传感器技术的发展，数据的采集和处理变得更加方便快捷，因此第三阶段可以看作是基于信号测试的诊断技术。第四阶段是当前诊断技术的发展方向，称为智能诊断阶段。这一进步归功于人工智能技术的发展。故障诊断的核心已经从数据计算和信号处理转向知识推理和知识处理。1.2.2多联机系统的故障诊断发展 关于空调系统故障诊断的第一篇文章发表于1987年。哈伯尔在建筑能耗分析专家系统:原型结果上发表了建筑能耗分析专家系统(A Expert Systems for Building Energy Consumption Analysis:Prototype Results)，这篇文章的发表被认

20、为是将故障诊断引入暖通空调行业的标志。至于故障诊断在暖通空调系统中的应用，可以说是从故障诊断的第三阶段开始，即基于信号测试的诊断技术在暖通空调系统中的应用。由于空调系统故障诊断模型的发展，根据其建立的机理，可以大致分为两种类型:一种基于物理过程，另一种基于数据驱动模型。我国对空调系统故障诊断的研究总体上开展较晚，但开展得较早。在此期间，我国许多专家学者也参与了一些国际合作研究。其中，20世纪90年代初由国际能源署发起的合作研究项目安妮(实时暖通空调模拟)、清华大学蒋易教授、香港理工大学王胜伟教授和湖南大学陈友明教授先后参与，做出了突出贡献。此外，ASHRAE还启动了若干与空调系统故障检测和诊断

21、相关的项目，如RP-883、RP-1020、RP-1043等。基于物理模型的空调系统故障诊断是基于空调系统运行的物理机理，它基于能量守恒、热力学、质量守恒和流体力学等基本规律和原理。根据这些相关原理的控制方程，通过设置边界条件和初始条件，可以实现特定物理过程的数学描述和系统仿真。这方面的研究起步较早，已经形成了一个比较完整的体系，并取得了丰硕的成果。总的来说，从物理模型中得出的依赖公式化结论是正确的，但也有一定的局限性。一方面，由于条件的限制，物理模型法建立的模型一般都是简化和理想化的，其精度不高。虽然它一般能满足使用要求，但不适合高精度要求的系统。另一方面，作为SHIROBAKO模型，其建模

22、因不同的暖通空调系统而异，因此很难直接推广该模型。马和王提出使用一系列系统性能系数(PI)方法对中央空调冷却水系统进行故障检测，如冷却水入口温度、系统整体性能系数(SCOP)等。通过建立简化的物理模型和混合快速搜索(HQS)方法，改变局部过程控制器的设置，优化整个系统的性能。在仿真过程中，系统级在线故障检测模型被嵌入到控制系统中，以监控系统是否处于健康状态。当检测到故障时，控制系统将被重新配置以获得正确的控制逻辑。从仿真结果来看，故障检测策略可以有效地识别系统性能的下降。在线故障检测、容错控制策略和最优控制可以显著提高系统的整体性能，对中央空调系统的节能具有重要意义。赵和王提出了一种冷水机组故

23、障检测和诊断的简化物理模型方法。该方法不同于基于历史数据训练模型的方法。它不需要故障数据来训练模型。其创新之处在于利用拟合、热力学分析等方法找到PIs来诊断各种故障(利用拟合、热力学分析等方法)，其故障诊断效果良好。本文介绍了如何在仿真过程中插入故障以及各种故障给机组运行带来的性能变化，为故障诊断研究提供参考。Shin等人提出了两种多连接系统的故障检测模型。该模型的优点是不需要预处理测试数据来获得稳态数据。第一种模型用于检测多管路系统中热交换器的污垢，而另一种模型通过温差检测阀的粘附。本文提出的模型不是随机选取的，而是基于物理规则的简化模型。从故障检测结果来看，本文提出的基于模型的故障检测方法

24、对多线换热器结垢和卡阀故障具有良好的检测效果。数据驱动的数学模型也可以狭义地表示为基于系统识别的模型。该模型的基础是运行期间空调系统的输入和输出数据。基于这些数据，建立静态。或动态模型，以达到故障诊断的目的。自20世纪90年代以来，这种建模和诊断方法得到了系统的发展和研究。布雷克和布劳恩详细提出了基于具体规则的屋顶空调动态故障诊断模型，并在此模型基础上进行了相关实验验证和分析。其中，通过分析(基于正常工作条件下的稳态实验数据)获得FDD系统阈值的变化，而剩余的瞬态数据用于故障检测和诊断。通过实验研究发现，该故障诊断模型能够更好地应用于制冷剂充注量不足(或泄漏)、液体管道堵塞、冷凝器脏污等故障的

25、检测和诊断。同时，对于蒸发器脏污和压缩机吸气排气阀磨损性故障，故障检测效果不理想。此外，本文还详细分析了模型参数选择和采用形式对FDD诊断性能的影响，得出模型参数和模型系数的增加可以大大提高FDD模型性能的结论。陈和布劳恩提出了两种方法基于规则的简化方法和“敏感性比率SR方法”，用于检测和诊断屋顶空调的一些常见故障，如冷凝器和蒸发器结垢、制冷剂泄漏、液体管道堵塞等。这两种方法对系统的复杂性要求较低，但是当阈值和参数已经确定时，这两种模型的性能与先验知识高度相关。Grimmelius等人建立了冷水机组的参数估计模型。该模型选择的运行状态为正常运行，其机理基于多元线性回归。该模型通过首先确定测量值

26、和测量值之间的剩余误差，然后通过比较剩余误差进行评分来确定故障。该分数是确定故障是否发生的最终指标。由于该模型基于简单的多元线性回归分析，因此没有进行深入分析。第二，知识挖掘和推理，所以这个模型不是很流行。王和陈21提出了一种在线故障检测和诊断及传感器重构方案，可用于建筑能源管理和控制系统，检测和诊断中央空调系统中的传感器故障和传感器故障重构。利用主成分分析法建立了中央空调系统流量传感器和温度传感器的关系模型。通过模型的平方预测误差和传感器有效性指数来检测和识别故障传感器。通过现有建筑中央空调系统仿真，对故障检测与诊断模型进行了测试和验证。分别介绍了四种传感器的故障，并在仿真平台上验证了传感器

27、的故障诊断和重构方法。王和小22提出了一种基于主成分分析的空气处理剂(AHU)传感器故障检测和诊断方法。该模型使用质量统计或平方预测误差来检测传感器故障。故障分离是通过使用固相萃取和质量贡献以及简单的专家规则来实现的。基于热平衡和压力平衡，建立了空气处理过程的两个主成分分析模型，旨在降低系统非线性的影响和模型在不同控制模式下的鲁棒性。采用多模型提高了模型的故障诊断精度。利用楼宇管理系统的仿真和实时数据验证了该主成分分析模型的故障检测和诊断能力。王和秦23提出了一种基于主成分分析的变风量末端空调系统流量传感器故障检测、诊断和重构方法。本文利用T2统计量和固相萃取统计量进行传感器故障检测，然后利用

28、Q贡献率图进行故障分离(故障诊断)。为了保证故障检测和诊断的准确性，建立了两种主成分分析模型。故障诊断时，采用主成分分析模型对故障进行重构。结果表明，采用主成分分析+质量统计的故障检测方法具有较好的检测精度，各种传感器的分离效果也较好。王提出了一种基于主成分分析的空调系统传感器故障检测与诊断自动控制方法。介绍了四种传感器故障进行研究，取得了良好的诊断效果。它可以与建筑物的能量控制系统结合使用。该研究具有很高的工程价值。韩寒引入特征选择，用遗传算法(GA)进行封装，用“一对一”支持向量机(SVM)分类器进行分类，并用正确率、命中率、心率和误报率(FAR)对故障分类结果进行评估，达到了非常理想的故

29、障诊断效果。Han等人还采用了基于相关信息过滤器和遗传算法的特征选择(FS)技术，寻找故障检测与诊断(FDD)应用过程中需要的重要传感器变量，从而提高故障检测与诊断(FDD)的效率和准确性，节省传感器的投资成本。结果表明，从64个初始特征量中提取出8个特征量/传感器，与制冷循环相关的特征量，诊断出4000个测试样本，其中正常样本和7个样本典型故障模式数据。支持向量机模型的总体分类准确率高达99.53%。Jin提出了一种基于主成分分析的容错控制方法，实现了变风量空调系统的故障检测和诊断。李冠南等人对冷水机组感知的传感器在偏差情况下的故障检测进行了进一步的研究，得出支持向量数据描述(SVDD)方法

30、对冷水机组传感器的故障检测有明显的效果，但辨识度对于不同的故障和不同的故障程度不一致。然而，胡云鹏等人将小波变换与主成分分析相结合，通过小波变换消除数据中的噪声，提高了模型对传感器故障的检测效率。胡提出了主成分分析传感器故障检测、诊断和数据重构的数据清洗策略，并分析了冷水机组传感器故障检测的灵敏度。然而，许多专家学者也对空调系统本身的故障检测和诊断进行了相关研究。赵提出了一种基于支持向量回归的系统级方法来检测暖通空调系统的潜在故障，并在香港某商业建筑中验证了模型效果。李将断层的反向方法引入累积和在(累积和，CUSUM)算法中，模型函数从故障检测扩展到故障诊断。任提出了一种结合不完全描述样本和S

31、VM的故障诊断方法。杜实现了联合角度分析(JAA)和主成分分析(主成分分析)相结合，对变风量系统的故障进行检测和诊断。李冠南利用RP-1043数据，结合支持向量数据(SVDD)和主成分分析(主成分分析)的优点，提出了一种基于主成分分析-SVDD的冷水机组故障检测方法。改进后的模型性能明显优于传统的SVDD和主成分分析方法。在接下来的研究中，李冠南对该方法进行了改进，提出了主成分分析-回归-SVDD故障诊断方法。他用主成分分析模型建立残差子空间来代替主子空间。该模型在RP-1043实验数据的故障诊断中表现出良好的性能，特别是对于故障程度较低的数据。使用RP-1043数据的研究仍然很多。例如，韩寒

32、将支持向量机(SVM)、遗传算法(遗传算法)和特征选择工具相结合，形成一个混合模型，最终找到一个包含8个特征的子集。使用该子集进行故障诊断比使用所有64个特征高2%，并且还减少了模拟消耗。然而，同时也发现该模型难以识别制冷剂泄漏和制冷剂过充。燕使用RP-1043数据对水冷机组进行故障检测和诊断。通过对四种模型的正确率进行比较，证明了自回归模型与外生变量(ARX)和支持向量机(SVM)相结合的方法可以获得最高的故障诊断正确率和最低的误报率。为了制冷剂充注量的故障检测和诊断，李和布朗提出了一种能够准确估计制冷剂充注量水平的方法。这种方法不仅可以单独用作确定制冷剂液位的工具，而且可以固定。的永久监控

33、系统。在李和布劳恩研究的基础上，研究了虚拟制冷剂充注传感器在变流量多连接系统中的应用，并利用数据挖掘方法修正了制冷剂充注过量侧的预测偏差。多联机故障诊断因为本章中的实验采用了典型的可变制冷剂流量(VRF)多连接系统，所以准确的制冷剂充注量(RCA)判断对于控制系统系统的正常运行至关重要。鉴于前一章的SVM模式在本章中，数据驱动的SVM模型用于预测制冷剂充注水平，RCL)。此外，在本章的工作中，还引入了最大相关和最小冗余方法以及相关分析进行特征提取，实现故障诊断模型精简和降低成本。2.1实验描述与数据处理 2.1.1实验描述图2-1实验结构图由于制冷剂量一般是在制冷条件下确定的，所以实验是在变流

34、量多连接系统的制冷条件下进行的，系统的总体结构如图2-1所示。可以看出，该系统主要由两个主要部分组成:室外机和室内机。该系统有两个液体储存装置:低压液体储存装置这两个液体存储装置可用于在过度充电的情况下存储过量的制冷剂。室内机由五个内部单元组成。系统额定制冷量为28KW，制冷剂类型为R410A，压缩机类型为气密密封涡旋压缩机。实验在焓差室进行。本实验的目的是获得不同故障条件下的不同数据，从而建立不同故障的预测模型。本文仅预测制冷剂加注故障。在该实验中，进行了9组具有不同制冷剂填充水平的实验，填充水平在63.64%至130.00%的范围内。表2-1至于如何确定不同灌装量的类别，即在什么灌装水平，

35、我们将分别确定为不足、正常和过量。根据现有研究，我们将首先确定64.84%和75.45%的填充量为制冷剂填充不足量，130%的填充量为制冷剂填充过量量，其余填充量为正常填充量。具体信息见表4-1。对于每个填充水平，我们都在三种制冷条件下进行了实验，以开展研究工作。具体实验条件信息见表2-2。表2-2室内外机的温度和相对湿度控制在符合表2-2的条件下。控制策略是比例积分微分。系统中安装了大量传感器和控制器，以监控可变流量空调系统的运行状态。表2-3列出了18个特征变量，包括温度特征变量、频率特征变量、电信号特征变量和控制特征变量，用于建立变流量多线系统的故障诊断模型。制冷剂充注故障是人为引入的。

36、本实验共完成27组实验，每组实验重复三次，最终得到81组实验数据。数据采样间隔为两分钟，所有数据由数据收集器收集。这样，我们在每个行为采样点得到了18个特征变量的数据矩阵，该矩阵为变流量多连接系统的故障检测和诊断提供了数据支持。表2-3详细列出了选定的特征变量，以及它们的数字和缩写。2.1.2数据处理流程 在所获得的实验数据中不可避免地存在各种噪声数据，例如机器开关时收集的数据。第三章的工作证明了数据的小波去噪对SVM模型的故障诊断结果有很好的促进作用，因此小波去噪对于实验数据是必要的。本章的主要研究内容是建立高效实用的制冷剂充水诊断模型，用于变流量多管路制冷剂充水故障检测和诊断。为了实现这个

37、目标，必须选择最简化的数据模型。这就是通常所说的数据降维，即减少特征变量的使用，所以我们必须找到最合适的特征子集来构建数据驱动模型。模量。在此目标的基础上，应尽可能降低模型性能的衰减程度，即故障诊断精度应保持在尽可能高的水平。如果这一目标得以实现，就意味着我们可以减少监控系统中的传感器数量，即减少投资，同时保证故障诊断的一定准确性。在数据驱动模型中，数据是模型性能的基础，因此可靠的数据处理流程对模型的建立具有重要意义。本章的数据处理流程如图2-2所示。在这个数据处理流程中，我们首先加载原始数据，即大约190，000行和19列的数据矩阵，其中第一列是标签，其余18列是实验数据。在对除第一列之外的

38、所有数据进行去噪和归一化之后，我们使用最小冗余最大相关(MRMR)算法提取特征变量的特征，以获得特征变量和目标类别之间关系的排序。在本章中，添加了权重因子来细化冗余和相关性之间的权重。然后，本章使用相关性分析来分析变量之间的相关性，以支持进一步的特征提取。当数据线的数量达到190，000条时，为了减少模拟的计算量，首先选择四分之一的处理数据，然后以31的比例随机分成两部分，分别用作训练集和测试集。然后，利用训练集的数据对碳、气参数进行优化，利用十折交叉验证法和网格搜索法找到最佳制冷剂充量检测和诊断模型参数，并利用测试集对找到的最佳模型的性能进行评估。其中，SVM模型1至n是使用不同特征变量的模

39、型，k是预设的预期故障诊断准确率，这里的值为95%。如果没有模型达到该故障诊断准确率，则依次完成所有模型的故障诊断。图2-2数据处理过程图2.2特征选择所谓特征选择(feature selection)，也可称为特征提取，是根据原始完整特征集中的某些规则或标准选择特征子集，在达到数据降维目标的同时达到优化效果。这是机器学习前端经常使用的一种方法。特征选择可分为两个主要部分:搜索和评估。搜索用于搜索和生成新的特征子集，而评估使用某些方法来评估它们的优缺点，并使用评估结果来决定是丢弃还是保留所选的特征子集。2.2.1方式简介彭提出了一种新的基于互信息的特征提取方法。特征提取是根据一定的评价标准来降

40、低数据的维数，可以在一定程度上提高机器学习的准确性和结果的可读性。简而言之，相互信息可以衡量两个变量之间的信息共享程度，即一个变量已知时另一个变量的确定程度。如果一个变量是已知的，我们不能通过这个变量知道另一个变量的任何信息，那么它们之间的互信息是0；如果一个变量是已知的，那么另一个变量的所有信息都可以通过这个变量获得，另一个变量也是如此，那么它们之间的互信息是1。这个值越大，这两种变量就越相互依赖。设置两个变量x和y，p(x)和p(y)分别是它们的概率密度，p(x，y)是它们的联合概率，因此它们的互信息可以由等式(2-1)定义:（2-1）然而，最小冗余和最大相关方法旨在找到那些与目标类别具有

41、最高相关性和最小冗余的特征变量。由于最大相关性准则难以实现，基于最大相关性准则的特征提取方法应运而生。对于互信息，特征提取的目的是找到具有m个特征的特征特征子集S，该特征集的特征对目标类别C的依赖性最大，每个特征分别定义为xi。基于这一规则，磁共振成像方法中的最大相关准则可以用公式2-2表示:（2-2）当这两个特征高度相互依赖时，如果我们去掉其中的一个，它们区分类别的能力不会改变太多。因此，我们应该增加最小冗余的概念，以提高特征提取的结果。等式2-3是最小冗余标准的表达式:（式2-3）将以上两种准则合并考虑，就是最大相关最小冗余特征提取方法。 2.2.1改进的特征选择在李阳研究的基础上，引入了

42、权重因子来提高最大相关度和最小冗余度之间的度量。通过设置不同的权重因子，可以细化磁共振特征提取过程中相关性和冗余度之间的权重规则，从而改变相关性和冗余度的重要性。通过引入这个加权因子，我们将从不同的加权因子中获得不同的特征子集。其作用规则的公式如公式2-4所示:（式2-4）表4-4不同权重因子下的降序特征排序当权重因子= 0.5时，方程2-4退化为原始磁共振成像规则，即没有引入权重因子时的磁共振成像方法。此时，特征选择的规则是最大化相关性和冗余性之间的差异。之后，我们分别将取为0.25、0.5、0.75和1，得到了表2-4所示的四个特征序列。表2-4中的结果表明，不同的值将导致特征提取中不同的

43、特征排序，这意味着权重因子可以决定特征选择中冗余的影响程度。同时可以看出，压缩机排气温度在四个特征序列中排名第一，这表明压缩机排气温度与我们的目标类别(即不同的制冷剂充注类别)高度相关，该变量可以被视为制冷剂充注故障诊断的标志性变量，对于故障诊断建模也具有重要意义。但是，如果您想要评估这四个特征序列的优缺点，您需要使用SVM对这四个特征序列进行建模以进行比较。因此，SVM分类器被用来评价这四种分类的合理性。我们不断增加用于建模的特征数量，获得不同数据下模型的分类精度。图2-3显示了不同特征序列和特征数量的分类精度。图 2-3 不同特征序列的分类正确率在图2-3中，四个特征序列的分类精度显示出相

44、对平坦的增长趋势，并且随着特征数量的逐渐增加，增长趋势趋于平坦。当= 0.75时，当特征数量较少时，分类精度曲线增长最快，即特征序列FS3是SVM建模最合理、最有效的排序。换句话说，特征序列FS3的前几个特征对于SVM建模具有高数据质量。由于计算量巨大，图2-3中的分类准确率没有通过参数进行优化，但对我们的序列选择影响很小，因为我们选择了相同的参数，而没有参数选择的模型的性能下降同时发生。在选择最合适的特征排序后，为了提高SVM分类器的精度，更重要的是为了提高模型在拟合程度上的性能，增加了参数优化。图2-4是当使用FS3特征分类时，参数优化前后分类准确率的比较。图 2-4 参数寻优前后分类正确

45、率对比图 2-4 显示两条曲线有着相同的增长趋势，而随着数据维度的升高，加入参数寻优的提升效果更为明显。总体来看，参数寻优对模型性能的优化是十分明显的。 三、大金多联机的保养中央空调维修的目的是改善人们的工作和生活环境。但是，随着空调的运行，循环水的浓度和温度发生变化，当水中各种离子的浓度产物超过其自身的浓度产物时，就会产生沉淀并形成水垢。水中溶解氧和其他因素的共同作用很容易导致设备腐蚀。循环水中营养物质的不断富集也为藻类和细菌的生长提供了足够的营养，形成了生物粘液。这些水垢、粘液和腐蚀将导致热交换器的热交换效率和冷却能力降低。这会减少循环水量，堵塞管道，阻碍冷能的顺利输送，严重危害中央空调的

46、安全运行。因此，有必要清洁中央空调的水系统。空调设备及其系统是相对昂贵的资产。如何有效发挥空调的作用，使其高效、安全、经济地运行，是空调日常维护的必要条件。定期维护可以消除隐患，减少事故，降低运行成本，延长设备的使用寿命，同时保证正常的工作顺序。中央空调由四部分组成:主制冷系统、终端系统、电控系统和水路系统。3.1主机制冷系统 1)、主机运行一段时间后，由于压缩机的振动会造成钢管接头松动或焊缝开裂，导致制冷剂和冷冻油泄漏，轻微泄漏会造成冷却效果下降，低压报警。在严重的情况下，压缩机不会得到应有的冷却和润滑。最后，压缩机过热、变形和燃烧。2)、空调压缩机在初次试运转一段时间后，由于机械运动部件之

47、间的相互磨损，润滑油会沉积磨损杂质，使润滑油的润滑效果下降，长期使用会加剧运动部件的磨损或应变，直至压缩机烧毁。3)由于空调外部工作环境的影响，机组经常在更恶劣的环境下工作，这将导致压缩机油碳化和乳化，从而降低系统的积碳、腐蚀、堵塞和润滑性能，降低整体性能，甚至影响机组的使用寿命，给用户带来更大的经济损失，影响正常的生活和工作。因此，主机系统是空调系统的冷却和加热站。如果主机系统有问题，将影响整个系统的正常运行。主机系统的主要维护任务是将预防性维护与可维护性维护相结合，防止机组运行、滴水和泄漏的发生，并将所有故障都解决在萌芽状态。3.2末端系统1)、末端系统运行一段时间后会在过滤网上积灰，增加

48、空气阻力，导致风量减少或堵塞；风量的减少会导致室内空调效果不佳，堵塞后不起作用，影响正常使用。特别是管道机械、分体机械和机房专用机械在制冷过程中也容易造成压缩机的液体冲击，导致压缩机燃烧的严重后果。加热时，散热不好，压力过高，压缩机过载，无法运行。2)由于初级效果滤网，室内机无法过滤细小灰尘。因此，由于热交换设备的翅片，室内换热器翅片表面通过过滤网后积累的灰尘只有2-3毫米，因此长期积累后会造成堵塞，导致效果下降，同时由于灰尘积累，传热也会下降。上述现象严重时可能会导致。3)室内机的长期运行会导致室内机离心风机叶片积尘。灰尘积聚的量将影响室内机的空气输出，从而影响室内机的效果。4)室内机长期运

49、行会导致电机轴承严重磨损，电机输出功率增大，噪音增大，影响用户的正常生活。因此，室内机应每年维护一次。主要维护内容包括:清洗回风过滤器、清洗换热器翅片、清洗离心风轮、轴承加油、维护和更换。3.3末端系统1)、空调长期运行后，由于电线、部件发热、机组振动等原因会造成接头松动、脱落，导致接触不良、缺相:2)、交流接触器、热继电器也会出现接触不良、开路等故障。3)电控部分受外部干扰和内部电气元件数值偏差的影响，导致机组运行参数丢失或紊乱，使机组无法正常运行。4)、温度传感器、压力传感器、流量传感器、防冻保护器等控制元件损坏，导致机组无法在正常工作条件下运行，将导致机组运行不可预知的故障。如果上述故障

50、不能及时排除，压缩机将因相位故障或三相电流不平衡而烧毁。3.4空调水系统1)由于冷却水系统是开放循环系统，冷却水通过冷却塔与空气充分接触。在冷却时，空气中的大量灰尘和其他杂质也被引入水系统，并沉积在冷却塔、空调机组和内部管道中，形成污泥，这减少了循环水量并影响热交换。2)、系统投入使用后，由于安装系统中残留的焊渣、铁屑、污垢、油污等杂质会积聚在系统内部；焊渣和铁屑等硬物质会附着在热交换设备表面，影响热交换。3)当冷却水与空气接触时，藻类、细菌和其他微生物将在冷却塔和内部管道中生长。尸体会粘附在泥浆、油和其他碎片上，并粘附在设备和管道上，影响循环水量和热交换。同时，微生物和沉积物的产生将促进浓度

51、极差腐蚀电池的形成和垢下腐蚀的产生，从而加快金属的腐蚀速度。上述现象也将发生在冷冻水系统中，因为自来水通常用于通过水箱代替水。4)冷却水系统水温较高，使用自来水。Ca2+和Me2+离子的浓度随着水的蒸发而高度浓缩，从而在水管路和热交换器上形成碳酸盐垢，其附着在热交换设备和管道上。由于水垢的导热系数为0.464-0.697瓦/米克，碳钢的导热系数为46.4-52.2瓦/米克，仅为碳钢的1%，降低了热交换设备的传热效果，增加了运行成本，增加了机组故障的发生。如果上述现象不严重，空调效果将会降低，频繁报警，电费将会增加。严重事故会造成管道和热交换设备堵塞，设备部件腐蚀穿孔，造成机组部件损坏，缩短设备

52、使用寿命，给用户造成巨大损失。因此，定期水质检查和化学清洗维护是必要的。3.5中央空调维修保养分类1。检查维护:1)根据设备运行和客户要求，有计划地进行各种例行检查；2)、现场指导业主的操作人员，讲解机组运行维护中涉及的实用技术；3)、提供各种必要的增值服务；4)对主机和辅助设备运行中存在的问题提供专业意见和改进方案；2、预防性维护:1)、包括检查维护提供的内容；2)按照制造商的建议进行必要的预防性维护；3)预防性维护包括清洗换热器铜管、分析和更换制冷机油、机油滤芯、干燥器过滤器等。3。全面维护:1)、最全面和彻底的维护计划，包括所有例行检查、增值服务和紧急故障排除服务；2)、如遇设备故障，负

53、责所有维护工作和零件更换；4。紧急维护:根据客户需求，24小时为客户提供紧急维护服务。发达的服务网络和高素质的服务人员确保快速的故障排除和最短的停机时间。5。节能改造:节能改造是指冷却水泵和冷却风扇电机的变频驱动，根据冷冻水出口温度的变化实现泵和风机水的变频调速，从而实现节能降耗6。制冷机油分析:润滑油的质量能充分反映压缩机的内部机械运行状况和运行趋势。润滑油的金属含量、湿度和酸度都是可能导致重大设备故障的关键指标。我们提供的专业油液分析可在关键时刻为您提供改进建议，提前消除机组的重大潜在故障，避免意外停机和高维护成本，保护您的投资。7。冷却塔、水泵、风机盘管、新风机组等的维护和改造。总结 本

54、文将磁共振特征提取方法与SVM相结合，用于变流量多连接系统制冷剂充注故障检测和诊断。小波去噪用于提高原始数据的数据质量。磁共振成像和SVM相结合，寻找最有效的特征子集，即使用最少的变量，而模型性能的衰减并不严重。主要结论如下:1)该混合SVM模型最终选择包含7个特征的特征子集作为最佳子集。该子集的故障分类精度高于其他子集，达到94.52%，仅比使用全部18个特征的故障分类精度低2.14%。因此，子集中的七个特征可以作为可变流量多管路系统制冷剂充注检测和诊断的标志性特征。2)在特征选择过程中，虽然特征与目标类别之间的关系非常重要，但特征之间的相关性分析也是必要的，在特征选择时应仔细考虑两者的结果

55、。添加权重因子来改变冗余度和相对比例之间的关系可以改善特征选择。3)经过验证，我们可以得出这样的结论:当我们在模型中添加一个与现有特征高度相关的特征时，模型的性能不会有很大的提高，并且该特征与目标类别的关联度在时间上非常高。本文所用的SVM混合模型被证明能够进行多线故障检测和诊断，能够完成数据预处理和特征选择，找到最优的特征子集。然而，当需要更高的分类精度时，需要进一步的研究来解决它。参考文献1 清华大学建筑节能中心. 中国建筑节能年度发展研究报告2015. 第一版. 北京: 中国建筑工业出版社, 2015.1-25. 2 Westphalen D, W R K. System and component diagnostics. ASHRAE Journal. 2003, 45(4): 58-59. 3 Breuker M, Rossi T, Braun J. Smart maintenance for rooftop unit. ASHRAE Journal. 2000, 42(11): 41-47. 4 韩华. 基于顺序集成方法的制冷系