亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        超參優(yōu)化的ReliefF-SVM在制冷劑充注量故障診斷的應(yīng)用

        2021-03-31 09:02:22徐暢李紹青李正飛陳煥新
        制冷技術(shù) 2021年1期
        關(guān)鍵詞:分類特征優(yōu)化

        徐暢,李紹青,李正飛,陳煥新

        (華中科技大學(xué)能源與動(dòng)力工程學(xué)院,湖北武漢 430074)

        0 引言

        現(xiàn)代社會(huì),空調(diào)已經(jīng)是建筑不可或缺的一部分,但是在空調(diào)長(zhǎng)期運(yùn)行的過(guò)程中,故障的出現(xiàn)往往是無(wú)法避免的,KATIPAMULA 等[1]認(rèn)為因空調(diào)設(shè)備故障和不合適的控制設(shè)備會(huì)導(dǎo)致15%~30%的能源浪費(fèi)。制冷劑充注量是影響制冷系統(tǒng)總體性能的重要參數(shù),當(dāng)制冷系統(tǒng)長(zhǎng)期運(yùn)行時(shí),制冷劑容易泄漏,從而使制冷劑充注量偏離正常值的范圍。這種故障會(huì)導(dǎo)致制冷量、制熱量和制冷效率、制熱效率的下降,進(jìn)而造成巨額的經(jīng)濟(jì)損失[2-3],同時(shí)會(huì)導(dǎo)致壓縮機(jī)內(nèi)部溫度升高,并且?guī)?lái)潤(rùn)滑油的高溫劣化和機(jī)械部件的磨損和燒毀[4],關(guān)鍵的是,在復(fù)雜的實(shí)際工況下,可能導(dǎo)致比實(shí)驗(yàn)更復(fù)雜的情況[5]。所以對(duì)制冷劑充注量故障的及時(shí)且高準(zhǔn)確的診斷十分必要。對(duì)于制冷機(jī)系統(tǒng)的故障診斷的傳統(tǒng)方法是通過(guò)專家知識(shí),讓制冷機(jī)系統(tǒng)停機(jī)并對(duì)相關(guān)部位進(jìn)行拆機(jī)檢修,這種方法耗時(shí)耗力且準(zhǔn)確率也不高。然而,在部分工業(yè)的特殊場(chǎng)合,制冷機(jī)可能根本無(wú)法停機(jī)檢修?;跀?shù)據(jù)驅(qū)動(dòng)的制冷機(jī)故障檢測(cè)克服了傳統(tǒng)故障檢測(cè)上的不足,不僅提高了診斷的效果,也大大節(jié)省了故障檢測(cè)所消耗的人力物力[6]。目前已有一部分學(xué)者對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的制冷機(jī)的故障診斷進(jìn)行了相關(guān)方面的研究,但是對(duì)于基于數(shù)據(jù)驅(qū)動(dòng)的制冷機(jī)充注量故障研究較少。徐廷喜等[7]使用支持向量數(shù)據(jù)描述算法對(duì)變頻空調(diào)的制冷劑泄漏進(jìn)行故障檢測(cè)。袁玥等[8]采用主成分分析(Principal Component Analysis,PCA)算法進(jìn)行主元提取后,將主元導(dǎo)入反向傳播(Back Propagation,BP)網(wǎng)絡(luò)中進(jìn)行制冷機(jī)充注量故障診斷,發(fā)現(xiàn)PCA-BP 模型相較于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)節(jié)約了計(jì)算時(shí)長(zhǎng)及計(jì)算空間,同時(shí)該算法也具有泛化能力。XU 等[9]研究了一種基于主元分析法和改進(jìn)小波分析的冷水機(jī)組傳感器故障檢測(cè)與診斷及性能評(píng)估方法,表明了該方法在診斷性能上比PCA 更為優(yōu)異。ZHAO 等[10]提出了一種基于貝葉斯置信網(wǎng)絡(luò)的三層診斷貝葉斯網(wǎng)絡(luò)模型,對(duì)冷水機(jī)組進(jìn)行故障檢測(cè)與診斷,發(fā)現(xiàn)基于貝葉斯置信網(wǎng)絡(luò)所提出的策略可以利用有關(guān)冷水機(jī)組的更多有用信息和專家知識(shí),針對(duì)不確定、不完整和沖突的信息依然有高效的診斷性能。

        本文提出一種ReliefF-SVM(支持向量機(jī),Support Vector Machine)算法,并對(duì)其算法進(jìn)行網(wǎng)格搜索與十折交叉驗(yàn)證進(jìn)行超參調(diào)優(yōu),旨在提出一個(gè)新的診斷模型,為制冷機(jī)充注量的故障診斷提供一個(gè)新的診斷思路。

        1 實(shí)驗(yàn)裝置及數(shù)據(jù)

        1.1 實(shí)驗(yàn)裝置

        實(shí)驗(yàn)裝置采用的是R410A,31.5 kW 的多聯(lián)機(jī)(Variable Refrigerant Flow,VRF)系統(tǒng),正常工況下其制冷劑充注量為9.9 kg。其室內(nèi)機(jī)和室外機(jī)的額定功率分別為29.7 kW 和28 kW,圖1所示為VRF 實(shí)驗(yàn)系統(tǒng)原理,圖中標(biāo)明了主要的測(cè)量傳感器,其中更為細(xì)節(jié)的部分可參考文獻(xiàn)[11-12]。

        圖1 VRF 實(shí)驗(yàn)系統(tǒng)原理

        1.2 實(shí)驗(yàn)數(shù)據(jù)

        此次研究所用的數(shù)據(jù)是由VRF 空調(diào)系統(tǒng)在不同水平的制冷劑充注量下測(cè)得,設(shè)置的制冷劑充注量區(qū)間在設(shè)計(jì)值的60%~130%,含有制冷劑充注量不足、正常與過(guò)量的情況,按制冷劑充注量分為3類,如表1所示,分類標(biāo)簽中-1 代表不足,0 代表正常,1 代表過(guò)量。

        表1 制冷劑充注量水平類別

        制冷劑充注量對(duì)系統(tǒng)的正常運(yùn)行非常重要,且制冷劑充注量故障的情況時(shí)有發(fā)生。如沒有按規(guī)定充注、管道堵塞、操作不當(dāng)和設(shè)備腐蝕老化等都可能導(dǎo)致制冷劑充注量故障,影響系統(tǒng)的正常運(yùn)行。

        本文對(duì)實(shí)驗(yàn)數(shù)據(jù)中各類特征變量的選擇參考于相關(guān)文獻(xiàn)[13],選擇了18 個(gè)可能對(duì)系統(tǒng)運(yùn)行產(chǎn)生影響的參數(shù),如表2所示。

        表2 系統(tǒng)充注量故障實(shí)驗(yàn)變量

        原始數(shù)據(jù)可以表示為:

        式中,Y為分類標(biāo)簽。原始數(shù)據(jù)中樣本數(shù)為69,112。隨機(jī)抽取3/4 為訓(xùn)練集,剩下1/4 為測(cè)試集,故訓(xùn)練集和測(cè)試集數(shù)據(jù)樣本分別為51,834 和17,278。

        2 ReliefF-SVM算法

        ReliefF-SVM 算法應(yīng)用于制冷劑充注量故障的基本思路是:先將制冷劑充注量故障分為不足、正常和過(guò)高3 個(gè)不同的標(biāo)簽,當(dāng)所有數(shù)據(jù)都按照標(biāo)簽分類后,把數(shù)據(jù)所有列舉出的特征變量導(dǎo)入ReliefF中,根據(jù)特征變量與標(biāo)簽的關(guān)系,ReliefF 將標(biāo)簽重要程度最高的7 個(gè)特征變量提出,作為SVM 的輸出,最后在通過(guò)超參調(diào)優(yōu)得到最終預(yù)測(cè)模型。

        2.1 ReliefF 算法

        RelieF 評(píng)估最早由KIRA 提出[14],當(dāng)時(shí)只能用于解決兩類的分類問題,1994年KONONENKO[15]將RelieF 算法擴(kuò)展到了ReliefF,可以解決多類問題和回歸問題,而且補(bǔ)充了對(duì)缺失數(shù)據(jù)情況的處理。該系列算法的主要特點(diǎn)是利用特征對(duì)近距離樣本的區(qū)分能力來(lái)評(píng)價(jià)特征變量。核心思想為:好的特征會(huì)使同類的樣本接近,使不同類的樣本遠(yuǎn)離[16]。

        ReliefF 算法在進(jìn)行多類的特征選擇工作時(shí),對(duì)于特征A,每次從訓(xùn)練集中抽一個(gè)樣本點(diǎn)Ri,然后在他的同類數(shù)據(jù)中找出來(lái)k個(gè)最鄰近的樣本H,再?gòu)牟煌惖臄?shù)據(jù)中也分別找k個(gè)最鄰近樣本M,之后依照式(2)不斷更新該特征的權(quán)值,循環(huán)計(jì)算m次直至所有樣本依次計(jì)算完畢,得到單個(gè)特征的最終權(quán)值。

        ReliefF 算法的權(quán)值更新計(jì)算公式:

        式中,p(C)為在訓(xùn)練樣本中屬于類別C的樣本所占比值;p(class(Ri))為與Ri同類的樣本占總樣本的比值;d(A,Ri,Hj)為Ri和Hj在特征A上的歸一化距離。

        ReliefF 有較高的評(píng)估效率,且對(duì)數(shù)據(jù)的類型沒有限制要求,是公認(rèn)的效果較好的過(guò)濾式的特征評(píng)估算法,能夠很好去除無(wú)關(guān)特征,但ReliefF 算法不能去除冗余特征[16]。該算法有過(guò)濾式算法的典型特征,即省去了對(duì)特征子集的分類器進(jìn)行訓(xùn)練的步驟,故減少了計(jì)算量,簡(jiǎn)單高效[17]。本文中使用的原始數(shù)據(jù)集樣本較多,使用ReliefF 算法可以高效找到合適的特征變量。

        2.2 支持向量機(jī)

        支持向量機(jī)(SVM)是一種較新的數(shù)據(jù)挖掘算法,已經(jīng)在模式識(shí)別、回歸分析等許多領(lǐng)域里都有了很快的發(fā)展,它的分類功能也被廣泛應(yīng)用于許多方面[18]。SVM 本來(lái)是一種二分類的方法,但也可以實(shí)現(xiàn)多分類問題的處理。在二分類問題中,數(shù)據(jù)本身用n維向量x表示,數(shù)據(jù)類別用y 來(lái)表示,用支持向量機(jī)找一個(gè)最優(yōu)的超平面wTx+b=0,讓本分類中離其最近的點(diǎn)和其他分類中的點(diǎn)距離最遠(yuǎn)。算法結(jié)構(gòu)如圖2所示。

        對(duì)于兩種類別的非線性數(shù)據(jù)集Y=(xi,yi),xi∈R,yi∈(-1,1),i=1,2,…,n,支持向量機(jī)經(jīng)由之前選擇的非線性映射(核函數(shù)K(xi,x)),把數(shù)據(jù)從開始的低維度空間映射到高維空間,然后構(gòu)造一個(gè)最好的分類超平面。

        分類函數(shù)如下:

        式中,b為截距;α為拉格朗日乘數(shù)。

        α的求解方法:

        由于還存在數(shù)據(jù)異常的問題,需要對(duì)如下公式進(jìn)行優(yōu)化:

        式中,ξi≥0 是松弛變量,對(duì)應(yīng)xi可以允許偏離的量;C為懲罰因子。

        為了優(yōu)化上面的不等式,將其進(jìn)行拉格朗日變換得到對(duì)偶形式后適當(dāng)變形得到:

        因此,支持向量機(jī)的核心是核函數(shù)K(xi,x)。

        圖2 支持向量機(jī)算法結(jié)構(gòu)

        2.3 超參優(yōu)化策略

        本文把網(wǎng)格搜索和十折交叉驗(yàn)證這兩種方法結(jié)合起來(lái)對(duì)基于支持向量機(jī)的模型進(jìn)行優(yōu)化。網(wǎng)格搜索的方法應(yīng)用于確定模型的參數(shù),將區(qū)域劃分出區(qū)間,并對(duì)區(qū)間內(nèi)的參數(shù)進(jìn)行逐一尋優(yōu),最后找到誤差比較小的最優(yōu)解。這種方法可以避免只能盲目隨機(jī)或只靠經(jīng)驗(yàn)來(lái)尋找參數(shù)的狀況,進(jìn)一步減少了尋優(yōu)所需的時(shí)間,還可以有效提高最終所選參數(shù)的準(zhǔn)確性。在網(wǎng)格搜索尋找參數(shù)之后,還要用交叉驗(yàn)證來(lái)防止模型出現(xiàn)過(guò)擬合的情況,對(duì)泛化誤差進(jìn)行無(wú)偏估計(jì)。本次交叉驗(yàn)證采用十折交叉的方法。所謂十折交叉驗(yàn)證,就是在訓(xùn)練模型之前,把訓(xùn)練數(shù)據(jù)隨機(jī)地分成10 等份,然后輪流用其中的9 份數(shù)據(jù)來(lái)構(gòu)建模型,用剩下的一份對(duì)訓(xùn)練出的模型進(jìn)行評(píng)估,所以需要重復(fù)進(jìn)行10 次,所以稱為十折交叉驗(yàn)證。

        3 超參優(yōu)化的ReliefF-SVM故障檢測(cè)與診斷

        基于該算法的制冷劑充注量故障診斷分為特征提取、訓(xùn)練模型、超參優(yōu)化和故障檢測(cè)4 個(gè)部分,其中特征提取的取出原始特征變量中與標(biāo)簽重要程度最大的前幾個(gè)變量,可以有效剔除數(shù)據(jù)中的冗余變量增加故障檢測(cè)精度與效率,再將處理后的數(shù)據(jù)導(dǎo)入模型進(jìn)行訓(xùn)練,通過(guò)超參優(yōu)化得到較好的訓(xùn)練模型。具體流程如圖3所示。

        圖3 基于特征工程的制冷劑充注量故障檢測(cè)與診斷流程

        3.1 故障檢測(cè)與診斷

        將原始18 個(gè)特征變量與對(duì)應(yīng)標(biāo)簽由ReliefF 處理后,得到各個(gè)特征變量對(duì)應(yīng)標(biāo)簽的重要程度,本文取前7 個(gè)重要程度最大的特征變量,其結(jié)果如表3所示。

        表3 Relief 特征選擇后的前7 個(gè)變量

        將得到的7 個(gè)變量輸入默認(rèn)參數(shù)下的支持向量機(jī)模型中得到其混淆矩陣結(jié)果如表4所示。結(jié)果顯示,測(cè)試集的分類正確率分別為85.6%和85.3%。

        表4 ReliefF-SVM 混淆矩陣結(jié)果

        根據(jù)以上結(jié)果可知,默認(rèn)超參下的支持向量機(jī)的訓(xùn)練結(jié)果不太理想。且由混淆矩陣分析得知,3種模型中將制冷劑充注過(guò)量(1)錯(cuò)誤分類為制冷劑充注量正常(0)和將制冷劑充注量正常(0)錯(cuò)誤分類為制冷劑充注過(guò)量(1)的情況比較多。所以需要對(duì)模型的參數(shù)進(jìn)行優(yōu)化,提高制冷劑充注量故障檢測(cè)與診斷模型的準(zhǔn)確性,其中重點(diǎn)是制冷劑充注過(guò)量和正常的檢測(cè)分類。

        3.2 超參優(yōu)化

        支持向量機(jī)中有兩個(gè)比較重要的超參,即懲罰因子C和核參數(shù)γ。其中,懲罰因子C可以平衡訓(xùn)練誤差還有模擬復(fù)雜度。C的值越大,模型就越復(fù)雜,數(shù)據(jù)與模型的擬合程度也會(huì)相應(yīng)升高,但是可能會(huì)造成模型過(guò)擬合的現(xiàn)象[19]。當(dāng)C的值過(guò)小時(shí),會(huì)致使模型欠擬合。參數(shù)γ可以決定輸入空間映射到特征空間的方式,同樣影響SVM 分類算法的復(fù)雜程度[20]。所以,要提升制冷劑充注量故障檢測(cè)與診斷模型的性能,提高可靠性,準(zhǔn)確性還有分類精度,就要找到更好的參數(shù)γ和C。其優(yōu)化策略如圖4所示。

        圖4 對(duì)C 和γ 值的優(yōu)化策略

        通過(guò)流程,對(duì)該基于支持向量機(jī)的制冷劑充注量故障檢測(cè)與診斷模型進(jìn)行參數(shù)優(yōu)化,找到最優(yōu)的參數(shù)構(gòu)建模型,并分析參數(shù)優(yōu)化后3 種特征選擇算法下模型的結(jié)果。在前期幾次初步嘗試后,考慮將參數(shù)懲罰因子C范圍設(shè)定在(3,4,5,6,7),γ設(shè)定在(3,4,5,6,7)范圍內(nèi)。根據(jù)網(wǎng)格搜索的原理,兩個(gè)參數(shù)互相結(jié)合,共有25 種組合,每個(gè)組合訓(xùn)練后得到25 種故障檢測(cè)與診斷模型,最后找到分類錯(cuò)誤率最小的參數(shù)組合來(lái)構(gòu)建模型。最終ReliefF-SVM 中最好的SVM 參數(shù)組合為核參數(shù)γ=3,懲罰因子C=7;此時(shí)模型分類錯(cuò)誤率為0.035。

        表5 優(yōu)化后ReliefF-SVM 混淆矩陣結(jié)果

        結(jié)果顯示,訓(xùn)練集和測(cè)試集的分類正確率分別為99.4%和98.8%。

        從混淆矩陣和故障檢測(cè)正確率的結(jié)果可以看到,網(wǎng)格搜索算法可以找到更好的支持向量機(jī)參數(shù)的組合,并且十折交叉的方法也能夠有效防止模型出現(xiàn)過(guò)擬合的現(xiàn)象。這3 種方法在進(jìn)行參數(shù)尋優(yōu)找到更好的參數(shù)后,模型性能均有了較大的提升,針對(duì)之前遇到的,模型對(duì)制冷劑充注量正常與過(guò)量容易出現(xiàn)錯(cuò)誤判斷的情況,優(yōu)化后的模型有更好的表現(xiàn),故障診斷的準(zhǔn)確率均提高了10%左右,在測(cè)試集的準(zhǔn)確率為98.8%。

        4 結(jié)論

        本文基于特征工程進(jìn)行制冷劑充注量故障檢測(cè)與診斷的研究,采用ReliefF-SVM 算法,并使用網(wǎng)格搜索和十折交叉的方法進(jìn)行參數(shù)尋優(yōu),優(yōu)化模型以及更適合的特征選擇算法,得出如下結(jié)論:

        1)利用ReliefF 將原始的18 個(gè)特征變量中與決策屬性高度相關(guān)的7 個(gè)變量篩選出來(lái),相比于原始的特征屬性集,不僅可以極大提高運(yùn)算的效率,也可以提前剔除冗余信息,提高制冷機(jī)充注量故障診斷的診斷性能;

        2)通過(guò)網(wǎng)格搜索和十折交叉驗(yàn)證的方法進(jìn)行超參調(diào)優(yōu),發(fā)現(xiàn)在此診斷模型下的支持向量機(jī)中,當(dāng)核參數(shù)γ=3,懲罰因子C=7 時(shí),模型診斷性能最好,此時(shí)模型分類錯(cuò)誤率為0.035;

        3)同優(yōu)化前相比,故障診斷的準(zhǔn)確率提高了10%,在訓(xùn)練集和測(cè)試集上的預(yù)測(cè)正確率分別達(dá)到99.4%和98.8%。

        猜你喜歡
        分類特征優(yōu)化
        超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
        民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
        關(guān)于優(yōu)化消防安全告知承諾的一些思考
        分類算一算
        一道優(yōu)化題的幾何解法
        如何表達(dá)“特征”
        不忠誠(chéng)的四個(gè)特征
        分類討論求坐標(biāo)
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        亚洲av色香蕉一区二区三区av| 久久人妻公开中文字幕| 久久无码高潮喷水免费看| 日本高清长片一区二区| 日本一区二区三区视频免费观看| 亚洲av无码乱码国产精品| 亚洲一区二区三区日本久久九| 在线你懂| 国产丝袜美腿在线播放| 丰满熟女高潮毛茸茸欧洲视频| 国产精品区一区第一页| 亚洲人成网站18男男| 各类熟女熟妇激情自拍| 久久久中文久久久无码| 亚洲日韩乱码中文无码蜜桃臀| 亚洲 国产 韩国 欧美 在线| 国产精品一区二区偷拍| 亚洲av无码一区二区三区天堂古代| 亚欧AV无码乱码在线观看性色| 亚洲av天堂久久精品| 中文字幕一区二区中文| 国产在视频线精品视频| 国产成人亚洲精品电影| 亚洲av天堂在线免费观看| 国产又猛又黄又爽| 人妻在卧室被老板疯狂进入国产| av网站影片在线观看| 日本熟妇另类一区二区三区| 中文成人无码精品久久久不卡| 亚洲色偷拍一区二区三区| 国产丝袜一区丝袜高跟美腿| 欧美又粗又长又爽做受| 精品高潮呻吟99av无码视频| 中文乱码字幕在线中文乱码 | 亚洲伊人av天堂有码在线| 边喂奶边中出的人妻| 亚洲国产成人无码影院| 一区二区三区国产天堂| 无码人妻h动漫中文字幕| 又爽又黄无遮挡高潮视频网站 | 日韩精品成人一区二区在线观看 |