張鑒心，李正飛，陳煥新，劉倩，王譽(yù)舟

（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

變制冷劑流量（Variable Refrigerant Flow，VRF）系統(tǒng)常被稱作多聯(lián)機(jī)系統(tǒng)，與傳統(tǒng)空調(diào)系統(tǒng)相比，其顯著特點(diǎn)是運(yùn)行能量可調(diào)節(jié)，同時(shí)不需要設(shè)置其他附屬裝備如冷卻塔和水輸配系統(tǒng)等，也能達(dá)到較高的熱舒適性[1]。VRF系統(tǒng)中的電子膨脹閥是室內(nèi)機(jī)進(jìn)行制冷劑節(jié)流膨脹和流量調(diào)節(jié)的核心部件，屬于制冷系統(tǒng)四大件之一[2]；四通閥通過內(nèi)部滑塊的移動(dòng)來進(jìn)行制冷劑流動(dòng)調(diào)節(jié)，是實(shí)現(xiàn)制冷與制熱模式切換的核心部件[3]。兩種閥類故障都可能引發(fā)制冷/制熱循環(huán)效率降低、機(jī)械部件損壞等問題。因此，準(zhǔn)確檢測出多聯(lián)機(jī)系統(tǒng)的故障對(duì)提高其運(yùn)行效率并減少能耗損失有重大意義[4]。根據(jù)已有文獻(xiàn)可以總結(jié)出目前暖通空調(diào)系統(tǒng)故障檢測與診斷方法（Fault Detection and Diagnosis，F(xiàn)DD）主要由三大類組成：基于專家知識(shí)的方法、基于模型的方法和基于數(shù)據(jù)挖掘的方法[5]。

近年來針對(duì)數(shù)據(jù)挖掘的故障診斷方法的研究越來越多。數(shù)據(jù)挖掘技術(shù)是通過一系列人工智能算法來發(fā)現(xiàn)故障數(shù)據(jù)中存在的大量隱藏關(guān)系，達(dá)到高度靈敏的診斷效果[6]。TUDOROIU等[7]描述了基于無跡卡爾曼濾波估計(jì)算法的交互式多模型，將其用于對(duì)暖通空調(diào)系統(tǒng)循環(huán)DAT回路中的閥門執(zhí)行機(jī)構(gòu)故障檢測和診斷。WALL等[8]提出了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和隱馬爾可夫模型的動(dòng)態(tài)機(jī)器學(xué)習(xí)暖通空調(diào)系統(tǒng)故障自動(dòng)檢測技術(shù)，還使用數(shù)據(jù)融合技術(shù)將冷卻盤管閥門控制故障、熱水閥泄漏故障等進(jìn)行組合。DU等[9]開發(fā)了基于組合神經(jīng)網(wǎng)絡(luò)和減法聚類的空氣處理單元故障檢測與診斷方法，對(duì)5種傳感器故障和冷凍水閥卡死故障進(jìn)行檢測。GUO等[10]提出了一種基于模塊化主成分分析方法的故障檢測策略，使用6個(gè)變量建立基于專家方法的多變量解耦策略來隔離故障，考慮了多聯(lián)機(jī)系統(tǒng)的4種常見故障包括電子膨脹閥泄漏和四通閥換向故障。郭夢(mèng)茹等[11]將遺傳算法提取出的特征代入初始化參數(shù)優(yōu)化后的反向傳播神經(jīng)網(wǎng)絡(luò)，對(duì)多聯(lián)機(jī)的電子膨脹閥和四通閥常見故障進(jìn)行了檢測和診斷。韓林志等[12]采用原始學(xué)習(xí)向量量化方法研究了3種制冷劑充注量狀態(tài)。

上述文獻(xiàn)中對(duì)模型的初始參數(shù)優(yōu)化并沒有同時(shí)考慮故障診斷正確率和運(yùn)行耗時(shí)；同時(shí)學(xué)習(xí)向量量化算法在該領(lǐng)域運(yùn)用也很少，且原始算法的診斷效果不佳，也沒有相關(guān)文獻(xiàn)作進(jìn)一步的優(yōu)化研究。本文將多目標(biāo)進(jìn)化算法框架添加到了模型參數(shù)優(yōu)化中，并首次將帶有特征自適應(yīng)相關(guān)性矩陣訓(xùn)練的學(xué)習(xí)向量量化應(yīng)用于多聯(lián)機(jī)閥類故障的研究中。通過對(duì)不同故障的各項(xiàng)特征進(jìn)行相關(guān)度分析，并對(duì)故障發(fā)生部位進(jìn)行模糊的初步定位。

1 多聯(lián)機(jī)閥類故障數(shù)據(jù)采集和預(yù)處理

1.1 多聯(lián)機(jī)閥類故障實(shí)驗(yàn)平臺(tái)

本文所進(jìn)行的多聯(lián)機(jī)實(shí)驗(yàn)平臺(tái)如圖1所示，系統(tǒng)額定制冷量為45 kW，制冷劑為R410A，采用單渦旋壓縮機(jī)和5個(gè)室內(nèi)機(jī)組合方式，其中5號(hào)機(jī)為主內(nèi)機(jī)。

圖1 多聯(lián)機(jī)實(shí)驗(yàn)系統(tǒng)原理

實(shí)驗(yàn)中設(shè)置6種的運(yùn)行狀態(tài)：正常（L1）、5號(hào)機(jī)電子膨脹閥卡死在0開度（L2）、5號(hào)機(jī)電子膨脹閥卡死在滿開度（L3）、2號(hào)機(jī)電子膨脹閥泄漏（L4）、四通閥掉電（L5）、四通閥掉電（L6）,并對(duì)各類狀態(tài)下收集到的數(shù)據(jù)進(jìn)行編號(hào)以簡化后續(xù)表示。L1、L2和L3數(shù)據(jù)包括制冷和制熱模式，L4、L5和L6只有制熱模式，所有運(yùn)行狀態(tài)的室內(nèi)外設(shè)計(jì)工況一致，具體信息如表1所示。數(shù)據(jù)收集來自多聯(lián)機(jī)系統(tǒng)中布置的多個(gè)傳感器，溫度與壓力傳感器在圖1已標(biāo)出。

表1 故障及正常模式實(shí)驗(yàn)設(shè)計(jì)

1.2 數(shù)據(jù)預(yù)處理

收集到多聯(lián)機(jī)閥類故障數(shù)據(jù)后，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。研究表明數(shù)據(jù)預(yù)處理的工作量可以占整個(gè)數(shù)據(jù)挖掘流程的80%以上[6]。一般而言數(shù)據(jù)預(yù)處理包括數(shù)據(jù)集成、數(shù)據(jù)清理、數(shù)據(jù)變換和數(shù)據(jù)簡化這4個(gè)步驟[13]，預(yù)處理的效果會(huì)直接影響到后續(xù)的數(shù)據(jù)挖掘效果。

本文的預(yù)處理工作主要由4個(gè)步驟組成：1）以專家知識(shí)剔除掉原數(shù)據(jù)集中的無意義特征參數(shù)，減小數(shù)據(jù)的特征維度；2）對(duì)特征中的文字標(biāo)簽進(jìn)行編碼，變?yōu)榭蛇M(jìn)行運(yùn)算的數(shù)字；3）對(duì)數(shù)據(jù)中的死值，即特征變量在所有運(yùn)行狀態(tài)過程中一直保持穩(wěn)定不變的值，對(duì)其進(jìn)行剔除；4）對(duì)數(shù)據(jù)異常值進(jìn)行清除，包括機(jī)組啟動(dòng)后和停機(jī)前的異常變化數(shù)據(jù)、非穩(wěn)定運(yùn)行狀態(tài)外的劇烈波動(dòng)值以及穩(wěn)定運(yùn)行中的異常測量值。

將原始收集到的數(shù)據(jù)進(jìn)行預(yù)處理后，得到了穩(wěn)態(tài)運(yùn)行下的可供分析的37個(gè)特征數(shù)據(jù)，一共有12 091個(gè)。其中L1～L6數(shù)量分別為3 163、2 056、1 723、1 362、1 140和3 163。

2 故障診斷模型建立

2.1 隨機(jī)森林提取特征重要度

由于多聯(lián)機(jī)特征參數(shù)較多，某些特征與某特定閥類故障的發(fā)生存在及其微弱的關(guān)系，或者對(duì)所有閥類故障的反應(yīng)都是近乎一致的，無法依靠經(jīng)驗(yàn)剔除掉。同時(shí)，如果特征維度過高，不僅會(huì)降低診斷的運(yùn)行速度，同時(shí)可能導(dǎo)致算法的過擬合，所以需要對(duì)較重要特征提取以簡化特征維度。本文采用隨機(jī)森林（Random Forest，RF）算法來進(jìn)行特征重要度分析[14]。

RF是一種集成學(xué)習(xí)方法[15]，采用了bootstrap的集成方式，其進(jìn)行特征分析的運(yùn)行結(jié)構(gòu)如圖2所示。RF利用數(shù)據(jù)生成多棵決策樹進(jìn)行并行訓(xùn)練，評(píng)價(jià)標(biāo)準(zhǔn)可以依據(jù)信息增益程度或基尼指數(shù)來確定某個(gè)特征對(duì)數(shù)據(jù)的貢獻(xiàn)程度，可以不用對(duì)數(shù)據(jù)進(jìn)行歸一化處理[16]。當(dāng)達(dá)到設(shè)定的閾值或者分支到最后一個(gè)特征后，整合所有決策樹的結(jié)果，得到訓(xùn)練好的森林，并同時(shí)得到特征的重要度排序表。

圖2 隨機(jī)森林運(yùn)行結(jié)構(gòu)

2.2 局部矩陣學(xué)習(xí)向量量化診斷故障

多聯(lián)機(jī)系統(tǒng)的故障診斷實(shí)質(zhì)上是一種運(yùn)行模式的識(shí)別，學(xué)習(xí)向量量化是一種模式識(shí)別中應(yīng)用非常廣泛的算法，但極少被用來進(jìn)行多聯(lián)機(jī)故障的診斷，且原生學(xué)習(xí)向量量化的診斷效果不佳[12]。本文采用改進(jìn)后的局部廣義矩陣學(xué)習(xí)向量量化（Local Generalized Matrix Learning Vector Quantization，LGMLVQ）算法[17]作為多聯(lián)機(jī)閥類故障模型的核心。圖3所示為LGMLVQ網(wǎng)絡(luò)的結(jié)構(gòu)，它是一個(gè)具有3層結(jié)構(gòu)的競爭神經(jīng)網(wǎng)絡(luò)[18]，包括輸入層、競爭層和輸出層。

圖3 LGMLVQ結(jié)構(gòu)

輸入層即為數(shù)據(jù)特征，與一般的人工神經(jīng)網(wǎng)絡(luò)所不同的是競爭層是類原型向量層，競爭層與輸入層的關(guān)系是通過歐式距離計(jì)算來獲得，同類數(shù)據(jù)可以設(shè)置多個(gè)類原型向量。輸出層中每個(gè)點(diǎn)即代表相應(yīng)的類別。特別注意的是在連接上，輸入層和競爭層是全連接的，但競爭層和輸出層是分類連接的，且一個(gè)類原型向量只能連接一個(gè)輸出點(diǎn)，一個(gè)輸出點(diǎn)可以和多個(gè)同類原型向量連接。

LGMLVQ是在廣義學(xué)習(xí)向量量化算法基礎(chǔ)上進(jìn)行改進(jìn)，對(duì)類原型向量的更新式進(jìn)行了改進(jìn)，更新式為：

式中，ws為與樣本標(biāo)簽相同的類原型向量；wd為與樣本標(biāo)簽不同的類原型向量；φ(ξ)為類原型向量成本函數(shù)更新式；Λ為類特征自適應(yīng)相關(guān)性矩陣；ξ為隨機(jī)選取的數(shù)據(jù)樣本向量；ε(t)為自適應(yīng)學(xué)習(xí)率。

更新式是LGMLVQ算法的核心改進(jìn)部分，類特征自適應(yīng)相關(guān)性矩陣和成本函數(shù)的加入，可以分析到不同特征的同類數(shù)據(jù)相關(guān)程度，并可以使類原型向量最大程度收斂到類別中心。同時(shí)由于類原型向量更新時(shí)采用的歐式距離計(jì)算，即無需對(duì)數(shù)據(jù)進(jìn)行歸一化處理，可以節(jié)省運(yùn)算資源的消耗。

本實(shí)驗(yàn)中以5種故障數(shù)據(jù)和正常數(shù)據(jù)對(duì)一個(gè)LGMLVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)測試集得到的數(shù)據(jù)類別來判斷故障類別。

2.3 多目標(biāo)進(jìn)化優(yōu)化算法框架

由于LGMLVQ的性能比較依賴于其初始化參數(shù)，因此需要對(duì)模型初始化參數(shù)進(jìn)行優(yōu)化。為了盡量取得最好的模型診斷效率，本文同時(shí)考慮模型故障診斷正確率和運(yùn)行耗時(shí)兩個(gè)優(yōu)化目標(biāo)，并設(shè)計(jì)了基于第二代非支配分類遺傳算法（NSGA-II）的多目標(biāo)進(jìn)化算法優(yōu)化框架[19]。其基本運(yùn)算過程如圖4所示[20]。

圖4 NSGA-II結(jié)構(gòu)

與單目標(biāo)優(yōu)化問題不同，由于本文的多目標(biāo)優(yōu)化是針對(duì)兩個(gè)目標(biāo)進(jìn)行分析的，不存在隨迭代次數(shù)增加而目標(biāo)收斂的情況。同時(shí)最優(yōu)參數(shù)集是多個(gè)Pareto最優(yōu)解集，被優(yōu)化目標(biāo)值也分布在Pareto最優(yōu)前沿上，需要依靠經(jīng)驗(yàn)主觀選擇最為合適的優(yōu)化參數(shù)。

2.4 多聯(lián)機(jī)閥類故障診斷模型

上述對(duì)該模型中重要部分的說明，在此設(shè)計(jì)完整的多聯(lián)機(jī)閥類故障診斷模型。該模型采用了離線的多聯(lián)機(jī)實(shí)驗(yàn)運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練和測試，同時(shí)整合了數(shù)據(jù)預(yù)處理、特征提取、多目標(biāo)進(jìn)化算法優(yōu)化框架和LGMLVQ核心算法4個(gè)部分，圖5所示為多聯(lián)機(jī)閥類故障診斷模型流程。

圖5 多聯(lián)機(jī)閥類故障診斷模型流程

在特征提取階段，根據(jù)數(shù)據(jù)特征重要度排序表依次從少到多選取特征，代入原始LGMLVQ模型中進(jìn)行測試，確定最合適的特征數(shù)量；NSGA-II中的優(yōu)化目標(biāo)分別為模型對(duì)測試集數(shù)據(jù)的診斷正確率以及LGMLVQ模型訓(xùn)練和測試的整體耗時(shí)；將低維特征數(shù)據(jù)的75%分為訓(xùn)練集，25%分為測試集。本實(shí)驗(yàn)中各步驟均進(jìn)行了10次運(yùn)算，選取出現(xiàn)最多次數(shù)的結(jié)果，以消除硬件性能波動(dòng)的影響。

為了評(píng)估模型的診斷性能，采用結(jié)果混淆矩陣和如下所示的模型診斷正確率計(jì)算公式：

式中，Ni為某類數(shù)據(jù)的分類正確數(shù)；Nall為測試樣本數(shù)據(jù)總數(shù)量。

3 模型運(yùn)行結(jié)果分析

3.1 多聯(lián)機(jī)閥類故障特征選取

將37個(gè)特征數(shù)據(jù)導(dǎo)入到隨機(jī)森林模型中，得到表2所示的特征重要度表。由表2可知，壓縮機(jī)排氣溫度處于較高的重要度，由于壓縮機(jī)運(yùn)行狀態(tài)基本可以代表多聯(lián)機(jī)系統(tǒng)的運(yùn)行狀態(tài)，在不同的故障發(fā)生時(shí)導(dǎo)致壓縮機(jī)具有不同的表現(xiàn)。

表2 特征重要性排序表

從兩個(gè)特征開始逐步增加特征選取數(shù)，觀察原始LGMLVQ算法的診斷正確率和運(yùn)行耗時(shí)變化情況（圖6）。由圖6可知，運(yùn)行耗時(shí)呈現(xiàn)增加趨勢(shì)，而診斷正確率處于波動(dòng)變化情況，且特征數(shù)達(dá)到30個(gè)后，變化趨于平緩。為了減少特征維度，同時(shí)盡可能保留重要的特征，結(jié)合趨勢(shì)圖，本文選擇前19個(gè)特征數(shù)據(jù)作為最終低維特征數(shù)據(jù)集，從小到大依次標(biāo)記為F1～F19。

圖6 特征數(shù)對(duì)診斷正確率和運(yùn)行耗時(shí)的影響

3.2 模型初始化參數(shù)優(yōu)化結(jié)果分布

本文LGMLVQ神經(jīng)網(wǎng)絡(luò)所需要優(yōu)化的參數(shù)詳細(xì)信息如表3所示，NSGA-II的初始種群數(shù)量設(shè)置為100個(gè)，迭代次數(shù)100次。采用NSGA-II進(jìn)行模型初始化參數(shù)的選優(yōu)，選優(yōu)過程一共耗時(shí)33 177 s，最終的100個(gè)Pareto最優(yōu)前沿點(diǎn)分布如圖7所示。

表3 優(yōu)化參數(shù)表

圖7 優(yōu)化目標(biāo)分布

優(yōu)化分布點(diǎn)呈現(xiàn)明顯的曲面變化邊界，說明模型診斷正確率和運(yùn)行耗時(shí)的確存在相互制約的關(guān)系。為了同時(shí)得到較高的診斷正確率和較低的運(yùn)行耗時(shí)，本文選取的模型初始化參數(shù)集為圖7中的星型標(biāo)記點(diǎn)參數(shù)集。初始化參數(shù)設(shè)置類原型向量數(shù)為1，迭代次數(shù)130次，收斂閾值0.000 3，隨機(jī)數(shù)種子223，正則化系數(shù)0。

3.3 模型診斷結(jié)果分析

將測試數(shù)據(jù)代入最優(yōu)LGMLVQ模型中，得到診斷結(jié)果的混淆矩陣如圖8所示。由圖8可知，優(yōu)化后的模型對(duì)每類數(shù)據(jù)的診斷正確率除了L2為99.222%、L3為97.448%之外，其它類別均達(dá)到了100%。模型整體診斷正確率達(dá)到了99.504%，且耗時(shí)為11.724 s。

圖8 故障診斷結(jié)果混淆矩陣

圖9所示為3種不同改造模型的模型診斷正確率和耗時(shí)對(duì)比，得益于LGMLVQ本身的結(jié)構(gòu)先進(jìn)性，即使在最為原始的模型下也具有91.4%的故障診斷正確率，但是由于特征較多，運(yùn)行耗時(shí)較多。RF降低了特征維度，使得模型的診斷效率有一定的提高，運(yùn)行耗時(shí)也大幅減少。最終模型診斷率很高，耗時(shí)處于中等水平，具有實(shí)用潛力。

圖9 模型性能對(duì)比

為了直觀得出各類數(shù)據(jù)在相應(yīng)的特征自適應(yīng)相關(guān)性矩陣下的分類效果，通過相關(guān)性矩陣將原始的19維特征數(shù)據(jù)投影到二維坐標(biāo)上，以實(shí)現(xiàn)多維數(shù)據(jù)的分類可視化。圖10所示為各類數(shù)據(jù)在各相關(guān)性矩陣投影。圖10中各橫縱坐標(biāo)分別是特征數(shù)據(jù)在經(jīng)過相關(guān)性矩陣貢獻(xiàn)度最高的兩個(gè)特征向量變換下的二維投影數(shù)值。其中L1、L3和L4的相關(guān)性矩陣前兩個(gè)特征值貢獻(xiàn)度分別達(dá)到85.36、80.05和83.95，除同類數(shù)據(jù)外其他類數(shù)據(jù)的聚集程度也很好。L2、L5和L6的貢獻(xiàn)度分別只有69.52、65.33和56.51，雖然其他類數(shù)據(jù)存在一定的混合，但同類數(shù)據(jù)與其他類數(shù)據(jù)得到了一定的分離以及自聚集。證明特征自適應(yīng)相關(guān)性矩陣可以較好提取出各故障中的特征相關(guān)性以達(dá)到更好的分類效果。

圖10 各相關(guān)性矩陣下的相關(guān)性數(shù)據(jù)投影

3.4 正常數(shù)據(jù)特征自適應(yīng)相關(guān)性矩陣分析

特征自適應(yīng)相關(guān)性矩陣是LGMLVQ的核心結(jié)構(gòu)，如果其越接近系統(tǒng)內(nèi)在的物理聯(lián)系，就越能得到更好的診斷效果。矩陣對(duì)角線數(shù)字表示某一特征與該類數(shù)據(jù)的相關(guān)性程度，相關(guān)性越高，表明該特征是區(qū)分該類數(shù)據(jù)與其他數(shù)據(jù)越重要的指標(biāo)；非對(duì)角線數(shù)字表示各特征之間的相關(guān)性程度，相關(guān)性越高，表明兩種特征具有同時(shí)變化的趨勢(shì)，且正值表明變化方向一致。

圖11所示為正常數(shù)據(jù)的特征自適應(yīng)相關(guān)性矩陣。由圖11可知，壓縮機(jī)模塊溫度、室內(nèi)環(huán)境溫度2、室內(nèi)環(huán)境溫度5和氣分進(jìn)管溫度的相關(guān)性分別達(dá)到了93、36、34和32。即當(dāng)故障發(fā)生時(shí)，上述幾種特征發(fā)生了比較明顯的工作狀態(tài)變化。結(jié)合本實(shí)驗(yàn)可知，當(dāng)故障發(fā)生時(shí)會(huì)直接影響整個(gè)系統(tǒng)，而壓縮機(jī)作為系統(tǒng)四大件之一，當(dāng)運(yùn)行狀態(tài)發(fā)生變化時(shí)必然會(huì)受到影響，維修人員可以在實(shí)際檢查中通過觀察壓縮機(jī)的各項(xiàng)工作指標(biāo)是否處于正常，來初步判斷是否發(fā)生故障。氣分進(jìn)管溫度是離開各室內(nèi)機(jī)并經(jīng)過四通閥的制冷劑進(jìn)行氣液分離前的溫度，可以一定程度上反映出經(jīng)過四通閥后制冷劑的流動(dòng)情況，通過氣分進(jìn)管溫度可以判斷是否四通閥出現(xiàn)了故障。初始實(shí)驗(yàn)中，人為設(shè)計(jì)了5號(hào)內(nèi)機(jī)的電子膨脹閥故障和2號(hào)內(nèi)機(jī)的電子膨脹閥泄漏故障。在電子膨脹閥泄漏時(shí)，2號(hào)機(jī)室內(nèi)會(huì)發(fā)生一定的熱量交換，影響室內(nèi)溫度。而5號(hào)機(jī)電子膨脹閥開度也會(huì)影響5號(hào)機(jī)室內(nèi)的熱量交換?？梢钥闯觯ㄟ^特征相關(guān)性表可以初步定位到故障發(fā)生點(diǎn)，證明數(shù)據(jù)分析的確可以反映多聯(lián)機(jī)的實(shí)際運(yùn)行狀態(tài)，對(duì)實(shí)際故障檢修可以提供一定的幫助。

圖11 正常數(shù)據(jù)特征適應(yīng)相關(guān)性矩陣

對(duì)角線上相關(guān)性較大的特征之間具有較大的相關(guān)性，部分是正相關(guān)，部分為負(fù)相關(guān)。壓縮機(jī)模塊溫度與室內(nèi)環(huán)境溫度2存在較強(qiáng)的正相關(guān)性，而與氣分進(jìn)管溫度呈現(xiàn)較強(qiáng)的負(fù)相關(guān)性。分析考慮可能是在2號(hào)機(jī)電子膨脹閥泄漏后，與2號(hào)室發(fā)生了熱交換，影響了室內(nèi)溫度，同時(shí)由于熱交換不充分，在氣液分離器處大量液態(tài)制冷劑被留下，而壓縮機(jī)發(fā)生了空載，使得壓縮機(jī)的模塊溫度發(fā)生變化。

圖12所示為正常數(shù)據(jù)的相關(guān)性矩陣特征值，可知前兩個(gè)特征值占比相當(dāng)大，這也是其二維投影效果非常好的原因。

圖12 正常數(shù)據(jù)相關(guān)性矩陣特征值

4 結(jié)論

本文針對(duì)多聯(lián)機(jī)閥類故障診斷進(jìn)行了研究，通過多聯(lián)機(jī)實(shí)驗(yàn)系統(tǒng)人為設(shè)計(jì)故障，收集到了幾種不同的閥類故障數(shù)據(jù)。對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行了特征提取，對(duì)局部廣義矩陣學(xué)習(xí)向量量化（LGMLVQ）參數(shù)進(jìn)行了優(yōu)化，最終建立了多聯(lián)機(jī)閥類故障診斷模型，得出如下結(jié)論：

1）結(jié)合RF和原始LGMLVQ對(duì)特征進(jìn)行降維，根據(jù)診斷正確率和運(yùn)行耗時(shí)的變化趨勢(shì)，可以證明特征數(shù)較多會(huì)增加模型運(yùn)行耗時(shí)，對(duì)診斷正確率影響不大；最終選擇19個(gè)特征變量，對(duì)比原始模型，診斷正確率從91.40%提升到95.73%，運(yùn)行耗時(shí)從14.709 s下降至8.441 s；

2）利用NSGA-II多目標(biāo)進(jìn)化算法對(duì)LGMLVQ的參數(shù)進(jìn)行優(yōu)化，選擇一組Pareto最優(yōu)解集，將優(yōu)化后的參數(shù)代入到模型中，最終優(yōu)化模型的故障診斷正確率達(dá)到99.50%，耗時(shí)也僅有11.724 s；最優(yōu)模型的精度已經(jīng)具備可實(shí)際應(yīng)用能力，同時(shí)證明了特征提取、參數(shù)優(yōu)化具有明顯的提升效果；

3）對(duì)正常數(shù)據(jù)的特征自適應(yīng)相關(guān)性矩陣進(jìn)行分析，發(fā)現(xiàn)高相關(guān)性的特征與故障發(fā)生部位有著密切聯(lián)系，證明數(shù)據(jù)分析能夠反映機(jī)組的實(shí)際運(yùn)行狀態(tài)，可以為實(shí)際故障維修提供一定的幫助；

4）本文提出的多聯(lián)機(jī)閥類故障診斷模型相較于其他模型具有更清晰的運(yùn)算結(jié)構(gòu)，故障診斷正確率很高、反應(yīng)速度較快、具備一定的實(shí)際應(yīng)用能力。