任正雄 韓 華 崔曉鈺 陸海龍, 張運(yùn)乾

(1 上海理工大學(xué)能源與動力工程學(xué)院 上海 200093；2 重慶美的通用制冷設(shè)備有限公司 重慶 401336)

制冷系統(tǒng)一旦發(fā)生故障，安全性、經(jīng)濟(jì)性將急劇下降。目前我國居民建筑及商用建筑空調(diào)能耗達(dá)總能耗的20%～50%，因此必須做好故障預(yù)防工作，延長制冷系統(tǒng)使用壽命[1]。得益于計(jì)算機(jī)科學(xué)和人工智能的發(fā)展，基于數(shù)據(jù)驅(qū)動的方法被廣泛應(yīng)用于制冷系統(tǒng)故障診斷中并已取得豐富成果[2-4]，該方法既無需構(gòu)建精確的物理模型也不依賴于豐富的專家知識，但訓(xùn)練故障診斷模型需要大量的有標(biāo)簽數(shù)據(jù)。此處“標(biāo)簽”是指數(shù)據(jù)對應(yīng)的輸出，即機(jī)組的運(yùn)行狀態(tài)，正常運(yùn)行或故障類別。實(shí)際中冷水機(jī)組采集的大量運(yùn)行數(shù)據(jù)一般為未知運(yùn)行狀態(tài)的無標(biāo)簽數(shù)據(jù)，以往的故障診斷方法無法直接利用，而有標(biāo)簽數(shù)據(jù)通常需要人工標(biāo)定，耗時耗力且相當(dāng)有限，導(dǎo)致大量無標(biāo)簽數(shù)據(jù)中的信息無法利用[5]，影響了故障診斷技術(shù)在制冷領(lǐng)域的推廣和應(yīng)用。同時，無標(biāo)簽數(shù)據(jù)雖未直接包含標(biāo)記信息，但它們與有標(biāo)簽數(shù)據(jù)是從相同的制冷設(shè)備采樣，數(shù)據(jù)源獨(dú)立且可能同分布，其中包含的數(shù)據(jù)分布信息對建立模型大有裨益[6]。如何利用大量的無標(biāo)簽數(shù)據(jù)改善制冷系統(tǒng)故障診斷性能，是目前的研究熱點(diǎn)之一。

半監(jiān)督學(xué)習(xí)(semi-supervised learning，SSL)旨在解決數(shù)據(jù)的標(biāo)簽問題，無需依賴外界交互、自動地利用無標(biāo)簽數(shù)據(jù)輔助少量有標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)[6]。故障診斷領(lǐng)域常用的半監(jiān)督學(xué)習(xí)方法為協(xié)同訓(xùn)練法[7]，可以從一個數(shù)據(jù)集的全部特征中選出多個不同的特征集，作為樣本的描述，每個特征集被稱為數(shù)據(jù)的一個“視圖”。協(xié)同訓(xùn)練是基于不同特征集的多視圖數(shù)據(jù)學(xué)習(xí)方法[8]，需要在兩個充分冗余的視圖上分別訓(xùn)練分類器，根據(jù)兩者之間的分歧利用無標(biāo)簽數(shù)據(jù)。

目前，制冷空調(diào)領(lǐng)域的半監(jiān)督學(xué)習(xí)方法研究較少[9-11]，制冷系統(tǒng)采集到的海量數(shù)據(jù)中蘊(yùn)含了豐富多變的工況狀態(tài)信息，系統(tǒng)內(nèi)部非線性、耦合性、部分負(fù)荷性的復(fù)雜運(yùn)行狀態(tài)、故障等均會對設(shè)備運(yùn)行狀態(tài)產(chǎn)生影響。同時，考慮到制冷設(shè)備的經(jīng)濟(jì)性，現(xiàn)場運(yùn)行機(jī)組的傳感器通常遠(yuǎn)不及實(shí)驗(yàn)室多，采集數(shù)據(jù)很難分成多個充分且條件獨(dú)立的視圖。因此，本文對協(xié)同訓(xùn)練的改進(jìn)模型Tri-Training[12]進(jìn)行研究，該模型無需多個充分冗余的視圖，通過單視圖學(xué)習(xí)訓(xùn)練3個基分類器，并基于分歧給無標(biāo)簽數(shù)據(jù)貼上偽標(biāo)簽，實(shí)現(xiàn)對無標(biāo)簽數(shù)據(jù)的挖掘[13-15]。將支持向量機(jī)(support vector machine，SVM)[16]、K近鄰學(xué)習(xí)(k-nearest neighbour, KNN)[17]、隨機(jī)森林(random forest, RF)[18]作為基分類器，建立基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型，研究大量未知類別無標(biāo)簽數(shù)據(jù)的利用方法，挖掘無標(biāo)簽數(shù)據(jù)所含信息，改善制冷系統(tǒng)故障診斷性能，并對該模型故障診斷性能的主要影響因素展開分析。

1 Tri-Training算法原理

Tri-Training[12]的基本思想如圖1所示。首先，通過有放回采樣，處理類別已知的有標(biāo)記數(shù)據(jù)集L，訓(xùn)練得到3個有差異的基分類器hi(i=1，2，3)；其次，標(biāo)記類別未知的無標(biāo)簽數(shù)據(jù)集U中的數(shù)據(jù)x，若其中兩個基分類器對x的預(yù)測結(jié)果一致，即pj(x)=pk(x)(j,k≠i)，則認(rèn)為該預(yù)測結(jié)果為x的偽標(biāo)簽pi(x)并將其加入hi的訓(xùn)練集中，如此形成hi的新訓(xùn)練集Li←Li∪{(x,pi(x))}。類似地，另外兩個基分類器的訓(xùn)練集也分別擴(kuò)充，然后3個分類器繼續(xù)訓(xùn)練，如此重復(fù)迭代直至hi均無變化。

圖1 Tri-Training算法基本原理

在訓(xùn)練過程中，若hj和hk對x的預(yù)測正確，則將偽標(biāo)簽數(shù)據(jù)補(bǔ)充至hi，進(jìn)入下一步訓(xùn)練；否則，將獲得帶有噪聲標(biāo)簽的數(shù)據(jù)，進(jìn)而會對最終結(jié)果造成影響。為減少標(biāo)記過程中產(chǎn)生的噪聲數(shù)據(jù)，該算法基于D. Angluin等[19]的理論結(jié)果，根據(jù)分類噪聲率和每輪訓(xùn)練分類的錯誤率決定偽標(biāo)記數(shù)據(jù)是否可以用于更新分類器[12]。

2 基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷

制冷系統(tǒng)在運(yùn)行過程中，隨著冷熱負(fù)荷的變化，設(shè)備的運(yùn)行工況也在時刻發(fā)生改變，以往的故障診斷研究僅可針對少量已知運(yùn)行狀態(tài)的有標(biāo)簽數(shù)據(jù)訓(xùn)練故障診斷模型，導(dǎo)致大量包含豐富狀態(tài)信息的無標(biāo)簽數(shù)據(jù)信息閑置，無法利用所有數(shù)據(jù)中的完全信息構(gòu)建故障診斷模型。本研究在分析Tri-Training原理的基礎(chǔ)上，建立基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障模型。

2.1 故障診斷過程

基于Tri-Training建立的制冷系統(tǒng)故障診斷模型工作流程如圖2所示，圖中不同顏色的點(diǎn)代表不同的類別，灰色代表未知類別。步驟如下：

圖2 基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷流程

1)數(shù)據(jù)預(yù)處理。將通過制冷系統(tǒng)故障模擬實(shí)驗(yàn)采集到的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行穩(wěn)態(tài)篩查并去除噪聲，在標(biāo)準(zhǔn)化處理后隨機(jī)分為訓(xùn)練集和測試集，并設(shè)置訓(xùn)練集中包含大量無標(biāo)簽數(shù)據(jù)。

2)訓(xùn)練基分類器。通過有放回采樣將有標(biāo)簽數(shù)據(jù)隨機(jī)分為3個數(shù)量相同的子訓(xùn)練集L1、L2和L3，并分別訓(xùn)練3個基分類器。

3)無標(biāo)簽數(shù)據(jù)貼標(biāo)簽。采用3個基分類器對無標(biāo)簽數(shù)據(jù)進(jìn)行預(yù)測，當(dāng)兩個基分類器所貼標(biāo)簽一致時，該數(shù)據(jù)被認(rèn)為具有較高的置信度，作為新的有標(biāo)簽數(shù)據(jù)(偽標(biāo)簽數(shù)據(jù)P1、P2和P3)擴(kuò)充至第3個基分類器的訓(xùn)練集中(T1、T2和T3)；當(dāng)兩個基分類器所貼標(biāo)簽不一致時，該數(shù)據(jù)重新放回?zé)o標(biāo)簽數(shù)據(jù)集。

4)更新基分類器。綜合有標(biāo)簽數(shù)據(jù)和偽標(biāo)簽數(shù)據(jù)重新訓(xùn)練基分類器，并重復(fù)步驟3進(jìn)行迭代訓(xùn)練，直至基分類器不發(fā)生改變。

5)故障檢測與診斷。集成循環(huán)結(jié)束后的3個最終基分類器進(jìn)行故障檢測與診斷，通過投票獲得的診斷結(jié)果。

2.2 制冷系統(tǒng)故障數(shù)據(jù)來源與預(yù)處理

本文采用ASHRAE-1043RP[20]故障模擬實(shí)驗(yàn)數(shù)據(jù)對故障診斷模型進(jìn)行分析，該實(shí)驗(yàn)對象為1臺316 kW的離心式冷水機(jī)組，制冷劑為R134a，冷凝器和蒸發(fā)器均為殼管式換熱器。診斷類別及縮略詞如表1所示。實(shí)驗(yàn)過程中，數(shù)據(jù)采集間隔時間為10 s，共測試27個工況，特征參數(shù)為64個，包括48個傳感器直接測量參數(shù)和16個計(jì)算參數(shù)。此外，考慮到故障的嚴(yán)重程度，將故障分為4種程度，本文采用的研究數(shù)據(jù)將4種嚴(yán)重程度混合。

表1 制冷系統(tǒng)正常運(yùn)行及7類典型故障

為模擬制冷機(jī)組有標(biāo)簽數(shù)據(jù)少且無標(biāo)簽數(shù)據(jù)多的情況，隨機(jī)選取12 000組數(shù)據(jù)，去掉其中6 000組數(shù)據(jù)的標(biāo)簽作為無標(biāo)簽數(shù)據(jù)，剩余6 000組有標(biāo)簽數(shù)據(jù)中3 000組作為測試集，剩下的3 000組與6 000組無標(biāo)簽數(shù)據(jù)組合作為訓(xùn)練集。研究中，有標(biāo)簽數(shù)據(jù)、無標(biāo)簽數(shù)據(jù)及測試數(shù)據(jù)均為隨機(jī)采樣得到，不同數(shù)據(jù)集、不同機(jī)組運(yùn)行狀態(tài)數(shù)據(jù)的工況存在差異，一定程度上可以適應(yīng)實(shí)際中工況不同所致的情況，但實(shí)際運(yùn)行中的性能有待實(shí)際數(shù)據(jù)進(jìn)一步驗(yàn)證。

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

3.1 基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷分析

SVM、KNN、RF三種有監(jiān)督學(xué)習(xí)廣泛應(yīng)用于制冷系統(tǒng)故障診斷相關(guān)研究。采用SVM、KNN、RF作為基分類器，建立基于Tri-Training的制冷系統(tǒng)故障診斷模型。采用正確率、查準(zhǔn)率、查全率和F-measure值來評價各模型的診斷性能，已關(guān)注的類別為正類，其他類別為負(fù)類，根據(jù)分類器在測試數(shù)據(jù)集上的診斷正確與否，會出現(xiàn)如下4種情況：TP表示將正類診斷為正類的樣本數(shù)；FN表示將正類診斷為負(fù)類的樣本數(shù)；FP表示將負(fù)類診斷為正類的樣本數(shù)；TN表示將負(fù)類診斷為負(fù)類的樣本數(shù)，Precision表示查準(zhǔn)率，Recall表示查全率，各評價指標(biāo)的計(jì)算式如表2所示。

表2 各評價指標(biāo)計(jì)算式

圖3所示為各模型的制冷系統(tǒng)故障診斷結(jié)果，由圖3可知，挖掘無標(biāo)簽數(shù)據(jù)信息后的Tri-Training故障診斷正確率相比SVM和KNN均有較大提升，較SVM提高22.00%，但相比RF反而降低，原因可能為RF是多個決策樹(decision tree，DT)[18]的集成，DT數(shù)量和特征選擇的隨機(jī)性導(dǎo)致模型對故障的識別具有隨機(jī)性，而且數(shù)據(jù)偽標(biāo)簽的獲得需要綜合考慮3個基分類器。圖中SVM、KNN與RF的診斷性能相差較大，SVM(72.00%)和RF(98.13%)的正確率差值為26.13%，當(dāng)采用性能差異過大的模型作為基分類器時會影響Tri-Training的貼標(biāo)簽過程，降低偽標(biāo)簽數(shù)據(jù)的置信度。

圖3 各模型的制冷系統(tǒng)故障診斷結(jié)果

3.2 基分類器優(yōu)化

Zhou Zhihua等[12]強(qiáng)調(diào)，Tri-Training采用的基分類器不可以是弱分類器，弱分類器會降低貼標(biāo)簽過程的可靠性。本節(jié)考慮基分類器性能對制冷系統(tǒng)故障診斷的影響，優(yōu)化基分類器模型，討論優(yōu)化后Tri-Training模型的故障診斷性能。

采用十折交叉驗(yàn)證[21]及網(wǎng)格搜索方法進(jìn)行參數(shù)尋優(yōu)，并將最優(yōu)參數(shù)代入模型中對測試集數(shù)據(jù)進(jìn)行診斷。懲罰參數(shù)C和核參數(shù)γ是SVM的兩個重要參數(shù)；KNN的性能主要受所選最近點(diǎn)的個數(shù)k和距離計(jì)算參數(shù)p的影響；在DT的數(shù)量n和最佳特征個數(shù)m是RF模型的主要參數(shù)。優(yōu)化上述參數(shù)，結(jié)果如表3所示。由表3可知，各模型優(yōu)化后的診斷正確率均提升，其中SVM的提升尤為顯著(26.63%)，KNN次之(7.66%)，RF提升僅為1.14%。3種模型優(yōu)化后的診斷性能差異較小，正確率均約為99%。

表3 有監(jiān)督模型參數(shù)優(yōu)化結(jié)果

將參數(shù)優(yōu)化后的SVM、KNN、RF作為基分類器重新建立Tri-Training模型，采用相同制冷系統(tǒng)數(shù)據(jù)集進(jìn)行驗(yàn)證，故障診斷結(jié)果如圖4所示。由圖4可知，與3.1節(jié)中未優(yōu)化的模型相比：1)有優(yōu)化Tri-Training模型的診斷正確率提升5.20%(99.43%比94.23%)，更高診斷性能的基分類器可以建立具有更高診斷性能的故障診斷模型；2)有優(yōu)化Tri-Training模型的各項(xiàng)評價指標(biāo)均高于有監(jiān)督學(xué)習(xí)模型，證明基分類器的差異性會影響模型總體性能，較小的差異可減少偽標(biāo)簽數(shù)據(jù)的噪聲。

圖4 有監(jiān)督學(xué)習(xí)模型與Tri-Training的診斷性能

此外，由于優(yōu)化后的RF模型與Tri-Training故障診斷性能差異不明顯，采用DT模型代替RF模型，將參數(shù)優(yōu)化后的SVM、KNN、DT作為基分類器建立Tri-Training*模型。圖5所示為故障診斷結(jié)果，由圖5可知，雖然DT的診斷正確率低于RF，但Tri-Training*的故障診斷性能與Tri-Training接近且高于半監(jiān)督學(xué)習(xí)模型，再次證明本研究提出方法的有效性。同時，Tri-Training*的故障診斷性能優(yōu)于RF模型，表明采用RF作為半監(jiān)督模型的基分類器不會影響模型的定性分析。

圖5 有監(jiān)督學(xué)習(xí)模型與Tri-Training*的診斷性能

圖6所示為無優(yōu)化Tri-Training模型和有優(yōu)化Tri-Training模型分別對具體故障類別的診斷性能。由圖6可知，正常狀態(tài)的正確率由90.99%增至98.63%，制冷劑泄漏/不足(故障1*)的診斷正確率由77.18%增至97.83%。有優(yōu)化Tri-Training模型可將各類別的診斷正確率均勻維持在99.00%，基分類器診斷性能越高，訓(xùn)練得到的制冷系統(tǒng)半監(jiān)督故障診斷模型越能挖掘出無標(biāo)簽數(shù)據(jù)深層次的可用信息。

圖6 無優(yōu)化與有優(yōu)化Tri-Training性能對比

3.3 不同基分類器對制冷系統(tǒng)半監(jiān)督故障診斷的影響

由上述研究結(jié)果可知，3個基分類器的差異會影響模型的診斷性能，本節(jié)采用有優(yōu)化SVM、KNN、RF構(gòu)建不同基分類器的Tri-Training模型，討論基分類器對模型性能的影響，不同組合方式及診斷結(jié)果如圖7所示。

圖7 不同基分類器組合診斷結(jié)果

相比有監(jiān)督學(xué)習(xí)，Tri-Training在大部分情況下可以有效改善分類器的診斷正確率?；诒狙芯繑?shù)據(jù)，所有組合方式中SVM+KNN+RF 的診斷正確率最高(99.43%)，當(dāng)3個基分類器采用相同學(xué)習(xí)器時(3SVM、3KNN、3RF)，診斷正確率較監(jiān)督學(xué)習(xí)(SVM、KNN、RF)分別只提升0.07%、0.34%、0.11%，低于其他組合方式，說明基分類器的多樣性對模型的影響較大。

在基分類器包含SVM的Tri-Training組合中，1SVM +2RF診斷性能較佳，診斷正確率比SVM提高0.8%；在包含KNN的組合中，1KNN+2RF診斷性能較佳，診斷正確率比KNN模型提高1.2%。RF比SVM、KNN學(xué)習(xí)性能更高，正確率達(dá)到99.26%，所以包含RF不同組合的診斷正確率普遍較高，體現(xiàn)出強(qiáng)學(xué)習(xí)器對Tri-Training的影響。其中一個RF的組合方式(2SVM+1RF、2KNN+1RF)正確率均低于其他組合，甚至低于RF的有監(jiān)督學(xué)習(xí)，說明較低性能的SVM、KNN會對貼標(biāo)簽及投票過程產(chǎn)生負(fù)影響；1SVM+2RF、1KNN+2RF和SVM+KNN+RF的診斷性能較好，正確率高于3RF，由此可知，Tri-Training故障診斷基分類器的選擇，要綜合考慮基分類器自身的診斷性能與基分類器之間的多樣性。

3.4 各類故障診斷性能分析

由于1SVM+2RF、1KNN+2RF、SVM+KNN+RF三種組合的Tri-Training診斷結(jié)果較為優(yōu)異，因此進(jìn)一步與有監(jiān)督學(xué)習(xí)模型(SVM、KNN、RF)進(jìn)行對比，研究Tri-Training對不同故障類別的診斷性能。

故障診斷正確率如圖8所示，3種Tri-Training模型對各類故障的診斷趨勢相似，對正常運(yùn)行的數(shù)據(jù)診斷效果較差，局部故障較系統(tǒng)級故障診斷正確率更高，系統(tǒng)級故障中，對制冷劑過充(故障6*)的診斷正確率達(dá)到100%，制冷劑泄漏/不足(故障1*)和潤滑油過充(故障7*)較難識別。Tri-Training模型對3種系統(tǒng)級故障的診斷性能提升明顯，均優(yōu)于有監(jiān)督學(xué)習(xí)模型，1SVM+ 2RF、1KNN+2RF對故障1*的診斷正確率比SVM高3.40%，對故障6*的診斷正確率達(dá)到100%，比KNN高3.90%，3種模型對故障7*的診斷結(jié)果相同，比KNN高1.73%，比SVM和RF高0.86%。Tri-Training模型對冷凝器結(jié)垢(故障2)、冷凝器水流量不足(故障3)和蒸發(fā)器水流量不足(故障5)3類局部故障的診斷正確率均為100%，制冷劑含不凝性氣體(故障4)的診斷正確率為99.69%，比KNN高1.24%。此外，Tri-Training對正常數(shù)據(jù)的診斷效果顯著低于故障數(shù)據(jù)，且診斷正確率相比3個基分類器無顯著提升。

圖8 對各類故障的診斷正確率

圖9所示為各診斷模型診斷結(jié)果的混淆矩陣，并據(jù)此計(jì)算虛警率(正常數(shù)據(jù)誤報為故障的比例)、漏報率(故障數(shù)據(jù)誤報為正常的比例)、誤報率(故障A誤報為故障B的比例)，計(jì)算結(jié)果如表4所示。制冷系統(tǒng)正常運(yùn)行是常態(tài)，觀察正常類別的診斷情況有助于分析模型的故障檢測性能。Tri-Training將正常運(yùn)行虛警為制冷劑泄漏/不足和潤滑油過充的系統(tǒng)級故障(黃色部分)，SVM+KNN+RF的虛警率最低(2.44%)，相比診斷性能較好的RF顯著降低，但總體變化較小。有監(jiān)督模型的漏報情況(綠色部分)比Tri-Training復(fù)雜，SVM的漏報數(shù)據(jù)有23個，KNN漏報數(shù)據(jù)有16個，而采用半監(jiān)督學(xué)習(xí)的Tri-Training后，漏報率降低顯著，1KNN +2RF的漏報數(shù)據(jù)降至1個。誤報最多的是KNN，為26個(0.99%)，誤報最少的是1SVM +2RF，為2個(0.08%)。此外，其他模型誤報率相差較小，Tri-Training均易誤報為制冷劑過充故障。綜上所述，Tri-Training對各類故障的診斷正確率高，且虛警率、漏報率、誤報率均降低，漏報情況顯著改善。

圖9 各模型診斷結(jié)果混淆矩陣

表4 各模型虛警率、漏報率與誤報率

4 結(jié)論

制冷系統(tǒng)大量運(yùn)行數(shù)據(jù)為未知類別的無標(biāo)簽數(shù)據(jù)，已知類別的有標(biāo)簽數(shù)據(jù)(特別是有標(biāo)簽故障數(shù)據(jù))難以獲得，本文提出基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型，有效利用無標(biāo)簽數(shù)據(jù)所含信息，改善故障診斷性能，并采用ASHRAE數(shù)據(jù)進(jìn)行驗(yàn)證。得到結(jié)論如下：

1)基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型可以有效利用制冷系統(tǒng)中大量的無標(biāo)簽數(shù)據(jù)進(jìn)行半監(jiān)督學(xué)習(xí)，挖掘出無標(biāo)簽數(shù)據(jù)中包含的豐富制冷系統(tǒng)狀態(tài)信息，采用這些信息輔助有標(biāo)簽數(shù)據(jù)建立的半監(jiān)督故障診斷模型對冷水機(jī)組7類典型故障和1類正常運(yùn)行的診斷正確率達(dá)到99.43%，比傳統(tǒng)有監(jiān)督學(xué)習(xí)模型(SVM、KNN、RF)的正確率、查準(zhǔn)率、查全率和F-measure值均有提升，對較難識別的系統(tǒng)級故障也可以得到較好的診斷結(jié)果。

2)3個基分類器故障診斷性能的差異性會影響故障診斷模型的總體性能，3個基分類器之間較小的性能差異可以減少偽標(biāo)簽數(shù)據(jù)的噪聲。無優(yōu)化的SVM(72.00%)+KNN(90.57%)+RF(98.13%)模型基分類器性能失衡，影響Tri-Training的貼標(biāo)簽過程，降低偽標(biāo)簽數(shù)據(jù)的置信度，導(dǎo)致模型的診斷性能低于RF(有監(jiān)督學(xué)習(xí))。有優(yōu)化的SVM(98.63%)+KNN(98.23%)+RF(99.27%)模型基分類器性能差異小，模型診斷性能均高于有監(jiān)督模型。

3)基分類器診斷性能越高，訓(xùn)練得到的故障診斷模型越能挖掘出制冷系統(tǒng)大量無標(biāo)簽數(shù)據(jù)的可用信息。對基分類器模型進(jìn)行優(yōu)化后故障診斷性能提高，分別采用優(yōu)化前后基分類器建立故障診斷模型，有優(yōu)化Tri-Training較無優(yōu)化Tri-Training診斷正確率提升5.20%。

4)3個基分類器類別的多樣性有利于提高偽標(biāo)簽樣本的置信度。采用3個相同基分類器的3SVM、3KNN、3RF較有監(jiān)督學(xué)習(xí)模型SVM、KNN、RF診斷正確率分別僅提高0.07%、0.34%、0.11%，均低于其他組合方式的故障診斷模型。而基分類器多樣的SVM+KNN+RF為故障診斷性能最優(yōu)組合。

5)基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型對系統(tǒng)級故障的診斷正確率較SVM、KNN、RF可提升1.73%～3.90%，1KNN+2RF、1SVM+2RF對制冷劑過量故障的診斷結(jié)果可達(dá)到100%。同時，模型對正常運(yùn)行的識別率低于故障數(shù)據(jù)，利用無標(biāo)簽數(shù)據(jù)對正常運(yùn)行的識別率無明顯改善。從對各故障的混淆矩陣中可以得出相同結(jié)論，利用無標(biāo)簽信息的半監(jiān)督模型可有效降低漏報率和誤報率，但虛警率降低較小。