[发明专利]一种基于支持向量机增量学习的冷水机组故障诊断方法

说明书

根据本发明所涉及的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于，包括以下步骤：S1，收集冷水机组故障历史数据，包括初始训练集数据；S2，对S1中的历史数据进行预处理，得到处理后的初始训练集数据；S3，选择径向基核函数作为SVM(支持向量机)的核函数，构建基于SVM模型的诊断器；S4，在诊断器中应用S2中处理后的初始训练集数据进行训练后得到初始诊断器；S5，现场采集新数据，并对新数据进行预处理得到新样本集；S6，采用增量学习方法自适应更新初始诊断器，得到最终诊断器；S7，实时采集冷水机组的运行数据并进行预处理；S8，将S7中预处理后的运行数据输入到S6中的最终诊断器中，得到诊断结果。

技术领域

本发明属于制冷领域，具体涉及一种冷水机组故障诊断方法。

背景技术

暖通空调系统是多变量、多状态、强耦合系统，长期处于变工况，部分负荷运行状态。它向来是工业设备，家用电器中的耗能大户。而冷水机组是暖通空调系统中最重要的设备，也是耗能最大的设备。由于多种原因，使设备经常出现故障。并且，随着设备的自动化和高度集成化，设备的成本和维护费用也在急剧增加。因此，及时发现其故障征兆并在故障将要发生时予以排除，对减少设备能耗，提高人们的舒适度有很重要的意义。在过去几十年里，冷水机组故障检测与诊断(fault detection and diagnosis，FDD)的发展一直是研究的热点之一。

目前，应用在暖通空调系统中的FDD方法主要为三大类：基于定量模型的方法、基于定性模型的方法、基于过程历史数据的方法。因制冷系统较为复杂，知识获取困难，为前两者的研究带来诸多不便；而基于过程历史数据方法则完全依靠数据本身建立模型，不需要先验知识，即可从丰富的数据中提炼出有用的信息，因此基于过程历史数据的方法在制冷系统的FDD中得到了很好的推广。

支持向量机(Support Vector Machine,简称SVM)是Vapnik领导的研究小组提出的一种新型通用的有监督的机器学习方法。它建立在结构最小化原则基础之上，具有很强的学习能力和泛化性能，能够较好的解决小样本、高维数、非线性、局部极小等问题，可以有效的进行分类、回归、密度估计等。暖通空调制冷系统很难一次性采集全部故障样本，需要机器在运行过程中通过不断的学习丰富诊断检测系统，适应冷水机组复杂多变的特性，提高诊断检测的正确率，这样会使训练数据样本庞大，而SVM本质上求解的是一个凸二次优化问题，其时间复杂度和空间复杂度均较高，尤其在处理大规模数据时学习效率很低，需要寻找一个高效的解决方案。

发明内容

本发明是为了解决上述问题而进行的，本发明一方面的目的在于提供一种基于支持向量机增量学习的冷水机组故障诊断方法。

本发明提供了一种基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于，包括以下步骤：

S1，收集冷水机组故障历史数据，包括初始训练集数据；

S2，对S1中的历史数据进行预处理，得到处理后的初始训练集数据；

S3，选择径向基核函数作为SVM(支持向量机)的核函数，构建基于SVM模型的诊断器；

S4，在诊断器中应用S2中处理后的初始训练集数据进行训练后得到初始诊断器；

S5，现场采集新数据，对现场采集的新数据标定故障类别并对新数据进行预处理；

S6，采用增量学习方法自适应更新初始诊断器，得到最终诊断器；

S7，实时采集冷水机组运行数据并进行预处理；

S8，将S7中预处理后的运行数据输入到S6中的最终诊断器中，得到诊断结果。

在本发明提供的基于支持向量机增量学习的冷水机组故障诊断方法中，还可以具有这样的特征：其中，预处理采用归一化处理。