[发明专利]一种集成多种智能算法的制冷系统故障诊断方法

说明书

根据本发明的集成多种智能算法的制冷系统故障诊断方法，包括：步骤1，通过模拟冷水机组故障实验，采集得到多个实验数据；步骤2，选取多个不同的成员诊断器，分别得到多个不同的成员诊断器的诊断模型，多个诊断模型包括：K近邻诊断器、支持向量机诊断器、决策树诊断器、随机森林诊断器及逻辑斯蒂回归诊断器；步骤3，对S2中多个不同的诊断模型进行集成，形成集成诊断器模型；步骤4，使用样本训练集数据对集成诊断器模型进行训练，得到训练好的集成诊断器模型；步骤5，使用测试样本集在训练好的集成诊断器模型对冷水机组进行故障诊断，得到故障诊断结果；步骤6，对成员诊断器与集成诊断器的故障诊断结果进行对比。

技术领域

本发明属于制冷领域，具体涉及一种集成多种智能算法的制冷系统故障诊断方法。

背景技术

传统的诊断系统通常仅采用样本的某种单一特征描述和一个特定的诊断器进行分类，对于类别较多、输入样本带噪声的问题很难获得较好的结果。不同的诊断器性能存在差异，对于在一个诊断器中很难区分的两种特征描述在另一种诊断器上有可能更容易判断。KNN为较简单的消极学习诊断器，根据样本及目标间距离进行诊断。但样本不平衡时，易导致大比例样本在待测目标中占据主导地位。SVM为积极学习诊断器，通过寻找最优决策面对样本分类，较KNN内存资源开销更小，但其对参数调节和和函数的选择敏感，且原始分类器不加修改仅适用于处理二分类问题。DT也为积极学习诊断器，通过计算样本信息熵或基尼指数等系数生成树状模型对样本进行分类。随机森林则为通过Bagging集成多棵决策树生成的集成诊断器，在大部分方面表现优于决策树。但其对少量数据集和低维数据集的分类不一定能得到较好效果，且计算速度低于单棵决策树。而逻辑斯蒂回归模型根据现有数据对分类边界线建立回归公式并以此进行分类，其模型简单易于实现，更适于流数据分析，与SVM往往能得到相似的结果。但逻辑斯谛回归会尽量最大化训练数据集的条件似然，使其比SVM更易于处理离群点，而SVM则更关注接近决策边界(支持向量)的点。

上述五种诊断器各自诊断原理不同且对样本特征偏重不一样，对于同一组目标样本难以同时取得较优结果，各自具有不同优缺点且适用样本特征范围不同。

发明内容

为了解决上述问题，本发明引入集成方法，同时采用上述多个诊断器生成集成诊断器，集成学习的目标是将不同的模型组合成为一个元模型，多模型集成建模可以有效解决单一模型建模效率低、泛化能力较差的问题，使各个诊断器优势互补，在面对同一组目标样本时具有更高的诊断正确率及泛化性能，以期更全面的对制冷系统故障进行诊断。

本发明把制冷系统多个诊断模型进行集成，针对单模型诊断性能不佳、泛化能力不强等问题，提出一种集成多种智能算法的制冷系统故障诊断方法，组合了K近邻模型(k-Nearest Neighbor，KNN)、支持向量机(SVM)、决策树模型(Decision Tree，DT)、随机森林(Random Forest，RF)及逻辑斯谛回归模型(Logistic Regression，LR)的基于多数投票法则的集成诊断器，使用该集成诊断器能够提高冷水机组故障诊断的准确率，成为冷水机组故障诊断技术在实际应用中的手段之一，具有较好的应用前景。

本发明提供了一种集成多种智能算法的制冷系统故障诊断方法，具有这样的特征，包括以下步骤：步骤1，通过模拟冷水机组故障实验，采集得到多个实验数据，实验数据经过处理后随机选择组成样本训练集数据及测试样本集数据；步骤2，选取多个不同的成员诊断器，分别得到多个不同的成员诊断器的诊断模型，多个诊断模型包括：K 近邻诊断器、支持向量机诊断器、决策树诊断器、随机森林诊断器及逻辑斯蒂回归诊断器；步骤3，对S2中多个不同的诊断模型进行集成，形成集成诊断器模型；

集成诊断器模型的表达式为：

m为模型的个数，i为模型的编号，C_j对应第j个模型，w_j是Cj 对应的权重，为集成诊断器的预测类标，x_A为特征函数 [Cj(x)＝i∈A]，A为类标的集合。