[发明专利]基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法

说明书

本发明公开了一种基于贝叶斯优化的PCA‑极限随机树的空调故障诊断方法，包括以下步骤：1)获取空调正常和不同故障下的运行数据并对其归一化；2)将归一化后的数据通过PCA算法降维后作为极限随机树(ExtraTree)模型的输入；3)建立极限随机树分类模型，训练并测试该分类器，得到针对空调的PCA‑极限随机树故障诊断模型；4)利用贝叶斯优化算法对PCA‑极限随机树故障诊断模型的PCA降维后的特征数量和CART决策树数量进行优化，得到最优的降维后特征数量和CART决策树数量；5)然后，将计算出的最优PCA降维后特征数量值和CART决策树数量值作为PCA‑极限随机树模型的参数并对样本进行训练，得到PCA‑极限随机树故障诊断模型，然后可使用该诊断模型对实时数据进行诊断。

技术领域

本发明涉及暖通空调系统故障诊断领域，具体涉及一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法。

背景技术

目前的大型公共建筑暖通空调系统往往部件众多、结构复杂，包括冷热源设备、空气处理设备、空调风系统、空调水系统以及控制和调节装置等。暖通空调系统管道错综复杂，子系统繁多且分散，数据通信困难，从而影响对于整体设备的协调管理；系统本身具有非线性、结构复杂多变、多个系统参数互相耦合等特性，导致故障诊断困难。同时空调故障往往是随着设备电子元器件的老化或者是各种管道的堵塞逐渐显露出来，当人们发现故障的时侯，往往故障已经变得比较严重，因此对空调故障进行及时的检测诊断以避免在故障状态下运行产生巨大能耗和安全隐患具有可行性和现实意义。

近年来，空调设备越来越复杂同时也更加智能，传统的诊断技术远远不能满足现代空调设备诊断的需求，在这样的局面下，机器学习慢慢崛起，其中常用的诊断方法有神经网络(NN)和支持向量机(SVM)。神经网络具有较强的学习能力和非线性逼近能力等优点，但存在着参数优化比较困难、收敛速度过慢、容易导致过拟合等缺点。支持向量机作为比较经典的分类算法，不存在神经网络的收敛速度慢和过拟合的问题，但在处理大样本数据时能力不足，同时解决多分类问题精度较低。

随机森林作为集成学习中比较经典的算法之一，能够解决神经网络收敛速度过慢，容易陷于过拟合等问题，同时也能解决支持向量机处理大样本数据的能力不足的缺点。更重要的是随机森林能够集成多种特征向量，有效提高诊断的正确率。极限随机树作为随机森林的变种算法，其节点选择特征时的特征阈值将随机选取，能够使预测方差更小，使模型的泛化能力更高。为此，本发明提出一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，通过PCA来进行特征降维，然后使用极限随机树来构建诊断模型，并通过贝叶斯优化算法对PCA的特征降维后特征数量和极限随机树的决策树数量的范围进行全局寻优，使得模型训练时间减小，同时使故障检测和分类的准确性达到最优，从而更快速、准确地实现对空调的故障检测和分类。

目前，公开发表的文献及专利中尚未见有本发明所提出的基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法。

发明内容

本发明的目的在于提供一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，以克服现有相关技术的缺陷，从而更快速、准确地实现对空调的故障检测和分类。

本发明提供了一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，包括以下步骤：

1)获取空调正常和不同故障时运行的特征数据Y＝[y₁,y₂，…,y_N]∈R^N×M，其中，N表示数据的数量，M表示特征数量，特征包括测量变量和操作变量数量；对数据进行归一化处理；

2)利用PCA算法对归一化处理后数据中的特征进行降维后作为训练样本；

3)建立极限随机树分类模型，并利用训练样本进行训练得到针对空调的PCA-极限随机树故障诊断模型；