基于Tri-Training的制冷系统半监督故障诊断

TB657.5%TP277; 针对以往制冷系统故障诊断需采用已知运行状态的有标签数据,导致大量无标签数据信息无法利用的问题,本文提出一种基于Tri-Training的制冷系统半监督故障诊断方法,改善制冷系统故障诊断性能.采用一台316 kW离心式冷水机组7类典型故障的实际数据对该诊断方法进行验证,结果表明:该方法具有有效性,挖掘无标签数据信息的Tri-Training半监督故障诊断模型相比支持向量机(SVM)、K近邻(KNN)、随机森林(RF)3种有监督诊断模型,性能显著提高,总体诊断正确率达到99.43%,对系统级故障的诊断正确率提升1.73%~3.90%,虚警率、漏报率、误报率均有不同程度...

Full description

Saved in:
Bibliographic Details
Published in制冷学报 Vol. 43; no. 4; pp. 129 - 144
Main Authors 任正雄, 韩华, 崔晓钰, 陆海龙, 张运乾
Format Journal Article
LanguageChinese
Published 上海理工大学能源与动力工程学院 上海 200093%上海理工大学能源与动力工程学院 上海 200093 01.08.2022
重庆美的通用制冷设备有限公司 重庆 401336%重庆美的通用制冷设备有限公司 重庆 401336
Subjects
Online AccessGet full text
ISSN0253-4339
DOI10.3969/j.issn.0253-4339.2022.04.129

Cover

More Information
Summary:TB657.5%TP277; 针对以往制冷系统故障诊断需采用已知运行状态的有标签数据,导致大量无标签数据信息无法利用的问题,本文提出一种基于Tri-Training的制冷系统半监督故障诊断方法,改善制冷系统故障诊断性能.采用一台316 kW离心式冷水机组7类典型故障的实际数据对该诊断方法进行验证,结果表明:该方法具有有效性,挖掘无标签数据信息的Tri-Training半监督故障诊断模型相比支持向量机(SVM)、K近邻(KNN)、随机森林(RF)3种有监督诊断模型,性能显著提高,总体诊断正确率达到99.43%,对系统级故障的诊断正确率提升1.73%~3.90%,虚警率、漏报率、误报率均有不同程度改善.同时,表明该故障诊断模型中3个基分类器的故障诊断性能及其多样性是影响该模型对制冷系统中无标签数据利用的主要因素.
ISSN:0253-4339
DOI:10.3969/j.issn.0253-4339.2022.04.129