基于遗传算法和支持矢量机参数优化的制冷机组故障检测与诊断研究

　　0 前言

　　及时、有效地故障诊断有助于及时排除故障，减少制冷机组故障运行导致的能量及维修方面的耗费，并可减轻因此产生的诸如舒适、生产效率等方面的负面影响。故障诊断是一个典型的模式识别过程，或多类分类问题，须采取有效手段对监测信息进行尽可能准确的分类。

　　遗传算法借鉴生物界自然选择和遗传机制，采用概率的变迁规则指导搜索方向，非常适用于特征与参数的提取及优化[1]。支持矢量机是一种基于结构风险最小化的新型机器学习方法，通过核函数将样本映射到高维特征空间，转化为线性问题，可以较好地解决模式识别中非线性、高维度、小样本等实际问题，并克服了神经网络学习方法中网络结构难确定、收敛速度慢、局部极小、过学习与欠学习以及训练时需要大量样本等不足，具有良好推广性能，并在机械故障诊断中得到较多应用研究[2-7]，在暖通空调和制冷领域的应用较为鲜见[8-9]。

　　本文将遗传算法与支持矢量机结合，利用前者良好的搜索能力及后者良好的分类能力，实现对故障特征的有效提取和故障样本的有效识别。因支持矢量是全部样本中真正决定最佳分类超平面的样本，支持矢量机事实上是对样本信息的提炼，因此，本文所述模型可从故障特征和故障样本两个维度上去除冗余，并采用网格搜索与交叉验证方法优化支持矢量机参数，多角度、多层面优化分类性能，提高检测及诊断准确率，减少诊断时间。

　　1 研究对象

　　本文的研究对象来自文献[10-11]，为一台 90 冷吨(约 316 kW)的离心式制冷机组，蒸发器和冷凝器均为壳管式换热器，管程为水，下进上出，蒸发器侧制冷剂下进上出，冷凝器侧制冷剂上进下出。7种典型的渐变故障(表 1)通过特殊设计的试验台模拟(图 1)，在 27 个运行工况下测试。为便于分析，表 1 中缩略词将在后文中使用。图 1 中，除机组内部基本的制冷剂环路外，另有 5 个辅助环路：冷冻水环路，冷却水环路，热水环路，城市供水和蒸汽供应。蒸汽供应和热水环路联合模拟建筑负荷，城市供水带走冷凝排热，蒸发器与冷凝器间的水—水换热器辅助冷热平衡。图 1 中英文字符表示 8 个故障指示特征。

　　每种故障包含 4 个故障程度，多为 10%、20%、30%和 40%，以制冷剂泄漏或充注不足为例，其试验故障程度如表 2 所示。数据采集系统如图 2 所示，采集间隔为 10 s，获取参数 64 个，其中 16 个为VisSim 软件实时计算，48 个为传感器直接测得，包括温度 29 个，压力 5 个，流量 5 个，阀位 7 个，压缩机功率和电流，制冷性能系数、压缩机效率等。8个后文述及的故障指示特征示于图 1 中，全部特征信息参见文献[10]。