论文部分内容阅读
食品冷链的发展离不开冷库的使用,但冷库造成的能耗也不容忽视,而其中的制冷机组是主要能耗设备,尤其是在机组故障时,会增加系统能耗,使设备的使用寿命减少。因此,对制冷系统的故障预测和诊断技术非常重要,要在故障发生时及时、准确的判断出故障类型,甚至在故障发生前预判故障,以避免故障的发生。由于目前制冷领域的故障诊断与预测技术多为对空调的研究,对制冷系统用于更低温度下的研究较少,且将蒸发器结霜作为故障类型进行的模式识别研究也很少,因此,本文选择冷库中非常常见且难以避免的蒸发器结霜故障为主要研究内容进行模式识别和故障分类。目前用于故障诊断的方法分为解析模型、知识、信号处理和数据挖掘的方法。大数据时代的到来使故障诊断可以采用数据挖掘的方法,不仅能够根据数据随时更新故障诊断模型,而且相对简单。数据挖掘算法中现在很热门的深度学习的基础就是神经网络,且神经网络不仅用于数据挖掘,在人工智能和模式识别方面都有广泛的应用,因此本文采用神经网络算法对冷库制冷系统的蒸发器结霜过厚故障建立诊断与预测模型。首先,对蒸气压缩式制冷系统进行热力学分析和主要渐变型故障的理论分析,选取系统运行和判断故障需要的特征参数用于实验中测量参数的确定,取主要故障中的蒸发器结霜故障进行故障程度的诊断与预测,并将结霜的实验数据根据制冷量的降低量分为轻度结霜、中度结霜、重度结霜三个程度。然后,对18个不同工况下获得的127620组结霜实验数据分别建立BP神经网络和Elman神经网络、PCA-BP神经网络和PCA-Elman神经网络模型,仿真结果显示:(1)降低目标误差可以使模型故障诊断的效果更好,训练精度更高。(2)十次十折交叉验证能够提高BP神经网络和Elman神经网络的模型测试集的准确率,有效减少了过拟合,模型性能更好,泛化能力更高。BP神经网络的性能在有和无十折交叉验证的情况下,其最优网络准确率都略高于Elman神经网络,但Elman神经网络的训练时间较短,速度较快。对比有和无十折交叉验证的BP神经网络和Elman神经网络发现,有十折交叉验证的Elman神经网络更好,其训练集、验证集和测试集的准确率都较高,而且训练时间相对有十折交叉验证的BP神经网络少约11h。(3)相同模型参数下的Elman神经网络和BP神经网络的训练集、验证集准确率相差不大,但Elman神经网络测试集的准确率更稳定。(4)对比PCA-BP神经网络和BP神经网络可见PCA-BP神经网络可以在保证准确率的同时缩短模型训练时间。对比PCA-Elman神经网络和Elman神经网络可见训练时间差得多时,PCA-Elman神经网络测试集准确率更高,即泛化能力更好。(5)PCA-BP神经网络和PCA-Elman神经网络训练集和验证集准确率相差不大,但最优情况下,PCA-Elman网络测试集准确率为93.167%,高于PCA-BP网络的91.279。且PCA-Elman神经网络相对Elman神经网络来说训练集、验证集和测试集的准确率都更高,训练时间相差不大,所以PCA-Elman神经网络训练模型的性能更佳。因此,在选择模型的时候可以选用最佳隐含层节点数下的PCA-Elman模型进行十次十折交叉验证,取最优结果。(6)所有模型的准确率都可以达到90%以上,都具有良好的诊断性能。并且通过比较不同训练函数时PCA-Elman神经网络的结果,选择训练时间更短、泛化能力较高的trainbr训练函数进行十折交叉验证,其最优结果的泛化能力均高于之前的最优结果,且训练时间相对其他十折交叉验证的网络缩短将近十分之一。因此,相比之下,在最佳隐含层节点数下,采用trainbr训练函数建立PCA-Elman神经网络模型能够达到更好的诊断效果。