基于数据挖掘与信息融合的制冷设备故障诊断∗

周旖鋆，武 凯，孙 宇，杨晓燕，楼晓华

（1.南京理工大学机械工程学院 南京，210094） （2.南通四方科技集团股份有限公司 南通，226300）

引言

制冷设备几种故障同时发生时，各单发故障间会相互影响、相互诱导、相互耦合，增加故障诊断系统的误报率和漏报率。因此，开展制冷设备并发故障的诊断具有重要的应用价值。Macalister等［1］基于图论建立了制冷设备的故障诊断模型，但这种模型面对较为复杂的系统时可能给出无效诊断结果。Salvatore等［2］将专家经验的知识库与推理机制相结合对制冷设备故障进行诊断，但这类方法推理过程中存在匹配冲突等问题。Flore等［3］基于主元分析方法在制冷设备故障检测中建立主元模型，通过对比测量数据与正常数据的统计量判断制冷设备是否发生故障，然而这种诊断方法只能执行单一故障诊断。Kumar［4］基于指定元分析（designated cell analysis，简称DCA）方法对制冷系统故障进行了诊断，但由于DCA方法仅在各特征向量相互正交的情况适用，因此当用于并发故障诊断时，诊断结果不够准确。韩 华 等［5］把 支 持 向 量 机（support vector machines，简称SVM）模型用于制冷设备故障诊断研究并得到了较为准确的诊断结果。

为准确检测出制冷设备的并发故障，提出一种基于数据挖掘与信息融合的并发故障诊断方法。首先，采集设备正常工况数据和各类单发故障与并发故障下的数据，并分别建立指定元分析模型和支持向量机模型，为了使指定元分析方法适用于非正交模式，对原来的算法进行改良，提出非完全正交指定元分析方法（non-fully orthogonal designated cell analysis，简称NFODCA）；……