公开(公告)号：CN109902741A

公开(公告)日：2019-06-18

申请号：CN201910148922.X

申请日：2019-02-28

申请人： 上海理工大学

发明人： 韩华 ,  崔晓钰 ,  徐玲 ,  范雨强 ,  武浩 ,  张展

IPC分类号： G06K9/62 ,  G06N3/08 ,  F25B49/00

摘要： 本发明的制冷系统故障诊断方法，包括以下步骤：通过模拟冷水机组故障实验，采集并处理后得到训练组数据和测试组数据；设置深度神经网络的节点数及层数；建立深度神经网络模型，确定深度神经网络的拓扑结构，该拓扑结构包括深度神经网络的输入层数、权值以及阈值；确定深度神经网络的训练步数；在深度神经网络模型中应用训练组数据进行训练后得到故障诊断模型；采用小批量动量随机梯度下降法对深度神经网络进行训练；设置深度神经网络的学习率；计算损失函数C；采用模拟退火算法对学习率进行优化；得到最优学习率；满足训练结束条件，得到训练好的故障诊断模型；使用训练好的故障诊断模型对S2中测试组数据进行故障诊断，得到故障诊断结果。

公开(公告)号：CN108376264A

公开(公告)日：2018-08-07

申请号：CN201810159234.9

申请日：2018-02-26

申请人： 上海理工大学

发明人： 韩华 ,  崔晓钰 ,  范雨强 ,  武浩 ,  徐玲

IPC分类号： G06K9/62

摘要： 根据本发明所涉及的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于，包括以下步骤：S1，收集冷水机组故障历史数据，包括初始训练集数据；S2，对S1中的历史数据进行预处理，得到处理后的初始训练集数据；S3，选择径向基核函数作为SVM(支持向量机)的核函数，构建基于SVM模型的诊断器；S4，在诊断器中应用S2中处理后的初始训练集数据进行训练后得到初始诊断器；S5，现场采集新数据，并对新数据进行预处理得到新样本集；S6，采用增量学习方法自适应更新初始诊断器，得到最终诊断器；S7，实时采集冷水机组的运行数据并进行预处理；S8，将S7中预处理后的运行数据输入到S6中的最终诊断器中，得到诊断结果。