基于決策樹算法的多聯(lián)機(jī)氣液分離器插反故障診斷

劉佳慧劉江巖李紹斌胡文舉李炅陳煥新

(1華中科技大學(xué)能源與動(dòng)力工程學(xué)院 武漢 430074;2珠海格力電器有限公司 珠海 519070;3北京建筑大學(xué)供熱供燃?xì)馔L(fēng)及空調(diào)工程北京市重點(diǎn)實(shí)驗(yàn)室 北京 100044;4合肥通用機(jī)械研究院壓縮機(jī)技術(shù)國家重點(diǎn)實(shí)驗(yàn)室 合肥 230031)

基于決策樹算法的多聯(lián)機(jī)氣液分離器插反故障診斷

劉佳慧1劉江巖1李紹斌2胡文舉3李炅4陳煥新1

(1華中科技大學(xué)能源與動(dòng)力工程學(xué)院 武漢 430074;2珠海格力電器有限公司 珠海 519070;3北京建筑大學(xué)供熱供燃?xì)馔L(fēng)及空調(diào)工程北京市重點(diǎn)實(shí)驗(yàn)室 北京 100044;4合肥通用機(jī)械研究院壓縮機(jī)技術(shù)國家重點(diǎn)實(shí)驗(yàn)室 合肥 230031)

本文將決策樹算法應(yīng)用于多聯(lián)機(jī)氣分插反故障診斷中，搭建了多聯(lián)機(jī)實(shí)驗(yàn)平臺采集數(shù)據(jù)，根據(jù)專家知識及數(shù)據(jù)變化模型驗(yàn)證選取了建模的特征變量，采用決策樹C5.0算法構(gòu)建氣分插反故障診斷模型，進(jìn)一步對由模型分類規(guī)則生成的最優(yōu)變量即過冷器的EEV(電子膨脹閥)進(jìn)行深入分析和驗(yàn)證。結(jié)果表明:將決策樹算法應(yīng)用于多聯(lián)機(jī)氣分插反故障診斷的方法，準(zhǔn)確率為96%，此診斷方法能滿足多聯(lián)機(jī)故障診斷實(shí)際運(yùn)用的需要，并可及時(shí)處理多聯(lián)機(jī)發(fā)生氣分插反故障時(shí)，系統(tǒng)過熱度降低，從而保證多聯(lián)機(jī)系統(tǒng)的制冷效果和能效比，可通過增大過冷器EEV開度調(diào)節(jié)。

決策樹算法;故障診斷;氣分插反;過冷器EEV;多聯(lián)式空調(diào)系統(tǒng)

AbstractThis paper presents a data-mining-based method with a decision tree algorithm to diagnose gas-liquid separator opposite-insertion faults for a variable refrigerant flow(VRF)system.First， the VRF experimental platform was established for data collection.Then， expert knowledge and verification methods for the data variation model were used to select appropriate model variables.The C5.0 decision tree algorithm was employed to develop a fault diagnosis model.Finally，the effect of the electronic expansion valve(EEV)of the subcooler was analyzed and validated;this effect was selected as the best variable on the basis of classification rules generated by the model.The results show that the fault diagnosis method based on the decision tree exhibits desirable effectiveness for diagnosing gas-liquid separator opposite-insertion faults， with which the fault diagnosis accuracy is up to 96%.Moreover， the proposed technique can meet the requirements for online application of fault diagnosis for VRF systems.This method incorporating a decision tree algorithm to diagnose gas-liquid separator opposite-insertion faults for a VRF system exhibits very high accuracy and reliability;therefore，the method can meet the actual demands of fault diagnosis for VRF systems.Because the occurrence of gas-liquid separator opposite-insertion faults corresponds to a reduction in the degree of superheating，increasing the opening of subcooler EEV can ensure the cooling effect and a good energy efficiency ratio.

Keywordsdecision tree algorithm;fault diagnosis;gas-liquid separator opposite-insertion;subcooler EEV;variable refrigerant flow system

氣液分離器[1]作為多聯(lián)機(jī)系統(tǒng)的組件之一，起到分離、儲存回液等重要作用。由于氣液分離器的入口端和出口端極其相似，在多聯(lián)機(jī)系統(tǒng)的組裝、維護(hù)、維修等過程中，工作人員易將氣液分離器插反，即造成氣分插反故障。氣液分離器(下文簡稱“氣分”)插反在一開始對機(jī)組運(yùn)行性能影響不大，但在長期運(yùn)行過程中，會導(dǎo)致壓縮機(jī)產(chǎn)生“液擊”現(xiàn)象，引起壓縮機(jī)異常運(yùn)行、嚴(yán)重影響壓縮機(jī)壽命。在實(shí)際維修過程中，氣分插反故障的隱蔽性較高，容易被維修人員忽略。因此迫切需要通過系統(tǒng)的自動(dòng)故障檢測與診斷技術(shù)來提升對該故障檢測和診斷的可靠性和準(zhǔn)確性。

近年來，國內(nèi)外許多專家學(xué)者已經(jīng)針對空調(diào)系統(tǒng)的自動(dòng)故障檢測與診斷技術(shù)作了深入研究。郝小禮等[2-3]提出了將主元分析法應(yīng)用到空調(diào)系統(tǒng)傳感器故障檢測與診斷，構(gòu)建基于小波分解的故障診斷;在主元分析方法檢測空調(diào)系統(tǒng)故障的研究上，采用小波濾波法過濾異常數(shù)據(jù)，提高故障檢測效率。胡云鵬[4]提出了主元分析法應(yīng)用于冷水機(jī)組傳感器的故障檢測、診斷及重構(gòu)，能明顯提高檢測效率。Li Guannan等[5]提出了一種基于使用PCA模型殘差數(shù)據(jù)的殘差空間的SVDD方法進(jìn)行故障診斷，明顯改善了傳統(tǒng)的主元故障診斷方法。近年來，數(shù)據(jù)挖掘技術(shù)，如主元分析[6]、神經(jīng)網(wǎng)絡(luò)[7]、支持向量機(jī)[8]、決策樹[9]等，已廣泛應(yīng)用于空調(diào)系統(tǒng)的自動(dòng)故障檢測與診斷技術(shù)中。當(dāng)前的數(shù)據(jù)挖掘方法[10]主要包括據(jù)預(yù)測、分類、聚類、序列模式、回歸等，分類技術(shù)之一的決策樹算法具有計(jì)算量小、速度快、易理解等優(yōu)點(diǎn)，在處理較大數(shù)據(jù)集時(shí)具有較好的優(yōu)勢。因此，本文采用決策樹C5.0方法研究了多聯(lián)機(jī)氣分插反故障診斷，分析原理驗(yàn)證故障診斷的準(zhǔn)確性，對于多聯(lián)機(jī)系統(tǒng)的故障診斷具有一定的技術(shù)參考價(jià)值。

1 決策樹原理

分類技術(shù)是數(shù)據(jù)挖掘領(lǐng)域的重要技術(shù)之一，而基于規(guī)則的分類方法是目前重要的一種分類技術(shù)，已被廣泛應(yīng)用?；谝?guī)則的分類方法是指通過給定的閾值，來提取規(guī)則用于分類[11]?；谝?guī)則的分類方法主要包括傳統(tǒng)的基于規(guī)則分類方法(比如決策樹)和關(guān)聯(lián)分類。作為典型的基于規(guī)則的分類方法——決策樹分類是典型的遞歸構(gòu)造，建模結(jié)構(gòu)簡潔且生成規(guī)則易于理解。

決策樹中每一個(gè)非葉結(jié)點(diǎn)(包括根結(jié)點(diǎn))都對應(yīng)訓(xùn)練數(shù)據(jù)集中屬性的測試，每個(gè)分支代表屬性的測試結(jié)果，每個(gè)葉節(jié)點(diǎn)表示一種類別或類分布，從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的一條分支表示一條分類規(guī)則，則整棵決策樹表示一組分類規(guī)則。決策樹采用自頂而下的遞歸方式，進(jìn)行分類決策時(shí)，先從根結(jié)點(diǎn)開始，在非葉結(jié)點(diǎn)處進(jìn)行屬性值的比較，并根據(jù)不同的屬性值判斷從此結(jié)點(diǎn)向下的分支，在葉結(jié)點(diǎn)處得出結(jié)論。

決策樹C5.0算法[12]是在ID3[13]算法、C4.5[14]算法等的基礎(chǔ)上改進(jìn)的算法，采用信息增益率作為屬性選擇標(biāo)準(zhǔn)，信息增益率等于信息增益比上分割信息量的值。

C5.0算法的主要概念為:假設(shè)U為一個(gè)樣本集，共有n類樣本訓(xùn)練集，其中每類樣本數(shù)為pi，i=1，2，…，n。假設(shè)屬性E作為決策樹的根屬性，屬性E取V個(gè)不同的值為{E1，E2，…，EV}，可以利用屬性E將樣本集U劃分為成V個(gè)子集{U1，U2，…，UV}，假設(shè)Ui中含有第j類樣本的個(gè)數(shù)為pij，其中j=1，2，…，n，那么子集Ui的熵[15]為:

屬性E的信息熵為:

將式(1)代入式(2)后可得:

一棵決策樹選擇出正確分類標(biāo)準(zhǔn)屬性的所需信息為:

信息增益:

分割信息量:

信息增益率:

決策樹C5.0算法選擇Gain-ratio(E)最大的屬性E作為最優(yōu)分類屬性，具有處理連續(xù)型和離散型屬性、生成直觀、簡單的決策樹模型等優(yōu)點(diǎn)，故將決策樹C5.0算法應(yīng)用于多聯(lián)機(jī)氣分插反故障診斷。

2 多聯(lián)機(jī)氣分插反故障診斷模型

2.1 數(shù)據(jù)采集

本文在焓差實(shí)驗(yàn)室搭建了多聯(lián)機(jī)系統(tǒng)實(shí)驗(yàn)平臺進(jìn)行數(shù)據(jù)采集。多聯(lián)機(jī)系統(tǒng)結(jié)構(gòu)和主要控制點(diǎn)如圖1所示，實(shí)驗(yàn)系統(tǒng)主要包括1個(gè)室外機(jī)和5個(gè)室內(nèi)機(jī)，其中有兩個(gè)重要的設(shè)備:低壓側(cè)的氣液分離器和高壓側(cè)帶有電子膨脹閥(EEV)的過冷器。壓縮機(jī)吸氣端的回氣過熱度和過冷器的過冷液體溫度是由過冷器控制調(diào)節(jié)[16]。多聯(lián)機(jī)系統(tǒng)通過監(jiān)測設(shè)置制冷循環(huán)系統(tǒng)不同位置的傳感器數(shù)據(jù)，根據(jù)運(yùn)算模塊計(jì)算，從而轉(zhuǎn)化為過冷器EEV開度指令，指令通過輸出模塊來控制電子膨脹閥的開度。實(shí)驗(yàn)均在制冷工況下進(jìn)行。

實(shí)驗(yàn)平臺按照如表1所示的工況進(jìn)行運(yùn)行，采集完整、清晰的實(shí)驗(yàn)數(shù)據(jù)，to為室外溫度。其中全開為5臺室內(nèi)機(jī)全部運(yùn)行，單開為1臺室內(nèi)機(jī)運(yùn)行。

圖1 多聯(lián)式空調(diào)系統(tǒng)結(jié)構(gòu)和主要控制點(diǎn)Fig.1 Construction of VRF system and main control points

表1 系統(tǒng)實(shí)驗(yàn)不同運(yùn)行工況Tab.1 Different operation conditions of system experiment

2.2 特征變量提取

以室外溫度為31℃單開實(shí)驗(yàn)工況為例，進(jìn)行數(shù)據(jù)分析，通過專家知識和構(gòu)建數(shù)據(jù)變化模型驗(yàn)證選取合適的建模特征變量。如圖2實(shí)驗(yàn)變量變化所示，過冷器EEV開度等變量在系統(tǒng)故障后變化明顯，而壓縮機(jī)母線電壓等變量在系統(tǒng)故障后未發(fā)生明顯變化。系統(tǒng)正常運(yùn)行時(shí)保持平穩(wěn)，發(fā)生氣分插反故障后，過冷器EEV開度顯著變大，趨于穩(wěn)定運(yùn)行，而壓縮機(jī)母線電壓未有明顯變化。再結(jié)合多聯(lián)機(jī)系統(tǒng)相關(guān)的專家知識，提取出以下合適的特征變量為:冷凝溫度、蒸發(fā)溫度、壓縮機(jī)排氣溫度、壓縮機(jī)殼頂溫度、壓縮機(jī)模塊溫度、壓縮機(jī)電流、風(fēng)機(jī)模塊溫度、過冷器氣出溫度、過冷器液出溫度、過冷器EEV開度、氣分出管溫度、氣分進(jìn)管溫度等變量。

圖2 實(shí)驗(yàn)變量變化Fig.2 Changes of experimental variables

2.3 構(gòu)建診斷模型

本文將特征數(shù)據(jù)集隨機(jī)分為75%的訓(xùn)練集和25%的測試集。通過訓(xùn)練集構(gòu)建決策樹模型，用測試集驗(yàn)證決策樹的分類精度?；跊Q策樹構(gòu)建氣分插反故障診斷模型的步驟如圖3所示。

圖3 構(gòu)建氣分插反故障診斷模型的步驟Fig.3 Steps of establishing the accumulator oppositely insertion fault diagnosis model

其中用決策樹C5.0算法生成的決策樹模型如圖4所示。

決策樹算法中的cp，具體是指某個(gè)節(jié)點(diǎn)的復(fù)雜性參數(shù)，防止決策樹的過度擬合。由圖5可知，當(dāng)cp=0.1時(shí)，決策樹的最優(yōu)屬性是過冷器EEV開度;當(dāng)cp=0.01時(shí)，模型的最優(yōu)屬性是過冷器EEV開度;當(dāng)cp=0.007，模型的最優(yōu)屬性是過冷器EEV開度。不同cp時(shí)，決策樹的故障診斷準(zhǔn)確率均在96%，說明過冷器EEV開度是模型故障診斷的最優(yōu)屬性，且診斷準(zhǔn)確率很高。另外，當(dāng)cp=0.1時(shí)，可以診斷出故障的最優(yōu)屬性，三棵決策樹均較好擬合。根據(jù)決策樹模型的分類規(guī)則評價(jià)，過冷器EEV開度為最優(yōu)征變量屬性，能診斷出氣分插反故障的發(fā)生。

3 故障診斷結(jié)果

圖4 不同cp時(shí)氣分插反故障診斷決策樹Fig.4 The decision trees of the accumulator oppositely insertion fault diagnosis under different cp value

通過決策樹故障診斷，過冷器EEV開度作為最優(yōu)屬性，能準(zhǔn)確診斷出氣分插反故障。根據(jù)4種不同運(yùn)行工況，分析原理驗(yàn)證故障診斷的準(zhǔn)確性。

1)to=31℃單開工況

采用箱線圖對系統(tǒng)正常和氣分插反故障下的各變量進(jìn)行數(shù)據(jù)統(tǒng)計(jì)。由圖5可知，發(fā)生氣分插反故障后，氣分出管、進(jìn)管溫度明顯下降，壓縮機(jī)的模塊溫度、殼頂溫度、排氣溫度降低，而過冷器的液出溫度、氣出溫度、過冷器EEV開度均增大，其中在系統(tǒng)發(fā)生氣分插反故障時(shí)過冷器EEV開度變化最為明顯。

2)to=31℃全開工況

圖5 to=31℃單開工況各個(gè)變量的變化Fig.5 Change of each variable under working condition of single open and to=31℃

圖6 to=31℃全開工況各個(gè)變量的變化Fig.6 Change of each variable under working condition of widely open and to=31℃

由圖6可知，系統(tǒng)發(fā)生氣分插反故障后，氣分出管溫度有所降低，氣分進(jìn)管溫度無明顯變化，壓縮機(jī)的模塊溫度、殼頂溫度、排氣溫度明顯降低，而過冷器的液出溫度、氣出溫度升高很多，EEV開度增大，其中過冷器EEV開度變化最明顯。

3)to=40℃單開工況

由圖7可知，發(fā)生氣分插反故障后，氣分出管溫度稍有降低，氣分進(jìn)管溫度明顯降低，壓縮機(jī)的模塊溫度、殼頂溫度、排氣溫度降低，而過冷器的液出溫度、氣出溫度、EEV開度增大，其中過冷器EEV開度變化的幅度最明顯。

4)to=40℃全開工況

由圖8可知，發(fā)生氣分插反故障后，氣分出管溫度和氣分進(jìn)管溫度降低，壓縮機(jī)的模塊溫度有一定降低，而殼頂溫度、排氣溫度無直觀變化，過冷器的液出溫度、氣出溫度變化不明顯，EEV開度增大，其中過冷器EEV開度變化最明顯。

多聯(lián)機(jī)氣分插反時(shí)，氣分出管溫度會明顯降低，氣分進(jìn)管溫度降低，壓縮機(jī)的模塊溫度、殼頂溫度、排氣溫度降低，過冷器的液出溫度、氣出溫度、EEV開度增大，其中過冷器EEV開度變化最明顯。系統(tǒng)按不同工況運(yùn)行時(shí)，回氣溫度、回氣過熱度等降低，但運(yùn)行工況不同時(shí)回氣溫度、回氣過熱度等變量變化情況不定，有些工況下無明顯變化，不能準(zhǔn)確可靠地診斷故障的發(fā)生，故障診斷精度差。而過冷器EEV開度作為最優(yōu)變量，在不同運(yùn)行工況下，其變化最為明顯，是診斷氣分插反故障的最優(yōu)變量。

圖7 to=40℃單開工況各個(gè)變量的變化Fig.7 Change of each variable under working condition of single open and to=40℃

圖8 to=40℃全開工況各個(gè)變量的變化Fig.8 Change of each variable under working condition of widely open and to=40℃

如圖1中過冷器EEV結(jié)構(gòu)所示，壓縮機(jī)排出的高溫高壓氣體經(jīng)過室外換熱器冷凝放熱后，分兩路進(jìn)入過冷器:①路與過冷器的液管的進(jìn)口端連接，②路經(jīng)過冷器電子膨脹閥(EEV)節(jié)流降溫后進(jìn)而與過冷器氣管的進(jìn)氣端連通。過冷器氣管的出口段與四通方向閥A接口匯合后一同連接入氣液分離器的氣分進(jìn)管端，而過冷器的液管的出口段與室內(nèi)機(jī)管道連接，進(jìn)入室內(nèi)機(jī)蒸發(fā)換熱。在過冷器內(nèi)部，液管與氣管中制冷劑進(jìn)行換熱。

氣液分離器的氣分出管與壓縮機(jī)進(jìn)氣端連通，氣分出管溫度降低，表明壓縮機(jī)吸氣溫度降低，制冷劑過熱度降低，根據(jù)制冷理論循環(huán)原理，壓縮機(jī)的排氣溫度、殼頂溫度、模塊溫度也隨之降低。多聯(lián)機(jī)系統(tǒng)發(fā)生氣分插反故障后，過冷器的制冷劑液出、氣出溫度降低，系統(tǒng)過熱度降低，壓縮機(jī)排氣溫度降低，系統(tǒng)過冷度發(fā)生變化，為提高制冷效果和能效比，需增大過冷器EEV開度。過冷器EEV開度增大，流經(jīng)過冷器液管的制冷量減少，同時(shí)進(jìn)入氣管的制冷量增大，導(dǎo)致膨脹閥節(jié)流效果變差，氣管中制冷劑溫度降低幅度變小，過冷器液出、氣出溫度提高，調(diào)節(jié)過熱度。系統(tǒng)氣分插反故障的發(fā)生，將影響制冷循環(huán)的過熱度，從而極大影響過冷器EEV開度變化。

4 結(jié)論

本文提出了一種將決策樹算法應(yīng)用到多聯(lián)機(jī)氣分插反故障診斷的方法，搭建多聯(lián)機(jī)系統(tǒng)實(shí)驗(yàn)平臺，采集實(shí)驗(yàn)數(shù)據(jù)，根據(jù)專家知識及數(shù)據(jù)變化模型驗(yàn)證方法選取了合適的建模特征變量，用C5.0算法構(gòu)建多聯(lián)機(jī)氣分插反故障診斷模型，分析驗(yàn)證準(zhǔn)確率，對由模型分類規(guī)則生成的最優(yōu)變量(過冷器EEV開度)進(jìn)行深入分析和驗(yàn)證，得到如下結(jié)論:

1)通過決策樹模型對氣分插反故障進(jìn)行診斷，準(zhǔn)確率高達(dá)96%，具有很高的準(zhǔn)確性和可靠性，這種基于決策樹模型的故障診斷方法能滿足多聯(lián)機(jī)故障診斷實(shí)際運(yùn)用的需要。

2)多聯(lián)機(jī)發(fā)生氣分插反故障，系統(tǒng)過熱度會降低，根據(jù)工作原理，系統(tǒng)通過增大過冷器EEV開度來保證多聯(lián)機(jī)系統(tǒng)的制冷效果和能效比。

本文受供熱供燃?xì)馔L(fēng)及空調(diào)工程北京市重點(diǎn)實(shí)驗(yàn)室研究基金課題(NR2013K02)項(xiàng)目資助。(The project was supported by the 2013 Beijing Municipality Key Laboratory of HVAC&R(No.NR2013K02).)

符號說明

tqfc——?dú)庖悍蛛x器出管溫度，℃

tqfj——?dú)庖悍蛛x器進(jìn)管溫度，℃

tmk——壓縮機(jī)模塊溫度，℃

tkd——壓縮機(jī)殼頂溫度，℃

tpq——壓縮機(jī)排氣溫度，℃

tyc——過冷器液出溫度，℃

tqc——過冷器氣出溫度，℃OEEV——過冷器EEV開度，脈沖

[1]鄭賢德.制冷原理與裝置[M].北京:機(jī)械工業(yè)出版社，2000.(ZHENG Xiande.Refrigeration principle and device[M].Beijing:China Machine Press，2000.)

[2]郝小禮.空調(diào)系統(tǒng)傳感器故障檢測與診斷方法研究[D].長沙:湖南大學(xué)，2003.(HAO Xiaoli.Approach research of sensor fault detection and diagnosis in HVAC system[D].Changsha:Hunan University，2003.)

[3]郝小禮，陳友明，張國強(qiáng).小波濾波在小故障檢測中的應(yīng)用[J].暖通空調(diào)，2005，35(8):138-140.(HAO Xiaoli， CHEN Youming， ZHANG Guoqiang.Application of wavelet filtering to small fault detection[J].Journal of HV&AC，2005，35(8):138-140.)

[4]胡云鵬.基于主元分析的冷水機(jī)組傳感器故障檢測效率研究[D].武漢:華中科技大學(xué)，2013.(HU Yunpeng.Study on the PCA-based sensor fault detection efficiency of the water-cooled chiller[D].Wuhan:Huazhong University of Science and Technology，2013.)

[5]LI Guannan， HU Yunpeng， CHEN Huanxin， et al.An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm[J].Energy and Buildings，2016，116:104-113.

[6]黃彬彬，谷波，任能.基于主元分析的制冷系統(tǒng)漸變故障檢測[J].制冷學(xué)報(bào)，2009，30(1):56-62.(HUANG Binbin， GU Bo， REN Neng.Gradual faults detection of refrigeration system based on principal component analysis[J].Journal of Refrigeration，2009，30(1):56-62.)

[7]石書彪，陳煥新，李冠男，等.基于小波去噪和神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組故障診斷[J].制冷學(xué)報(bào)，2016，37(1):12-17.(SHI Shubiao， CHEN Huanxin， LI Guannan， et al.Fault diagnosis of chillers based on neural network and wavelet denoising[J].Journal of Refrigeration，2016， 37(1):12-17.)

[8]SUN Kaizheng， LI Guannan， CHEN Huanxin， et al.A novel efficient SVM-based fault diagnosis method for multisplit air conditioning system′s refrigerant charge fault amount[J].Applied Thermal Engineering， 2016， 108:989-998.

[9]GERDES M.Decision trees and genetic algorithms for condition monitoring forecasting of aircraft air conditioning[J].Expert Systems with Applications， 2013， 40(12):5021-5026.

[10]張開.基于誤判成本的決策樹C5.0算法的優(yōu)化分析[D].太原:山西大學(xué)，2014.(ZHANG Kai.The analysis and optimization of C5.0 algorithm of decision tree based on misclassification cost[D].Taiyuan:Shanxi University，2014.)

[11]陳煥新，孫劭波，劉江巖，等.數(shù)據(jù)挖掘技術(shù)在制冷空調(diào)行業(yè)的應(yīng)用[J].暖通空調(diào)，2016，46(3):20-26.(CHEN Huanxin， SUN Shaobo， LIU Jiangyan， et al.Application of data mining technology to refrigeration and conditioning industry[J].Journal of HV&AC， 2016， 46(3):20-26.)

[12]汪雪軍.基于規(guī)則的分類方法研究[M].漳州:閩南師范大學(xué)，2013.(WANG Xuejun.The research on rulebased classification approach[M].Zhangzhou:Minnan Normal University，2013.)[13]毛國君，段立娟，王實(shí)，等.數(shù)據(jù)挖掘原理與算法[M].北京:清華大學(xué)出版社，2005.(MAO Guojun，DUAN Lijuan， WANG Shi， et al.Principle and algorithm of data mining[M].Beijing:Tsinghua University Press，2005.)

[14]BREIMAN L，F(xiàn)RIEDMAN J H，OLSHEN R A，et al.Classification and regression trees[M].Monterey，CA:Wadsorth International Group，1984.

[15]謝妞妞，劉於勛.決策樹屬性選擇標(biāo)準(zhǔn)的改進(jìn)[J].計(jì)算機(jī)工程與應(yīng)用，2010，46(34):115-118.(XIE Niuniu，LIU Yuxun.Improvement of attribute selection criterion of decision trees[J].Computer Engineering and Applications， 2010， 46(34):115-118.)

[16]LI Guannan， HU Yunpeng， CHEN Huanxin， et al.Extending the virtual refrigerant charge sensor(VRC)for variable refrigerant flow(VRF)air conditioning system using data-based analysis methods[J].Applied Thermal Engistate models for vapor-compression liquid chillers[J].Applied Thermal Engineering， 2003， 23(5):539-556.

[16]田柏秋，潘毅群，黃治鐘.離心式冷水機(jī)組經(jīng)驗(yàn)回歸模型的分析與評價(jià)[J].建筑節(jié)能，2014，42(2):15-20.(TIAN Baiqiu， PAN Yiqun， HUANG Zhizhong.Analysis and evaluation of empirically based steady-state models for centrifugal chillers[J].Building Energy Efficiency， 2014，42(2):15-20.)

[17]ASHRAE.ASHRAE Handbook-HVAC Applications[CP].Atlanta， USA，2011.neering， 2016， 93:908-919.

Opposite-insertion Fault Diagnosis for Gas-liquid Separator in Variable Refrigerant Flow(VRF)System based on Decision Tree Algorithm

Liu Jiahui1Liu Jiangyan1Li Shaobin2Hu Wenju3Li Jiong4Chen Huanxin1
(1.Department of Refrigeration&Cryogenics， Huazhong University of Science and Technology， Wuhan， 430074，China;2.Gree Electric Appliances， Inc.of Zhuhai， Zhuhai， 519070， China;3.Beijing University of Civil Engineering and Architecture， Beijing， 100044， China;4.State Key Laboratory of Compressor Technology， Hefei General Machinery Research Institute， Hefei， 230031， China)

TU831.3;TP306.3;TP311.13

A

國家自然科學(xué)基金(51576074&51328602)和2013年壓縮機(jī)技術(shù)國家重點(diǎn)實(shí)驗(yàn)室開放基金(0214120035)資助項(xiàng)目。(The project was supported by the National Natural Science Foundation of China(No.51576074&No.51328602)and 2013 National Laboratory of Compressor Technology Open Fund Project(No.0214120035).)

2016年11月3日

0253-4339(2017)05-0001-07

10.3969/j.issn.0253-4339.2017.05.001

陳煥新，男，教授，華中科技大學(xué)能源與動(dòng)力工程學(xué)院，(027)87558330，E-mail:chenhuanxin@tsinghua.org.cn。研究方向:制冷空調(diào)系統(tǒng)計(jì)算機(jī)模擬及優(yōu)化，制冷空調(diào)設(shè)備開發(fā)及新技術(shù)，車輛制冷及其測控技術(shù)。

About the corresponding authorChen Huanxin， male， professor，Department of Refrigeration&Cryogenics， Huazhong University of Science and Technology， +86 27-87558330，E-mail:chenhuanxin@tsinghua.org.cn.Research fields:computer simulation and optimization of refrigeration and air conditioning system，development in the new technologies of refrigeration and air conditioning equipment，and measurement and control technology of vehicle refrigeration.