基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的多聯(lián)機(jī)閥類故障診斷

(1 華中科技大學(xué)能源與動力工程學(xué)院 武漢 430074； 2 空調(diào)設(shè)備及系統(tǒng)運(yùn)行節(jié)能國家重點(diǎn)實(shí)驗(yàn)室 珠海 517907； 3 珠海格力電器股份有限公司 珠海 517907)

多聯(lián)機(jī)具有節(jié)能高效、控制方便和安裝靈活等特點(diǎn)，被廣泛用于各種公共建筑物，其中多聯(lián)機(jī)的電子膨脹閥和四通閥在制冷劑流量調(diào)節(jié)和流向轉(zhuǎn)換上發(fā)揮著重要作用，一旦發(fā)生故障會導(dǎo)致舒適性降低，能耗增加。

神經(jīng)網(wǎng)絡(luò)、主元分析及決策樹等算法[1-5]常用于故障診斷和檢測的研究中，神經(jīng)網(wǎng)絡(luò)非線性映射能力較強(qiáng)，精度較高，適合求解多故障分類問題。結(jié)合相應(yīng)的算法建模時，由于故障特征和故障類別的對應(yīng)關(guān)系不清晰，一般采用大量原始故障特征進(jìn)行建模，導(dǎo)致計(jì)算效率降低，嚴(yán)重時會降低診斷精度，所以需要對故障特征進(jìn)行優(yōu)化選擇。遺傳算法[6]是借鑒生物界自然選擇和進(jìn)化的隨機(jī)化搜索算法，無需考慮函數(shù)的具體形式，非常適用于特征與參數(shù)的優(yōu)化選擇。姚文俊[7]介紹了遺傳算法在故障診斷中搜索最優(yōu)特征變量的應(yīng)用。趙云等[8-9]利用遺傳算法進(jìn)行特征選擇，從而大幅降低了分類系統(tǒng)的搜索空間。韓華等[10-11]利用遺傳算法針對冷水機(jī)組故障特征進(jìn)行選擇，優(yōu)化了特征空間，提高了故障診斷效率和正確率。段侯峰等[12-14]利用遺傳算法優(yōu)化各種基于神經(jīng)網(wǎng)絡(luò)的機(jī)械故障模型的結(jié)構(gòu)參數(shù)，使模型更加精確。因此，本文利用遺傳算法在優(yōu)化選擇上的優(yōu)勢，在原始特征集中搜索最優(yōu)特征子集，與帶參數(shù)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立多聯(lián)機(jī)閥類故障診斷模型，與基于原始特征集的神經(jīng)網(wǎng)絡(luò)故障診斷模型相比，故障檢測及診斷正確率得到提高。

1 多聯(lián)機(jī)閥類數(shù)據(jù)來源

本文以一臺額定制冷量為45 kW，制冷劑為R410A的多聯(lián)機(jī)系統(tǒng)為研究對象，該多聯(lián)機(jī)實(shí)驗(yàn)系統(tǒng)如圖1所示，共有5個室內(nèi)機(jī)，編號為1、2、3、4、5，1個室外機(jī)，為保證多聯(lián)機(jī)的正常運(yùn)行，多聯(lián)機(jī)上布有多個傳感器，分別用來測量溫度、壓力、閥門開度、壓縮機(jī)及風(fēng)機(jī)頻率等，共41個參數(shù)。其中溫度測點(diǎn)與壓力測點(diǎn)已在圖上標(biāo)出。首先，在制冷和制熱工況下分別正常運(yùn)行多聯(lián)機(jī)系統(tǒng)，獲得該多聯(lián)機(jī)正常運(yùn)行的數(shù)據(jù)。然后，進(jìn)行閥類故障實(shí)驗(yàn)，故障實(shí)驗(yàn)分別為其中任意一個室內(nèi)機(jī)電子膨脹閥卡死1(故障程度：卡在0開度)、電子膨脹閥泄漏、電子膨脹閥卡死2(故障程度：卡在最大開度)、四通閥故障，加上正常數(shù)據(jù)分別用標(biāo)簽A1-A5表示。神經(jīng)網(wǎng)絡(luò)輸出結(jié)果中，采用向量表示各故障類型，1表示運(yùn)行狀況，越接近1，表示越接近運(yùn)行狀態(tài)。如表1所示。

圖1 多聯(lián)機(jī)實(shí)驗(yàn)系統(tǒng)Fig.1 The VRF experimental system

表1 閥類故障類型的向量表示

2 多聯(lián)機(jī)閥類故障診斷模型

多聯(lián)機(jī)閥類故障診斷模型利用遺傳算法對原始故障特征集進(jìn)行優(yōu)化選擇，結(jié)合BP神經(jīng)網(wǎng)絡(luò)建模。

2.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)[15]由于其函數(shù)信號正向傳遞，誤差信號反向傳播的特點(diǎn)，在神經(jīng)網(wǎng)絡(luò)中最重要、應(yīng)用最多。如圖2所示，BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，通過不斷調(diào)整權(quán)值、閾值達(dá)到期望輸出。數(shù)據(jù)經(jīng)輸入層節(jié)點(diǎn)進(jìn)入神經(jīng)網(wǎng)絡(luò)模型，通過傳遞函數(shù)傳遞到隱含層，隱含層可以是單層或者多層，隱含層將變換處理過的數(shù)據(jù)通過傳遞函數(shù)傳遞到輸出層進(jìn)行下一步處理。當(dāng)實(shí)際輸出與期望輸出不符時，誤差信號將反向傳播，誤差通過輸出層，按誤差梯度下降的方式逐層修正各層權(quán)值、閾值，函數(shù)信號的正向傳遞和誤差信號的反向傳播將反復(fù)進(jìn)行直到滿足期望輸出。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障建模時，神經(jīng)網(wǎng)絡(luò)的參數(shù)如傳遞函數(shù)、訓(xùn)練函數(shù)、學(xué)習(xí)率以及隱含層節(jié)點(diǎn)數(shù)等直接影響故障分類的精度。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network structure diagram

2.2 基于遺傳算法的故障特征選擇

故障診斷是針對診斷對象的故障模式進(jìn)行分類和識別，或者根據(jù)專家經(jīng)驗(yàn)等方法推斷出故障所在部位和嚴(yán)重程度的過程，由于一種故障往往會伴隨著多種故障特征，多種故障也可能引起同一故障特征，故障特征和故障類別的對應(yīng)關(guān)系不清晰。因此，人們往往提出大量原始特征進(jìn)行故障識別，降低了故障診斷效率，嚴(yán)重時會影響故障診斷正確率。遺傳算法采用自選擇、交叉遺傳和變異等遺傳過程尋找最優(yōu)的故障特征集，如圖3所示，具體步驟如下：

1)隨機(jī)初始化一定數(shù)量的特征集：隨機(jī)生成一定數(shù)量的二進(jìn)制向量作為父代，每個向量代表一個隨機(jī)特征集，即原始特征集的一個子集，整個二進(jìn)制編碼的長度為原始特征集中的特征數(shù)，1表示該特征存在，0表示特征不存在。

2)選擇一定數(shù)量的父代進(jìn)行交叉和變異：利用適應(yīng)度函數(shù)評估種群的個體，按適應(yīng)度值進(jìn)行錦標(biāo)賽選擇，被選擇的父代按一定的比例進(jìn)行兩點(diǎn)交叉和單點(diǎn)變異，生成子代。

圖3 遺傳算法特征選擇的流程Fig.3 The flow chart of feature extraction based on GA algorithm

3)采用精英保留策略優(yōu)化子代：變異操作之后比較當(dāng)前最優(yōu)個體與歷史最優(yōu)個體，并將最優(yōu)個體直接復(fù)制替換最差個體，得到子代新種群。

4)找到滿足條件的特征集：當(dāng)遺傳代數(shù)達(dá)到設(shè)定值，或者最佳適應(yīng)度值基本不變時，繼續(xù)迭代結(jié)果無明顯改善，結(jié)束計(jì)算，否則回到2繼續(xù)計(jì)算。用于評估種群個體好壞的適應(yīng)度函數(shù)Ffitness為：

Ffitness=100(1-σvalve)+1

(1)

式中：σvalve為多聯(lián)機(jī)閥類故障診斷的正確率。與神經(jīng)網(wǎng)絡(luò)相結(jié)合時，σvalve為利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類的預(yù)測準(zhǔn)確率。

優(yōu)化特征變量是將某一特征是否參與建模為研究對象，每個特征變量只有存在和不存在兩種可能，為典型的離散型變量，遺傳過程針對二進(jìn)制編碼后的向量進(jìn)行操作。本文的遺傳代數(shù)設(shè)為100，群體規(guī)模為40，交叉概率為0.7，變異概率為0.017。

2.3 多聯(lián)機(jī)閥類故障診斷復(fù)合模型

多聯(lián)機(jī)的閥類故障診斷復(fù)合模型的執(zhí)行流程如圖4所示。首先，輸入數(shù)據(jù)按比例隨機(jī)劃分為訓(xùn)練集和測試集，均進(jìn)行數(shù)據(jù)歸一化處理。然后，采用遺傳算法針對訓(xùn)練集進(jìn)行故障特征的選取和神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，得到最優(yōu)特征子集。同時對神經(jīng)網(wǎng)絡(luò)的參數(shù)如傳遞函數(shù)、訓(xùn)練函數(shù)、神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)等進(jìn)行優(yōu)化選擇。最后，利用測試集對訓(xùn)練好的的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，得到診斷結(jié)果。

2.4 多聯(lián)機(jī)閥類故障診斷復(fù)合模型評價準(zhǔn)則

采用混淆矩陣[16]比較真實(shí)故障分類和模型預(yù)測結(jié)果。模型的整體診斷率和各故障檢測率分別為：

(2)

(3)

式中：σmodel為模型整體診斷正確率；σi為各故障檢測率；Ci為第i個故障預(yù)測正確的個數(shù)；N為測試集的樣本數(shù)；Ni為測試集中第i個故障的樣本數(shù)。

圖4 多聯(lián)機(jī)的閥類故障診斷復(fù)合模型流程圖Fig.4 The flow chart of the VRF valve fault diagnosis model

3 多聯(lián)機(jī)閥類診斷性能結(jié)果分析

將實(shí)驗(yàn)穩(wěn)態(tài)后的數(shù)據(jù)選取16 478個樣本，并隨機(jī)選取3/4的數(shù)據(jù)劃分為訓(xùn)練集，1/4的數(shù)據(jù)劃分為測試集。

3.1 BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化選擇

為了消除量綱的影響，將基于BP神經(jīng)網(wǎng)絡(luò)的多聯(lián)機(jī)故障診斷模型的輸入數(shù)據(jù)進(jìn)行歸一化，由于歸一化的數(shù)據(jù)范圍均在[-1,1]之間，故采用tansig正切s型傳遞函數(shù)。神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)設(shè)為故障特征個數(shù)，隱含層節(jié)點(diǎn)數(shù)、學(xué)習(xí)率等參數(shù)采用經(jīng)驗(yàn)和試錯法進(jìn)行優(yōu)化。

BP神經(jīng)網(wǎng)絡(luò)用于模式分類的常用訓(xùn)練函數(shù)[17]為：′trainrp′，′traingdx′,′trainscg′,′trainoss′, ′trainbr′, ′trainlm′。針對多聯(lián)機(jī)閥類故障分類模型，采用建立不同訓(xùn)練函數(shù)進(jìn)行建模，圖5所示為不同的訓(xùn)練函數(shù)對故障診斷效率和正確率的影響?？梢钥闯?，這些訓(xùn)練函數(shù)相較于傳統(tǒng)的梯度下降訓(xùn)練函數(shù)′traingd′，檢測時間從250 s降到60 s以內(nèi)(檢測時間與電腦配置有關(guān)，為Intel(R)Pentium(R)CPU B940 (2.00 GHz),2.00 GB內(nèi)存)，故障診斷正確率從70%提高到80%以上，訓(xùn)練函數(shù)的選擇不同能顯著提高故障診斷正確率及效率。其中′trainrp′和′trainbr′訓(xùn)練函數(shù)的檢測時間均較少，檢測正確率較高，達(dá)到95%，但′trainbr′(貝葉斯正則化算法)內(nèi)存需求較大，故采用′trainrp′訓(xùn)練函數(shù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模。

圖5 不同訓(xùn)練函數(shù)對故障診斷效率和正確率的影響Fig.5 The influence of different training functions on the fault diagnosis accuracy and efficiency

3.2 采用原始特征集建立基于參數(shù)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果

將41個原始特征數(shù)據(jù)輸入?yún)?shù)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)建模，得到的混淆矩陣如表2所示。

由式(2)可得，采用原始特征建立的BP神經(jīng)網(wǎng)絡(luò)的故障診斷正確率為：[741+463+585+1 031+1 038)/4 119]×100%=96.09%。

表2 基于原始特征集建模得的閥類故障混淆矩陣

由映射定理分析[18]可知，一個單層隱含層的BP神經(jīng)網(wǎng)絡(luò)能夠以期望的精度逼近任意非線性函數(shù)，因而單層隱含層的BP神經(jīng)網(wǎng)絡(luò)故障診斷模型能夠?qū)Χ嗦?lián)機(jī)進(jìn)行閥類故障診斷。

采用原始特征建立的BP神經(jīng)網(wǎng)絡(luò)故障診斷正確率為96.09%。由表2可知，電子膨脹閥故障的檢測結(jié)果相對較差，其中，A1故障中有87個樣本錯誤預(yù)測為A3故障，A2故障中有12個樣本錯誤預(yù)測為A1故障，A3故障中有62個樣本錯誤預(yù)測為A1故障。

3.3 基于GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

按照圖4流程所示建立基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的故障診斷模型，遺傳代數(shù)設(shè)為100。適應(yīng)度值的變化隨著遺傳代數(shù)的變化如圖6所示。隨著遺傳代數(shù)的增加，適應(yīng)度函數(shù)值先下降后保持不變，說明故障診斷率得到提高，并最終趨于穩(wěn)定。

優(yōu)化得到的模型診斷率由式(1)反推為：1-(1.728 3-1)/100=99.27%。優(yōu)化后得到的故障混淆矩陣如表3所示。

對比采用原始特征集建立的BP神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果與采用遺傳算法優(yōu)化特征集后的模型診斷結(jié)果，可以看出，相對于原始BP神經(jīng)網(wǎng)絡(luò)，用遺傳優(yōu)化得到最優(yōu)特征子集后的神經(jīng)網(wǎng)絡(luò)模型整體故障診斷率和故障檢測率均得到提高。

圖6 適應(yīng)度值隨遺傳代數(shù)的變化Fig.6 The fitness function value changes with genetic algebra

表3 基于特征優(yōu)化后得到的閥類故障混淆矩陣

3.4 優(yōu)化前后各故障的檢測結(jié)果分析

優(yōu)化前后各故障的檢測率如表4和圖7所示，only-BPNN為采用原始特征集建模檢測結(jié)果，GA-BPNN為優(yōu)化特征集后建模的檢測結(jié)果。可以看出，采用原始特征集進(jìn)行建模時，電子膨脹閥卡死1的故障檢測率為89.49%，電子膨脹閥泄漏的檢測率為97.47%，電子膨脹閥卡死2的故障檢測率為89.72%。利用遺傳算法優(yōu)化后的電子膨脹閥的故障檢測率均得到提高，電子膨脹泄漏的故障檢測率達(dá)到100%，電子膨脹閥卡死1和電子膨脹閥卡死2的故障分別提高到98.21%和97.72%。本文利用遺傳算法對多聯(lián)機(jī)閥類故障的原始特征集進(jìn)行選擇提取最優(yōu)特征子集，利用特征子集作為模型輸入，降低了輸入數(shù)據(jù)的維度，故優(yōu)化后模型的運(yùn)行效率提高，測試集的診斷與檢測的耗時從23 s減至11 s，測試時間縮短了52.17%。

表4 兩類模型檢測正確率與耗時對比

圖7 優(yōu)化前后各故障檢測率比較Fig.7 Comparison of fault detection rate before and after optimization

基于遺傳算法篩選出的最優(yōu)特征變量集為：室外環(huán)境溫度、室內(nèi)環(huán)境溫度1、室內(nèi)環(huán)境溫度2、室內(nèi)環(huán)境溫度3、室內(nèi)環(huán)境溫度4、室內(nèi)環(huán)境溫度5、過冷器EXV、壓縮機(jī)排氣溫度、模塊高壓、四通閥狀態(tài)、過冷器氣出溫度、入管溫度1、入管溫度2、入管溫度3、入管溫度4、入管溫度5、出管溫度2、出管溫度3，共18個特征變量(1、2、3、4、5代表對應(yīng)室內(nèi)機(jī)的編號)。結(jié)合專家經(jīng)驗(yàn)可知，由于多聯(lián)機(jī)的工作特性，每個室內(nèi)機(jī)可以獨(dú)立開啟運(yùn)行或關(guān)閉，通過室內(nèi)環(huán)境溫度和室外環(huán)境的對比，可以判斷該室內(nèi)機(jī)是否處于工作狀態(tài)。制冷(制熱)工況下，發(fā)生電子膨脹閥卡死1(卡在0開度)故障時，故障機(jī)的入管溫度升高(降低)，且接近室內(nèi)環(huán)境溫度，其他室內(nèi)機(jī)由于制冷劑流量變大導(dǎo)致出管溫度降低(升高)；發(fā)生電子膨脹閥卡死2(卡在最大開度)故障[4]時，故障機(jī)的入管溫度升高(降低)，其他室內(nèi)機(jī)由于制冷劑流量變小導(dǎo)致出管溫度升高(降低)。故障機(jī)發(fā)生電子膨脹閥泄漏[19]時，即不參與工作的室內(nèi)機(jī)的電子膨脹閥發(fā)生故障不能完全關(guān)上，制冷劑從故障機(jī)泄漏，此時電子膨脹閥前后壓差較大，節(jié)流孔徑很小，節(jié)流后制冷劑的溫度低，導(dǎo)致故障室內(nèi)機(jī)的入管溫度較低，由于泄漏的部分制冷劑于與空氣進(jìn)行自然對流換熱，自然對流換熱量很小，故壓縮機(jī)排氣溫度降低。多聯(lián)機(jī)的四通閥發(fā)生故障時，即在制熱模式下會發(fā)生轉(zhuǎn)向故障，低溫低壓的制冷劑仍流向室內(nèi)機(jī)，此時模塊高壓降低，室內(nèi)機(jī)進(jìn)出管溫度降低。可以看出，各閥類故障發(fā)生時，導(dǎo)致多個故障特征異常發(fā)生，遺傳算法選出的特征變量子集能很好地表征故障發(fā)生后的異常變化。

4 結(jié)論

本文結(jié)合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)建立了一種針對多聯(lián)機(jī)閥類故障的檢測與診斷復(fù)合模型。該模型將多聯(lián)機(jī)閥類故障實(shí)驗(yàn)得到的各閥類故障數(shù)據(jù)作為多聯(lián)機(jī)閥類故障的原始特征集，利用遺傳算法對特征集進(jìn)行搜索，得到最優(yōu)特征子集，以最優(yōu)特征子集的數(shù)據(jù)作為參數(shù)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的輸入，從而診斷和檢測出多聯(lián)機(jī)的閥類故障。得到如下結(jié)論：

1)在建立基于BP神經(jīng)網(wǎng)絡(luò)的多聯(lián)機(jī)閥類故障診斷模型的過程中，神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化能直接改善診斷性能。神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化后，故障診斷正確率顯著提高。

2)利用遺傳算法對原始特征變量集進(jìn)行優(yōu)化選擇，從41個特征變量中選擇18個特征變量組成最優(yōu)特征子集，相較于原始的特征變量集，利用最優(yōu)特征集進(jìn)行神經(jīng)網(wǎng)絡(luò)的建模，故障診斷正確率從96.09%提高到99.27%，測試時間縮短了52.17%，提高了故障檢測及診斷正確率。

[1] 石書彪，陳煥新，李冠男，等.基于改進(jìn)BP網(wǎng)絡(luò)的冷水機(jī)組故障診斷[J].制冷學(xué)報, 2015, 36(6):34-39.(SHI Shubiao, CHEN Huanxin, LI Guannan, et al. Research on fault diagnosis of chillers based on improved BP network[J]. Journal of Refrigeration, 2015, 36(6):34-39.)

[2] 王江宇，陳煥新，劉江巖，等. 基于PCA-DT的多聯(lián)機(jī)制冷劑充注量故障診斷[J]. 華中科技大學(xué)學(xué)報(自然科學(xué)版), 2016, 44(7):1-4.(WANG Jiangyu, CHEN Huanxin, LIU Jiangyan, et al. PCA-DT based refrigerant charge fault diagnosis for variable refrigerant flow system[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition), 2016, 44(7):1-4.)

[3] 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, 2016, 37(1):12-17.(SHI Shubiao, CHEN Huanxin, LI Guannan, et al. Fault diagnosis of chillers based on network and wavelet denoising[J].Journal of Refrigeration, 2016, 37(1):12-17.)

[4] GUO Yabin, LI Guannan, CHEN Huanxin, et al. Modularized PCA method combined with expert-based multivariate decoupling for FDD in VRF systems including indoor unit faults[J]. Applied Thermal Engineering, 2017, 115:744-755.

[5] GUO Yabin, LI Guannan, CHEN Huanxin, et al. An enhanced PCA method with Savitzky-Golay method for VRF system sensor fault detection and diagnosis[J]. Energy & Buildings, 2017, 142:167-178.

[6] GOLDBERG D E. Genetic algorithms in search, optimization, and machine learning[M]. Addison-Wesley Publishing Companly, Inc., 1989.

[7] 姚文俊. 基于遺傳算法的故障診斷的研究[J]. 網(wǎng)絡(luò)新媒體技術(shù), 2004, 25(3):85-87.(YAO Wenjun. The study of fault diagnosis based on genetic algorithm[J]. Microcomputer Applications, 2004, 25(3):85-87.)

[8] 趙云，劉惟一. 基于遺傳算法的特征選擇方法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2004, 40(15):52-54.(ZHAO Yun, LIU Weiyi. Research on feature selection using genetic algorithms[J].Computer Engineering and Applications, 2004, 40(15):52-54.)

[9] 王世卿，曹彥. 基于遺傳算法和支持向量機(jī)的特征選擇研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2010, 31(18):4088-4092.(WANG Shiqing, CAO Yan. GA-SVM-based feature subset selection algorithm[J]. Computer Engineering and Design, 2010, 31(18):4088-4092.)

[10] 韓華, 谷波, 康嘉. 基于遺傳算法和支持矢量機(jī)參數(shù)優(yōu)化的制冷機(jī)組故障檢測與診斷研究[J]. 機(jī)械工程學(xué)報, 2011, 47(16):120-126.(HAN Hua, GU Bo, KANG Jia. Chiller fault detection and diagnosis based on genetic algorithm and support vector machine with parameter tuning[J]. Journal of Mechanical Engineering, 2011, 47(16):120-126.)

[11] HAN Hua, GU Bo, HONG Yingchun, et al. Automated FDD of multiple-simultaneous faults (MSF) and the application to building chillers[J]. Energy & Buildings, 2011, 43(9):2524-2532.

[12] 段侯峰. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[D].北京：北京交通大學(xué), 2008.(DUAN Houfeng. Transformer fault diagnosis based on BP neural network optimized by genetic algorithm[D].Beijing: Beijing Jiaotong University, 2008.)

[13] 苗君明，佟剛，楊者青. 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化[J]. 沈陽航空航天大學(xué)學(xué)報, 2005, 22(3):30-32.(MIAO Junming, TONG Gang, YANG Zheqing. Artificial neural networks optimizing on genetic algorithm[J]. Journal of Shenyang Institute of Aeronautical Engineering, 2005, 22(3):30-32.)

[14] 袁圃，毛劍琳，向鳳紅，等. 改進(jìn)的基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J]. 電力系統(tǒng)及其自動化學(xué)報, 2017, 29(1):118-122.(YUAN Pu, MAO Jianlin, XIANG Fenghong, et al. Grid fault diagnosis based on improved genetic optimization BP neural network[J]. Proceedings of the CSU-EPSA, 2017, 29(1):118-122.)

[15] 周開利. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社, 2005.(ZHOU Kaili. Design of neural network model and its MATLAB simulation program[M].Beijing:Tsinghua University Press, 2005.)

[16] ZHONG Qiu, YANG Liping, TAO Ye, et al. An optimized crossflow plate-fin membrane-based total heat exchanger[J]. Energy & Buildings, 2015, 86:550-556.

[17] 施彥，韓力群，廉小親. 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京：北京郵電大學(xué)出版社, 2009.(SHI Yan, HAN Liqun, LIAN Xiaoqin. Neural network design method and case analysis[M].Beijing: Beijing University of Posts and Telecommunications Press, 2009.)

[18] 虞和濟(jì)，陳長征，張省. 基于神經(jīng)網(wǎng)絡(luò)的智能診斷[J]. 振動工程學(xué)報, 2000, 13(2):202-209.(YU Heji, CHEN Changzheng, ZHANG Xing. Intelligent diagnosis based on neural networks[J]. Journal of Vibration Engineering, 2000, 13 (2):202-209.)

[19] 劉亞兵，朱偉，劉玉龍，等. 電子膨脹閥常見故障分析[J]. 制冷與空調(diào)(北京), 2013, 13(7):29-32.(LIU Yabing, ZHU Wei, LIU Yulong, et al. Common malfunction analysis of electronic expansion valve[J]. Refrigeration and Air-conditioning, 2013, 13 (7):29-32.)