基于概念漂移檢測的制冷系統(tǒng)故障診斷模型自適應(yīng)

(上海理工大學(xué)能源與動(dòng)力工程學(xué)院 上海200093)

近年來隨著物聯(lián)網(wǎng)、云計(jì)算等信息技術(shù)的不斷興起和互聯(lián)網(wǎng)應(yīng)用的飛速發(fā)展，更為海量的制冷系統(tǒng)運(yùn)行狀態(tài)數(shù)據(jù)以數(shù)據(jù)流(data stream, DS)的形式大量涌現(xiàn)?；诶渌畽C(jī)組運(yùn)行過程數(shù)據(jù)的故障檢測與診斷(fault detection and diagnosis, FDD)是近年來制冷空調(diào)領(lǐng)域的研究熱點(diǎn)之一?；陟o態(tài)數(shù)據(jù)的故障診斷過程中，數(shù)據(jù)所隱含的目標(biāo)概念相對穩(wěn)定，在充足的訓(xùn)練集上學(xué)習(xí)得到的診斷模型，在測試集上能夠保持穩(wěn)定性和較高的診斷正確率[1-3]，但該方法只依賴于歷史數(shù)據(jù)而不使用最新的實(shí)時(shí)運(yùn)行數(shù)據(jù)，限制了模型的即時(shí)性和準(zhǔn)確性，不能快速準(zhǔn)確地學(xué)習(xí)和適應(yīng)在線數(shù)據(jù)流信息。制冷系統(tǒng)在線故障診斷中，由傳統(tǒng)的靜態(tài)數(shù)據(jù)類型轉(zhuǎn)變?yōu)閯?dòng)態(tài)的數(shù)據(jù)流信息，因而要求診斷模型具有動(dòng)態(tài)更新的再學(xué)習(xí)能力，以適應(yīng)制冷系統(tǒng)的在線數(shù)據(jù)流[4]。

自適應(yīng)系統(tǒng)是指能檢測環(huán)境變化，并能夠動(dòng)態(tài)調(diào)整自身以響應(yīng)變化的系統(tǒng)，被設(shè)計(jì)為自適應(yīng)系統(tǒng)的診斷模型具有兩種能力[5-6]：1)監(jiān)測環(huán)境變化的能力；2)進(jìn)行自適應(yīng)的操作來改變模型，以保證需求在變化后仍被持續(xù)滿足的能力。在制冷系統(tǒng)故障診斷中，環(huán)境變化指機(jī)組運(yùn)行狀態(tài)的動(dòng)態(tài)變化，自適應(yīng)操作指診斷模型進(jìn)行相應(yīng)的自主操作，包括修改參數(shù)、改變算法、重組體系結(jié)構(gòu)等。

制冷系統(tǒng)運(yùn)行過程中采集的數(shù)據(jù)流隨機(jī)組運(yùn)行狀態(tài)的動(dòng)態(tài)變化而變化，使目標(biāo)概念常常發(fā)生變化。例如，制冷系統(tǒng)故障表征隨工藝流程的改進(jìn)、機(jī)器的老化、設(shè)備的更新、出現(xiàn)未知工況、出現(xiàn)新的故障類型等。這種由于數(shù)據(jù)流中隱含的目標(biāo)概念發(fā)生變化，使舊數(shù)據(jù)含有的舊概念與新數(shù)據(jù)含有的新概念不再保持一致的現(xiàn)象，稱為數(shù)據(jù)流的概念漂移[7-8]。數(shù)據(jù)流一旦發(fā)生概念漂移，則導(dǎo)致舊概念生成的原有診斷模型在新數(shù)據(jù)下的診斷性能下降，影響用戶正常使用，因而需對概念是否漂移作出及時(shí)檢測，并采取相應(yīng)措施進(jìn)行自適應(yīng)學(xué)習(xí)。

M. Last等[9]提出了OLIN算法，通過對比分類器在訓(xùn)練集與驗(yàn)證集上的錯(cuò)誤率來判斷是否產(chǎn)生了概念漂移。K. Nishida等[10]使用分類器對最新采集訓(xùn)練樣本的分類準(zhǔn)確率和對全部訓(xùn)練樣本的分類準(zhǔn)確率的對比來檢測概念漂移。這種基于分類器對新樣本分類性能檢測概念漂移的方法，可信度較高。檢測到概念漂移后，需對分類器進(jìn)行調(diào)整以適應(yīng)新數(shù)據(jù)流，基于增量式學(xué)習(xí)的診斷模型再學(xué)習(xí)方法是目前較為主流的模型自適應(yīng)方法之一。其核心思想是通過調(diào)節(jié)模型內(nèi)部學(xué)習(xí)策略，加快診斷模型的更新速度，以達(dá)到實(shí)時(shí)更新診斷模型以適應(yīng)數(shù)據(jù)流的目的[11-12]。N. A. Syed等[13]最早提出了支持向量機(jī)的增量學(xué)習(xí)概念，給出增量學(xué)習(xí)策略；Shen Furao等[14]提出了自組織增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(SOINN)對數(shù)據(jù)流進(jìn)行增量式的學(xué)習(xí)。

本文采用基于分類正確率的概念漂移檢測機(jī)制和基于支持向量機(jī)增量學(xué)習(xí)的方法構(gòu)造制冷系統(tǒng)診斷模型自適應(yīng)系統(tǒng)，具有監(jiān)測機(jī)組環(huán)境變化、自適應(yīng)更新模型能力，以適時(shí)、及時(shí)地適應(yīng)冷水機(jī)組新的運(yùn)行狀態(tài)和工作模式，使故障診斷系統(tǒng)始終工作在較佳的運(yùn)行狀態(tài)。

1 基于診斷正確率的概念漂移檢測方法

制冷系統(tǒng)部件種類繁多，系統(tǒng)物質(zhì)形態(tài)多樣，運(yùn)行工況復(fù)雜多變，制冷系統(tǒng)的智能故障診斷一直是難點(diǎn)。通常建立診斷模型的數(shù)據(jù)來源于特定的實(shí)驗(yàn)機(jī)組及運(yùn)行工況，通過故障模擬實(shí)驗(yàn)得到。

將該模型應(yīng)用于實(shí)際制冷系統(tǒng)中，系統(tǒng)的如下情況可能對診斷模型的診斷性能產(chǎn)生影響：1)系統(tǒng)部件變化，部件出現(xiàn)不同程度的老化、更換部件等；2)運(yùn)行工況變化，出現(xiàn)未知工況、未知故障等；3)外界環(huán)境變化，季節(jié)、熱負(fù)荷、使用場合等的變化。

制冷系統(tǒng)采集的數(shù)據(jù)是以數(shù)據(jù)流的形式實(shí)時(shí)、連續(xù)到來，上述情況的發(fā)生可能導(dǎo)致數(shù)據(jù)流所隱含的目標(biāo)概念發(fā)生變化，與之前數(shù)據(jù)中的概念產(chǎn)生矛盾、不一致，診斷模型無法有效識別，從而導(dǎo)致診斷性能下降，出現(xiàn)誤報(bào)、漏報(bào)增加等情況，無法達(dá)到令人滿意的效果，該現(xiàn)象被稱為概念漂移。

概念漂移數(shù)學(xué)描述如下：假設(shè)一個(gè)數(shù)據(jù)集可以被劃分為n個(gè)數(shù)據(jù)流，用D1，D2，…，Dn分別表示，且它們之間是按照時(shí)間的先后關(guān)系排列，則對任意一個(gè)數(shù)據(jù)流Di，假設(shè)其分布概率是Pi(Di)，且與其他數(shù)據(jù)流分布概率是相互獨(dú)立的，那么概念漂移可以看成Pi(Di)與Pi+1(Di+1)之間相似程度的度量[15-16]。構(gòu)造的診斷模型若不適用于一個(gè)數(shù)據(jù)流，最直接的表現(xiàn)是診斷性能嚴(yán)重下降，通過對比在線采集的數(shù)據(jù)流所隱含的概念與之前數(shù)據(jù)中的概念相似程度或一致程度，可以判斷數(shù)據(jù)流是否發(fā)生概念漂移，不一致則發(fā)生了概念漂移。

本文采用基于正確率檢測概念漂移的方法。正確率指新采集數(shù)據(jù)流樣本中被正確診斷的樣本所占的比例，正確率檢測閾值為判斷數(shù)據(jù)流發(fā)生概念漂移的檢測標(biāo)準(zhǔn)。若被診斷數(shù)據(jù)流正確率高于檢測閾值，則未發(fā)生概念漂移；低于檢測閾值，則認(rèn)為發(fā)生概念漂移，需要更新模型。確定正確率檢測閾值的方法：現(xiàn)有樣本數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集用于獲得初始診斷模型，驗(yàn)證集用于驗(yàn)證模型的診斷性能并確定正確率閾值λ。確定閾值時(shí)，驗(yàn)證集又可分為n組，計(jì)算平均正確率和標(biāo)準(zhǔn)誤差：

(1)

(2)

λ=Avg(Acc)-WStdErr(Acc)

(3)

式中：n為驗(yàn)證集劃分的組數(shù)；Acci為驗(yàn)證集第i組的診斷正確率；Avg(Acc)為診斷平均正確率；StdErr(Acc)為標(biāo)準(zhǔn)誤差；W為置信區(qū)間，本文取值為5[17]；λ為診斷正確率閾值。

2 支持向量機(jī)增量學(xué)習(xí)

檢測到數(shù)據(jù)流發(fā)生概念漂移，診斷模型需要自適應(yīng)和再學(xué)習(xí)數(shù)據(jù)流新知識從而更好地適應(yīng)當(dāng)前機(jī)組環(huán)境。本文采用支持向量機(jī)增量學(xué)習(xí)算法[13]進(jìn)行診斷模型更新，用ISVM(Incremental SVM)標(biāo)記。

支持向量機(jī)(support vector machine, SVM)是Vapnik領(lǐng)導(dǎo)的研究小組提出的一種新型通用的有監(jiān)督的機(jī)器學(xué)習(xí)方法[18]。它建立在結(jié)構(gòu)最小化原則基礎(chǔ)之上，具有很強(qiáng)的學(xué)習(xí)能力和泛化性能，能夠較好的解決小樣本、高維數(shù)、非線性、局部極小等問題，可以有效的分類、回歸、密度估計(jì)等。支持向量機(jī)算法適用于制冷系統(tǒng)故障診斷，可取得較理想的故障診斷效果[19-21]。

設(shè)H為歷史樣本集，也稱為初始樣本集，I為增量樣本集，也稱為新增樣本集。為了得H∪I的分類超平面，最直接的方法就是對所有樣本進(jìn)行學(xué)習(xí)，為支持向量機(jī)的經(jīng)典學(xué)習(xí)方法，會(huì)增加運(yùn)算時(shí)間和存儲(chǔ)空間，不利于模型的在線應(yīng)用。支持向量機(jī)增量學(xué)習(xí)方法(ISVM)則利用了先驗(yàn)知識，只選擇可能對分類結(jié)果有重要貢獻(xiàn)的樣本訓(xùn)練，如支持向量與診斷錯(cuò)誤集，其余樣本不參與訓(xùn)練，可極大地節(jié)約訓(xùn)練時(shí)間和計(jì)算成本[22]，在此方面具有較大優(yōu)勢。

圖1 ISVM二次學(xué)習(xí)流程圖Fig.1 ISVM secondary learning process

初始樣本集H訓(xùn)練SVM，得初始診斷器ψ1，其中的支持向量集Hsv1完全代表了歷史樣本集的學(xué)習(xí)能力和泛化能力，在增量學(xué)習(xí)后成為支持向量的概率相當(dāng)大[22]。增量樣本集I經(jīng)初始診斷器ψ1初診斷后，可分為兩類樣本：診斷正確樣本集Iok1和診斷錯(cuò)誤樣本集Ierr1，后者對分類結(jié)果的影響最大，很可能成為新的支持向量；而Iok1中有些樣本與分類超平面是鄰近的，主要影響支持向量機(jī)的泛化能力，也有部分可能成為新的支持向量。此外，當(dāng)新增樣本違背KKT條件，則原樣本集H中非支持向量可能轉(zhuǎn)化為支持向量[23]，支持向量畢竟只代表了分類超平面不能代表樣本集本身，用數(shù)目較少的支持向量來代替原樣本集可能會(huì)使樣本集對分類的影響降低，增量學(xué)習(xí)中，只考慮原支持向量集和錯(cuò)誤分類樣本集，可能丟失原樣本集H中的信息而降低泛化能力。

增量學(xué)習(xí)算法中，先對Hsv1∪Ierr1進(jìn)行新的模型訓(xùn)練，得到診斷器ψ2及新的支持向量集Hsv2和非支持向量集Hoth2；再利用原樣本集H中非支持向量集Hoth1和增量樣本集I中正確診斷的樣本集Iok1構(gòu)成新的增量樣本集I2，并用新的診斷器ψ2對I2進(jìn)行診斷，以確定哪些樣本可以正確診斷(Iok2)，哪些樣本無法正確診斷(Ierr2)。Ierr2作為潛在的支持向量候選樣本，與Hsv2合并后進(jìn)行第二次增量學(xué)習(xí)。此增量學(xué)習(xí)過程可以繼續(xù)，但太多的增量學(xué)習(xí)會(huì)增加運(yùn)算復(fù)雜度。一般地，兩次增量學(xué)習(xí)即可獲得很好的學(xué)習(xí)效果[24]。若一次學(xué)習(xí)效果達(dá)到要求，訓(xùn)練正確率恢復(fù)到設(shè)置的正確率閾值以上，可以不進(jìn)行第二次增量學(xué)習(xí)。

ISVM自適應(yīng)增量學(xué)習(xí)算法步驟如下：

1)在初始訓(xùn)練集H上訓(xùn)練SVM得到初始診斷器ψ1，訓(xùn)練集H可以分為支持向量機(jī)Hsv1與剩余樣本Hoth1；根據(jù)診斷器ψ1，可以將增量樣本集I分離出診斷錯(cuò)誤集Ierr1和診斷正確集Iok1；

2)第一次增量學(xué)習(xí)，集合Hsv1∪Ierr1作為新的訓(xùn)練集H1，得到一個(gè)新的診斷器ψ2和SV集Hsv2；

3)第二次增量學(xué)習(xí)，Hoth1∪Iok1作為新的增量樣本集I2，根據(jù)診斷器ψ2，對I2分離出Ierr2和Iok2，集合Hsv1∪Ierr1∪Hsv2∪Ierr2作為新的訓(xùn)練集H2，得到最終的診斷器ψ。

3 基于正確率閾值的概念漂移檢測與支持向量機(jī)增量學(xué)習(xí)算法的集成模型

本文將上述基于正確率閾值的概念漂移檢測機(jī)制與支持向量機(jī)增量學(xué)習(xí)方法相結(jié)合，生成集成模型(accuracy based concept drift detection & increment support vector machine，A-CDD-ISVM)，使診斷模型動(dòng)態(tài)適應(yīng)制冷系統(tǒng)運(yùn)行狀態(tài)，如圖2所示。

圖2 A-CDD-ISVM算法流程Fig.2 Structure of A-CDD-ISVM strategy

表1 實(shí)驗(yàn)數(shù)據(jù)說明Tab.1 Information on experimental data

1)初始化：選取制冷系統(tǒng)歷史數(shù)據(jù)，包含故障和正常類型，訓(xùn)練初始故障診斷模型，驗(yàn)證集用于驗(yàn)證模型的穩(wěn)定性與可靠性，并獲得正確率檢測閾值λ；

2)對在線連續(xù)到達(dá)的數(shù)據(jù)流DSi(i∈1,…,n):診斷模型診斷DSi，得到診斷結(jié)果和DSi的診斷正確率Acci；根據(jù)閾值λ進(jìn)行判斷，若Acci≤λ，則判斷為發(fā)生概念漂移，用ISVM算法重新訓(xùn)練模型：(1)根據(jù)診斷模型可以將DSi分為診斷錯(cuò)誤集和診斷正確集；(2)選取診斷錯(cuò)誤集、支持向量集作為訓(xùn)練數(shù)據(jù)，交叉驗(yàn)證優(yōu)化模型參數(shù)建立新診斷模型；(3)用已有數(shù)據(jù)驗(yàn)證新模型的診斷效果，若正確率>Avg(Acc)，則增量學(xué)習(xí)結(jié)束；若正確率

4 實(shí)驗(yàn)與性能分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集的選取

為驗(yàn)證A-CDD-ISVM方法對制冷系統(tǒng)數(shù)據(jù)流自適應(yīng)學(xué)習(xí)效果，本文數(shù)據(jù)來自ASHRAE(美國采暖制冷與空調(diào)工程師學(xué)會(huì))的制冷系統(tǒng)故障模擬實(shí)驗(yàn)[25]。該實(shí)驗(yàn)對象是一臺約316 kW的離心式制冷機(jī)組，制冷劑為R134a，冷凝器和蒸發(fā)器均為殼管式換熱器。實(shí)驗(yàn)?zāi)M了27個(gè)工況，獲取參數(shù)64個(gè)(其中48個(gè)為傳感器直接測得，16個(gè)為VisSim軟件實(shí)時(shí)計(jì)算)。本文選取了正常狀態(tài)、制冷劑泄漏、制冷劑過量3種類別，分別1 400、1 400、1 500個(gè)樣本數(shù)據(jù)(故障含4個(gè)等級)。實(shí)驗(yàn)假設(shè)正常狀態(tài)、制冷劑泄漏故障為已知信息，制冷劑過量故障為未知信息，模擬在線數(shù)據(jù)流。實(shí)驗(yàn)?zāi)M出現(xiàn)新的故障而導(dǎo)致的概念漂移，實(shí)驗(yàn)數(shù)據(jù)安排如表1所示。DS0為初始訓(xùn)練集(2 000)，包含正常和泄漏兩種類別的各1 000個(gè)數(shù)據(jù)；DS1～DS3為驗(yàn)證集，驗(yàn)證初始診斷模型的穩(wěn)定性并確定檢測閾值λ；DS4～DS10模擬在線采集的制冷系統(tǒng)運(yùn)行數(shù)據(jù)流，為新出現(xiàn)的故障或未知故障，本文為制冷劑過量樣本，各200個(gè)；另設(shè)置測試集Test(各100個(gè)，共計(jì)300個(gè)樣本)作為獨(dú)立的樣本集測試所得診斷模型的診斷性能。

4.2 實(shí)驗(yàn)性能分析

實(shí)驗(yàn)過程與結(jié)果如表2、表3、圖3及圖4所示。表2所示為初始診斷模型Model-0的訓(xùn)練、驗(yàn)證、測試情況及確定檢測正確率閾值λ。采用DS0的2 000個(gè)數(shù)據(jù)訓(xùn)練支持向量機(jī)(SVM)得到初始診斷模型Model-0，用該模型分別診斷數(shù)據(jù)流DS1、DS2、DS3得到驗(yàn)證正確率，通過式(3)計(jì)算，得到Avg(Acc)=99%，檢測閾值λ=96.96%。因測試集Test中含有新故障信息(制冷劑過量故障)，因而測試正確率僅為66%。

表2 訓(xùn)練初始診斷模型Tab.2 Training initial diagnosis model

圖3所示為基于表1實(shí)驗(yàn)數(shù)據(jù)的A-CDD-ISVM實(shí)驗(yàn)流程。豎直方向上，算法可分為3個(gè)部分，診斷模型對數(shù)據(jù)流進(jìn)行診斷、基于正確率閾值的概念漂移檢測及概念漂移后基于ISVM的自適應(yīng)模型更新。水平方向上，模擬實(shí)驗(yàn)按照圖中箭頭方向進(jìn)行，從DS4至DS10(本文)，直至DSn(可拓展)。Model-0診斷數(shù)據(jù)流DS4，其診斷正確率低于閾值λ，發(fā)生概念漂移，采用ISVM更新診斷模型得到Model-1；用Model-1診斷后續(xù)數(shù)據(jù)流DS5未發(fā)生漂移，不更新模型；繼續(xù)診斷DS6，發(fā)生概念漂移，采用ISVM更新診斷模型得到Model-2；用Model-2診斷后續(xù)數(shù)據(jù)流DS7……如此重復(fù)，過程同上。該實(shí)驗(yàn)過程相應(yīng)的正確率等情況表述于表3及圖4中。

圖3 A-CDD-ISVM實(shí)驗(yàn)流程Fig.3 A-CDD-ISVM experiment process

表3所示為A-CDD-ISVM診斷模型對制冷系統(tǒng)數(shù)據(jù)流概念漂移檢測與增量學(xué)習(xí)的結(jié)果。訓(xùn)練集是指ISVM更新診斷模型所使用的數(shù)據(jù)集，以Model-0的模型更新為例，歷史數(shù)據(jù)集為DS0、增量樣本集為DS4，按照ISVM方法進(jìn)行增量學(xué)習(xí)，增量學(xué)習(xí)后的訓(xùn)練正確率99.32%為新模型Model-1對訓(xùn)練集DS0∪DS4的診斷正確率。在更新模型過程中，可能會(huì)增量學(xué)習(xí)一次或兩次，體現(xiàn)在訓(xùn)練正確率一列中，兩次增量學(xué)習(xí)則將第一次增量學(xué)習(xí)的正確率示于括號中，如Model-1增量學(xué)習(xí)到Model-2時(shí)第一次增量學(xué)習(xí)的正確率為72.27%，第二次增量學(xué)習(xí)后達(dá)到99.46%。對DS4、DS7只進(jìn)行一次增量學(xué)習(xí)即得到較好的診斷性能，模型訓(xùn)練時(shí)間更短、效率更高。最后一列為對測試集Test的測試正確率，增量學(xué)習(xí)后，該正確率相較于表2中Model-0的66%顯著提升，Model-1的測試正確率即高達(dá)89%，Model-3的更達(dá)97.67%，增長了37.67%。在實(shí)際應(yīng)用中，傳統(tǒng)的靜態(tài)數(shù)據(jù)學(xué)習(xí)方法已不適用，A-CDD-ISVM在在線學(xué)習(xí)上具有較大優(yōu)勢。

DS4～DS10數(shù)據(jù)流通過A-CDD時(shí)共檢測到3次概念漂移，分別為DS4、DS6和DS7，診斷正確率均低于檢測閾值λ(見圖4)。圖4通過顏色設(shè)置更加直觀地展示了DS4～DS10數(shù)據(jù)流的增量學(xué)習(xí)過程及相應(yīng)性能，紅色虛線為檢測閾值線，虛線以下表明發(fā)生數(shù)據(jù)流概念漂移。DS4為新加入的制冷劑過量故障，為未知故障，診斷模型無法識別，正確率為0；增量學(xué)習(xí)后的Model-1診斷DS4的正確率高達(dá)100%(圖4)，對訓(xùn)練集DS0∪DS4的正確率率為99.32%(表3)。數(shù)據(jù)流DS6、DS7診斷正確率分別為66%和76%，低于閾值(96.96%)，因?yàn)閷?shí)驗(yàn)數(shù)據(jù)包含27種工況，4個(gè)故障等級，數(shù)據(jù)流DS6、DS7雖同樣為制冷劑過量故障，所含有的部分樣本信息可能是診斷模型Model-1、Model-2所無法識別或沒有學(xué)習(xí)過的，故診斷正確率低，發(fā)生了概念漂移。檢測到概念漂移后，進(jìn)行支持向量機(jī)增量學(xué)習(xí)，更新診斷模型，得到的3個(gè)新的診斷模型分別為Model-1、Model-2和Model-3，對表3所示訓(xùn)練集的訓(xùn)練正確率均達(dá)到99 %以上，說明模型已經(jīng)很好地學(xué)習(xí)了訓(xùn)練樣本所隱含的目標(biāo)概念。

表3 A-CDD-ISVM實(shí)驗(yàn)結(jié)果Tab.3 A-CDD-ISVM experimental results

圖4 數(shù)據(jù)流增量學(xué)習(xí)過程Fig.4 Data flow incremental learning process

在此次模擬實(shí)驗(yàn)中，通過A-CDD方法共檢測3次概念漂移，診斷模型只需要更新3次診斷模型，即制冷系統(tǒng)制冷劑過量故障中1 400個(gè)數(shù)據(jù)而模型共學(xué)習(xí)600(DS4+DS6+DS7)個(gè)過量故障樣本，后通過ISVM方法進(jìn)一步學(xué)習(xí)這600個(gè)樣本，便可以實(shí)現(xiàn)對制冷劑過量故障的學(xué)習(xí)。該方法保證了最終模型(Model-3)較佳的診斷性能，其對DS7～DS10數(shù)據(jù)流的診斷性能穩(wěn)定在99%以上(圖4)，此時(shí)診斷模型已較好地學(xué)習(xí)到制冷劑過量故障的診斷知識，表明A-CDD-ISVM集成模型展現(xiàn)出較佳的自適應(yīng)學(xué)習(xí)效果。

5 結(jié)論

為解決因在線數(shù)據(jù)流發(fā)生概念漂移而導(dǎo)致診斷模型診斷性能下降或波動(dòng)等情況，本文針對制冷系統(tǒng)實(shí)際運(yùn)行中可能出現(xiàn)新故障的情況設(shè)計(jì)了一種基于正確率檢測的概念漂移機(jī)制(A-CDD)與支持向量機(jī)增量學(xué)習(xí)(ISVM)相結(jié)合的集成模型，并以新故障為制冷劑過量故障為例進(jìn)行研究。經(jīng)模擬實(shí)驗(yàn)，得到如下結(jié)論：

1)通過A-CDD方法共檢測3次概念漂移，診斷模型更新3次，從而減少樣本學(xué)習(xí)數(shù)量和模型更新頻率。即1 400個(gè)制冷劑過量故障數(shù)據(jù)中，模型只需學(xué)習(xí)600個(gè)樣本，后通過ISVM方法進(jìn)一步學(xué)習(xí)這600個(gè)樣本，便可以實(shí)現(xiàn)對制冷劑過量故障的學(xué)習(xí)。最終模型(Model-3)具有較佳的診斷性能，正確率高達(dá)99%，測試正確率隨模型的更新而逐漸提高，從66%增至97.67%。

2)相較于經(jīng)典SVM更新診斷模型，ISVM算法更新模型時(shí)，進(jìn)行保留先驗(yàn)知識的選擇性學(xué)習(xí)，大量節(jié)省訓(xùn)練時(shí)間，具有較大優(yōu)勢。尤其當(dāng)只需要增量學(xué)習(xí)一次時(shí)，如對數(shù)據(jù)流DS4、DS7學(xué)習(xí)，僅增量學(xué)習(xí)一次訓(xùn)練正確率即可達(dá)99%，可實(shí)現(xiàn)高效、快速、準(zhǔn)確地再學(xué)習(xí)，自適應(yīng)性能優(yōu)良。

3)當(dāng)制冷系統(tǒng)出現(xiàn)新的故障種類時(shí)，A-CDD-ISVM集成模型可實(shí)現(xiàn)對新故障的有效學(xué)習(xí)與診斷，且保證較佳的診斷性能。隨著學(xué)習(xí)的深入，診斷性能提升。該算法通過基于正確率閾值的概念漂移檢測機(jī)制與基于支持向量機(jī)增量學(xué)習(xí)的診斷模型更新相結(jié)合，兩次優(yōu)化過濾數(shù)據(jù)流信息，從而凝練并提取未知信息，可實(shí)現(xiàn)更加快速高效的診斷模型更新，適應(yīng)新環(huán)境，在制冷系統(tǒng)故障的在線診斷及自我學(xué)習(xí)上具有較大優(yōu)勢。