基于類隨機(jī)森林算法和仿真的多聯(lián)機(jī)故障診斷方法研究

范波，丁云霄，紀(jì)軻，范雨強(qiáng)

（美的集團(tuán)樓宇科技事業(yè)部，廣東佛山 528000）

0 引言

多聯(lián)機(jī)空調(diào)系統(tǒng)（Variable Refrigerant Flow，VRF）是通過控制壓縮機(jī)改變制冷劑充注量和進(jìn)入室內(nèi)機(jī)的制冷劑流量，實(shí)時(shí)滿足室內(nèi)冷、熱負(fù)荷要求的高效制冷劑空調(diào)系統(tǒng)[1]。多聯(lián)機(jī)系統(tǒng)管路結(jié)構(gòu)多變、組合形式多樣，制冷劑在管路中流動(dòng)路徑復(fù)雜，導(dǎo)致系統(tǒng)管道設(shè)計(jì)的繁復(fù)性。在正常運(yùn)行工況下，多聯(lián)機(jī)系統(tǒng)管路壓力遠(yuǎn)大于大氣壓力，容易引起制冷劑泄漏[2]。一旦發(fā)生制冷劑泄漏故障，不僅造成環(huán)境污染，還會(huì)使多聯(lián)機(jī)系統(tǒng)能效降低，設(shè)備壽命縮短等[3]。正因?yàn)橹评鋭┬孤┕收系亩喟l(fā)性和危害性，制冷劑泄漏故障診斷方法非常必要。

故障診斷可分為4個(gè)部分：故障檢測、故障診斷、故障評價(jià)和故障決策。隨著故障診斷技術(shù)的不斷發(fā)展，國內(nèi)外已有一些對制冷劑泄漏故障研究的論文。SUN等[4]提出了一種基于混合ICA-BPNN制冷劑泄漏故障診斷模型，正常數(shù)據(jù)用于訓(xùn)練獨(dú)立主成分分析（Independent Component Analysis，ICA），將數(shù)據(jù)特征維度從12降低至4，同時(shí)應(yīng)用反向傳遞神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）進(jìn)行制冷劑泄漏的診斷，與BPNN比較，ICA-BPNN診斷正確率從82.7%提升至93.8%。ZHANG等[5]運(yùn)用深度神經(jīng)網(wǎng)絡(luò)對壓縮機(jī)進(jìn)行故障診斷，對回液故障判斷的準(zhǔn)確率達(dá)到99.86%。SHI等[6]提出貝葉斯人工神經(jīng)網(wǎng)絡(luò)對多聯(lián)機(jī)系統(tǒng)制冷劑泄漏進(jìn)行故障診斷，同時(shí)運(yùn)用ReliefF算法進(jìn)行特征選擇，減少了98.8%的模型訓(xùn)練時(shí)間。ZHANG等[7]提出了融合聚類的主元分析統(tǒng)計(jì)模型，提升了50%的檢測效率。LIU等[8]結(jié)合指數(shù)加權(quán)移動(dòng)平均法和主元分析法對VRF系統(tǒng)制冷機(jī)泄漏進(jìn)行故障診斷，通過數(shù)據(jù)降維提升了大批量數(shù)據(jù)處理效率。徐廷喜等[9]應(yīng)用支持向量域描述（Support Vector Domain Description，SVDD）算法，通過先網(wǎng)格搜索和遺傳算法優(yōu)化求解過程，開發(fā)了制冷劑泄漏檢測和診斷方法，其無故障數(shù)據(jù)診斷準(zhǔn)確率提高到93.43%。徐暢等[10]提出了相關(guān)特征-支持向量機(jī)算法應(yīng)用于制冷劑充注量故障診斷，應(yīng)用ReliefF提取出7個(gè)特征變量，然后用支持向量機(jī)進(jìn)行故障診斷，準(zhǔn)確率達(dá)到98.8%。SUN等[11]結(jié)合小波去噪法、最小冗余算法和支持向量機(jī)進(jìn)行VRF系統(tǒng)制冷劑充注量故障診斷，將特征量從18個(gè)降低到7個(gè)，僅降低了2.14%的故障檢測精度。WANG等[12]提出一種基于遞歸特征消除和k最鄰近算法的多聯(lián)機(jī)制冷劑充注量故障診斷算法，采用遞歸特征消除（Recursive Feature Elimination，RFE）算法進(jìn)行特征選擇，再用wkNN算法建立診斷模型，冷劑充注量故障診斷整體準(zhǔn)確度98.3%。SHI等[13]提出了基于主成分分析（Principal Component Analysis，PCA）和對偶神經(jīng)網(wǎng)絡(luò)的制冷劑充注量故障診斷算法，采用置信空間評估模型性能，采用PCA對特征進(jìn)行降維并使用對偶神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，提升了9%的正確分類率。GUO等[14]應(yīng)用高斯混合模型結(jié)合主成分分析對VRF系統(tǒng)進(jìn)行故障診斷，通過特征提取和混合模型將多聯(lián)機(jī)多故障診斷耗時(shí)從176.78 s降至15.18 s。

以上研究在特征選擇上的工作存在一定的局限性，制冷劑泄漏數(shù)據(jù)不易獲得，特征選擇過程存在一定偏差。同時(shí)，進(jìn)行制冷劑泄漏實(shí)驗(yàn)需要耗費(fèi)大量的人力和物力。

因此，本文提出了采用Xgboost特征選擇方法結(jié)合類隨機(jī)森林的故障診斷方法。基于Modelica語言[15]建立了多聯(lián)機(jī)動(dòng)態(tài)系統(tǒng)仿真模型，基于該仿真模型獲取多聯(lián)機(jī)制冷劑泄漏運(yùn)行數(shù)據(jù)，采用Xgboost特征選擇方法結(jié)合類隨機(jī)森林創(chuàng)建了制冷劑泄漏故障診斷方法。

首先建立多聯(lián)機(jī)制冷劑泄漏動(dòng)態(tài)系統(tǒng)仿真模型，包括壓縮機(jī)、換熱器、連接管路、閥門和油分等部件，仿真得到大量不同程度的制冷劑泄漏數(shù)據(jù)。采用傅里葉變換對仿真得到的制冷劑泄漏數(shù)據(jù)進(jìn)行低通濾波處理，然后對濾波后的數(shù)據(jù)進(jìn)行趨勢特征提取，最后采用Xgboost進(jìn)行特征選擇。經(jīng)過特征選擇后，采用類隨機(jī)森林對制冷劑泄漏數(shù)據(jù)進(jìn)行故障診斷，并采用現(xiàn)場運(yùn)行數(shù)據(jù)進(jìn)行驗(yàn)證，得到較佳診斷效果。

1 故障診斷算法

1.1 類隨機(jī)森林算法介紹

類隨機(jī)森林算法由LIU等[16]提出，用于挖掘異常數(shù)據(jù)，有別于其他診斷算法，類隨機(jī)森林遞歸地使用隨機(jī)超平面分割數(shù)據(jù)集，并刻畫數(shù)據(jù)疏離程度。異常數(shù)據(jù)梳理程度較高，用很少的次數(shù)即可切分出來并進(jìn)行分離，因此算法高效且時(shí)間復(fù)雜度低[17]。類隨機(jī)森林算法由于簡單高效的特點(diǎn)，常用于網(wǎng)絡(luò)安全中的攻擊檢測和流量異常等分析[18]。類隨機(jī)森林算法設(shè)計(jì)基于異常數(shù)據(jù)的兩個(gè)特征[19]：1）異常數(shù)據(jù)在數(shù)據(jù)樣本占比較少；2）異常數(shù)據(jù)和樣本中大部分?jǐn)?shù)據(jù)疏離程度大。

類隨機(jī)森林與隨機(jī)森林類似，都是用二叉樹對數(shù)據(jù)進(jìn)行分割，不同點(diǎn)在于隨機(jī)森林根據(jù)信息增益率、基尼值等對選擇特征，而類隨機(jī)森林使用隨機(jī)二叉樹（iTree）對數(shù)據(jù)進(jìn)行隨機(jī)切割，建樹過程更加高效。類隨機(jī)森林是iTree的總體，給定了數(shù)據(jù)集D，然后隨機(jī)采樣一部分?jǐn)?shù)據(jù)構(gòu)造每棵iTree，以確保不同樹之間的差異性。在測試階段計(jì)算數(shù)據(jù)的異常分值，估算其在每棵iTree的深度，然后數(shù)據(jù)路徑長度的均值結(jié)合異常分?jǐn)?shù)公式計(jì)算分值并對數(shù)據(jù)進(jìn)行評估。

數(shù)據(jù)的異常分?jǐn)?shù)公式S(d,n)為：

式中，E(h(d))為數(shù)據(jù)在iTree路徑長度的平均值，C(n)為n個(gè)數(shù)據(jù)平均路徑長度。異常分?jǐn)?shù)S(d,n)取值范圍為[0, 1]，接近1時(shí)，數(shù)據(jù)異?？赡苄愿?；接近0時(shí)，數(shù)據(jù)正?？赡苄愿撸淮蟛糠?jǐn)?shù)據(jù)接近0.5時(shí)，表示沒有明顯異常。

1.2 XGBoost特征選擇方法介紹

XGBoost[20]進(jìn)行特征選擇，計(jì)算不同特征的分類效果，從而對特征的重要性進(jìn)行排序，得到最優(yōu)子集。XGBoost中有3個(gè)指標(biāo)可以對特征進(jìn)行評估，F(xiàn)Score表示特征被選作分裂次數(shù)，Gain表示特征的平均增益，Cover表示特征在分裂處平均二階導(dǎo)數(shù)。Xgboost進(jìn)行特征選擇的步驟如下：

1）使用XGBoost對所有特性實(shí)現(xiàn)分類；2）根據(jù)XGBoost模型的評估對特征重要性進(jìn)行排序；3）選擇重要性最高的若干特征生成子集；4）在特征子集中進(jìn)行分類測試，驗(yàn)證其分類能力；5）重復(fù)3-4步驟至特征均被選??；6）評估生成子集的分類效果，選擇最佳特征子集。

2 故障診斷數(shù)據(jù)生成和特征分析

2.1 基于仿真的故障診斷數(shù)據(jù)生成

由于多聯(lián)機(jī)故障數(shù)據(jù)獲取困難，進(jìn)行故障實(shí)驗(yàn)需要大量人力和物力，所以本文基于Modelica語言建立了以R410A為制冷劑的多聯(lián)機(jī)空調(diào)系統(tǒng)的動(dòng)態(tài)仿真模型，通過仿真模型模擬系統(tǒng)制冷劑泄漏實(shí)驗(yàn)，系統(tǒng)包括1臺(tái)室外機(jī)和8臺(tái)室內(nèi)機(jī)以及油分離器、過濾器、氣液分離器等，以維持系統(tǒng)穩(wěn)定運(yùn)行。其中數(shù)據(jù)包括正常狀態(tài)無泄漏數(shù)據(jù)和制冷劑泄漏數(shù)據(jù)。圖2所示為VRF系統(tǒng)仿真平臺(tái)，用于獲取制冷劑泄漏仿真數(shù)據(jù)。表1所示為10組仿真數(shù)據(jù)（分為ABC和DEF兩大類）。其中ABC數(shù)據(jù)組為1臺(tái)室外機(jī)7臺(tái)室內(nèi)機(jī)，DEF數(shù)據(jù)集為1臺(tái)外機(jī)4臺(tái)內(nèi)機(jī)。數(shù)據(jù)集ABC、ABC1、ABC2、A2、DEF和E2為正常數(shù)據(jù)；數(shù)據(jù)集B2、C2、D2和F2為制冷劑泄漏15%的故障數(shù)據(jù)。仿真模型特征參數(shù)見表2所示，tddis為排氣溫度和冷凝器進(jìn)口溫度的差值，tdcond為高壓對應(yīng)飽和溫度和環(huán)境溫度的差值，f1為排氣過熱度與tddis、tdcond之和的比值。其中仿真數(shù)據(jù)的室外溫度工況90%數(shù)據(jù)分布在25～35 ℃之間，數(shù)據(jù)分別來源于10組仿真數(shù)據(jù)。

表2 多聯(lián)機(jī)動(dòng)態(tài)仿真模型特征參數(shù)

圖2 原始數(shù)據(jù)

表1 10組仿真數(shù)據(jù)

表2所示為10組仿真數(shù)據(jù)（分為ABC和DEF兩大類）。其中ABC數(shù)據(jù)組為1臺(tái)室外機(jī)7臺(tái)室內(nèi)機(jī)，DEF數(shù)據(jù)集為1臺(tái)外機(jī)4臺(tái)內(nèi)機(jī)。數(shù)據(jù)集ABC、ABC1、ABC2、A2、DEF和E2為正常數(shù)據(jù)；數(shù)據(jù)集B2、C2、D2和F2為制冷劑泄漏的故障數(shù)據(jù)。

2.2 特征選取和數(shù)據(jù)分析

為了使故障診斷正確率提高且減少計(jì)算量，特征選擇十分必要，本文通過多聯(lián)機(jī)動(dòng)態(tài)仿真模型獲得的正常狀態(tài)和制冷劑泄漏數(shù)據(jù)含有較大噪音，因此第一步采用傅里葉變換進(jìn)行低通濾波去除數(shù)據(jù)中的噪聲。圖2和圖3所示為原始數(shù)據(jù)和經(jīng)過傅里葉變換后的去除噪聲后的數(shù)據(jù)，可知特征參數(shù)t8、tL、pe和膨脹閥步數(shù)的噪聲數(shù)據(jù)得到明顯改善。對濾波后的數(shù)據(jù)進(jìn)行趨勢特征提取，圖4所示為經(jīng)過趨勢特征提取后的數(shù)據(jù)。

圖3 經(jīng)過傅里葉變換經(jīng)過低通濾波去除噪聲后的數(shù)據(jù)

圖4 經(jīng)過趨勢特征提取后的數(shù)據(jù)

經(jīng)過處理后的正常數(shù)據(jù)和故障泄漏數(shù)據(jù)采用Xgboost進(jìn)行輸入?yún)?shù)敏感度分析，圖5所示為輸入?yún)?shù)的敏感分析結(jié)果，可知特征參數(shù)t9、tL、td、tdsh、t8和SC等參數(shù)對制冷泄漏故障較為敏感。

圖5 輸入?yún)?shù)的敏感度分析

3 故障診斷模型建模和訓(xùn)練

進(jìn)行特征參數(shù)敏感度分析后，采用類隨機(jī)森林方法進(jìn)行診斷模型的訓(xùn)練，類隨機(jī)森林關(guān)鍵參數(shù)包括 n_estimators、max_samples、Bootstrap 和max_features。圖6(a)為異常檢測建模流程：1）獲取正常運(yùn)行數(shù)據(jù)（至少兩周以上）；2）得到數(shù)據(jù)后，需要采用濾波、提取趨勢和缺失值，利群點(diǎn)進(jìn)行數(shù)據(jù)預(yù)處理；3）將全部數(shù)據(jù)放入之前訓(xùn)練好的模型中，判斷誤報(bào)率是否最低，如果此時(shí)模型的誤報(bào)率為最低，則可確認(rèn)模型使用運(yùn)行工況范圍，如果誤報(bào)率不是最低，則調(diào)整模型參數(shù)；4）將預(yù)處理后數(shù)據(jù)分為8:2作為訓(xùn)練集和測試集，采用訓(xùn)練集訓(xùn)練類隨機(jī)森林異常檢測模型以確認(rèn)正常運(yùn)行范圍，然后重復(fù)3的步驟，以達(dá)到最佳檢測效果。

圖6(b)為異常檢測模型檢測流程圖。具體流程為：1）獲取當(dāng)天運(yùn)行數(shù)據(jù)；2）對數(shù)據(jù)采用濾波、提取趨勢和缺失值，利群點(diǎn)進(jìn)行數(shù)據(jù)預(yù)處理；3）提取負(fù)荷測試工況時(shí)間段數(shù)據(jù)（至少1 h）；4）采用類隨機(jī)森林提取異常點(diǎn)數(shù)據(jù)，判斷異常點(diǎn)數(shù)據(jù)比例，如果異常點(diǎn)比例超過標(biāo)準(zhǔn)，則判斷為制冷劑泄漏，如果不超過標(biāo)準(zhǔn)，則為運(yùn)行正常數(shù)據(jù)。

圖6 異常檢測建模和檢測流程

本文采用90%進(jìn)行模型訓(xùn)練，10%的數(shù)據(jù)進(jìn)行測試和驗(yàn)證，結(jié)果如表3所示，訓(xùn)練集包括15 300個(gè)正常數(shù)據(jù)，1 700個(gè)異常數(shù)據(jù)，訓(xùn)練完模型后對驗(yàn)證集（1 731個(gè)正常數(shù)據(jù)，0個(gè)異常數(shù)據(jù)），檢測正常正確率為100%；對測試集共檢測出248個(gè)正常數(shù)據(jù)和18 473個(gè)異常數(shù)據(jù)，檢測異常數(shù)據(jù)正確率達(dá)到98.7%，異常數(shù)據(jù)測試具有較佳效果。

表3 類隨機(jī)森林異常檢測建模結(jié)果

4 故障診斷應(yīng)用與分析

本節(jié)將展現(xiàn)不同工況下不同訓(xùn)練集時(shí)對制冷劑泄漏診斷結(jié)果，將數(shù)據(jù)分為A2、B2、C2、D2、E2、F2、ABC、ABC1、ABC2、DEF共10個(gè)數(shù)據(jù)集。分別采用ABC數(shù)據(jù)集組，DEF數(shù)據(jù)集組，ABC1+ABC2、ABC+DEF、ABC+ABC1+ABC2和ABC+DEF+ABC1+ABC2這6種方案作為訓(xùn)練集生成故障診斷模型，并對表1中10個(gè)仿真數(shù)據(jù)集進(jìn)行測試，然后計(jì)算異常率，設(shè)置異常判斷閾值：異常率高于40%判為異常。選用的特征參數(shù)為敏感度分析中的t9、tsh、tes、tss、t2B_avg、tdsh、tddis和f1這8個(gè)特征作為輸入?yún)?shù)。

圖7所示為將ABC、DEF以及ABC+DEF數(shù)據(jù)集作為訓(xùn)練集對10組仿真數(shù)據(jù)進(jìn)行測試的結(jié)果，由圖7可知，當(dāng)ABC數(shù)據(jù)集作為訓(xùn)練集時(shí)，可以準(zhǔn)確檢測出B2、C2、D2和F2這4組15%制冷劑泄漏的異常數(shù)據(jù)集，故障檢測正確率達(dá)到100%，但是對A2、ABC1和E2這3組正常數(shù)據(jù)集卻產(chǎn)生了誤報(bào)，將正常數(shù)據(jù)診斷為制冷劑泄漏數(shù)據(jù)；當(dāng)DEF數(shù)據(jù)集作為訓(xùn)練集時(shí)，僅能檢測出B2、C2和F2這3組15%制冷劑泄漏異常數(shù)據(jù)，對于D2這組15%制冷劑泄漏數(shù)據(jù)卻無法檢測，產(chǎn)生了漏報(bào)，對制冷劑泄漏檢測率為75%，不僅產(chǎn)生了漏報(bào)，還對ABC、A2、E2這3組正常數(shù)據(jù)集檢測為制冷劑泄漏，產(chǎn)生了誤報(bào)。對比兩類模型，ABC作為訓(xùn)練集建立的模型明顯優(yōu)于DEF作為訓(xùn)練集建立的模型，在制冷劑泄漏檢測率和誤報(bào)問題上均優(yōu)于DEF模型，且未發(fā)生漏報(bào)現(xiàn)象。當(dāng)ABC+DEF作為訓(xùn)練集建立模型時(shí)，模型能夠有效改善ABC模型和DEF模型出現(xiàn)誤報(bào)的情況，能夠準(zhǔn)確檢測出ABC、A2和ABC為正常數(shù)據(jù)，但是也出現(xiàn)了將D2制冷劑泄漏數(shù)據(jù)檢測為正常這種漏報(bào)情況。所以雖然增加了訓(xùn)練集樣本數(shù)，但是對制冷劑泄漏診斷效果提升并不明顯。

圖7 ABC、DEF和ABC+DEF檢測結(jié)果

圖8所示為ABC1+ABC2、ABC+ABC1+ABC2和ABC+DEF+ABC1+ABC2訓(xùn)練集對10組仿真數(shù)據(jù)集檢測結(jié)果。由圖8可知，對于ABC1+ABC2模型，能夠?qū)⒄?shù)據(jù)檢測為正常，僅在E2數(shù)據(jù)集上，將其檢測為制冷劑泄漏故障，僅產(chǎn)生了一個(gè)誤報(bào)集。對于制冷劑泄漏故障數(shù)據(jù)集，ABC1+ABC2模型將B2故障數(shù)據(jù)檢測為正常數(shù)據(jù)，產(chǎn)生漏報(bào)。其余數(shù)據(jù)集均正確檢測；對于ABC1+ABC2+ABC模型，該模型在ABC1+ABC2模型的基礎(chǔ)上增加了ABC數(shù)據(jù)集為訓(xùn)練集，得到的結(jié)果與ABC1+ABC2模型完全相同，不僅無法檢測出漏報(bào)的B2數(shù)據(jù)集，對于E2數(shù)據(jù)集仍然處于誤報(bào)狀態(tài)，在ABC1+ABC2模型的基礎(chǔ)上增加ABC數(shù)據(jù)集，對檢測效果提升不明顯，還會(huì)增加計(jì)算；對ABC+DEF+ABC1+ABC2模型，在ABC1+ABC2模型的基礎(chǔ)上增加了ABC和DEF數(shù)據(jù)集，但是檢測效果并未變好，仍然無法檢測B2數(shù)據(jù)集，對E2正常數(shù)據(jù)集產(chǎn)生誤報(bào)，不僅如此，對于ABC1+ABC2模型和ABC1+ABC2+ABC模型均能檢測出的D2制冷劑泄漏數(shù)據(jù)集，卻無法檢測出，產(chǎn)生了漏報(bào)，所以在ABC1+ABC2模型的基礎(chǔ)上增加ABC和DEF數(shù)據(jù)集是沒有必要的，不僅無法改善檢測結(jié)果，還使訓(xùn)練產(chǎn)生冗余。

圖8 ABC1+ABC2、ABC+ABC1+ABC2和ABC+DEF+ABC1+ABC2檢測結(jié)果

圖9所示為上文中比較的兩種最佳模型ABC和ABC1+ABC2訓(xùn)練集對10組仿真數(shù)據(jù)集檢測結(jié)果。圖8中，ABC模型對于制冷劑泄漏數(shù)據(jù)集均能準(zhǔn)確檢測，但是對于正常狀態(tài)數(shù)據(jù)集，卻產(chǎn)生較多誤報(bào)。而ABC1+ABC2模型能夠有效改善ABC模型的誤報(bào)問題，但是對于B2制冷劑泄漏數(shù)據(jù)集無法檢測，產(chǎn)生漏報(bào)現(xiàn)象。建立的模型均對DEF組的E2數(shù)據(jù)無法正確檢測，總是將其檢測為制冷劑泄漏故障數(shù)據(jù)，分析可知，由于DEF組數(shù)據(jù)較為復(fù)雜。ABC組數(shù)據(jù)為1拖7系統(tǒng)長配管，液位影響不顯著，ABC組相對更好檢測；而DEF組為1拖4系統(tǒng)，液位很顯著，且DEF組的tsh均為0，液罐液位可能一直存在，這種情況檢測難度較大。

圖9 ABC和ABC1+ABC2檢測結(jié)果

進(jìn)一步分析tsh對類隨機(jī)森林檢測影響，可以發(fā)現(xiàn)ABC組數(shù)據(jù)大多存在吸氣過熱度，而DEF組數(shù)據(jù)的過熱度為零，而類隨機(jī)森林算法對tsh=0的數(shù)據(jù)檢測錯(cuò)誤率較高，所以在采用類隨機(jī)森林模型時(shí)，需要采集一段時(shí)間tsh不全部為0的數(shù)據(jù)進(jìn)行檢測。

5 結(jié)論

本文提出一種基于Xgboost-類隨機(jī)森林的故障診斷方法，建立了以R410A為制冷劑的一拖八多聯(lián)機(jī)空調(diào)系統(tǒng)的動(dòng)態(tài)仿真模型，用于仿真動(dòng)態(tài)制冷劑泄漏故障數(shù)據(jù)，采用Xgboost方法對輸入特征參數(shù)進(jìn)行制冷劑泄漏故障的敏感度分析，得到最佳輸入?yún)?shù)組合，采用類隨機(jī)森林對仿真得到的10組數(shù)據(jù)進(jìn)行驗(yàn)證，得出如下結(jié)論：

1）經(jīng)過Xgboost敏感度分析后，得到對于制冷劑泄漏故障較為敏感度多聯(lián)機(jī)特征參數(shù)分別是t9、tsh、tes、tss、t2B_avg、tdsh、tddis和f1組合，以它們作為輸入?yún)?shù)可以較好訓(xùn)練診斷模型；

2）經(jīng)過6種訓(xùn)練集組成建立的模型比較，可以得到最佳的類隨機(jī)森林模型為ABC1+ABC2模型，能夠?qū)?個(gè)制冷劑泄漏訓(xùn)練集診斷出3個(gè)，并能很好避免誤報(bào)以及將正常數(shù)據(jù)檢測正常；

3）通過訓(xùn)練集和驗(yàn)證集得到穩(wěn)定故障診斷模型，在測試集18 721組數(shù)據(jù)中，異常檢測正確率達(dá)到98.7%。