基于机器学习的自适应式升降机冷却机组故障诊断模型
Yang Guo1,2, Zengrui Tian1,2, Hong Wang1,2
1College of Building Environment Engineering, Zhengzhou University of Light Industry, Zhengzhou, China.
PloS one
|April 24, 2025
概括
对于传统方法来说,早期检测冷却器故障是具有挑战性的. 这项研究引入了一种新的混合改进的北方高斯霍克优化算法-最小平方支持向量机 (HINGO-LSSVM) 与IAdaBoost,以提高冷却器故障诊断的准确性和稳定性.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- 早期冷却器故障通常是不可察觉的,导致问题升级.
- 传统的故障诊断方法缺乏检测初始故障的准确性和稳定性.
研究的目的:
- 为制冷器开发一个先进的故障诊断模型.
- 为了提高冷却机组的早期故障检测能力.
主要方法:
- 开发了一种新的混合改进的北方高斯霍克优化算法 (HINGO),结合了基于折射对立的学习,正弦-共弦策略,莱维飞行和非线性下降因子.
- 最小方形支持向量机 (LSSVM) 使用HINGO算法进行了优化.
- 一个改进的IAdaBoost集体学习算法与HINGO-LSSVM模型集成.
- 该模型使用ASHRAE RP-1043空调故障数据集进行了训练和验证.
主要成果:
- 与传统方法相比,HINGO-LSSVM-IAdaBoost模型在早期故障诊断方面表现出优异的性能.
- 在HINGO中增强的优化策略改善了人口分布和搜索功能.
- 整体方法提供了强大而稳定的故障检测.
结论:
- 拟议的HINGO-LSSVM-IAdaBoost模型为早期冷却器故障诊断提供了显著的优势.
- 这种方法提高了冷却器维护和操作的可靠性和效率.
- 该研究强调了混合优化和集体学习在复杂系统诊断中的潜力.


