基于密度权重支持向量数据描述的冷水机组故障检测

顾笑伟; 王智伟; 王占伟; 何所畏; 闫增峰

doi:10.11949/j.issn.0438-1157.20161077

您当前的位置：

首页 >

文章列表页 >

基于密度权重支持向量数据描述的冷水机组故障检测

过程系统工程 | 更新时间：2025-12-10

- 基于密度权重支持向量数据描述的冷水机组故障检测
- Chiller fault detection by density weighted support vector data description
- 化工学报 2017年第3期页码：1099-1108
- 作者机构：
  
  1. 西安建筑科技大学环境学院,陕西,西安,710055
  2. 西安建筑科技大学建筑学院,陕西,西安,710055
- 作者简介：
- 基金信息：
- DOI：10.11949/j.issn.0438-1157.20161077
  中图分类号： B65
- 网络首发：2017-03-05，
  
  纸质出版：2017-03-05
- 稿件说明：
移动端阅览
顾笑伟, 王智伟, 王占伟, 等. 基于密度权重支持向量数据描述的冷水机组故障检测[J]. 化工学报, 2017,(3):1099-1108.

GU Xiaowei, WANG Zhiwei, WANG Zhanwei, et al. Chiller fault detection by density weighted support vector data description[J]. CIESC Journal, 2017, (3): 1099-1108.
顾笑伟, 王智伟, 王占伟, 等. 基于密度权重支持向量数据描述的冷水机组故障检测[J]. 化工学报, 2017,(3):1099-1108. DOI： 10.11949/j.issn.0438-1157.20161077.

GU Xiaowei, WANG Zhiwei, WANG Zhanwei, et al. Chiller fault detection by density weighted support vector data description[J]. CIESC Journal, 2017, (3): 1099-1108. DOI： 10.11949/j.issn.0438-1157.20161077.

摘要

虚警率（FAR）是评价冷水机组故障检测性能的关键指标，用户无法接受过高的FAR。为了降低支持向量数据描述（SVDD）在冷水机组故障检测时的FAR，将密度权重集成到SVDD中，提出了一种基于密度权重支持向量数据描述（DW-SVDD）的冷水机组故障检测方法，该方法考虑了样本数据在真实空间中的密度分布情况。使用ASHRAE RP-1043冷水机组实验数据对提出的方法进行验证，并将检测结果与传统SVDD的冷水机组故障检测方法进行比较。结果表明，提出的方法将FAR从10.5%降低到7%，同比下降超过了30%，同时对4个劣化等级下的7种典型冷水机组故障有着优良的检测性能。

Abstract

False alarm rate (FAR) is a key indicator to evaluate performance of chiller fault detection methods

since customers cannot accept high FAR. In order to reduce FAR of support vector data description (SVDD)-based chiller fault detection

a density weighted support vector data description (DW-SVDD)-based chiller fault detection method was proposed by integration of density weight into SVDD with a consideration of density distribution of sample data in real space. The proposed method was validated with experimental data of RP-1043 ASHRAE and detection results were compared to those of traditional SVDD chiller fault detection methods. The results showed that the new method could reduce FAR from 10.5% to 7%

which was lowered about 30%

and had excellent detection performance for 7 typical chiller faults at 4 severity levels.

关键词

Keywords

references

浏览量

208

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于SVDD的冷水机组传感器故障检测及效率分析

基于CNN-LSTM的换热器污垢因子预测研究

基于加权深度支持向量数据描述的工业过程故障检测

基于融合的贝叶斯网络的冷水机组故障诊断

一种不等长的多模态间歇过程故障检测方法