Um das Problem der Redundanz diagnostischer Merkmale und der niedrigen Diagnoseeffizienz bei Ventilfehlern in Multi-Split-Systemen (Systeme mit variablem Kältemittelfluss) zu lösen, wird ein zusammengesetztes Diagnosemodell vorgeschlagen, das einen genetischen Algorithmus verwendet, um Merkmalsuntergruppen im ursprünglichen Merkmalsdatensatz zu suchen, und mit einem parameteroptimierten BP-Neuronalen Netzwerk kombiniert wird, um Ventilfehler in Multi-Split-Systemen zu erkennen und zu diagnostizieren. In dieser Arbeit wurde aus dem ursprünglichen Merkmalsdatensatz ein optimaler Merkmalsunterensatz mit 18 Merkmalen ausgewählt. Mit diesem Modell wurden drei Arten von Fehlern erkannt: Feststecken des elektronischen Expansionsventils, Leckage des elektronischen Expansionsventils und Fehler des Vierwegeventils. Die Ergebnisse zeigen, dass das zusammengesetzte Diagnosemodell die Fehlererkennungsrate verbessert, wobei die Fehlererkennungsrate für das Feststecken des elektronischen Expansionsventils um 8 % erhöht wurde, und die Gesamtdiagnosegenauigkeit auf 99,27 % gesteigert wurde; das zusammengesetzte Diagnosemodell hat die Diagnoseeffizienz erheblich verbessert und die Testzeit um 52,17 % verkürzt, was zeigt, dass das zusammengesetzte Modell eine gute Fehlerdiagnosewirkung hat.

Systeme mit variablem Kältemittelfluss; Ventilfehlererkennung und Diagnose; Merkmalsauswahl; genetischer Algorithmus; BP-Neuronales Netzwerk