Fehlerdiagnosemodell für die Kältemittelfüllmenge unter thermischen Betriebsbedingungen von Multisplit-Systemen—basiert auf mehrschichtigen Convolutional Neural Networks
摘要
Dieser Artikel schlägt ein auf Convolutional Neural Networks basierendes Fehlerdiagnosemodell vor und optimiert mittels orthogonaler Versuche die Faltungskerne und die Anzahl der Neuronen in einem dreischichtigen Netzwerk. Ein mehrschichtiges Convolutional Neural Network wurde mit experimentellen Daten zu Fehlern bei der Kältemittelbefüllungsmenge eines grafisch dargestellten VRF-Multisplit-Systems trainiert und die Fehlerdiagnoseleistung des Modells bewertet. Die Ergebnisse zeigen, dass die „Daten-Grafik-Mehrschicht-Convolutional-Neural-Network“-Methode effektiv Fehler bei der Kältemittelbefüllungsmenge in Multisplit-Systemen diagnostizieren kann. Bei 20 Eingangsmerkmalen beträgt die maximale Gesamtdiagnosegenauigkeit für 9 Fehlerarten 91 %, was eine höhere Genauigkeit als traditionelle BP-Netzwerke darstellt. Diese Methode nutzt erstmals Convolutional Neural Networks zur Diagnose von Kältemittelfüllmengen-Fehlern in VRF-Systemen und legt die Grundlage für weitere Forschungen auf diesem Gebiet.
关键词
Multisplit-System; Fehlerdiagnose; Convolutional Neural Network; Kältemittelfüllmengenfehler; orthogonaler Versuch
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website