Multisplit-Klimaanlagen werden in verschiedenen öffentlichen Gebäuden weit verbreitet eingesetzt. Bei Störungen führt dies zu einem Komfortverlust und einem erhöhten Energieverbrauch. Der Kältemittelfüllstand ist ein wichtiger Parameter, der den effizienten Betrieb des Klimasystems beeinflusst. In diesem Artikel wird ein auf dem Boosting-Integrationsalgorithmus basierendes Fehlerdiagnosemodell vorgeschlagen, das sich auf Fehler beim Kältemittelfüllstand konzentriert. Es werden fünf Basis-Klassifikatoren integriert: logistische Regression, Entscheidungsbaum, Random Forest, Support Vector Machine und BP-Neuronales Netz. Die Merkmalsauswahl erfolgt mittels Chi-Quadrat-Test, und es wird ein Diagnosemodell mit experimentellen Daten aus Kühl- und Heizmodi erstellt. Die Ergebnisse zeigen, dass das auf Boosting basierende Ensemblemodell Fehler beim Kältemittelfüllstand von Multisplit-Anlagen effizient erkennen kann, mit einer Genauigkeit von bis zu 96,8 %, was die Reaktionsgeschwindigkeit, Genauigkeit und Praktikabilität gegenüber herkömmlichen Diagnosemethoden erheblich verbessert.

Boosting;Ensemble;Kältemittelfüllstand;Multisplit;Fehlerdiagnose