Diese Arbeit befasst sich mit dem Problem gleichzeitiger Mehrfachfehler, die im praktischen Betrieb von Multi-Split-Systemen auftreten können. Es wird eine Multi-Fehler-Diagnosestrategie vorgeschlagen, die lineare Diskriminanzanalyse (LDA) und den Zufallswald-Algorithmus (RF) kombiniert. Nach der Erkennung des Fehlertyps wird adaptiv basierend auf dem Fehlertyp das beste verfeinerte Diagnosemodell ausgewählt, um den Fehlerentstehungsgrad oder die Fehlerursache weiter zu diagnostizieren. Zunächst werden unter verschiedenen Kühl- und Heizbedingungen Vierwegeventilfehler, elektronische Expansionsventilfehler und Kältemittel-Füllmengenfehler eingeführt und die Daten im Verhältnis 7:3 in Trainings- und Testdaten unterteilt. Das Trainingsset wird verwendet, um ein Fehlertyp-Erkennungsmodell basierend auf dem RF-Algorithmus zu erstellen; anschließend erfolgt mittels LDA eine Dimensionsreduktion der Merkmale der drei Fehlerarten im Trainingsset, und mit dem dimensional reduzierten Trainingsset wird ein verfeinertes Diagnosemodell erstellt; schließlich werden die Proben im Testset nach der Fehlertyp-Erkennung adaptiv in das optimale verfeinerte Diagnosemodell eingegeben. Die Ergebnisse zeigen, dass die Genauigkeit des Fehlertyp-Erkennungsmodells auf dem Testset 99,99 % erreicht und die Genauigkeiten der verfeinerten Diagnose für die drei Fehlerarten jeweils 96,12 %, 100 % und 97,44 % betragen, was zeigt, dass diese Strategie die mehrtypige Fehlerinformationserkennung in Multi-Split-Systemen gut bewältigen kann.

Multi-Split;Fehlererkennung;feinere Fehlerdiagnose;Zufallswald;LDA