Aplicação da otimização PSO (Algoritmo de Enxame de Partículas) no BP (rede neural de retropropagação do erro) para diagnóstico de falhas em unidades de refrigeradores centrífugos, abordando 7 tipos típicos de falhas, incluindo 4 falhas locais e 3 falhas do sistema, estabelecendo um modelo de diagnóstico BP otimizado por PSO. Os resultados mostram que a performance do diagnóstico da rede neural BP otimizada por PSO (incluindo camada oculta única e dupla camada oculta) foi significativamente melhorada, simplificando a estrutura da rede e obtendo melhor desempenho diagnóstico com menos nós ocultos. O número ótimo de nós ocultos para a rede de camada oculta única caiu de 18 para 10 após a otimização, e a acurácia do diagnóstico aumentou de 89,42% para 95,30%; para a rede de dupla camada oculta, o número ótimo de nós ocultos reduziu de 25 para 12, e a acurácia aumentou de 97,87% para 98,11%, o tempo de diagnóstico foi apenas 23% do tempo antes da otimização. A taxa de falso alarme (falsos positivos e falsos negativos) diminuiu, melhorando significativamente o desempenho do diagnóstico de falhas do sistema, especialmente vazamentos de refrigerante, além de melhorar muito a taxa de reconhecimento da condição normal. A otimização PSO ajuda a rede BP a sair de mínimos locais, melhorando significativamente a performance do diagnóstico.

Unidade de refrigerador;diagnóstico de falhas;algoritmo de enxame de partículas;rede neural BP;taxa de falso alarme