基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷

任正雄 韓 華 崔曉鈺 陸海龍, 張運(yùn)乾

(1 上海理工大學(xué)能源與動(dòng)力工程學(xué)院 上海 200093；2 重慶美的通用制冷設(shè)備有限公司 重慶 401336)

制冷系統(tǒng)一旦發(fā)生故障，安全性、經(jīng)濟(jì)性將急劇下降。目前我國(guó)居民建筑及商用建筑空調(diào)能耗達(dá)總能耗的20%～50%，因此必須做好故障預(yù)防工作，延長(zhǎng)制冷系統(tǒng)使用壽命[1]。得益于計(jì)算機(jī)科學(xué)和人工智能的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的方法被廣泛應(yīng)用于制冷系統(tǒng)故障診斷中并已取得豐富成果[2-4]，該方法既無(wú)需構(gòu)建精確的物理模型也不依賴(lài)于豐富的專(zhuān)家知識(shí)，但訓(xùn)練故障診斷模型需要大量的有標(biāo)簽數(shù)據(jù)。此處“標(biāo)簽”是指數(shù)據(jù)對(duì)應(yīng)的輸出，即機(jī)組的運(yùn)行狀態(tài)，正常運(yùn)行或故障類(lèi)別。實(shí)際中冷水機(jī)組采集的大量運(yùn)行數(shù)據(jù)一般為未知運(yùn)行狀態(tài)的無(wú)標(biāo)簽數(shù)據(jù)，以往的故障診斷方法無(wú)法直接利用，而有標(biāo)簽數(shù)據(jù)通常需要人工標(biāo)定，耗時(shí)耗力且相當(dāng)有限，導(dǎo)致大量無(wú)標(biāo)簽數(shù)據(jù)中的信息無(wú)法利用[5]，影響了故障診斷技術(shù)在制冷領(lǐng)域的推廣和應(yīng)用。同時(shí)，無(wú)標(biāo)簽數(shù)據(jù)雖未直接包含標(biāo)記信息，但它們與有標(biāo)簽數(shù)據(jù)是從相同的制冷設(shè)備采樣，數(shù)據(jù)源獨(dú)立且可能同分布，其中包含的數(shù)據(jù)分布信息對(duì)建立模型大有裨益[6]。如何利用大量的無(wú)標(biāo)簽數(shù)據(jù)改善制冷系統(tǒng)故障診斷性能，是目前的研究熱點(diǎn)之一。

半監(jiān)督學(xué)習(xí)(semi-supervised learning，SSL)旨在解決數(shù)據(jù)的標(biāo)簽問(wèn)題，無(wú)需依賴(lài)外界交互、自動(dòng)地利用無(wú)標(biāo)簽數(shù)據(jù)輔助少量有標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)[6]。故障診斷領(lǐng)域常用的半監(jiān)督學(xué)習(xí)方法為協(xié)同訓(xùn)練法[7]，可以從一個(gè)數(shù)據(jù)集的全部特征中選出多個(gè)不同的特征集，作為樣本的描述，每個(gè)特征集被稱(chēng)為數(shù)據(jù)的一個(gè)“視圖”。協(xié)同訓(xùn)練是基于不同特征集的多視圖數(shù)據(jù)學(xué)習(xí)方法[8]，需要在兩個(gè)充分冗余的視圖上分別訓(xùn)練分類(lèi)器，根據(jù)兩者之間的分歧利用無(wú)標(biāo)簽數(shù)據(jù)。

目前，制冷空調(diào)領(lǐng)域的半監(jiān)督學(xué)習(xí)方法研究較少[9-11]，制冷系統(tǒng)采集到的海量數(shù)據(jù)中蘊(yùn)含了豐富多變的工況狀態(tài)信息，系統(tǒng)內(nèi)部非線性、耦合性、部分負(fù)荷性的復(fù)雜運(yùn)行狀態(tài)、故障等均會(huì)對(duì)設(shè)備運(yùn)行狀態(tài)產(chǎn)生影響。同時(shí)，考慮到制冷設(shè)備的經(jīng)濟(jì)性，現(xiàn)場(chǎng)運(yùn)行機(jī)組的傳感器通常遠(yuǎn)不及實(shí)驗(yàn)室多，采集數(shù)據(jù)很難分成多個(gè)充分且條件獨(dú)立的視圖。因此，本文對(duì)協(xié)同訓(xùn)練的改進(jìn)模型Tri-Training[12]進(jìn)行研究，該模型無(wú)需多個(gè)充分冗余的視圖，通過(guò)單視圖學(xué)習(xí)訓(xùn)練3個(gè)基分類(lèi)器，并基于分歧給無(wú)標(biāo)簽數(shù)據(jù)貼上偽標(biāo)簽，實(shí)現(xiàn)對(duì)無(wú)標(biāo)簽數(shù)據(jù)的挖掘[13-15]。將支持向量機(jī)(support vector machine，SVM)[16]、K近鄰學(xué)習(xí)(k-nearest neighbour, KNN)[17]、隨機(jī)森林(random forest, RF)[18]作為基分類(lèi)器，建立基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型，研究大量未知類(lèi)別無(wú)標(biāo)簽數(shù)據(jù)的利用方法，挖掘無(wú)標(biāo)簽數(shù)據(jù)所含信息，改善制冷系統(tǒng)故障診斷性能，并對(duì)該模型故障診斷性能的主要影響因素展開(kāi)分析。

1 Tri-Training算法原理

Tri-Training[12]的基本思想如圖1所示。首先，通過(guò)有放回采樣，處理類(lèi)別已知的有標(biāo)記數(shù)據(jù)集L，訓(xùn)練得到3個(gè)有差異的基分類(lèi)器hi(i=1，2，3)；其次，標(biāo)記類(lèi)別未知的無(wú)標(biāo)簽數(shù)據(jù)集U中的數(shù)據(jù)x，若其中兩個(gè)基分類(lèi)器對(duì)x的預(yù)測(cè)結(jié)果一致，即pj(x)=pk(x)(j,k≠i)，則認(rèn)為該預(yù)測(cè)結(jié)果為x的偽標(biāo)簽pi(x)并將其加入hi的訓(xùn)練集中，如此形成hi的新訓(xùn)練集Li←Li∪{(x,pi(x))}。類(lèi)似地，另外兩個(gè)基分類(lèi)器的訓(xùn)練集也分別擴(kuò)充，然后3個(gè)分類(lèi)器繼續(xù)訓(xùn)練，如此重復(fù)迭代直至hi均無(wú)變化。

圖1 Tri-Training算法基本原理

在訓(xùn)練過(guò)程中，若hj和hk對(duì)x的預(yù)測(cè)正確，則將偽標(biāo)簽數(shù)據(jù)補(bǔ)充至hi，進(jìn)入下一步訓(xùn)練；否則，將獲得帶有噪聲標(biāo)簽的數(shù)據(jù)，進(jìn)而會(huì)對(duì)最終結(jié)果造成影響。為減少標(biāo)記過(guò)程中產(chǎn)生的噪聲數(shù)據(jù)，該算法基于D. Angluin等[19]的理論結(jié)果，根據(jù)分類(lèi)噪聲率和每輪訓(xùn)練分類(lèi)的錯(cuò)誤率決定偽標(biāo)記數(shù)據(jù)是否可以用于更新分類(lèi)器[12]。

2 基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷

制冷系統(tǒng)在運(yùn)行過(guò)程中，隨著冷熱負(fù)荷的變化，設(shè)備的運(yùn)行工況也在時(shí)刻發(fā)生改變，以往的故障診斷研究?jī)H可針對(duì)少量已知運(yùn)行狀態(tài)的有標(biāo)簽數(shù)據(jù)訓(xùn)練故障診斷模型，導(dǎo)致大量包含豐富狀態(tài)信息的無(wú)標(biāo)簽數(shù)據(jù)信息閑置，無(wú)法利用所有數(shù)據(jù)中的完全信息構(gòu)建故障診斷模型。本研究在分析Tri-Training原理的基礎(chǔ)上，建立基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障模型。

2.1 故障診斷過(guò)程

基于Tri-Training建立的制冷系統(tǒng)故障診斷模型工作流程如圖2所示，圖中不同顏色的點(diǎn)代表不同的類(lèi)別，灰色代表未知類(lèi)別。步驟如下：

圖2 基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷流程

1)數(shù)據(jù)預(yù)處理。將通過(guò)制冷系統(tǒng)故障模擬實(shí)驗(yàn)采集到的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行穩(wěn)態(tài)篩查并去除噪聲，在標(biāo)準(zhǔn)化處理后隨機(jī)分為訓(xùn)練集和測(cè)試集，并設(shè)置訓(xùn)練集中包含大量無(wú)標(biāo)簽數(shù)據(jù)。

2)訓(xùn)練基分類(lèi)器。通過(guò)有放回采樣將有標(biāo)簽數(shù)據(jù)隨機(jī)分為3個(gè)數(shù)量相同的子訓(xùn)練集L1、L2和L3，并分別訓(xùn)練3個(gè)基分類(lèi)器。

3)無(wú)標(biāo)簽數(shù)據(jù)貼標(biāo)簽。采用3個(gè)基分類(lèi)器對(duì)無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行預(yù)測(cè)，當(dāng)兩個(gè)基分類(lèi)器所貼標(biāo)簽一致時(shí)，該數(shù)據(jù)被認(rèn)為具有較高的置信度，作為新的有標(biāo)簽數(shù)據(jù)(偽標(biāo)簽數(shù)據(jù)P1、P2和P3)擴(kuò)充至第3個(gè)基分類(lèi)器的訓(xùn)練集中(T1、T2和T3)；當(dāng)兩個(gè)基分類(lèi)器所貼標(biāo)簽不一致時(shí)，該數(shù)據(jù)重新放回?zé)o標(biāo)簽數(shù)據(jù)集。

4)更新基分類(lèi)器。綜合有標(biāo)簽數(shù)據(jù)和偽標(biāo)簽數(shù)據(jù)重新訓(xùn)練基分類(lèi)器，并重復(fù)步驟3進(jìn)行迭代訓(xùn)練，直至基分類(lèi)器不發(fā)生改變。

5)故障檢測(cè)與診斷。集成循環(huán)結(jié)束后的3個(gè)最終基分類(lèi)器進(jìn)行故障檢測(cè)與診斷，通過(guò)投票獲得的診斷結(jié)果。

2.2 制冷系統(tǒng)故障數(shù)據(jù)來(lái)源與預(yù)處理

本文采用ASHRAE-1043RP[20]故障模擬實(shí)驗(yàn)數(shù)據(jù)對(duì)故障診斷模型進(jìn)行分析，該實(shí)驗(yàn)對(duì)象為1臺(tái)316 kW的離心式冷水機(jī)組，制冷劑為R134a，冷凝器和蒸發(fā)器均為殼管式換熱器。診斷類(lèi)別及縮略詞如表1所示。實(shí)驗(yàn)過(guò)程中，數(shù)據(jù)采集間隔時(shí)間為10 s，共測(cè)試27個(gè)工況，特征參數(shù)為64個(gè)，包括48個(gè)傳感器直接測(cè)量參數(shù)和16個(gè)計(jì)算參數(shù)。此外，考慮到故障的嚴(yán)重程度，將故障分為4種程度，本文采用的研究數(shù)據(jù)將4種嚴(yán)重程度混合。

表1 制冷系統(tǒng)正常運(yùn)行及7類(lèi)典型故障

為模擬制冷機(jī)組有標(biāo)簽數(shù)據(jù)少且無(wú)標(biāo)簽數(shù)據(jù)多的情況，隨機(jī)選取12 000組數(shù)據(jù)，去掉其中6 000組數(shù)據(jù)的標(biāo)簽作為無(wú)標(biāo)簽數(shù)據(jù)，剩余6 000組有標(biāo)簽數(shù)據(jù)中3 000組作為測(cè)試集，剩下的3 000組與6 000組無(wú)標(biāo)簽數(shù)據(jù)組合作為訓(xùn)練集。研究中，有標(biāo)簽數(shù)據(jù)、無(wú)標(biāo)簽數(shù)據(jù)及測(cè)試數(shù)據(jù)均為隨機(jī)采樣得到，不同數(shù)據(jù)集、不同機(jī)組運(yùn)行狀態(tài)數(shù)據(jù)的工況存在差異，一定程度上可以適應(yīng)實(shí)際中工況不同所致的情況，但實(shí)際運(yùn)行中的性能有待實(shí)際數(shù)據(jù)進(jìn)一步驗(yàn)證。

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

3.1 基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷分析

SVM、KNN、RF三種有監(jiān)督學(xué)習(xí)廣泛應(yīng)用于制冷系統(tǒng)故障診斷相關(guān)研究。采用SVM、KNN、RF作為基分類(lèi)器，建立基于Tri-Training的制冷系統(tǒng)故障診斷模型。采用正確率、查準(zhǔn)率、查全率和F-measure值來(lái)評(píng)價(jià)各模型的診斷性能，已關(guān)注的類(lèi)別為正類(lèi)，其他類(lèi)別為負(fù)類(lèi)，根據(jù)分類(lèi)器在測(cè)試數(shù)據(jù)集上的診斷正確與否，會(huì)出現(xiàn)如下4種情況：TP表示將正類(lèi)診斷為正類(lèi)的樣本數(shù)；FN表示將正類(lèi)診斷為負(fù)類(lèi)的樣本數(shù)；FP表示將負(fù)類(lèi)診斷為正類(lèi)的樣本數(shù)；TN表示將負(fù)類(lèi)診斷為負(fù)類(lèi)的樣本數(shù)，Precision表示查準(zhǔn)率，Recall表示查全率，各評(píng)價(jià)指標(biāo)的計(jì)算式如表2所示。

表2 各評(píng)價(jià)指標(biāo)計(jì)算式

圖3所示為各模型的制冷系統(tǒng)故障診斷結(jié)果，由圖3可知，挖掘無(wú)標(biāo)簽數(shù)據(jù)信息后的Tri-Training故障診斷正確率相比SVM和KNN均有較大提升，較SVM提高22.00%，但相比RF反而降低，原因可能為RF是多個(gè)決策樹(shù)(decision tree，DT)[18]的集成，DT數(shù)量和特征選擇的隨機(jī)性導(dǎo)致模型對(duì)故障的識(shí)別具有隨機(jī)性，而且數(shù)據(jù)偽標(biāo)簽的獲得需要綜合考慮3個(gè)基分類(lèi)器。圖中SVM、KNN與RF的診斷性能相差較大，SVM(72.00%)和RF(98.13%)的正確率差值為26.13%，當(dāng)采用性能差異過(guò)大的模型作為基分類(lèi)器時(shí)會(huì)影響Tri-Training的貼標(biāo)簽過(guò)程，降低偽標(biāo)簽數(shù)據(jù)的置信度。

圖3 各模型的制冷系統(tǒng)故障診斷結(jié)果

3.2 基分類(lèi)器優(yōu)化

Zhou Zhihua等[12]強(qiáng)調(diào)，Tri-Training采用的基分類(lèi)器不可以是弱分類(lèi)器，弱分類(lèi)器會(huì)降低貼標(biāo)簽過(guò)程的可靠性。本節(jié)考慮基分類(lèi)器性能對(duì)制冷系統(tǒng)故障診斷的影響，優(yōu)化基分類(lèi)器模型，討論優(yōu)化后Tri-Training模型的故障診斷性能。

采用十折交叉驗(yàn)證[21]及網(wǎng)格搜索方法進(jìn)行參數(shù)尋優(yōu)，并將最優(yōu)參數(shù)代入模型中對(duì)測(cè)試集數(shù)據(jù)進(jìn)行診斷。懲罰參數(shù)C和核參數(shù)γ是SVM的兩個(gè)重要參數(shù)；KNN的性能主要受所選最近點(diǎn)的個(gè)數(shù)k和距離計(jì)算參數(shù)p的影響；在DT的數(shù)量n和最佳特征個(gè)數(shù)m是RF模型的主要參數(shù)。優(yōu)化上述參數(shù)，結(jié)果如表3所示。由表3可知，各模型優(yōu)化后的診斷正確率均提升，其中SVM的提升尤為顯著(26.63%)，KNN次之(7.66%)，RF提升僅為1.14%。3種模型優(yōu)化后的診斷性能差異較小，正確率均約為99%。

表3 有監(jiān)督模型參數(shù)優(yōu)化結(jié)果

將參數(shù)優(yōu)化后的SVM、KNN、RF作為基分類(lèi)器重新建立Tri-Training模型，采用相同制冷系統(tǒng)數(shù)據(jù)集進(jìn)行驗(yàn)證，故障診斷結(jié)果如圖4所示。由圖4可知，與3.1節(jié)中未優(yōu)化的模型相比：1)有優(yōu)化Tri-Training模型的診斷正確率提升5.20%(99.43%比94.23%)，更高診斷性能的基分類(lèi)器可以建立具有更高診斷性能的故障診斷模型；2)有優(yōu)化Tri-Training模型的各項(xiàng)評(píng)價(jià)指標(biāo)均高于有監(jiān)督學(xué)習(xí)模型，證明基分類(lèi)器的差異性會(huì)影響模型總體性能，較小的差異可減少偽標(biāo)簽數(shù)據(jù)的噪聲。

圖4 有監(jiān)督學(xué)習(xí)模型與Tri-Training的診斷性能

此外，由于優(yōu)化后的RF模型與Tri-Training故障診斷性能差異不明顯，采用DT模型代替RF模型，將參數(shù)優(yōu)化后的SVM、KNN、DT作為基分類(lèi)器建立Tri-Training*模型。圖5所示為故障診斷結(jié)果，由圖5可知，雖然DT的診斷正確率低于RF，但Tri-Training*的故障診斷性能與Tri-Training接近且高于半監(jiān)督學(xué)習(xí)模型，再次證明本研究提出方法的有效性。同時(shí)，Tri-Training*的故障診斷性能優(yōu)于RF模型，表明采用RF作為半監(jiān)督模型的基分類(lèi)器不會(huì)影響模型的定性分析。

圖5 有監(jiān)督學(xué)習(xí)模型與Tri-Training*的診斷性能

圖6所示為無(wú)優(yōu)化Tri-Training模型和有優(yōu)化Tri-Training模型分別對(duì)具體故障類(lèi)別的診斷性能。由圖6可知，正常狀態(tài)的正確率由90.99%增至98.63%，制冷劑泄漏/不足(故障1*)的診斷正確率由77.18%增至97.83%。有優(yōu)化Tri-Training模型可將各類(lèi)別的診斷正確率均勻維持在99.00%，基分類(lèi)器診斷性能越高，訓(xùn)練得到的制冷系統(tǒng)半監(jiān)督故障診斷模型越能挖掘出無(wú)標(biāo)簽數(shù)據(jù)深層次的可用信息。

圖6 無(wú)優(yōu)化與有優(yōu)化Tri-Training性能對(duì)比

3.3 不同基分類(lèi)器對(duì)制冷系統(tǒng)半監(jiān)督故障診斷的影響

由上述研究結(jié)果可知，3個(gè)基分類(lèi)器的差異會(huì)影響模型的診斷性能，本節(jié)采用有優(yōu)化SVM、KNN、RF構(gòu)建不同基分類(lèi)器的Tri-Training模型，討論基分類(lèi)器對(duì)模型性能的影響，不同組合方式及診斷結(jié)果如圖7所示。

圖7 不同基分類(lèi)器組合診斷結(jié)果

相比有監(jiān)督學(xué)習(xí)，Tri-Training在大部分情況下可以有效改善分類(lèi)器的診斷正確率?；诒狙芯繑?shù)據(jù)，所有組合方式中SVM+KNN+RF 的診斷正確率最高(99.43%)，當(dāng)3個(gè)基分類(lèi)器采用相同學(xué)習(xí)器時(shí)(3SVM、3KNN、3RF)，診斷正確率較監(jiān)督學(xué)習(xí)(SVM、KNN、RF)分別只提升0.07%、0.34%、0.11%，低于其他組合方式，說(shuō)明基分類(lèi)器的多樣性對(duì)模型的影響較大。

在基分類(lèi)器包含SVM的Tri-Training組合中，1SVM +2RF診斷性能較佳，診斷正確率比SVM提高0.8%；在包含KNN的組合中，1KNN+2RF診斷性能較佳，診斷正確率比KNN模型提高1.2%。RF比SVM、KNN學(xué)習(xí)性能更高，正確率達(dá)到99.26%，所以包含RF不同組合的診斷正確率普遍較高，體現(xiàn)出強(qiáng)學(xué)習(xí)器對(duì)Tri-Training的影響。其中一個(gè)RF的組合方式(2SVM+1RF、2KNN+1RF)正確率均低于其他組合，甚至低于RF的有監(jiān)督學(xué)習(xí)，說(shuō)明較低性能的SVM、KNN會(huì)對(duì)貼標(biāo)簽及投票過(guò)程產(chǎn)生負(fù)影響；1SVM+2RF、1KNN+2RF和SVM+KNN+RF的診斷性能較好，正確率高于3RF，由此可知，Tri-Training故障診斷基分類(lèi)器的選擇，要綜合考慮基分類(lèi)器自身的診斷性能與基分類(lèi)器之間的多樣性。

3.4 各類(lèi)故障診斷性能分析

由于1SVM+2RF、1KNN+2RF、SVM+KNN+RF三種組合的Tri-Training診斷結(jié)果較為優(yōu)異，因此進(jìn)一步與有監(jiān)督學(xué)習(xí)模型(SVM、KNN、RF)進(jìn)行對(duì)比，研究Tri-Training對(duì)不同故障類(lèi)別的診斷性能。

故障診斷正確率如圖8所示，3種Tri-Training模型對(duì)各類(lèi)故障的診斷趨勢(shì)相似，對(duì)正常運(yùn)行的數(shù)據(jù)診斷效果較差，局部故障較系統(tǒng)級(jí)故障診斷正確率更高，系統(tǒng)級(jí)故障中，對(duì)制冷劑過(guò)充(故障6*)的診斷正確率達(dá)到100%，制冷劑泄漏/不足(故障1*)和潤(rùn)滑油過(guò)充(故障7*)較難識(shí)別。Tri-Training模型對(duì)3種系統(tǒng)級(jí)故障的診斷性能提升明顯，均優(yōu)于有監(jiān)督學(xué)習(xí)模型，1SVM+ 2RF、1KNN+2RF對(duì)故障1*的診斷正確率比SVM高3.40%，對(duì)故障6*的診斷正確率達(dá)到100%，比KNN高3.90%，3種模型對(duì)故障7*的診斷結(jié)果相同，比KNN高1.73%，比SVM和RF高0.86%。Tri-Training模型對(duì)冷凝器結(jié)垢(故障2)、冷凝器水流量不足(故障3)和蒸發(fā)器水流量不足(故障5)3類(lèi)局部故障的診斷正確率均為100%，制冷劑含不凝性氣體(故障4)的診斷正確率為99.69%，比KNN高1.24%。此外，Tri-Training對(duì)正常數(shù)據(jù)的診斷效果顯著低于故障數(shù)據(jù)，且診斷正確率相比3個(gè)基分類(lèi)器無(wú)顯著提升。

圖8 對(duì)各類(lèi)故障的診斷正確率

圖9所示為各診斷模型診斷結(jié)果的混淆矩陣，并據(jù)此計(jì)算虛警率(正常數(shù)據(jù)誤報(bào)為故障的比例)、漏報(bào)率(故障數(shù)據(jù)誤報(bào)為正常的比例)、誤報(bào)率(故障A誤報(bào)為故障B的比例)，計(jì)算結(jié)果如表4所示。制冷系統(tǒng)正常運(yùn)行是常態(tài)，觀察正常類(lèi)別的診斷情況有助于分析模型的故障檢測(cè)性能。Tri-Training將正常運(yùn)行虛警為制冷劑泄漏/不足和潤(rùn)滑油過(guò)充的系統(tǒng)級(jí)故障(黃色部分)，SVM+KNN+RF的虛警率最低(2.44%)，相比診斷性能較好的RF顯著降低，但總體變化較小。有監(jiān)督模型的漏報(bào)情況(綠色部分)比Tri-Training復(fù)雜，SVM的漏報(bào)數(shù)據(jù)有23個(gè)，KNN漏報(bào)數(shù)據(jù)有16個(gè)，而采用半監(jiān)督學(xué)習(xí)的Tri-Training后，漏報(bào)率降低顯著，1KNN +2RF的漏報(bào)數(shù)據(jù)降至1個(gè)。誤報(bào)最多的是KNN，為26個(gè)(0.99%)，誤報(bào)最少的是1SVM +2RF，為2個(gè)(0.08%)。此外，其他模型誤報(bào)率相差較小，Tri-Training均易誤報(bào)為制冷劑過(guò)充故障。綜上所述，Tri-Training對(duì)各類(lèi)故障的診斷正確率高，且虛警率、漏報(bào)率、誤報(bào)率均降低，漏報(bào)情況顯著改善。

圖9 各模型診斷結(jié)果混淆矩陣

表4 各模型虛警率、漏報(bào)率與誤報(bào)率

4 結(jié)論

制冷系統(tǒng)大量運(yùn)行數(shù)據(jù)為未知類(lèi)別的無(wú)標(biāo)簽數(shù)據(jù)，已知類(lèi)別的有標(biāo)簽數(shù)據(jù)(特別是有標(biāo)簽故障數(shù)據(jù))難以獲得，本文提出基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型，有效利用無(wú)標(biāo)簽數(shù)據(jù)所含信息，改善故障診斷性能，并采用ASHRAE數(shù)據(jù)進(jìn)行驗(yàn)證。得到結(jié)論如下：

1)基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型可以有效利用制冷系統(tǒng)中大量的無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行半監(jiān)督學(xué)習(xí)，挖掘出無(wú)標(biāo)簽數(shù)據(jù)中包含的豐富制冷系統(tǒng)狀態(tài)信息，采用這些信息輔助有標(biāo)簽數(shù)據(jù)建立的半監(jiān)督故障診斷模型對(duì)冷水機(jī)組7類(lèi)典型故障和1類(lèi)正常運(yùn)行的診斷正確率達(dá)到99.43%，比傳統(tǒng)有監(jiān)督學(xué)習(xí)模型(SVM、KNN、RF)的正確率、查準(zhǔn)率、查全率和F-measure值均有提升，對(duì)較難識(shí)別的系統(tǒng)級(jí)故障也可以得到較好的診斷結(jié)果。

2)3個(gè)基分類(lèi)器故障診斷性能的差異性會(huì)影響故障診斷模型的總體性能，3個(gè)基分類(lèi)器之間較小的性能差異可以減少偽標(biāo)簽數(shù)據(jù)的噪聲。無(wú)優(yōu)化的SVM(72.00%)+KNN(90.57%)+RF(98.13%)模型基分類(lèi)器性能失衡，影響Tri-Training的貼標(biāo)簽過(guò)程，降低偽標(biāo)簽數(shù)據(jù)的置信度，導(dǎo)致模型的診斷性能低于RF(有監(jiān)督學(xué)習(xí))。有優(yōu)化的SVM(98.63%)+KNN(98.23%)+RF(99.27%)模型基分類(lèi)器性能差異小，模型診斷性能均高于有監(jiān)督模型。

3)基分類(lèi)器診斷性能越高，訓(xùn)練得到的故障診斷模型越能挖掘出制冷系統(tǒng)大量無(wú)標(biāo)簽數(shù)據(jù)的可用信息。對(duì)基分類(lèi)器模型進(jìn)行優(yōu)化后故障診斷性能提高，分別采用優(yōu)化前后基分類(lèi)器建立故障診斷模型，有優(yōu)化Tri-Training較無(wú)優(yōu)化Tri-Training診斷正確率提升5.20%。

4)3個(gè)基分類(lèi)器類(lèi)別的多樣性有利于提高偽標(biāo)簽樣本的置信度。采用3個(gè)相同基分類(lèi)器的3SVM、3KNN、3RF較有監(jiān)督學(xué)習(xí)模型SVM、KNN、RF診斷正確率分別僅提高0.07%、0.34%、0.11%，均低于其他組合方式的故障診斷模型。而基分類(lèi)器多樣的SVM+KNN+RF為故障診斷性能最優(yōu)組合。

5)基于Tri-Training的制冷系統(tǒng)半監(jiān)督故障診斷模型對(duì)系統(tǒng)級(jí)故障的診斷正確率較SVM、KNN、RF可提升1.73%～3.90%，1KNN+2RF、1SVM+2RF對(duì)制冷劑過(guò)量故障的診斷結(jié)果可達(dá)到100%。同時(shí)，模型對(duì)正常運(yùn)行的識(shí)別率低于故障數(shù)據(jù)，利用無(wú)標(biāo)簽數(shù)據(jù)對(duì)正常運(yùn)行的識(shí)別率無(wú)明顯改善。從對(duì)各故障的混淆矩陣中可以得出相同結(jié)論，利用無(wú)標(biāo)簽信息的半監(jiān)督模型可有效降低漏報(bào)率和誤報(bào)率，但虛警率降低較小。