基于機(jī)器學(xué)習(xí)的冷水機(jī)組空調(diào)故障預(yù)測(cè)研究

摘 要：文中旨在通過運(yùn)用機(jī)器學(xué)習(xí)的分析方法，對(duì)冷水機(jī)組空調(diào)的運(yùn)行數(shù)據(jù)進(jìn)行分析。首先清洗數(shù)據(jù)并訓(xùn)練模型，然后進(jìn)行故障預(yù)測(cè)，進(jìn)而形成一套方法，以期在獲得更多數(shù)據(jù)后不斷完善模型，從而進(jìn)行更準(zhǔn)確的預(yù)測(cè)。收集實(shí)際運(yùn)行于多個(gè)現(xiàn)場(chǎng)的機(jī)組數(shù)據(jù)并對(duì)其進(jìn)行處理，然后根據(jù)故障信息按一定規(guī)則完成標(biāo)簽分類，在故障預(yù)測(cè)中使用了決策樹和隨機(jī)森林2種機(jī)器學(xué)習(xí)方法，并對(duì)比了結(jié)果。結(jié)果顯示，這2種方法在本領(lǐng)域的應(yīng)用都有較高的準(zhǔn)確性，在本次實(shí)例中隨機(jī)森林模型表現(xiàn)出了更好的性能。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；故障預(yù)測(cè)；決策樹；隨機(jī)森林；冷水機(jī)組空調(diào)；數(shù)據(jù)標(biāo)簽

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）12-0-04

0 引 言

冷水機(jī)組空調(diào)在工業(yè)設(shè)備和商用建筑中被廣泛應(yīng)用。由于其自身的機(jī)械復(fù)雜性和運(yùn)行環(huán)境的多樣性，機(jī)組會(huì)出現(xiàn)各種故障，而一旦發(fā)生故障導(dǎo)致意外停機(jī)，容易造成難以挽回的損失，因此如果能夠?qū)渌畽C(jī)組空調(diào)的故障進(jìn)行一定程度的預(yù)測(cè)，則對(duì)于提高設(shè)備的可靠性、降低維修成本和減少因停機(jī)而造成的損失具有非常重要的意義。

機(jī)器學(xué)習(xí)在大型設(shè)備運(yùn)行故障的預(yù)測(cè)中有廣闊的應(yīng)用前景。機(jī)器學(xué)習(xí)作為一種人工智能的工具與方法已經(jīng)在故障預(yù)測(cè)領(lǐng)域有諸多應(yīng)用。例如，基于GP模型和無監(jiān)督SVM算法的冷水機(jī)組的故障檢測(cè)與診斷[1]，又如基于物聯(lián)智能體減碳優(yōu)化模型的暖通空調(diào)系統(tǒng)節(jié)能方法等。故障預(yù)測(cè)的核心在于搭建有效的模型，有效的模型的關(guān)鍵在于對(duì)真實(shí)有效的數(shù)據(jù)進(jìn)行合理處理。機(jī)器學(xué)習(xí)作為人工智能的前沿領(lǐng)域，為故障預(yù)測(cè)提供了新的途徑，為提高故障預(yù)測(cè)的效率和準(zhǔn)確性提供了更多可能。

1 數(shù)據(jù)采集與清洗

數(shù)據(jù)采集與清洗是進(jìn)行數(shù)據(jù)分析和研究的必要步驟，直接關(guān)系到模型的準(zhǔn)確率和有效性。為了獲得更真實(shí)有效的運(yùn)行工況數(shù)據(jù)，我們從全國多個(gè)現(xiàn)場(chǎng)收集了冷水機(jī)組空調(diào)的運(yùn)行數(shù)據(jù)，這些數(shù)據(jù)包括溫度、濕度、壓力等，涵蓋了多個(gè)運(yùn)行時(shí)段和多種環(huán)境條件。

從運(yùn)行現(xiàn)場(chǎng)直接取得的數(shù)據(jù)往往無法直接用于分析和研究，原因多種多樣，例如機(jī)組型號(hào)不同，控制器的軟件版本不同，數(shù)據(jù)存儲(chǔ)格式不同，同一參數(shù)的數(shù)據(jù)類型不同，數(shù)據(jù)缺失，數(shù)據(jù)亂碼等，不一而足。因此完成數(shù)據(jù)采集后，必須進(jìn)行必要的預(yù)處理和清洗，對(duì)原始數(shù)據(jù)進(jìn)行優(yōu)化和制備，以便后續(xù)分析和研究。此處需注意要盡量保持?jǐn)?shù)據(jù)原有的真實(shí)性和關(guān)聯(lián)性，不要誤引入人為的假性關(guān)聯(lián)。

缺失值和重復(fù)值的處理是預(yù)處理環(huán)節(jié)中非常重要的一部分。原始數(shù)據(jù)中往往存在缺失值和重復(fù)值，缺失值和重復(fù)值的不同屬性和不同位置可能會(huì)對(duì)結(jié)果造成不同程度的影響。因此，一方面我們需要采用合適的方式來填補(bǔ)缺失值，以盡量保證數(shù)據(jù)的完整性；另一方面我們不得不根據(jù)缺失值的重要程度進(jìn)行數(shù)據(jù)行或數(shù)據(jù)列的取舍，以保證數(shù)據(jù)結(jié)構(gòu)的合理性和有效性。重復(fù)數(shù)據(jù)會(huì)在一定程度上導(dǎo)致模型和結(jié)果的偏差和冗余，因此我們通過去重操作來確保數(shù)據(jù)的獨(dú)立性和準(zhǔn)確性。

異常值的檢測(cè)和處理也非常重要。在海量的原始數(shù)據(jù)中，不免會(huì)存在一部分異常值和離群點(diǎn)，這種值的出現(xiàn)可能有多種原因，例如測(cè)量誤差、傳感器失效或異常、誤操作、非工況運(yùn)行、軟件或算法異常、數(shù)據(jù)轉(zhuǎn)移過程中造成的失真等。我們需要采用適當(dāng)?shù)慕y(tǒng)計(jì)方法和算法來檢測(cè)并處理這些異常值，以免影響模型的有效性和準(zhǔn)確性，從而確保分析結(jié)果的正確性。此處的難點(diǎn)往往在于異常值判定的方法和標(biāo)準(zhǔn)，常常需要引入專家?guī)旌徒?jīng)驗(yàn)庫。

數(shù)據(jù)規(guī)范化是預(yù)處理的關(guān)鍵。由于不同參數(shù)的量綱和數(shù)值范圍可能存在差異，直接進(jìn)行比較和分析會(huì)導(dǎo)致偏差，而不一致的數(shù)據(jù)格式也會(huì)影響模型的準(zhǔn)確性。因此，我們需要對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理，將其轉(zhuǎn)換為統(tǒng)一的尺度，以消除量綱、數(shù)值范圍和數(shù)值格式的影響，確保數(shù)據(jù)的一致性和可比性。

綜上所述，數(shù)據(jù)的采集與清洗是數(shù)據(jù)研究中必不可少的環(huán)節(jié)。通過對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和清洗，我們能夠獲得準(zhǔn)確可靠的數(shù)據(jù)，為后續(xù)的分析和應(yīng)用奠定堅(jiān)實(shí)的基礎(chǔ)。

2 數(shù)據(jù)標(biāo)簽

為數(shù)據(jù)打標(biāo)簽是機(jī)器學(xué)習(xí)數(shù)據(jù)建模過程的第一個(gè)環(huán)節(jié)。我們需要將清洗好的運(yùn)行數(shù)據(jù)中有故障信息的部分打標(biāo)簽，但不僅僅是對(duì)有故障的部分打標(biāo)簽，因?yàn)槟繕?biāo)是要對(duì)故障進(jìn)行預(yù)測(cè)。我們將機(jī)組正常運(yùn)行時(shí)段的數(shù)據(jù)行標(biāo)記為0，而將出現(xiàn)故障前的特定時(shí)段內(nèi)（例如15～30 min）的運(yùn)行數(shù)據(jù)和帶有故障的運(yùn)行數(shù)據(jù)標(biāo)記為1?；\統(tǒng)來講，可以將所有故障類型全部劃分為故障源來處理。標(biāo)簽劃分的作用是在機(jī)器學(xué)習(xí)建模過程中區(qū)分正常情況和異常情況。

對(duì)于冷水機(jī)組空調(diào)這個(gè)特定的應(yīng)用領(lǐng)域，在打完標(biāo)簽后會(huì)發(fā)現(xiàn)被標(biāo)記為1的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)小于被標(biāo)記為0的數(shù)據(jù)量，這符合產(chǎn)品實(shí)際應(yīng)用的特征，如果直接使用這樣的數(shù)據(jù)集進(jìn)行模型訓(xùn)練就會(huì)使模型的精度大大降低，并且收斂速度也會(huì)大幅下降，所以需要對(duì)數(shù)據(jù)進(jìn)行抽樣，來使得用于訓(xùn)練和測(cè)試的數(shù)據(jù)集中2種標(biāo)簽的數(shù)據(jù)量相對(duì)均勻。即對(duì)所有標(biāo)簽為0的數(shù)據(jù)進(jìn)行隨機(jī)抽樣，使得到的數(shù)據(jù)量與標(biāo)簽為1的數(shù)據(jù)量相當(dāng)。

目標(biāo)對(duì)象被轉(zhuǎn)化為二分類問題。根據(jù)本文所描述的數(shù)據(jù)對(duì)象的數(shù)據(jù)量和參數(shù)類型等，選擇了故障樹和隨機(jī)森林2種方法進(jìn)行研究。

在模型訓(xùn)練前還需要將打好標(biāo)簽的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集[2]，劃分比例為7∶3。訓(xùn)練集和測(cè)試集都包含正常數(shù)據(jù)和異常數(shù)據(jù)，訓(xùn)練集用于訓(xùn)練模型，而測(cè)試集則用于驗(yàn)證模型的有效性和準(zhǔn)確性[3]。本文只對(duì)研究對(duì)象進(jìn)行了初步的故障與非故障劃分，在其他領(lǐng)域的實(shí)際應(yīng)用中還可以根據(jù)需要將數(shù)據(jù)集進(jìn)一步劃分，例如按照不同的故障類型或嚴(yán)重程度等進(jìn)行劃分，使得模型的數(shù)據(jù)更加均衡，提高模型的性能和泛化能力。

對(duì)清洗后的數(shù)據(jù)進(jìn)行標(biāo)簽分類，并將其劃分為訓(xùn)練集和測(cè)試集，這樣就完成了機(jī)器學(xué)習(xí)數(shù)據(jù)建模的準(zhǔn)備工作，這一過程在實(shí)際執(zhí)行過程中需反復(fù)進(jìn)行，以便后續(xù)完成有效訓(xùn)練以提高模型的性能。

3 決策樹與隨機(jī)森林

在本研究中，我們?cè)趪L試了多種模型后，選擇使用決策樹和隨機(jī)森林來對(duì)冷水機(jī)組空調(diào)的故障進(jìn)行預(yù)測(cè)，即調(diào)用一個(gè)用于機(jī)器學(xué)習(xí)的Python庫Scikit-learn，該庫提供了用于構(gòu)建和分析決策樹和隨機(jī)森林模型的功能。

決策樹是一種常用的機(jī)器學(xué)習(xí)算法，它通過構(gòu)建一棵具有分支和葉子節(jié)點(diǎn)的樹形結(jié)構(gòu)來進(jìn)行分類或回歸任務(wù)。決策樹包含葉節(jié)點(diǎn)和非葉節(jié)點(diǎn)，葉節(jié)點(diǎn)是樹的末端節(jié)點(diǎn)，葉節(jié)點(diǎn)下面不再有子節(jié)點(diǎn)。葉節(jié)點(diǎn)有決策權(quán)，是決策樹的最終結(jié)果，即分類或者回歸的輸出值；葉節(jié)點(diǎn)以外是非葉節(jié)點(diǎn)，非葉節(jié)點(diǎn)比葉節(jié)點(diǎn)多一個(gè)參數(shù)，每個(gè)非葉節(jié)點(diǎn)表示對(duì)某個(gè)屬性的判斷，非葉節(jié)點(diǎn)的分叉代表可能的屬性值輸出。從根節(jié)點(diǎn)出發(fā)，會(huì)到達(dá)唯一的一個(gè)葉節(jié)點(diǎn)[4]。

葉節(jié)點(diǎn)有3個(gè)參數(shù)，分別為不純度值、樣本個(gè)數(shù)和節(jié)點(diǎn)取值；非葉節(jié)點(diǎn)比葉節(jié)點(diǎn)多一個(gè)參數(shù)，即判定函數(shù)。各參數(shù)以圖1為例進(jìn)行解釋（由上到下）。

判定函數(shù)：節(jié)點(diǎn)的特征值，當(dāng)小于等于特征值時(shí)，分支向左，反之向右。

不純度值：節(jié)點(diǎn)的不純度值反映當(dāng)前節(jié)點(diǎn)的預(yù)測(cè)能力。

樣本個(gè)數(shù)：參與此節(jié)點(diǎn)決策的樣本數(shù)，每個(gè)父節(jié)點(diǎn)的樣本數(shù)等于向下子節(jié)點(diǎn)樣本數(shù)之和。

節(jié)點(diǎn)取值：其為一個(gè)數(shù)組，數(shù)組的長度為類目個(gè)數(shù)，數(shù)值為各分類的樣本數(shù)。

非葉節(jié)點(diǎn)和葉節(jié)點(diǎn)示例如圖1所示。

決策樹是一種十分常用的分類方法，需要監(jiān)督學(xué)習(xí)，即給出若干樣本，每個(gè)樣本都有一組屬性和一個(gè)分類結(jié)果，在分類結(jié)果已知的情況下，通過學(xué)習(xí)這些樣本得到一個(gè)決策樹，該決策樹能夠?qū)π碌臄?shù)據(jù)樣本給出正確的分類[5]。

決策樹模型的訓(xùn)練過程：通過遞歸選擇最佳的特征和劃分點(diǎn)來構(gòu)建樹。在每個(gè)節(jié)點(diǎn)上，決策樹算法會(huì)根據(jù)目標(biāo)特征的值選擇最佳的劃分點(diǎn)，使各子節(jié)點(diǎn)中的樣本盡可能屬于同一類別。這樣的過程在模型訓(xùn)練中一直遞歸執(zhí)行，直到滿足停止條件，例如達(dá)到預(yù)設(shè)的最大深度或節(jié)點(diǎn)中樣本個(gè)數(shù)小于某個(gè)閾值等。最終得到的決策樹模型就能夠根據(jù)輸入的特征值對(duì)樣本進(jìn)行預(yù)測(cè)。

在決策樹的基礎(chǔ)上，我們進(jìn)一步探索了用隨機(jī)森林的方法進(jìn)行研究。隨機(jī)森林是一種集成學(xué)習(xí)方法，它通過構(gòu)建多個(gè)決策樹并進(jìn)行投票來提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。數(shù)據(jù)集的劃分仍采用與決策樹相同的劃分方法。

隨機(jī)森林是由多個(gè)決策樹組成的，每個(gè)決策樹都獨(dú)立地根據(jù)部分樣本和特征進(jìn)行訓(xùn)練[6]。在隨機(jī)森林中，每個(gè)決策樹的構(gòu)建過程與單個(gè)決策樹類似，但有一些區(qū)別。例如，在每次節(jié)點(diǎn)劃分時(shí)，隨機(jī)森林會(huì)從所有特征中隨機(jī)選擇一部分特征進(jìn)行評(píng)估，并選取最佳的特征進(jìn)行劃分。此外，隨機(jī)森林還會(huì)引入一些隨機(jī)性，如在樣本抽樣過程中采用有放回的方式，使得每個(gè)決策樹的訓(xùn)練數(shù)據(jù)有所不同。最終得到的隨機(jī)森林模型能夠根據(jù)多個(gè)決策樹的預(yù)測(cè)結(jié)果進(jìn)行投票或平均來得到最終的預(yù)測(cè)結(jié)果。

4 故障預(yù)測(cè)實(shí)踐

Scikit-learn是一個(gè)開源的Python庫，它提供了一系列用于數(shù)據(jù)分析的工具，決策樹的相關(guān)功能集成在tree子模塊中，DecisionTreeClassifier是一個(gè)用于分類問題的決策樹類，sklearn.ensemble庫中的RandomForestClassifier則用于實(shí)現(xiàn)隨機(jī)森林算法，簡單介紹一下它們的主要參數(shù)[7]。

決策樹模型的主要參數(shù)：

DecisionTreeClassifier：用于分類問題的決策樹模型。

train_test_split：將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。

cross_val_score：計(jì)算交叉驗(yàn)證得分。

predict：預(yù)測(cè)目標(biāo)變量的值。

隨機(jī)森林模型的主要參數(shù)：

n_estimators： 決策樹的數(shù)量，默認(rèn)為100。

criterion： 劃分節(jié)點(diǎn)的標(biāo)準(zhǔn)。

max_depth： 決策樹的最大深度。

min_samples_split： 內(nèi)部節(jié)點(diǎn)再劃分所需最小樣本數(shù)，默認(rèn)為2。

min_samples_leaf： 葉節(jié)點(diǎn)上最小的樣本數(shù)，默認(rèn)為1。

max_leaf_nodes： 最大節(jié)點(diǎn)數(shù)，如果超過則會(huì)出現(xiàn)錯(cuò)誤。

min_impurity_decrease：默認(rèn)為0.0。

本次研究中的用例如圖2所示。

在此次研究中，我們基于清洗好的數(shù)據(jù)集進(jìn)行了2種模型的訓(xùn)練和驗(yàn)證。完成模型訓(xùn)練后，使用測(cè)試集對(duì)模型進(jìn)行評(píng)估。評(píng)估指標(biāo)包括準(zhǔn)確率、召回率、F1值等。準(zhǔn)確率表示模型預(yù)測(cè)正確的樣本數(shù)占總樣本數(shù)的比例；召回率表示模型正確預(yù)測(cè)為正例的樣本數(shù)占實(shí)際正例樣本數(shù)的比例；F1值是綜合考慮了準(zhǔn)確率和召回率的指標(biāo)，可以綜合評(píng)估模型的性能。此外，還可以計(jì)算其他指標(biāo)如精確率、ROC曲線下面積等來更全面地評(píng)估模型的性能。

在本次研究中，訓(xùn)練后的決策樹模型的準(zhǔn)確率可以達(dá)到99.96%，同時(shí)也看到，模型出現(xiàn)了過擬合現(xiàn)象，為了進(jìn)一步提升決策樹模型的性能，還可以進(jìn)行一些優(yōu)化。例如，可以考慮引入剪枝技術(shù)來避免過擬合問題，通過刪除決策樹中不必要的節(jié)點(diǎn)來簡化模型并提高泛化能力。我們還可以把決策樹的結(jié)果用圖示的方式打印出來。圖3是本次研究的決策樹模型圖示結(jié)果（局部）。

隨機(jī)森林的驗(yàn)證結(jié)果達(dá)到了99.97%的準(zhǔn)確率，證明利用機(jī)器學(xué)習(xí)中的隨機(jī)森林模型也可以較準(zhǔn)確地對(duì)機(jī)組的狀態(tài)和故障進(jìn)行分類來實(shí)現(xiàn)預(yù)測(cè)，同樣我們也看到了很明顯的過擬合現(xiàn)象。數(shù)據(jù)中故障發(fā)生的邏輯條件比較清晰是獲得較高準(zhǔn)確率的主要原因，關(guān)于得到過擬合的結(jié)果，工具的運(yùn)用只是一方面原因，數(shù)據(jù)集本身的特點(diǎn)也非常重要，過于集中的數(shù)據(jù)特性使得模型的泛化能力較弱，因此通過多種途徑獲得更多的數(shù)據(jù)進(jìn)行模型訓(xùn)練也是數(shù)據(jù)分析道路上的潛在任務(wù)。

綜上所述，我們可以通過將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，并使用決策樹模型和隨機(jī)森林模型對(duì)冷水機(jī)組空調(diào)的故障進(jìn)行預(yù)測(cè)，有效建立模型并對(duì)模型的性能進(jìn)行評(píng)估。機(jī)器學(xué)習(xí)的應(yīng)用有助于我們對(duì)故障預(yù)測(cè)問題的理解和分析，并為進(jìn)一步優(yōu)化和改進(jìn)提供了參考。

5 結(jié)果與分析

2種模型的研究結(jié)果都表明，機(jī)器學(xué)習(xí)方法可以有效地對(duì)冷水機(jī)組空調(diào)的故障進(jìn)行預(yù)測(cè)。通過利用歷史數(shù)據(jù)和特征信息，我們可以建立相對(duì)準(zhǔn)確的模型來識(shí)別潛在的故障風(fēng)險(xiǎn)，并及時(shí)采取措施進(jìn)行維修或更換設(shè)備，從而提高設(shè)備的可靠性，減少停機(jī)時(shí)間。對(duì)于機(jī)器學(xué)習(xí)的研究也有助于我們理解故障發(fā)生的原因，并分析影響因素，為進(jìn)一步優(yōu)化冷水機(jī)組空調(diào)的設(shè)計(jì)和運(yùn)維提供參考。

交叉驗(yàn)證是一種評(píng)估機(jī)器學(xué)習(xí)模型性能的方法，通過將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，多次進(jìn)行訓(xùn)練和測(cè)試，從而得到模型在不同數(shù)據(jù)子集上的準(zhǔn)確率。以下是幾種常見的交叉驗(yàn)證方式：留一法、k折交叉驗(yàn)證、分層k折交叉驗(yàn)證、重復(fù)k次k折交叉驗(yàn)證、時(shí)間序列交叉驗(yàn)證等[8]。本次研究采用了k折交叉驗(yàn)證的方法。

我們將決策樹與隨機(jī)森林的模型運(yùn)用k折交叉驗(yàn)證的方法進(jìn)行了準(zhǔn)確率對(duì)比，以便在最終的應(yīng)用中選擇更適合的模型，結(jié)果如圖4所示?？梢钥吹皆诖蟛糠智闆r下，隨機(jī)森林的準(zhǔn)確度高于決策樹。當(dāng)然，這只是結(jié)合本次研究對(duì)象有限的數(shù)據(jù)得到的結(jié)果，不具有代表性。

我們也注意到，機(jī)器學(xué)習(xí)方法在實(shí)際應(yīng)用中可能面臨更多的挑戰(zhàn)和限制。例如，數(shù)據(jù)的質(zhì)量和完整性對(duì)于模型的性能非常重要；特征的選擇和提取過程需要結(jié)合專業(yè)領(lǐng)域的知識(shí)和經(jīng)驗(yàn)；模型的泛化能力受到過擬合和欠擬合等問題的影響等。因此，在實(shí)際應(yīng)用中，我們需要綜合考慮這些問題，并進(jìn)行適當(dāng)?shù)恼{(diào)整和改進(jìn)，以提高模型的穩(wěn)定性和可靠性。

6 結(jié) 語

本次研究通過對(duì)全國多個(gè)地點(diǎn)實(shí)際運(yùn)行的冷水機(jī)組空調(diào)的運(yùn)行數(shù)據(jù)進(jìn)行清洗分類和故障預(yù)測(cè)，對(duì)比了決策樹和隨機(jī)森林兩種機(jī)器學(xué)習(xí)算法在故障預(yù)測(cè)方面的應(yīng)用。結(jié)果表明

2種模型都可以運(yùn)用于冷水機(jī)組空調(diào)類型產(chǎn)品的故障預(yù)測(cè)，都能給出相對(duì)準(zhǔn)確的預(yù)測(cè)結(jié)果，很多情況下隨機(jī)森林表現(xiàn)出的性能要優(yōu)于決策樹。在此研究的基礎(chǔ)之上，還可以進(jìn)一步擴(kuò)展和探索的細(xì)分問題有很多，例如結(jié)合專家?guī)靵砼袛嗄男╊愋偷臄?shù)據(jù)有進(jìn)行故障預(yù)測(cè)研究的意義和價(jià)值，又如不同類型的故障在進(jìn)行分類標(biāo)簽時(shí)選取什么樣的時(shí)間段來進(jìn)行會(huì)使分類更容易，能夠獲得較高的預(yù)測(cè)準(zhǔn)確度，等等。

空調(diào)系統(tǒng)自動(dòng)故障診斷已經(jīng)成為保障空調(diào)機(jī)組安全穩(wěn)定運(yùn)行的重要手段[9]，本次研究的結(jié)果對(duì)于冷水機(jī)組空調(diào)的故障預(yù)測(cè)具有探索性的意義。通過利用機(jī)器學(xué)習(xí)方法對(duì)運(yùn)行數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，在實(shí)際應(yīng)用中可以提前發(fā)現(xiàn)潛在的故障，為應(yīng)急停機(jī)提供了準(zhǔn)備和緩沖時(shí)間，便于及時(shí)采取措施進(jìn)行更換和維修設(shè)備，從而減少次生損失，并提高設(shè)備的可靠性，降低維修成本。隨著計(jì)算機(jī)算力、大數(shù)據(jù)、人工智能等技術(shù)的發(fā)展，通過機(jī)器學(xué)習(xí)的方式對(duì)設(shè)備故障進(jìn)行在線診斷預(yù)測(cè)成為業(yè)內(nèi)公認(rèn)的有效方法[10]。結(jié)合機(jī)器學(xué)習(xí)的設(shè)備可以自動(dòng)進(jìn)行故障預(yù)測(cè)，減少了人工干預(yù)的需求，提高了預(yù)測(cè)的效率和準(zhǔn)確性。本研究也為其他類似的故障預(yù)測(cè)問題提供了一定參考。

參考文獻(xiàn)

[1]張婕妤. 基于GP模型和無監(jiān)督SVM算法的冷水機(jī)組的故障檢測(cè)與診斷[J].山東冶金，2021，43（4）：47-52.

[2]樊旭晨. 基于足底壓力圖像的反演算法研究[D].合肥：安徽大學(xué)，2021.

[3]楊幫華，陳文華，谷雪林，等. 一種基于腦機(jī)接口與計(jì)算機(jī)視覺的輔助抓取系統(tǒng)及方法：CN202110985555.6 [P]. 2021-12-17.

[4]百度百科.決策樹[EB/OL]. [2022-11-29]. https：//baike.baidu.com/item/%E5%8 6%B3%E7%AD%96%E6%A0%91.

[5]范豐麟，孫傳亮，朱通.一種賬戶交易風(fēng)險(xiǎn)判斷方法，裝置及電子設(shè)備：CN202010020719.7 [P]. 2020-06-09.

[6]百度百科.隨機(jī)森林[EB/OL]. [2023-09-01]. https：//baike.baidu.com/item/%E9%9A%8F% E6%9C%BA%E6%A3%AE%E6%9E%97.

[7]王杰，杜志敏，鄭飛，等.基于物聯(lián)智能體減碳優(yōu)化模型的暖通空調(diào)系統(tǒng)節(jié)能方法：CN202310780297.7 [P]. 2023-08-11.

[8]陳梅君.基于機(jī)器學(xué)習(xí)的長鏈非編碼RNA的亞細(xì)胞定位及與疾病關(guān)聯(lián)的預(yù)測(cè)[D].桂林：桂林電子科技大學(xué)，2021.

[9]宋海川，顧明偉，張弘韜，等.長短期記憶神經(jīng)網(wǎng)絡(luò)用于空調(diào)系統(tǒng)故障時(shí)間序列分析[J].制冷技術(shù)，2020，40（6）：24-30.

[10]張建超，王立娜，王延楓，等.基于機(jī)器學(xué)習(xí)的大型擠壓造粒機(jī)組故障診斷預(yù)測(cè)技術(shù)研究[J].制造業(yè)自動(dòng)化，2021，43（12）：140-142.

作者簡介：王 眾（1981—），女，碩士，工程師，研究方向?yàn)槲锫?lián)網(wǎng)應(yīng)用。