【故障诊断】基于KNN、SVM、RF、DT、ET多种算法实现制冷系统故障诊断附Matlab代码

简介: 【故障诊断】基于KNN、SVM、RF、DT、ET多种算法实现制冷系统故障诊断附Matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

制冷系统故障可由多种模型进行模拟诊断.为了提高其诊断性能,将包括K近邻模型(KNN),支持向量机(SVM),决策树模型(DT),随机森林模型(RF)及逻辑斯谛回归模型(LR)在内的5种成员诊断器,通过绝对多数投票方法集成为一个集成模型,并采用美国采暖,制冷与空调工程师学会(ASHRAE)故障数据对1台90冷吨的离心式冷水机组进行建模及验证,数据包含制冷系统的7类典型故障及一类正常运行.结果表明:集成模型在所选数据集上总体诊断正确率达到99.58%,较各成员诊断器(94.55%~99.05%)均有显著提升,对正常运行,局部故障及全局故障的诊断性能亦有改善.此外,对比分析了不同集成模型及成员诊断器的诊断性能,从中找到诊断正确率与时间成本最佳的集成模型(99.41%,1.34 s).可见,集成模型较单一模型性能更佳,在制冷系统故障诊断中具有更好的应用前景.

⛄ 部分代码

% Gaussian Mixture Model (10/12/2020)function GMM = mGaussianMixtureModel(feat,label,opts)% Defaultkfold = 10;tf    = 2;if isfield(opts,'kfold'), kfold = opts.kfold; endif isfield(opts,'ho'), ho = opts.ho; endif isfield(opts,'tf'), tf = opts.tf; end% Number of classnum_class = numel(unique(label)); % [Hold-out]if tf == 1  fold = cvpartition(label,'HoldOut',ho);  % Call train & test data  xtrain = feat(fold.training,:); ytrain = label(fold.training);  xtest  = feat(fold.test,:);     ytest2 = label(fold.test);  % Train model  My_Model = fitgmdist(xtrain,num_class,...    'Options',statset('MaxIter',1000),...    'Regularize',1e-5,...    'Start',ytrain);  % Test using cluster  pred2 = cluster(My_Model,xtest);   % Accuracy  Afold = sum(pred2 == ytest2) / length(ytest2);    % [Cross-validation] elseif tf == 2  fold   = cvpartition(label,'KFold',kfold);  Afold  = zeros(kfold,1);   pred2  = [];  ytest2 = [];   for i = 1:kfold    % Call train & test data    trainIdx = fold.training(i); testIdx = fold.test(i);    xtrain   = feat(trainIdx,:); ytrain  = label(trainIdx);    xtest    = feat(testIdx,:);  ytest   = label(testIdx);     % Train model    My_Model = fitgmdist(xtrain,num_class,...      'Options',statset('MaxIter',1000),...      'Regularize',1e-5,...      'Start',ytrain);    % Test using cluster    pred = cluster(My_Model,xtest);     % Accuracy    Afold(i) = sum(pred == ytest) / length(ytest);    % Store temporary    pred2  = [pred2(1:end); pred];    ytest2 = [ytest2(1:end); ytest];   end  % [Leave-one out]elseif tf == 3  fold     = cvpartition(label,'LeaveOut');  % Size of data  num_data = length(label);   Afold    = zeros(num_data,1);   pred2    = [];  ytest2   = [];   for i = 1:num_data    % Call train & test data    trainIdx = fold.training(i); testIdx = fold.test(i);    xtrain   = feat(trainIdx,:); ytrain  = label(trainIdx);    xtest    = feat(testIdx,:);  ytest   = label(testIdx);     % Train model    My_Model = fitgmdist(xtrain,num_class,...      'Options',statset('MaxIter',1000),...      'Regularize',1e-5,...      'Start',ytrain);    % Test using cluster    pred = cluster(My_Model,xtest);     % Accuracy    Afold(i) = sum(pred == ytest) / length(ytest);    % Store temporary    pred2  = [pred2(1:end); pred];    ytest2 = [ytest2(1:end); ytest];   endend% Confusion matrixconfmat = confusionmat(ytest2,pred2); % Overall accuracyacc = mean(Afold); % Store resultGMM.acc  = acc;GMM.con  = confmat;if tf == 1  fprintf('\n Accuracy (GMM-HO): %g %%',100 * acc);elseif tf == 2  fprintf('\n Accuracy (GMM-CV): %g %%',100 * acc);elseif tf == 3  fprintf('\n Accuracy (GMM-LOO): %g %%',100 * acc);endend

⛄ 运行结果

⛄ 参考文献

Katırcıoğlu F, Cingiz Z. Fault diagnosis for overcharge and undercharge conditions in refrigeration systems using infrared thermal images. Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering. 2023;0(0). doi:10.1177/09544089221148065

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关文章
|
1天前
|
算法 数据挖掘
MATLAB数据分析、从算法到实现
MATLAB数据分析、从算法到实现
|
7天前
|
机器学习/深度学习 算法 调度
Matlab|基于改进鲸鱼优化算法的微网系统能量优化管理matlab-源码
基于改进鲸鱼优化算法的微网系统能量管理源码实现,结合LSTM预测可再生能源和负荷,优化微网运行成本与固定成本。方法应用于冷热电联供微网,结果显示经济成本平均降低4.03%,提高经济效益。代码包括数据分段、LSTM网络定义及训练,最终展示了一系列运行结果图表。
|
7天前
|
算法
基于Dijkstra算法的最优行驶路线搜索matlab仿真,以实际城市复杂路线为例进行测试
使用MATLAB2022a实现的Dijkstra算法在城市地图上搜索最优行驶路线的仿真。用户通过鼠标点击设定起点和终点,算法规划路径并显示长度。测试显示,尽管在某些复杂情况下计算路径可能与实际有偏差,但多数场景下Dijkstra算法能找到接近最短路径。核心代码包括图的显示、用户交互及Dijkstra算法实现。算法基于图论,不断更新未访问节点的最短路径。测试结果证明其在简单路线及多数复杂城市路况下表现良好,但在交通拥堵等特殊情况下需结合其他数据提升准确性。
|
12天前
|
算法 安全 数据库
基于结点电压法的配电网状态估计算法matlab仿真
**摘要** 该程序实现了基于结点电压法的配电网状态估计算法,旨在提升数据的准确性和可靠性。在MATLAB2022a中运行,显示了状态估计过程中的电压和相位估计值,以及误差随迭代变化的图表。算法通过迭代计算雅可比矩阵,结合基尔霍夫定律解决线性方程组,估算网络节点电压。状态估计过程中应用了高斯-牛顿或莱文贝格-马夸尔特法,处理量测数据并考虑约束条件,以提高估计精度。程序结果以图形形式展示电压幅值和角度估计的比较,以及估计误差的演变,体现了算法在处理配电网状态估计问题的有效性。
|
9天前
|
数据采集 存储 算法
基于BP算法的SAR成像matlab仿真
**摘要:** 基于BP算法的SAR成像研究,利用MATLAB2022a进行仿真。SAR系统借助相对运动合成大孔径,提供高分辨率图像。BP算法执行回波数据预处理、像素投影及图像重建,实现精确成像。优点是高精度和强适应性,缺点是计算量大、内存需求高。代码示例展示了回波生成、数据处理到插值显示的全过程。
|
16天前
|
机器学习/深度学习 自然语言处理 算法
m基于深度学习的OFDM+QPSK链路信道估计和均衡算法误码率matlab仿真,对比LS,MMSE及LMMSE传统算法
**摘要:** 升级版MATLAB仿真对比了深度学习与LS、MMSE、LMMSE的OFDM信道估计算法,新增自动样本生成、复杂度分析及抗频偏性能评估。深度学习在无线通信中,尤其在OFDM的信道估计问题上展现潜力,解决了传统方法的局限。程序涉及信道估计器设计,深度学习模型通过学习导频信息估计信道响应,适应频域变化。核心代码展示了信号处理流程,包括编码、调制、信道模拟、降噪、信道估计和解调。
40 8
|
18天前
|
算法
基于GA遗传优化的混合发电系统优化配置算法matlab仿真
**摘要:** 该研究利用遗传算法(GA)对混合发电系统进行优化配置,旨在最小化风能、太阳能及电池储能的成本并提升系统性能。MATLAB 2022a用于实现这一算法。仿真结果展示了一系列图表,包括总成本随代数变化、最佳适应度随代数变化,以及不同数据的分布情况,如负荷、风速、太阳辐射、弃电、缺电和电池状态等。此外,代码示例展示了如何运用GA求解,并绘制了发电单元的功率输出和年变化。该系统原理基于GA的自然选择和遗传原理,通过染色体编码、初始种群生成、适应度函数、选择、交叉和变异操作来寻找最优容量配置,以平衡成本、效率和可靠性。
|
10天前
|
算法 vr&ar
基于自适应波束成形算法的matlab性能仿真,对比SG和RLS两种方法
```markdown - MATLAB2022a中比较SG与RLS自适应波束成形算法。核心程序实现阵列信号处理,强化期望信号,抑制干扰。RLS以其高效计算权重,而SG则以简单和低计算复杂度著称。[12345] [6666666666] [777777] ```
|
11天前
|
算法 索引
基于Prony算法的系统参数辨识matlab仿真
Prony算法在MATLAB2022a中用于信号分析,识别复指数信号成分。核心程序通过模拟信号X1,添加不同SNR的噪声,应用Prony方法处理并计算误差。算法基于离散序列的复指数叠加模型,通过构建矩阵并解线性方程组估计参数,实现LTI系统动态特性的辨识。
|
19天前
|
机器学习/深度学习 算法
基于鲸鱼优化的knn分类特征选择算法matlab仿真
**基于WOA的KNN特征选择算法摘要** 该研究提出了一种融合鲸鱼优化算法(WOA)与K近邻(KNN)分类器的特征选择方法,旨在提升KNN的分类精度。在MATLAB2022a中实现,WOA负责优化特征子集,通过模拟鲸鱼捕食行为的螺旋式和包围策略搜索最佳特征。KNN则用于评估特征子集的性能。算法流程包括WOA参数初始化、特征二进制编码、适应度函数定义(以分类准确率为基准)、WOA迭代搜索及最优解输出。该方法有效地结合了启发式搜索与机器学习,优化特征选择,提高分类性能。