任正雄 韓華 崔曉鈺 卿紅 葉暉云

摘要：制冷系統(tǒng)作為建筑的主要能耗設(shè)備，其故障的及時(shí)診斷與糾正有助于提高能源利用率，減少對(duì)環(huán)境的影響。缺乏診斷平臺(tái)是制約制冷系統(tǒng)故障智能診斷推廣應(yīng)用的重要因素之一?；?MATLAB 軟件強(qiáng)大的數(shù)據(jù)處理能力和LabVIEW 軟件便捷的虛擬儀器開(kāi)發(fā)功能，進(jìn)行聯(lián)合編程，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，并將粒子群優(yōu)化（PSO ）算法引入最小二乘支持向量機(jī)（LSSVM ），作為故障診斷的內(nèi)核，建立了制冷系統(tǒng)故障診斷平臺(tái)。對(duì)離心式冷水機(jī)組七類(lèi)典型故障的診斷實(shí)驗(yàn)結(jié)果表明：該聯(lián)合編程方法可行，可以實(shí)現(xiàn)界面友好、功能豐富、方便快捷的制冷系統(tǒng)故障診斷;所建立的 PSO?LSSVM 模型總體診斷正確率高達(dá)99.70%，正常和每類(lèi)故障的診斷正確率均在99%以上。該平臺(tái)具有一定的開(kāi)放性和擴(kuò)展性，后續(xù)可以根據(jù)需要對(duì)診斷算法及其他功能模塊進(jìn)行更改或添加，也可增加不同算法之間的比較分析或集成診斷，改善其靈活性，推進(jìn)其推廣應(yīng)用。 LabVIEW 軟件的采用，也為故障檢測(cè)與診斷嵌入系統(tǒng)控制提供了可能。

關(guān)鍵詞：制冷系統(tǒng);故障檢測(cè)與診斷;最小二乘支持向量機(jī);參數(shù)優(yōu)化;軟件編程

中圖分類(lèi)號(hào)： TB69??? 文獻(xiàn)標(biāo)志碼： A

Application of LabVIEW and MATLAB hybrid programming to fault diagnosis of refrigeration system

REN Zhengxiong，HAN Hua ，CUI Xiaoyu，QING Hong，YE Huiyun

（School of Energy and Power Engineering/Shanghai Key Laboratory of Multiphase Flow and Heat Transfer in PowerEngineering， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract：Refrigeration system is the major energy consumption equipment in the building. Timely diagnosis? and? correction? of? faults? is? helpful? to? improve? energy? efficiency? and? reduce? the environmental impact. The lack of fault diagnosis platform is one of the major factors that limited the popularization and application of intelligent fault diagnosis of refrigeration system. Hybridprogramming was adopted by combined MATLAB and LabVIEW with powerful data processing capability and convenient virtual instrument development capability， respectively. Besides，? the introduction of particle swarm optimization （PSO） algorithm into the least squares support vector machine （LSSVM） was used as a fault diagnosis kernel to establish a refrigeration system fault diagnosis platform. Diagnostic experiments on seven types of typical faults in the centrifugal chiller showed that the hybrid programming method was feasible and could realize the fault diagnosis of refrigeration system with a friendly interface and abundant functions in a convenient manner. The diagnosis accuracy of PSO-LSSVM model was as high as 99.70%， and the accuracy of normal and each fault exceeded 99%. The platform is open and extensible for the modification and integrationof diagnostic? algorithms? and? other? functional? modules? as? required. Comparative? analysis? or integrated? diagnosis? can? be? included? as? well. The? adoption? of LabVIEW? also? provides? the possibility of embedding fault diagnosis into system control.

Keywords：refrigeration? system; fault? detection? and? diagnosis; least? squares? support? vector machine; parameter optimization; software programming

故障檢測(cè)和診斷（fault detection and diagnosis， FDD ）技術(shù)在核反應(yīng)堆、國(guó)防、化工、航空航天等多個(gè)領(lǐng)域得到了廣泛應(yīng)用，并取得良好的經(jīng)濟(jì)和社會(huì)效益[1?4]。但是該技術(shù)在制冷系統(tǒng)的實(shí)際應(yīng)用還沒(méi)有得到充分開(kāi)發(fā)，目前大部分在制冷系統(tǒng)中應(yīng)用的 FDD 功能依然采用低效能的專(zhuān)家系統(tǒng)進(jìn)行經(jīng)驗(yàn)診斷[5]。隨著人工智能的發(fā)展，一些 FDD 研究通過(guò)采用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法已經(jīng)得到高精度、高性能的新模型，例如：神經(jīng)網(wǎng)絡(luò)[6]、最小二乘支持向量機(jī)[7]等，但是由于FDD 開(kāi)發(fā)人員面臨著多種技術(shù)和市場(chǎng)壁壘等問(wèn)題，基本上沒(méi)有出現(xiàn)適合這些模型的商業(yè)軟件。

為了推進(jìn) FDD 技術(shù)在制冷系統(tǒng)中的實(shí)際應(yīng)用，本文提出將粒子群優(yōu)化（ particle swarm optimization ，PSO ）與最小二乘支持向量機(jī)（least squares support vector machine ，LSSVM ）相結(jié)合的診斷策略[8]，并基于 LabVIEW 與 MATLAB軟件聯(lián)合編程，初步開(kāi)發(fā)一套制冷系統(tǒng) FDD 平臺(tái)。利用 LabVIEW 軟件的可視化編程功能對(duì)主界面、圖形顯示和各種模塊進(jìn)行綜合設(shè)計(jì)，并將 MATLAB 軟件強(qiáng)大的數(shù)值運(yùn)算能力用于 FDD 模型訓(xùn)練和故障診斷，通過(guò)聯(lián)合編程實(shí)現(xiàn)高性能故障診斷模型的便捷應(yīng)用[9?10]。采用離心式冷水機(jī)組的故障模擬數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，檢測(cè) PSO?LSSVM 模型的診斷性能，并評(píng)估聯(lián)合編程的可行性及平臺(tái)的各項(xiàng)功能。

1故障診斷模型

1.1最小二乘支持向量機(jī)

LSSVM 算法是支持向量機(jī)（ support vectormachine， SVM ）算法的改進(jìn)[11]，該算法在制冷系統(tǒng)故障診斷中表現(xiàn)優(yōu)異。LSSVM 算法的簡(jiǎn)化邏輯如圖1所示。該算法通過(guò)在低維特征空間中引入拉格朗日乘子，將約束優(yōu)化問(wèn)題轉(zhuǎn)變成無(wú)約束優(yōu)化問(wèn)題，先在運(yùn)算更簡(jiǎn)便的低維特征空間完成計(jì)算，然后通過(guò)核函數(shù)將輸入空間映射到高維特征空間，最后在高維特征空間構(gòu)造出最優(yōu)分類(lèi)超平面。

最小二乘支持向量機(jī)算法的分類(lèi)優(yōu)化問(wèn)題表達(dá)式為

式中： w 為權(quán)向量;i為松弛因子，可以度量一個(gè)數(shù)據(jù)點(diǎn)對(duì)模式可分的理想條件下的偏離程度; b 為偏置值;yi為輸出數(shù)據(jù)（制冷系統(tǒng)故障類(lèi)別）;xi 為輸入數(shù)據(jù)（表征制冷系統(tǒng)故障狀態(tài)的參數(shù)）;牽（x）為非線(xiàn)性映射函數(shù); n 為樣本點(diǎn)數(shù)目;γ為正則化因子，屬于可調(diào)參數(shù)，用于調(diào)節(jié) LSSVM 置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)的比例，實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化。

當(dāng)γ取值較小時(shí)，表示對(duì)超出誤差范圍的樣本點(diǎn)的懲罰程度不足，模型的復(fù)雜性低而經(jīng)驗(yàn)風(fēng)險(xiǎn)高，會(huì)造成機(jī)器的欠學(xué)習(xí)現(xiàn)象;反之，當(dāng)γ取值較大時(shí)，對(duì)訓(xùn)練樣本點(diǎn)誤差的懲罰加大，則會(huì)出現(xiàn)過(guò)學(xué)習(xí)現(xiàn)象[12]。因此，γ過(guò)大或過(guò)小都會(huì)使模型的泛化性能變差。

引入拉格朗日乘子αi（ i =1，2，3，···，n ）進(jìn)行無(wú)約束優(yōu)化，進(jìn)而提高運(yùn)算速度。采用核函數(shù)進(jìn)行高維映射，利用Karush?Kuhn?Tucker （ KKT ）[13]優(yōu)化條件及 Mercer 條件[14]求解，得出分類(lèi)模型為

式中：sgn（u）為符號(hào)函數(shù)，當(dāng) u ≤0，則sgn（u）=?1，當(dāng) u >0，則sgn（u）=1;K （x， xi）為滿(mǎn)足 Mercer 條件的核函數(shù)。

本文選取高斯徑向基核函數(shù)（ radial basis function，RBF ）[15]，即

K （x， xi）= exp （?）

式中：σ為核參數(shù)，它決定了數(shù)據(jù)映射到新的特征空間后的分布，σ越大，支持向量越少，σ越小，支持向量越多，支持向量的個(gè)數(shù)影響訓(xùn)練與預(yù)測(cè)的速度，從而影響模型的泛化性能。

1.2粒子群優(yōu)化算法

PSO 是一種基于種群的搜索算法，每個(gè)個(gè)體在多維搜索空間中被視為無(wú)體積的粒子（一個(gè)點(diǎn)），粒子運(yùn)動(dòng)情況如圖2所示。每個(gè)點(diǎn)都具有特定位置和速度，按照一定慣性運(yùn)動(dòng)。解空間中存在個(gè)體最優(yōu)和種群最優(yōu)，每個(gè)粒子都會(huì)受到自我認(rèn)知和群體的影響，并根據(jù)式（4）、（5）更新速度和位置，不斷改變運(yùn)動(dòng)方向并向最優(yōu)位置運(yùn)動(dòng)，經(jīng)過(guò)多次迭代后即可尋得最優(yōu)解。

式中：i =1，2，…，N，N 為群體中粒子總數(shù);下標(biāo)“i”表示第i個(gè)粒子;下標(biāo)“d ”表示粒子的第 d 維，即優(yōu)化的第d 個(gè)參數(shù); t 為迭代次數(shù);pid （t）為第i個(gè)粒子在迭代到第 t 代前搜索到的最優(yōu)位置;pgd（t）為整個(gè)群體搜索到的最優(yōu)位置;c1、c2均為加速因子，分別代表粒子向自身學(xué)習(xí)的成分和向群體學(xué)習(xí)的成分，本文取c1=1.5， c2=2;r1（t）、r2（t）均為服從（0，1）區(qū)間上均勻分布的隨機(jī)數(shù);vid為速度，被限制在區(qū)間[ Vmin， Vmax]內(nèi)（ Vmin、 Vmax 分別為最小和最大速度），避免因粒子速度過(guò)大而跳過(guò)最優(yōu)解或速度過(guò)小導(dǎo)致粒子的全局搜索能力降低;w 為慣性權(quán)重，用來(lái)平衡算法的局部搜索能力與全局搜索能力。

式中：tmax為最大迭代次數(shù);wmax、wmin分別為 w 的最大值和最小值。

1.3 PSO?LSSVM 模型

LSSVM 的建模過(guò)程中需要設(shè)定兩個(gè)關(guān)鍵參數(shù)的值：核參數(shù)σ和正則化因子γ，統(tǒng)稱(chēng)為超參數(shù)，它們直接影響 LSSVM 模型的泛化性能和魯棒性。采用 PSO 算法進(jìn)行超參數(shù)優(yōu)化，通過(guò)迭代選擇最優(yōu)超參數(shù)，提高模型分類(lèi)正確率和故障診斷性能。優(yōu)化過(guò)程需要確定超參數(shù)的表示方法和粒子適應(yīng)度函數(shù)。需要優(yōu)化的超參數(shù)有兩個(gè)，因而搜索空間的維數(shù)為2（d =2）。每個(gè)粒子表示為 Xi=（σ，γ），粒子群 p1優(yōu)化參數(shù)σ，粒子群 p2優(yōu)化參數(shù)γ[16]。適應(yīng)度用于評(píng)價(jià)粒子所處位置的優(yōu)劣。適應(yīng)度函數(shù)f（x）越小，適應(yīng)能力越強(qiáng)。本文采用訓(xùn)練樣本的均方根誤差（ MSE ）?e作為適應(yīng)度函數(shù)，即

式中：yib為訓(xùn)練樣本的真實(shí)標(biāo)簽;yb為訓(xùn)練樣本的預(yù)測(cè)標(biāo)簽。

根據(jù)以上分析，可建立 PSO?LSSVM 模型。圖3為基于 PSO?LSSVM 算法的制冷系統(tǒng)故障診斷框架。

PSO?LSSVM 模型故障診斷過(guò)程為：

（1）數(shù)據(jù)預(yù)處理。導(dǎo)入數(shù)據(jù)，將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分，實(shí)驗(yàn)數(shù)據(jù)之間可能存在數(shù)量級(jí)的差異，影響模型的診斷性能，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

（2）優(yōu)化超參數(shù)。

步驟1：初始化群體大小，設(shè)置最大迭代次數(shù)和粒子的速度和位置;

步驟2：構(gòu)建 LSSVM模型;

步驟3：根據(jù)式（7）計(jì)算每個(gè)粒子的適應(yīng)度;

步驟4：更新個(gè)體極值和全局極值;

步驟5：根據(jù)式（4）、（5）更新每個(gè)粒子的速度和位置，根據(jù)式（6）更新慣性權(quán)重;

步驟6：重復(fù)步驟2～6，直到滿(mǎn)足終止條件;

步驟7：終止算法，給出最優(yōu)超參數(shù)。

（3）訓(xùn)練和測(cè)試。利用最終得到的超參數(shù)訓(xùn)練 LSSVM 模型，通過(guò)交叉驗(yàn)證進(jìn)行評(píng)估。將測(cè)試集導(dǎo)入模型中，得到故障診斷結(jié)果，進(jìn)而分析模型性能。

2聯(lián)合編程與 FDD 平臺(tái)設(shè)計(jì)

MATLAB 軟件具有強(qiáng)大的科學(xué)計(jì)算功能和大量穩(wěn)定，可靠的工具箱，其在故障診斷中應(yīng)用較廣，可有效實(shí)現(xiàn)各種數(shù)據(jù)挖掘及智能算法。但 MATLAB 環(huán)境界面不夠友好、易用，因此，引入擅長(zhǎng)虛擬儀器設(shè)計(jì)的 LabVIEW 以彌補(bǔ)其不足，并為 FDD技術(shù)與系統(tǒng)控制相結(jié)合提供可能。

LabVIEW 與 MATLAB 數(shù)據(jù)互通的方法有多種[17]，本文采用 MATLAB Script 節(jié)點(diǎn)[18]進(jìn)行聯(lián)合編程。 LabVIEW 與 MATLAB 數(shù)據(jù)轉(zhuǎn)換流程如圖4所示。MATLAB Script 節(jié)點(diǎn)（以下稱(chēng)腳本節(jié)點(diǎn)）的作用是直接調(diào)用已安裝的 MATLAB 程序，并在 LabVIEW 環(huán)境下運(yùn)行已建立的 PSO?LSSVM 模型。該方法容易實(shí)現(xiàn)，打開(kāi)腳本的速度快，能夠滿(mǎn)足多輸入多輸出，一次處理的信息量大，方便快捷。

在聯(lián)合編程過(guò)程中，所有的數(shù)據(jù)交互均需通過(guò)腳本節(jié)點(diǎn)實(shí)現(xiàn)。圖5以其中一個(gè)節(jié)點(diǎn)為例，闡釋聯(lián)合編程方法。主要步驟為：

（1）在 LabVIEW環(huán)境中找到腳本節(jié)點(diǎn)（圖5中的 A 部分），并在框圖中進(jìn)行設(shè)置。算法可以從 MATLAB 中導(dǎo)入，也可以直接在節(jié)點(diǎn)中編寫(xiě);

（2）設(shè)置節(jié)點(diǎn)的輸入和輸出。輸入為模型訓(xùn)練數(shù)據(jù)（condata），輸出為模型訓(xùn)練仿真后得到的結(jié)果;

（3）運(yùn)行程序。腳本節(jié)點(diǎn)開(kāi)始調(diào)用 MATLAB 程序，將輸入數(shù)據(jù)分配給 PSO?LSSVM 模型，并運(yùn)行程序。訓(xùn)練和仿真完成后，將結(jié)果傳輸并分配給節(jié)點(diǎn)的輸出：混淆矩陣（ConfMat ）和正確率（Accu ）;

（4）在 LabVIEW軟件中，將腳本節(jié)點(diǎn)的輸出可視化，根據(jù)用戶(hù)需求進(jìn)行進(jìn)一步分析，如圖5中的 B 部分所示。同時(shí)，設(shè)計(jì)多個(gè)子 VI（virtual instrument）以實(shí)現(xiàn)多種功能并簡(jiǎn)化程序框圖。

基于此聯(lián)合編程思想，初步搭建了一個(gè)制冷系統(tǒng) FDD 平臺(tái)。開(kāi)發(fā)環(huán)境為：Windows 10操作系統(tǒng)， MATLAB 9.4（ R2018a）、 LabVIEW2018。圖6為該平臺(tái)的工作流程。不同功能模塊對(duì)應(yīng)不同的界面窗口，包括登錄模塊 a、功能選擇模塊 b、模型訓(xùn)練模塊 c 和故障診斷模塊 d 和 e。平臺(tái)整合了用戶(hù)管理，并將 PSO?LSSVM 模型訓(xùn)練與故障診斷分開(kāi)，用戶(hù)可以根據(jù)不同需求進(jìn)入不同模塊。模型訓(xùn)練模塊可以展示訓(xùn)練結(jié)果并保存模型;故障診斷模塊根據(jù)數(shù)據(jù)量不同分為單組樣本診斷與批量樣本診斷，既保證功能完善，又實(shí)現(xiàn)可視化，提高效率。

3實(shí)驗(yàn)驗(yàn)證

將 PSO?LSSVM 模型嵌入 FDD 平臺(tái)中進(jìn)行實(shí)驗(yàn)，通過(guò)平臺(tái)的分析運(yùn)算功能評(píng)估模型的性能，同時(shí)采用該模型運(yùn)行平臺(tái)的各模塊，進(jìn)一步驗(yàn)證平臺(tái)設(shè)計(jì)優(yōu)劣以及通過(guò)聯(lián)合編程思想推進(jìn)制冷系統(tǒng) FDD 技術(shù)實(shí)際應(yīng)用的可行性。

首先，從美國(guó)采暖制冷與空調(diào)工程師學(xué)會(huì)（ ASHRAE ） RP?1043離心式冷水機(jī)組故障模擬實(shí)驗(yàn)數(shù)據(jù)庫(kù)[19]中，隨機(jī)抽取8000個(gè)樣本用于模

型訓(xùn)練，4000個(gè)樣本用于模型測(cè)試，抽取1個(gè)樣本和10個(gè)樣本分別用于單組樣本和批量樣本故障診斷。數(shù)據(jù)共有八類(lèi)，包含正常運(yùn)行和七類(lèi)典型故障，如表1所示。

在平臺(tái)的模型訓(xùn)練模塊（圖6c）中訓(xùn)練 PSO?LSSVM 模型，運(yùn)行結(jié)果如圖7所示。界面上直觀展示了模型的混淆矩陣、性能直方圖、每類(lèi)故障的診斷正確率、整體診斷正確率和耗時(shí)?？梢?jiàn)，模型訓(xùn)練時(shí)間為2580 s，所有類(lèi)別的總體診斷正確率達(dá)到99.70%，正常和每類(lèi)故障的診斷正確率均在99%以上，而ConFoul和ReduCF的診斷正確率甚至高達(dá)100%。從圖7中的性能直方圖可看出，系統(tǒng)故障的診斷正確率較高，但都低于局部故障的，原因在于系統(tǒng)故障對(duì)制冷系統(tǒng)的參數(shù)影響范圍較大且較為復(fù)雜，易與其他故障混淆，難以被正確檢測(cè)和識(shí)別，從而影響整體診斷正確率。

依托較高性能的 PSO?LSSVM 模型對(duì)平臺(tái)的故障診斷及其他模塊進(jìn)行測(cè)試。圖8（a）為用于診斷單組樣本的界面，上部是診斷數(shù)據(jù)信息，下部是診斷結(jié)果，以亮燈并發(fā)出報(bào)警鈴的形式展示，并在右側(cè)顯示相應(yīng)故障的征兆、帶來(lái)的影響及可能的維修建議。圖8（b）為批量樣本故障診斷的結(jié)果，主要展示數(shù)據(jù)信息及相應(yīng)的診斷結(jié)果，點(diǎn)擊故障，同樣可以展示該故障的相關(guān)信息。

此外，采用120?ton 螺桿冷水機(jī)組的故障模擬實(shí)驗(yàn)研究[20]的實(shí)際運(yùn)行數(shù)據(jù)對(duì)該平臺(tái)的診斷性能做進(jìn)一步驗(yàn)證。由于條件限制，該研究只模擬了 Normal、RefLeak、RefOver三類(lèi)，包括兩類(lèi)故障系統(tǒng)故障，運(yùn)行結(jié)果分別如圖9、10所示。 FDD 平臺(tái)可以較好地處理實(shí)際數(shù)據(jù)，對(duì)于不同類(lèi)型冷水機(jī)組的數(shù)據(jù)，PSO?LSSVM 模型依然有較好的診斷性能，總體診斷正確率為98.23%。從性能直方圖中可以看出，RefOver的診斷正確率達(dá)到100%，平臺(tái)各功能模塊均可正常運(yùn)行。

綜上所述，PSO?LSSVM 模型的診斷性能優(yōu)良，依托 FDD 平臺(tái)可以方便、快捷地實(shí)現(xiàn)各種功能，且直觀易操作，達(dá)到了設(shè)計(jì)要求。如果模型預(yù)先進(jìn)行線(xiàn)下訓(xùn)練，則可實(shí)現(xiàn)在線(xiàn)診斷，且準(zhǔn)確、高效。

4結(jié)論

本文基于 LabVIEW 與 MATLAB 聯(lián)合編程的 MATLAB Script 節(jié)點(diǎn)技術(shù)，開(kāi)發(fā)了一套界面友好、體現(xiàn)人機(jī)交互的制冷系統(tǒng) FDD 平臺(tái)，可以方便、快捷地實(shí)現(xiàn)故障診斷，并在相對(duì)直觀、美化的界面展示結(jié)果。充分利用并發(fā)揮了 MATLAB 軟件強(qiáng)大的數(shù)據(jù)處理功能，以及 LabVIEW 軟件的圖形化編程特點(diǎn)和圖像處理功能。該平臺(tái)集成了用戶(hù)權(quán)限管理、數(shù)據(jù)讀取、模型訓(xùn)練及保存、多樣化結(jié)果展示、故障診斷及報(bào)表存儲(chǔ)等功能。

作為診斷內(nèi)核的 PSO?LSSVM 模型，可在較短時(shí)間內(nèi)完成訓(xùn)練，實(shí)現(xiàn)制冷系統(tǒng)七類(lèi)典型故障的檢測(cè)與診斷，總體診斷正確率高達(dá)99.70%，正常和每類(lèi)故障的診斷正確率均在99%以上，性能優(yōu)良。采用另一臺(tái)不同類(lèi)型冷水機(jī)組故障模擬實(shí)驗(yàn)數(shù)據(jù)再次進(jìn)行驗(yàn)證的結(jié)果顯示，平臺(tái)各功能模塊均可正常運(yùn)行，診斷結(jié)果較佳。

另外，該平臺(tái)亦具有一定的開(kāi)放性和擴(kuò)展性。在后續(xù)的開(kāi)發(fā)中，可以根據(jù)需要對(duì)診斷算法及其他功能模塊進(jìn)行更改或添加，也可增加不同算法之間的比較分析或集成診斷，改善其靈活性，并實(shí)現(xiàn)操作界面及結(jié)果展示的中英文語(yǔ)言切換，推進(jìn)其推廣應(yīng)用。 LabVIEW 軟件的采用，為 FDD 技術(shù)嵌入系統(tǒng)控制提供了可能。

參考文獻(xiàn)：

[1] 許明軒.飛機(jī)航電系統(tǒng)故障分析方法與故障診斷技術(shù)研究[J].中國(guó)設(shè)備工程， 2018（14）：96-97.

[2] 許偉， 馮武衛(wèi)， 袁躍峰， 等.船用機(jī)械設(shè)備故障診斷系統(tǒng)研究與開(kāi)發(fā)[J].機(jī)電工程 ， 2014， 31（10）：1291-1295， 1323.

[3] 張霄，錢(qián)玉良， 邱正， 等.基于蜻蜓算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷[J].熱能動(dòng)力工程， 2019， 34（3）：26-32.

[4] 杜奕， 唐洪， 丁家滿(mǎn)， 等.一種基于概率盒?PSO?SVM的滾動(dòng)軸承故障診斷方法[J].上海理工大學(xué)學(xué)報(bào) ， 2018， 40（1）：76-83.

[5] GRANDERSON J， SINGLA R， MAYHORN E， et al.Characterization? and? survey? of? automated? fault detection? and? diagnostics? tools[R]. Berkeley，? CA： Lawrence Berkeley National Laboratory， 2017.

[6] LIANG Q Q， HAN H， CUI X Y， et al. Comparativestudy? of? probabilistic? neural? network? and? backpropagation network for fault diagnosis of refrigerationsystems[J]. Science and Technology for the Built Environment， 2018， 24（4）：448-457.

[7] HAN H，? CUI X Y，? FAN Y Q，? et al. Least squaressupportvector machine （LS-SVM）-based chiller fault diagnosis? using? fault? indicative? features[J]. Applied Thermal Engineering， 2019， 154：540-547.

[8] 趙莉華， 張亞超， 金陽(yáng)， 等.基于 LabVIEW 和Matlab虛擬實(shí)驗(yàn)室的實(shí)現(xiàn)[J].實(shí)驗(yàn)室研究與探索 ， 2014， 33（4）：62-64，67.

[9] 裴鋒 ， 楊萬(wàn)生. LabVIEW 與 MATLAB 混合編程[J].電子技術(shù)應(yīng)用， 2004， 30（3）：4-6.

[10]李建強(qiáng)， 張瑩瑩， 牛成林.基于 PSO?LSSVM 模型的火電廠煙氣含氧量預(yù)測(cè)[J].熱能動(dòng)力工程 ， 2018，33（7）：49-55.

[11] SUYKENS J A K， VANDEWALLE J. Least squaressupport vector machine classifiers[J]. Neural Processing Letters， 1999， 9（3）：293-300.

[12] CHAMKALANI A， ZENDEHBOUDI S， BAHADORIA， et al. Integration of LSSVM technique with PSO to d etermine? asphaltene? deposition[J]. Journal? of? Petro- leum Science and Engineering， 2014， 124：243?253.

[13]吳崇明， 王曉丹， 白冬嬰， 等.利用 KKT 條件與類(lèi)邊界包向量的 SVM 增量學(xué)習(xí)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)， 2010， 31（8）：1792-1794， 1798.

[14] FLETCHER R. Practical methods of optimization[M].Chichester： Wiley， 1987.

[15]顧燕萍， 趙文杰， 吳占松.最小二乘支持向量機(jī)魯棒回歸算法研究[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版 ， 2015， 55（4）：396-402.

[16]鄭含博， 王偉， 李曉綱， 等.基于多分類(lèi)最小二乘支持向量機(jī)和改進(jìn)粒子群優(yōu)化算法的電力變壓器故障診斷方法[J].高電壓技術(shù)， 2014， 40（11）：3424-3429.

[17]黃世奎 ， 彭宇寧 ， 謝樹(shù)平 ， 等. LabVIEW 與Matlab/Simulink 混合編程方法及應(yīng)用[J].實(shí)驗(yàn)室研究與探索， 2009， 28（7）：67-71.

[18]王后能， 宋杰. LabVIEW 嵌入Matlab腳本節(jié)點(diǎn)的電機(jī)轉(zhuǎn)速控制系統(tǒng)仿真[J].武漢工程大學(xué)學(xué)報(bào)， 2015， 37（8）：69-74.

[19] COMSTOCK? M? C，? BRAUN? J? E. Development? ofanalysis tools for the evaluation of fault detection and diagnostics in chillers[R]. West Lafayette， IN： PurdueUniversity， 1999.

[20] FAN? Y? Q，? CUI? X? Y，? HAN? H，? et? al.Chiller? faultdetection anddiagnosis by knowledge transfer based on? adaptive? imbalanced? processing[J]. Science? and? Technology for the Built Environment， 2020， 26（8）：1082-1099.