[发明专利]基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法

权利要求书

1.一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，其特征在于，包括以下步骤：

1)获取空调正常和不同故障时运行的特征数据Y＝[y₁,y₂,…,y_N]∈R^N×M，其中，N表示数据的数量，M表示特征数量，特征包括测量变量和操作变量数量；对数据进行归一化处理；

2)利用PCA算法对归一化处理后数据中的特征进行降维后作为训练样本；

3)建立极限随机树分类模型，并利用训练样本进行训练得到针对空调的PCA-极限随机树故障诊断模型；

4)利用贝叶斯优化算法对PCA-极限随机树故障诊断模型的PCA降维后的特征数量和极限随机树数量进行优化，得到最优的降维后特征数量和极限随机树数量；

5)根据得到的最优PCA降维后特征数量值对归一化处理后的数据重新降维更新训练样本，同时将极限随机树数量值作为极限随机树故障诊断模型的参数对更新的训练样本进行训练，得到最终的PCA-极限随机树故障诊断模型；

6)将实时采集的空调运行数据归一化处理并根据得到的最优PCA降维后特征数量值进行降维后输入至最终的PCA-极限随机树故障诊断模型进行故障诊断。

2.根据权利要求1所述的一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，其特征在于：所述步骤1)中，数据归一化处理采用z-score标准化方法。

3.根据权利要求1所述的一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，其特征在于：所述步骤2)中，利用PCA算法对归一化处理后数据中的特征进行降维的具体过程如下：

2.1)首先对特征进行零均值化，即先求特征均值，再减去均值；

2.2)计算协方差矩阵；

2.3)求出协方差矩阵的特征值及对应的特征向量，对特征值从大到小排序，选择前k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；

2.4)根据特征向量矩阵对原数据进行降维，计算出新的特征作为训练样本。

4.根据权利要求1所述的一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，其特征在于：所述步骤3)的具体过程如下：

3.1)对训练样本随机选择特征得到多个训练子集，并生成对应的多个CART决策树，将降维后的数据作为每棵树的输入，同时每棵决策树都随机选择特征来构建决策树；

3.2)训练决策树，每棵树在它们的每个节点根据阈值划分特征；其中，阈值通过随机选取获得，然后计算此时分叉值，遍历节点内的所有特征，按上述方法得到所有特征的分叉值，选择分叉值最小对应的特征作为该节点的分类特征，得到PCA-极限随机树模型。

5.根据权利要求4所述的一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，其特征在于：所述步骤3.2)中，采用最小GINI值作为分叉值，GINI计算公式如下：

其中，j表示特征的索引，I_j为特征j的分类数量，p_j,i是在特征j被分类为第i种类别的概率。

6.根据权利要求1所述的一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，其特征在于：所述步骤4)中，贝叶斯优化算法的目标函数z是五折交叉验证后得到的平均精确度，待优化参数为PCA算法降维后的特征数量x₁和极限随机数的CART决策树数量x₂，具体如下所示：

其中ω_i，i＝1,2为第i个高斯分布的系数，X_i为多个第i个自变量x_i的参数构成的向量，E(X_i)为向量X_i数学期望，K(X_i,X_i)为向量X_i的自协方差矩阵。

7.根据权利要求1所述的一种基于贝叶斯优化的PCA-极限随机树的空调故障诊断方法，其特征在于：所述步骤6)中，PCA-极限随机树故障诊断模型中的每棵树都对实时采集的数据点进行分类，再由每棵树进行投票决定该数据点最终的分类。