基于机器学习的制冷系统过充电和欠充电故障诊断（采用红外热图像数据，MATLAB）

到目前为止，制冷系统故障诊断方法已经产生很多种，概括起来主要有三大类：基于分析的方法，基于知识的方法和基于数据驱动的方法。基于分析的方法主要获得制冷系统的数学模型，通过残差来检测和诊断故障。如果存在残差且很大，则系统很可能存在故障；这种方法需要精确的数学模型，在实际的制冷系统故障诊断中往往很难获取准确可靠的数学模型；基于知识的方法主要通过因果关系建模，该方法不需要获取制冷系统的数学模型，需要获得专业领域知识或根据制冷系统的典型故障症状的详细描述来诊断故障。但是这种方法往往需要专业知识和丰富的经验，不能广泛应用；基于数据驱动的方法主要对设备运行过程或实验过程中传感器所采集的大量数据加以利用，这些数据包含着设备正常和各种故障发生的数据，通过对这些数据加以分析处理，完成制冷系统故障的检测和诊断。该类方法要求获得系统的数学模型，也无需大量领域经验和知识，适用性广。

在大数据和传感器技术的发展的背景下，数据驱动的方法展现了它的优势，越来越多用于制冷系统的故障检测与诊断，鉴于此，采用基于机器学习方法对制冷系统过充电和欠充电故障诊断，采用红外热图像数据，运行环境为MATLAB 2021B。

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。

% Parameter settings
opts.tf    = 2;     
opts.kfold = 10;    
opts.k     = 3;     % k-value in KNN

% Load data
load iris.mat;

% Classification
ML = jml('knn',feat,label,opts);

% Accuracy
accuracy = ML.acc; 

% Confusion matrix
confmat  = ML.con;

% Parameter settings
opts.tf    = 1;     
opts.ho    = 0.3;       
opts.fun   = 'r';     % radial basis kernel function in SVM

% Load data
load iris.mat;

% Classification
ML = jml('msvm',feat,label,opts);

% Accuracy
accuracy = ML.acc; 

% Confusion matrix
confmat  = ML.con;
% Parameter settings
opts.tf     = 3;          
opts.nSplit = 50;    % number of split in DT 

% Load data
load iris.mat;

% Classification
ML = jml('dt',feat,label,opts);

% Accuracy
accuracy = ML.acc; 

% Confusion matrix
confmat  = ML.con;

代码和数据通过知乎学术咨询获得：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1