吴斌，杜鑫，杜志敏，晋欣桥

（上海交通大学制冷与低温工程研究院，上海 200240）

0 引言

随着社会的发展，人们需求的提高，空调系统在日常生活中应用越来越普遍，据统计，空调的耗电量已占建筑总能耗的50%以上[1-2]。随着各部件的老化、设备的性能衰减，空调系统常常运行在亚健康状态，导致能耗大幅上升，维护成本增长以及使用者舒适度下降[3]，因此针对空调系统的故障诊断势在必行。目前空调系统的故障诊断技术主要分为3大类：基于模型的方法、基于规则的方法和基于数据挖掘的方法[4]。基于模型方法依赖准确的数学物理模型，NORFORD等[5]开发了一种物理模型来检测空调箱的常见故障，此外还有黑箱模型[6]和灰箱模型[7]；与基于模型方法不同，基于规则的方法不需要构建准确的数学模型而是依靠专家知识或经验规则，VISIER等[8]构建了专家系统用于诊断学校空调系统故障，HOUSE等[9]提出了一系列的规则来判断空调箱的运行状况，但如果专家规则构建的不够详细，诊断效率就会下降；基于数据挖掘的方法近几年发展非常迅速，主元分析[10-11]、支持向量机[12]、神经网络[13-15]等方法均已用在空调系统的故障诊断中，该方法通过挖掘数据之间的固有关系来区分正常与故障数据，如 LEE等[16]提出了回归神经网络诊断空调箱的突发性性能衰退故障，WANG等[17]在变风量系统中提出了基于神经网络的传感器故障检测模型。近几年计算能力的提高，新型算法的出现，使得机器学习在数据挖掘、计算机视觉、自然语言处理等领域的应用效果有了明显提升，而随机森林作为机器学习中一个重要的分支也拥有着广泛的应用。……