鄭小海，譚澤漢，郭亞賓，陳煥新

?

基于支持向量機(jī)和粒子群算法的多聯(lián)機(jī)氣液分離器插反故障診斷

鄭小海*1，譚澤漢2，郭亞賓1，陳煥新1

（1-華中科技大學(xué)能源與動(dòng)力工程學(xué)院，湖北武漢 430074； 2-空調(diào)設(shè)備及系統(tǒng)運(yùn)行節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室，廣東珠海 517907）

本文通過(guò)多聯(lián)機(jī)實(shí)驗(yàn)平臺(tái)采集數(shù)據(jù)，選取合適的特征變量，利用支持向量機(jī)算法建立了多聯(lián)機(jī)氣液分離器插反故障診斷模型。采用粒子群算法優(yōu)化該模型，通過(guò)測(cè)試集驗(yàn)證模型的分類準(zhǔn)確率，并對(duì)兩種模型下的故障診斷效果進(jìn)行對(duì)比分析。結(jié)果表明，制冷工況下的故障診斷準(zhǔn)確率高于制熱工況下的準(zhǔn)確率。模型優(yōu)化前兩種工況下的故障診斷準(zhǔn)確率均高于96%，而優(yōu)化后的準(zhǔn)確率均高于97%，優(yōu)化后制冷工況下的故障診斷準(zhǔn)確率更是高達(dá)98.4%，可見(jiàn)優(yōu)化后的模型性能穩(wěn)步提升。

支持向量機(jī)；多聯(lián)式空調(diào)系統(tǒng)；氣液分離器插反；故障診斷；粒子群算法

0 引言

多聯(lián)機(jī)在中國(guó)空調(diào)市場(chǎng)中所占的份額[1]越來(lái)越大，其產(chǎn)品也日益多樣化，而氣液分離器是多聯(lián)機(jī)分流裝置[2]中的關(guān)鍵部件，其作用主要是將制冷劑的氣態(tài)與液態(tài)分離，分離效果直接影響空調(diào)系統(tǒng)的性能。由于氣液分離器的入口端和出口端的外形十分相似，在多聯(lián)機(jī)系統(tǒng)的組裝、維修等過(guò)程中，一些非專業(yè)的工作人員易將氣液分離器插反，即造成氣分插反故障。一般這種故障的發(fā)生部位容易被忽略，故障的隱蔽性很高。但發(fā)生這種故障后，在長(zhǎng)期運(yùn)行過(guò)程中，會(huì)導(dǎo)致壓縮機(jī)發(fā)生“液擊”現(xiàn)象，嚴(yán)重影響壓縮機(jī)壽命，甚至影響整個(gè)制冷系統(tǒng)的性能。因此迫切需要找出一種更好的故障檢測(cè)和診斷技術(shù)來(lái)提升對(duì)該故障檢測(cè)和診斷的準(zhǔn)確率。

近年來(lái)，針對(duì)制冷空調(diào)系統(tǒng)的故障檢測(cè)與診斷技術(shù)的研究越來(lái)越深入?；跀?shù)據(jù)的故障檢測(cè)與診斷方法是主流，HU等[3]提出了用自適應(yīng)主元分析（Principal Component Analysis，PCA）方法來(lái)檢測(cè)冷水機(jī)組傳感器故障，提高了冷水機(jī)組在低溫工況下的故障檢測(cè)率；XU等[4]采用小波分析和PCA的方法，明顯改善了冷水機(jī)組的故障診斷效果。LIU等[5]將PCA與指數(shù)加權(quán)移動(dòng)平均法（Exponentially- weighted Moving Average，EWMA）相結(jié)合的方法應(yīng)用于檢測(cè)多聯(lián)機(jī)系統(tǒng)的制冷劑充注量故障，使得在輕微故障工況下的故障檢測(cè)率明顯提高。可見(jiàn)近年來(lái)的研究以PCA方法居多[6]，此外，神經(jīng)網(wǎng)絡(luò)[7-8]、決策樹(shù)[9]、支持向量機(jī)（Support Vector Machine，SVM）[10]等算法也越來(lái)越多地應(yīng)用于制冷系統(tǒng)故障檢測(cè)與診斷的研究。本文使用的是多聯(lián)機(jī)系統(tǒng)的實(shí)驗(yàn)所得數(shù)據(jù)，由于數(shù)據(jù)集的樣本量較少，而且呈現(xiàn)明顯的非線性關(guān)系，而支持向量機(jī)在解決小樣本、非線性問(wèn)題中具有特殊的優(yōu)勢(shì)，故本文利用支持向量機(jī)算法對(duì)氣分插反故障進(jìn)行檢測(cè)與診斷。

1 故障診斷模型的構(gòu)建

1.1 基于支持向量機(jī)的故障診斷模型

支持向量機(jī)（SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，自1995年VAPNIK[11]提出支持向量機(jī)以來(lái)，由于它在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，因而得到廣泛研究、應(yīng)用和發(fā)展。SVM的基本原理[12]是將低維空間中線性不可分的問(wèn)題映射到高維空間中，然后在高維空間中最大化不同類之間的間隔來(lái)構(gòu)造最優(yōu)分類超平面。

對(duì)于線性可分情況下的樣本：(x,y)，=1, 2, …,，x?R，y?{-1,+1}被最優(yōu)分類超平面·+= 0完全無(wú)誤地分為兩個(gè)類別，并且這個(gè)超平面能夠使兩類分類點(diǎn)的距離最大。離最優(yōu)超平面最近的兩類樣本向量稱為支持向量，兩類支持向量與最優(yōu)超平面間距之和為2/||||,因此，構(gòu)造最優(yōu)超平面問(wèn)題就轉(zhuǎn)化為線性約束的凸二次規(guī)劃問(wèn)題：

式中：

——最優(yōu)超平面法向量；

——閾值。

支持向量機(jī)使用的核函數(shù)主要有高斯核函數(shù)、徑向基核函數(shù)、多項(xiàng)式核函數(shù)以及線性核函數(shù)等。本文采用應(yīng)用最為普遍的徑向基核函數(shù)來(lái)建模，其中懲罰參數(shù)C和核參數(shù)是影響支持向量機(jī)模型的兩個(gè)重要參數(shù)。目前對(duì)支持向量機(jī)模型參數(shù)的選擇方法主要有交叉驗(yàn)證法[13]、網(wǎng)格搜索法[14]、遺傳算法[15-16]和粒子群算法[17-18]等。由于粒子群算法本身使用迭代的思想去解決問(wèn)題，算法的精確性比較高，故本文采用粒子群算法來(lái)優(yōu)化模型參數(shù)的選擇。

1.2 基于粒子群和支持向量機(jī)的故障診斷模型

粒子群（PSO）算法是一種模擬鳥(niǎo)類捕食行為的群體智能算法，PSO算法隨機(jī)地初始化一群粒子，然后通過(guò)迭代去解決全局尋優(yōu)問(wèn)題。每個(gè)粒子有相應(yīng)的位置和速度，分別用X= (x1,x2, …,x)和V= (v1,v2, …,v)表示，其中=1, 2, …,，為種群數(shù)量，為搜索空間的維數(shù)，每個(gè)粒子有一個(gè)被優(yōu)化函數(shù)決定的適應(yīng)值，在每次迭代過(guò)程中，速度和位置的更新公式如下：

其中，為慣性權(quán)值，c1和c2為學(xué)習(xí)因子，rand1和rand2為屬于[0,1]的隨機(jī)分布函數(shù)，Pi= (pi1, pi2, …, pie)為第i個(gè)粒子搜索到的歷史最優(yōu)位置，Pg= (pg1, pg2, …, pge)為整個(gè)群體搜索到的歷史最優(yōu)位置，粒子的速度都會(huì)被限制在[-Vmax,Vmax]的范圍內(nèi)。速度太大，粒子可能會(huì)飛出最優(yōu)解；速度太小，粒子可能會(huì)陷入局部最優(yōu)。

為了提高算法的收斂速度，對(duì)慣性權(quán)值進(jìn)行線性調(diào)整[19]，即隨著迭代的進(jìn)行，線性減少的值，調(diào)整公式為：

其中，為當(dāng)前迭代次數(shù)，max為最大迭代次數(shù)。由于粒子群算法的上述優(yōu)點(diǎn)，故采用粒子群算法優(yōu)化支持向量機(jī)的模型參數(shù)，從而得到基于PSO-SVM的故障診斷模型，并對(duì)優(yōu)化前后的兩種模型的故障診斷效果進(jìn)行對(duì)比。

2 多聯(lián)機(jī)系統(tǒng)的實(shí)驗(yàn)裝置

2.1 實(shí)驗(yàn)裝置簡(jiǎn)述

由于多聯(lián)機(jī)系統(tǒng)能夠適應(yīng)多個(gè)房間的制冷、制熱需求，當(dāng)這些房間的同時(shí)使用系數(shù)較高時(shí)，與傳統(tǒng)空調(diào)相比，多聯(lián)機(jī)系統(tǒng)具有減少能源浪費(fèi)、節(jié)省室外空間、降低運(yùn)行費(fèi)用的優(yōu)點(diǎn)[20]。然而當(dāng)系統(tǒng)發(fā)生故障時(shí)，會(huì)帶來(lái)能源、經(jīng)濟(jì)、安全等方面的問(wèn)題，因此基于數(shù)據(jù)挖掘的多聯(lián)機(jī)系統(tǒng)故障檢測(cè)與診斷的研究也越來(lái)越深入。

本文利用了多聯(lián)機(jī)系統(tǒng)實(shí)驗(yàn)平臺(tái)[21]進(jìn)行數(shù)據(jù)采集。多聯(lián)機(jī)系統(tǒng)實(shí)驗(yàn)裝置及主要控制點(diǎn)見(jiàn)圖1，該多聯(lián)機(jī)系統(tǒng)有1臺(tái)室外機(jī)和5臺(tái)室內(nèi)機(jī)，其中全開(kāi)表示5臺(tái)室內(nèi)機(jī)全部開(kāi)啟，單開(kāi)表示1臺(tái)室內(nèi)機(jī)運(yùn)行，系統(tǒng)的主要設(shè)備有室內(nèi)機(jī)、室外機(jī)、壓縮機(jī)、氣液分離器、油分離器等。利用各種溫度壓力傳感器得到眾多的運(yùn)行數(shù)據(jù)，實(shí)際建模過(guò)程中需要根據(jù)專家知識(shí)和構(gòu)建數(shù)據(jù)變化模型驗(yàn)證選取合適的建模的特征變量，從而建立更為適用的模型。

圖1 多聯(lián)機(jī)系統(tǒng)結(jié)構(gòu)及主要控制點(diǎn)

2.2 實(shí)驗(yàn)裝置的誤差分析

由于搭建的多聯(lián)機(jī)實(shí)驗(yàn)平臺(tái)十分規(guī)范，各參數(shù)的測(cè)得都是在焓差實(shí)驗(yàn)室進(jìn)行的。正常數(shù)據(jù)就是在正常狀態(tài)下進(jìn)行測(cè)量得到的。本文提及的故障數(shù)據(jù)就是在正常狀態(tài)下停機(jī)，然后人為將氣液分離器反向，再開(kāi)機(jī)運(yùn)行得到的。因此實(shí)驗(yàn)裝置的精確性可以達(dá)到99%以上。

2.3 數(shù)據(jù)與變量選擇

實(shí)驗(yàn)裝置中包含大量的溫度、壓力等傳感器，用于測(cè)量相關(guān)運(yùn)行參數(shù)，故采集到大量的運(yùn)行數(shù)據(jù)。根據(jù)專家知識(shí)和測(cè)量參數(shù)的相關(guān)性，不考慮邏輯變量[22]，選擇以下參數(shù)進(jìn)行建模。選擇的參數(shù)包括室外環(huán)境溫度（T），壓縮機(jī)排氣、殼頂、模塊溫度（T,T,T），壓縮機(jī)目標(biāo)和運(yùn)行頻率（f,f），電流（I），過(guò)冷器氣出、液出溫度（T,T），氣液分離器進(jìn)管、出管溫度（T,T），過(guò)冷器電子膨脹閥開(kāi)度（E），化霜溫度（T），模塊高、低壓（P,P）等15個(gè)運(yùn)行參數(shù)。因此，原始數(shù)據(jù)矩陣為：Y = [T, T, T, T, f, f, I, T, T, T, T, E, T, P, P]。

3 診斷過(guò)程與結(jié)果分析

3.1 診斷過(guò)程

基于PSO-SVM的故障診斷流程如圖2所示，其中數(shù)據(jù)標(biāo)準(zhǔn)化是為了消除變量間量綱的影響，之后將特征數(shù)據(jù)集隨機(jī)分為75%的訓(xùn)練集和25%的測(cè)試集，利用訓(xùn)練集對(duì)SVM模型進(jìn)行訓(xùn)練，并通過(guò)粒子群算法得到最優(yōu)的支持向量機(jī)模型。最后，利用測(cè)試集對(duì)模型進(jìn)行驗(yàn)證，得到不同模型下的混淆矩陣和分類準(zhǔn)確率，最后對(duì)兩種模型的故障診斷效果進(jìn)行對(duì)比分析。其中制冷工況下的測(cè)試集共有17,083組數(shù)據(jù)，制熱工況下的測(cè)試集共有5,867組實(shí)驗(yàn)數(shù)據(jù)。其中制冷數(shù)據(jù)集包含6種工況，分別為單開(kāi)、內(nèi)27 ℃、外35 ℃；全開(kāi)、內(nèi)27 ℃、外35 ℃；單開(kāi)、內(nèi)23 ℃、外31 ℃；全開(kāi)、內(nèi)23 ℃、外31 ℃；單開(kāi)、內(nèi)32 ℃、外40 ℃；全開(kāi)、內(nèi)32 ℃、外40 ℃。制熱數(shù)據(jù)集也包含6種工況，分別為單開(kāi)、內(nèi)20 ℃、外7 ℃；全開(kāi)、內(nèi)20 ℃、外7 ℃；單開(kāi)、內(nèi)20 ℃、外-7 ℃；全開(kāi)、內(nèi)20 ℃、外-7 ℃；單開(kāi)、內(nèi)27 ℃、外24 ℃；全開(kāi)、內(nèi)27 ℃、外24 ℃。由于每種工況的故障實(shí)驗(yàn)的數(shù)據(jù)量不是很多，將這些工況下的數(shù)據(jù)都放入一個(gè)數(shù)據(jù)集，故共有制冷、制熱兩個(gè)數(shù)據(jù)集。

圖2 基于PSO-SVM的故障診斷流程

3.2 基于SVM的故障診斷結(jié)果

使用基本的支持向量機(jī)方法，將懲罰因子C設(shè)置為1，核參數(shù)設(shè)置為0.0666（即1/15），利用訓(xùn)練數(shù)據(jù)建立支持向量機(jī)模型，測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。得到的混淆矩陣如表1所示，其中標(biāo)簽0表示發(fā)生氣分插反故障，標(biāo)簽1為系統(tǒng)正常運(yùn)行數(shù)據(jù)。得到制冷工況下的故障診斷準(zhǔn)確率為97.5%，制熱工況下的準(zhǔn)確率為96.1%。

表1 基于SVM的混淆矩陣

3.3 基于PSO-SVM的故障診斷結(jié)果

采用帶慣性權(quán)值的粒子群算法對(duì)支持向量機(jī)的懲罰因子C和核函數(shù)的參數(shù)進(jìn)行優(yōu)化，適應(yīng)度曲線如圖3所示。粒子群算法的主要參數(shù)：本文中參數(shù)C和的搜索區(qū)間范圍設(shè)為[0.1,100]和[0.01,10]；種群大小N=20，最大進(jìn)化代數(shù)為300；慣性權(quán)重=0.8，加速常數(shù)C1=1.6，C2=1.83。得到的最優(yōu)參數(shù)為C=82.352，γ=0.8790，使用粒子群算法優(yōu)化支持向量機(jī)后，得到的混淆矩陣如表2。制冷工況下的故障診斷準(zhǔn)確率為98.4%，制熱工況下的準(zhǔn)確率為97.0%。

圖3 PSO尋找最優(yōu)參數(shù)的適應(yīng)度曲線

表2 基于PSO-SVM的混淆矩陣

3.4 診斷結(jié)果對(duì)比分析

使用粒子群優(yōu)化算法優(yōu)化后的SVM模型與原始SVM模型的分類準(zhǔn)確率對(duì)比如圖4，可見(jiàn)利用PSO-SVM模型的分類準(zhǔn)確率高于SVM模型的準(zhǔn)確率。在僅利用SVM模型進(jìn)行故障診斷時(shí)，雖然診斷準(zhǔn)確率在兩種工況條件下均高于96%，但利用PSO-SVM模型進(jìn)行故障診斷后，在兩種工況下的準(zhǔn)確率均明顯提高至97%以上，可以看到兩種模型對(duì)制冷工況下的故障診斷效果優(yōu)于制熱工況下的效果。上述結(jié)果表明，對(duì)該多聯(lián)機(jī)系統(tǒng)，采用粒子群算法優(yōu)化支持向量機(jī)模型來(lái)進(jìn)行故障診斷是可行的，且診斷結(jié)果具有較高的準(zhǔn)確率，比優(yōu)化前的SVM模型的診斷性能更好。

圖4 優(yōu)化前后分類準(zhǔn)確率對(duì)比

4 結(jié)論

通過(guò)分析制冷、制熱兩種工況下的多聯(lián)機(jī)平臺(tái)實(shí)驗(yàn)數(shù)據(jù)，分別建立SVM模型和PSO-SVM模型進(jìn)行故障診斷，并將兩種模型的故障診斷準(zhǔn)確率進(jìn)行對(duì)比，得出以下結(jié)論：

1）支持向量機(jī)方法在制冷工況下的故障診斷準(zhǔn)確率高于制熱工況下的故障診斷準(zhǔn)確率，但在制熱工況下的準(zhǔn)確率也均高于96%；

2）在使用粒子群算法優(yōu)化前兩種工況下的故障診斷準(zhǔn)確率均高于96%，優(yōu)化后的故障診斷準(zhǔn)確率均高于97%，而且優(yōu)化后的制冷工況下的故障診斷準(zhǔn)確率更是高達(dá)98.4%；優(yōu)化后的準(zhǔn)確率有穩(wěn)步的提升。

[1] 郭富軍, 顧中華, 季秀成, 等. 大容量多聯(lián)機(jī)用并聯(lián)氣液分離器的技術(shù)探討[J]. 制冷與空調(diào), 2016, 16(8): 25-27.

[2] 鄭賢德. 制冷原理與裝置[M]. 北京: 機(jī)械工業(yè)出版社, 2000.

[3] HU Y, CHEN H, XIE J, et al. Chiller sensor fault detection using a self-Adaptive Principal Component Analysis method[J]. Energy and Buildings, 2012, 54: 252-258.

[4] XU X, XIAO F, WANG S. Enhanced chiller sensor fault detection, diagnosis and estimation using wavelet analysis and principal component analysis methods[J]. Applied Thermal Engineering, 2008, 28(2): 226-237.

[5] LIU J, HU Y, CHEN H, et al. A refrigerant charge fault detection method for variable refrigerant flow (VRF) air-conditioning systems[J]. Applied Thermal Engineering, 2016, 107: 284-293.

[6] 禹法文, 陳煥新, 李紹斌, 等. 基于主元分析法的多聯(lián)機(jī)系統(tǒng)壓縮機(jī)排氣溫度傳感器故障檢測(cè)與診斷[J]. 制冷技術(shù). 2017, 37(4): 29-33.

[7] 石書(shū)彪, 陳煥新, 李冠男, 等. 基于小波去噪和神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組故障診斷[J]. 制冷學(xué)報(bào), 2016, 37(1): 12-17.

[8] 袁玥, 陳煥新, 石書(shū)彪, 等. 基于主成分分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的制冷劑充注量故障診斷[J]. 制冷技術(shù), 2017, 37(6): 45-50.

[9] GERDES M. Decision trees and genetic algorithms for condition monitoring forecasting of aircraft air conditioning[J]. Expert Systems with Applications, 2013, 40(12): 5021-5026.

[10] YAN K, SHEN W, MULUMBA T, et al. ARX model based fault detection and diagnosis for chillers using support vector machines[J]. Energy and Buildings, 2014, 81: 287-295.

[11] VAPNIK V N. The nature of statistical learning theory[M]. New York: Springer Verlag, 1995.

[12] 梅飛, 梅軍, 鄭建勇, 等. 粒子群優(yōu)化的KFCM及SVM診斷模型在斷路器故障診斷中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(36): 134-141.

[13] PASSERINI A, PONTIL M, FRASCONI P. New results on error correcting output codes of kernel machines[J]. IEEE Transactions on Neural Networks, 2004, 15(1): 45-54.

[14] 王健峰. 基于改進(jìn)網(wǎng)格搜索法SVM參數(shù)優(yōu)化的說(shuō)話人識(shí)別研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2012.

[15] CHEN P W, WANG J Y, LEE H. Model selection of SVMs using GA approach[C]. 2004 IEEE International Joint Conference on Neural Networks, Piscataway, USA, 2004: 2035-2040.

[16] 席裕庚, 柴天佑, 惲為民. 遺傳算法綜述[J]. 控制理論與應(yīng)用, 1996, 13(6): 697-708.

[17] CZARNECKI W M, TABOR J. Two ellipsoid support vector machines[J]. Expert Systems with Applications, 2014, 41(18): 8211-8224.

[18] SURYANARAYANA C, SUDHEER C, MAHAMMOND V, et al. An integrated wavelet-support vector machine for groundwater level prediction in Visakhapatnam, India[J]. Neurocomputing, 2014, 145: 324-335.

[19] 馮輝宗, 彭丹, 袁榮棣. 基于PSO-SVM的發(fā)動(dòng)機(jī)故障診斷研究[J]. 計(jì)算機(jī)測(cè)量與控制, 2014, 22(2): 355-357.

[20] 周鵬飛, 賀群妮. 多聯(lián)機(jī)空調(diào)系統(tǒng)運(yùn)行性能的影響因素分析[J]. 制冷技術(shù), 2012, 32(3): 62-65.

[21] 劉佳慧, 劉江巖, 李紹斌, 等. 基于決策樹(shù)算法的多聯(lián)機(jī)氣液分離器插反故障診斷[J]. 制冷學(xué)報(bào), 2017, 38(5): 1-6.

[22] SUN K, LI G, CHEN H, et al. A novel efficient SVM-based fault diagnosis method for multi-spl，it air conditioning system's refrigerant charge fault amount[J]. Applied Thermal Engineering, 2016, 108: 989-998.

Fault Diagnosis on Opposite-insertion for Gas-liquid Separator in Variable Refrigerant Flow System Based on Support Vector Machine and Particle Swarm Optimization Algorithm

ZHENG Xiaohai*1, TAN Zehan2, GUO Yabin1, CHEN Huanxin1

(1-School of Energy and Power Engineering, Huazhong University of Science and Technology, Wuhan, Hubei 430074, China; 2-State Key Laboratory of Energy Conservation and Operation of Air-Conditioning Equipment and Systems, Zhuhai, Guangdong 517907, China)

The data were collected through the variable refrigerant flow (VRF) experimental platform, and the suitable characteristic variables were selected. A VRF gas-liquid separator opposite-insertion fault diagnosis model using support vector machine algorithm was developed. The particle swarm optimization algorithm was used to optimize the model. The test set was used to verify the classification accuracy of the model, and the fault diagnosis effects of the two models were compared and analyzed. The results show that the accuracy of fault diagnosis under refrigeration condition is higher than that under heating condition. The accuracy of fault diagnosis under the two conditions is larger than 96% under support vector machine model. After using the particle swarm optimization algorithm, the accuracy is larger than 97% under these two conditions, and the accuracy of fault diagnosis under refrigeration conditions is up to 98.4%. The performance of the optimized model is steadily increased.

Support vector machine; Variable refrigerant flow system; Gas-liquid separator opposite-insertion; Fault diagnosis; Particle swarm optimization algorithm

10.3969/j.issn.2095-4468.2018.04.104

*鄭小海（1994-），男，在讀碩士。研究方向：空調(diào)系統(tǒng)故障診斷。聯(lián)系地址：華中科技大學(xué)動(dòng)力樓316，郵編：430074。聯(lián)系電話：15671687530。E-mail：zhengxiaohai12345@163.com。

空調(diào)設(shè)備及系統(tǒng)運(yùn)行節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金（No. SKLACKF201606）和國(guó)家自然科學(xué)基金（No. 51576074）。