(上海理工大學(xué)能源與動力工程學(xué)院 上海200093)

近年來隨著物聯(lián)網(wǎng)、云計算等信息技術(shù)的不斷興起和互聯(lián)網(wǎng)應(yīng)用的飛速發(fā)展，更為海量的制冷系統(tǒng)運行狀態(tài)數(shù)據(jù)以數(shù)據(jù)流(data stream, DS)的形式大量涌現(xiàn)?；诶渌畽C組運行過程數(shù)據(jù)的故障檢測與診斷(fault detection and diagnosis, FDD)是近年來制冷空調(diào)領(lǐng)域的研究熱點之一?；陟o態(tài)數(shù)據(jù)的故障診斷過程中，數(shù)據(jù)所隱含的目標(biāo)概念相對穩(wěn)定，在充足的訓(xùn)練集上學(xué)習(xí)得到的診斷模型，在測試集上能夠保持穩(wěn)定性和較高的診斷正確率[1-3]，但該方法只依賴于歷史數(shù)據(jù)而不使用最新的實時運行數(shù)據(jù)，限制了模型的即時性和準(zhǔn)確性，不能快速準(zhǔn)確地學(xué)習(xí)和適應(yīng)在線數(shù)據(jù)流信息。制冷系統(tǒng)在線故障診斷中，由傳統(tǒng)的靜態(tài)數(shù)據(jù)類型轉(zhuǎn)變?yōu)閯討B(tài)的數(shù)據(jù)流信息，因而要求診斷模型具有動態(tài)更新的再學(xué)習(xí)能力，以適應(yīng)制冷系統(tǒng)的在線數(shù)據(jù)流[4]。

自適應(yīng)系統(tǒng)是指能檢測環(huán)境變化，并能夠動態(tài)調(diào)整自身以響應(yīng)變化的系統(tǒng)，被設(shè)計為自適應(yīng)系統(tǒng)的診斷模型具有兩種能力[5-6]：1)監(jiān)測環(huán)境變化的能力；2)進行自適應(yīng)的操作來改變模型，以保證需求在變化后仍被持續(xù)滿足的能力。在制冷系統(tǒng)故障診斷中，環(huán)境變化指機組運行狀態(tài)的動態(tài)變化，自適應(yīng)操作指診斷模型進行相應(yīng)的自主操作，包括修改參數(shù)、改變算法、重組體系結(jié)構(gòu)等。

制冷系統(tǒng)運行過程中采集的數(shù)據(jù)流隨機組運行狀態(tài)的動態(tài)變化而變化，使目標(biāo)概念常常發(fā)生變化。例如，制冷系統(tǒng)故障表征隨工藝流程的改進、機器的老化、設(shè)備的更新、出現(xiàn)未知工況、出現(xiàn)新的故障類型等。這種由于數(shù)據(jù)流中隱含的目標(biāo)概念發(fā)生變化，使舊數(shù)據(jù)含有的舊概念與新數(shù)據(jù)含有的新概念不再保持一致的現(xiàn)象，稱為數(shù)據(jù)流的概念漂移[7-8]。數(shù)據(jù)流一旦發(fā)生概念漂移，則導(dǎo)致舊概念生成的原有診斷模型在新數(shù)據(jù)下的診斷性能下降，影響用戶正常使用，因而需對概念是否漂移作出及時檢測，并采取相應(yīng)措施進行自適應(yīng)學(xué)習(xí)。

M. Last等[9]提出了OLIN算法，通過對比分類器在訓(xùn)練集與驗證集上的錯誤率來判斷是否產(chǎn)生了概念漂移。K. Nishida等[10]使用分類器對最新采集訓(xùn)練樣本的分類準(zhǔn)確率和對全部訓(xùn)練樣本的分類準(zhǔn)確率的對比來檢測概念漂移。這種基于分類器對新樣本分類性能檢測概念漂移的方法，可信度較高。檢測到概念漂移后，需對分類器進行調(diào)整以適應(yīng)新數(shù)據(jù)流，基于增量式學(xué)習(xí)的診斷模型再學(xué)習(xí)方法是目前較為主流的模型自適應(yīng)方法之一。其核心思想是通過調(diào)節(jié)模型內(nèi)部學(xué)習(xí)策略，加快診斷模型的更新速度，以達到實時更新診斷模型以適應(yīng)數(shù)據(jù)流的目的[11-12]。N. A. Syed等[13]最早提出了支持向量機的增量學(xué)習(xí)概念，給出增量學(xué)習(xí)策略；Shen Furao等[14]提出了自組織增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(SOINN)對數(shù)據(jù)流進行增量式的學(xué)習(xí)。

本文采用基于分類正確率的概念漂移檢測機制和基于支持向量機增量學(xué)習(xí)的方法構(gòu)造制冷系統(tǒng)診斷模型自適應(yīng)系統(tǒng)，具有監(jiān)測機組環(huán)境變化、自適應(yīng)更新模型能力，以適時、及時地適應(yīng)冷水機組新的運行狀態(tài)和工作模式，使故障診斷系統(tǒng)始終工作在較佳的運行狀態(tài)。

1 基于診斷正確率的概念漂移檢測方法

制冷系統(tǒng)部件種類繁多，系統(tǒng)物質(zhì)形態(tài)多樣，運行工況復(fù)雜多變，制冷系統(tǒng)的智能故障診斷一直是難點。通常建立診斷模型的數(shù)據(jù)來源于特定的實驗機組及運行工況，通過故障模擬實驗得到。

將該模型應(yīng)用于實際制冷系統(tǒng)中，系統(tǒng)的如下情況可能對診斷模型的診斷性能產(chǎn)生影響：1)系統(tǒng)部件變化，部件出現(xiàn)不同程度的老化、更換部件等；2)運行工況變化，出現(xiàn)未知工況、未知故障等；3)外界環(huán)境變化，季節(jié)、熱負荷、使用場合等的變化。

制冷系統(tǒng)采集的數(shù)據(jù)是以數(shù)據(jù)流的形式實時、連續(xù)到來，上述情況的發(fā)生可能導(dǎo)致數(shù)據(jù)流所隱含的目標(biāo)概念發(fā)生變化，與之前數(shù)據(jù)中的概念產(chǎn)生矛盾、不一致，診斷模型無法有效識別，從而導(dǎo)致診斷性能下降，出現(xiàn)誤報、漏報增加等情況，無法達到令人滿意的效果，該現(xiàn)象被稱為概念漂移。

概念漂移數(shù)學(xué)描述如下：假設(shè)一個數(shù)據(jù)集可以被劃分為n個數(shù)據(jù)流，用D1，D2，…，Dn分別表示，且它們之間是按照時間的先后關(guān)系排列，則對任意一個數(shù)據(jù)流Di，假設(shè)其分布概率是Pi(Di)，且與其他數(shù)據(jù)流分布概率是相互獨立的，那么概念漂移可以看成Pi(Di)與Pi+1(Di+1)之間相似程度的度量[15-16]。構(gòu)造的診斷模型若不適用于一個數(shù)據(jù)流，最直接的表現(xiàn)是診斷性能嚴(yán)重下降，通過對比在線采集的數(shù)據(jù)流所隱含的概念與之前數(shù)據(jù)中的概念相似程度或一致程度，可以判斷數(shù)據(jù)流是否發(fā)生概念漂移，不一致則發(fā)生了概念漂移。

本文采用基于正確率檢測概念漂移的方法。正確率指新采集數(shù)據(jù)流樣本中被正確診斷的樣本所占的比例，正確率檢測閾值為判斷數(shù)據(jù)流發(fā)生概念漂移的檢測標(biāo)準(zhǔn)。若被診斷數(shù)據(jù)流正確率高于檢測閾值，則未發(fā)生概念漂移；低于檢測閾值，則認(rèn)為發(fā)生概念漂移，需要更新模型。確定正確率檢測閾值的方法：現(xiàn)有樣本數(shù)據(jù)分為訓(xùn)練集和驗證集，訓(xùn)練集用于獲得初始診斷模型，驗證集用于驗證模型的診斷性能并確定正確率閾值λ。確定閾值時，驗證集又可分為n組，計算平均正確率和標(biāo)準(zhǔn)誤差：

(1)

(2)

λ=Avg(Acc)-WStdErr(Acc)

(3)

式中：n為驗證集劃分的組數(shù)；Acci為驗證集第i組的診斷正確率；Avg(Acc)為診斷平均正確率；StdErr(Acc)為標(biāo)準(zhǔn)誤差；W為置信區(qū)間，本文取值為5[17]；λ為診斷正確率閾值。

2 支持向量機增量學(xué)習(xí)

檢測到數(shù)據(jù)流發(fā)生概念漂移，診斷模型需要自適應(yīng)和再學(xué)習(xí)數(shù)據(jù)流新知識從而更好地適應(yīng)當(dāng)前機組環(huán)境。本文采用支持向量機增量學(xué)習(xí)算法[13]進行診斷模型更新，用ISVM(Incremental SVM)標(biāo)記。

支持向量機(support vector machine, SVM)是Vapnik領(lǐng)導(dǎo)的研究小組提出的一種新型通用的有監(jiān)督的機器學(xué)習(xí)方法[18]。它建立在結(jié)構(gòu)最小化原則基礎(chǔ)之上，具有很強的學(xué)習(xí)能力和泛化性能，能夠較好的解決小樣本、高維數(shù)、非線性、局部極小等問題，可以有效的分類、回歸、密度估計等。支持向量機算法適用于制冷系統(tǒng)故障診斷，可取得較理想的故障診斷效果[19-21]。

設(shè)H為歷史樣本集，也稱為初始樣本集，I為增量樣本集，也稱為新增樣本集。為了得H∪I的分類超平面，最直接的方法就是對所有樣本進行學(xué)習(xí)，為支持向量機的經(jīng)典學(xué)習(xí)方法，會增加運算時間和存儲空間，不利于模型的在線應(yīng)用。支持向量機增量學(xué)習(xí)方法(ISVM)則利用了先驗知識，只選擇可能對分類結(jié)果有重要貢獻的樣本訓(xùn)練，如支持向量與診斷錯誤集，其余樣本不參與訓(xùn)練，可極大地節(jié)約訓(xùn)練時間和計算成本[22]，在此方面具有較大優(yōu)勢。

圖1 ISVM二次學(xué)習(xí)流程圖Fig.1 ISVM secondary learning process

初始樣本集H訓(xùn)練SVM，得初始診斷器ψ1，其中的支持向量集Hsv1完全代表了歷史樣本集的學(xué)習(xí)能力和泛化能力，在增量學(xué)習(xí)后成為支持向量的概率相當(dāng)大[22]。增量樣本集I經(jīng)初始診斷器ψ1初診斷后，可分為兩類樣本：診斷正確樣本集Iok1和診斷錯誤樣本集Ierr1，后者對分類結(jié)果的影響最大，很可能成為新的支持向量；而Iok1中有些樣本與分類超平面是鄰近的，主要影響支持向量機的泛化能力，也有部分可能成為新的支持向量。此外，當(dāng)新增樣本違背KKT條件，則原樣本集H中非支持向量可能轉(zhuǎn)化為支持向量[23]，支持向量畢竟只代表了分類超平面不能代表樣本集本身，用數(shù)目較少的支持向量來代替原樣本集可能會使樣本集對分類的影響降低，增量學(xué)習(xí)中，只考慮原支持向量集和錯誤分類樣本集，可能丟失原樣本集H中的信息而降低泛化能力。

增量學(xué)習(xí)算法中，先對Hsv1∪Ierr1進行新的模型訓(xùn)練，得到診斷器ψ2及新的支持向量集Hsv2和非支持向量集Hoth2；再利用原樣本集H中非支持向量集Hoth1和增量樣本集I中正確診斷的樣本集Iok1構(gòu)成新的增量樣本集I2，并用新的診斷器ψ2對I2進行診斷，以確定哪些樣本可以正確診斷(Iok2)，哪些樣本無法正確診斷(Ierr2)。Ierr2作為潛在的支持向量候選樣本，與Hsv2合并后進行第二次增量學(xué)習(xí)。此增量學(xué)習(xí)過程可以繼續(xù)，但太多的增量學(xué)習(xí)會增加運算復(fù)雜度。一般地，兩次增量學(xué)習(xí)即可獲得很好的學(xué)習(xí)效果[24]。若一次學(xué)習(xí)效果達到要求，訓(xùn)練正確率恢復(fù)到設(shè)置的正確率閾值以上，可以不進行第二次增量學(xué)習(xí)。

ISVM自適應(yīng)增量學(xué)習(xí)算法步驟如下：

1)在初始訓(xùn)練集H上訓(xùn)練SVM得到初始診斷器ψ1，訓(xùn)練集H可以分為支持向量機Hsv1與剩余樣本Hoth1；根據(jù)診斷器ψ1，可以將增量樣本集I分離出診斷錯誤集Ierr1和診斷正確集Iok1；

2)第一次增量學(xué)習(xí)，集合Hsv1∪Ierr1作為新的訓(xùn)練集H1，得到一個新的診斷器ψ2和SV集Hsv2；

3)第二次增量學(xué)習(xí)，Hoth1∪Iok1作為新的增量樣本集I2，根據(jù)診斷器ψ2，對I2分離出Ierr2和Iok2，集合Hsv1∪Ierr1∪Hsv2∪Ierr2作為新的訓(xùn)練集H2，得到最終的診斷器ψ。

3 基于正確率閾值的概念漂移檢測與支持向量機增量學(xué)習(xí)算法的集成模型

本文將上述基于正確率閾值的概念漂移檢測機制與支持向量機增量學(xué)習(xí)方法相結(jié)合，生成集成模型(accuracy based concept drift detection & increment support vector machine，A-CDD-ISVM)，使診斷模型動態(tài)適應(yīng)制冷系統(tǒng)運行狀態(tài)，如圖2所示。

圖2 A-CDD-ISVM算法流程Fig.2 Structure of A-CDD-ISVM strategy

表1 實驗數(shù)據(jù)說明Tab.1 Information on experimental data

1)初始化：選取制冷系統(tǒng)歷史數(shù)據(jù)，包含故障和正常類型，訓(xùn)練初始故障診斷模型，驗證集用于驗證模型的穩(wěn)定性與可靠性，并獲得正確率檢測閾值λ；

2)對在線連續(xù)到達的數(shù)據(jù)流DSi(i∈1,…,n):診斷模型診斷DSi，得到診斷結(jié)果和DSi的診斷正確率Acci；根據(jù)閾值λ進行判斷，若Acci≤λ，則判斷為發(fā)生概念漂移，用ISVM算法重新訓(xùn)練模型：(1)根據(jù)診斷模型可以將DSi分為診斷錯誤集和診斷正確集；(2)選取診斷錯誤集、支持向量集作為訓(xùn)練數(shù)據(jù)，交叉驗證優(yōu)化模型參數(shù)建立新診斷模型；(3)用已有數(shù)據(jù)驗證新模型的診斷效果，若正確率>Avg(Acc)，則增量學(xué)習(xí)結(jié)束；若正確率

4 實驗與性能分析

4.1 實驗數(shù)據(jù)集的選取

為驗證A-CDD-ISVM方法對制冷系統(tǒng)數(shù)據(jù)流自適應(yīng)學(xué)習(xí)效果，本文數(shù)據(jù)來自ASHRAE(美國采暖制冷與空調(diào)工程師學(xué)會)的制冷系統(tǒng)故障模擬實驗[25]。該實驗對象是一臺約316 kW的離心式制冷機組，制冷劑為R134a，冷凝器和蒸發(fā)器均為殼管式換熱器。實驗?zāi)M了27個工況，獲取參數(shù)64個(其中48個為傳感器直接測得，16個為VisSim軟件實時計算)。本文選取了正常狀態(tài)、制冷劑泄漏、制冷劑過量3種類別，分別1 400、1 400、1 500個樣本數(shù)據(jù)(故障含4個等級)。實驗假設(shè)正常狀態(tài)、制冷劑泄漏故障為已知信息，制冷劑過量故障為未知信息，模擬在線數(shù)據(jù)流。實驗?zāi)M出現(xiàn)新的故障而導(dǎo)致的概念漂移，實驗數(shù)據(jù)安排如表1所示。DS0為初始訓(xùn)練集(2 000)，包含正常和泄漏兩種類別的各1 000個數(shù)據(jù)；DS1～DS3為驗證集，驗證初始診斷模型的穩(wěn)定性并確定檢測閾值λ；DS4～DS10模擬在線采集的制冷系統(tǒng)運行數(shù)據(jù)流，為新出現(xiàn)的故障或未知故障，本文為制冷劑過量樣本，各200個；另設(shè)置測試集Test(各100個，共計300個樣本)作為獨立的樣本集測試所得診斷模型的診斷性能。

4.2 實驗性能分析

實驗過程與結(jié)果如表2、表3、圖3及圖4所示。表2所示為初始診斷模型Model-0的訓(xùn)練、驗證、測試情況及確定檢測正確率閾值λ。采用DS0的2 000個數(shù)據(jù)訓(xùn)練支持向量機(SVM)得到初始診斷模型Model-0，用該模型分別診斷數(shù)據(jù)流DS1、DS2、DS3得到驗證正確率，通過式(3)計算，得到Avg(Acc)=99%，檢測閾值λ=96.96%。因測試集Test中含有新故障信息(制冷劑過量故障)，因而測試正確率僅為66%。

表2 訓(xùn)練初始診斷模型Tab.2 Training initial diagnosis model

圖3所示為基于表1實驗數(shù)據(jù)的A-CDD-ISVM實驗流程。豎直方向上，算法可分為3個部分，診斷模型對數(shù)據(jù)流進行診斷、基于正確率閾值的概念漂移檢測及概念漂移后基于ISVM的自適應(yīng)模型更新。水平方向上，模擬實驗按照圖中箭頭方向進行，從DS4至DS10(本文)，直至DSn(可拓展)。Model-0診斷數(shù)據(jù)流DS4，其診斷正確率低于閾值λ，發(fā)生概念漂移，采用ISVM更新診斷模型得到Model-1；用Model-1診斷后續(xù)數(shù)據(jù)流DS5未發(fā)生漂移，不更新模型；繼續(xù)診斷DS6，發(fā)生概念漂移，采用ISVM更新診斷模型得到Model-2；用Model-2診斷后續(xù)數(shù)據(jù)流DS7……如此重復(fù)，過程同上。該實驗過程相應(yīng)的正確率等情況表述于表3及圖4中。

圖3 A-CDD-ISVM實驗流程Fig.3 A-CDD-ISVM experiment process

表3所示為A-CDD-ISVM診斷模型對制冷系統(tǒng)數(shù)據(jù)流概念漂移檢測與增量學(xué)習(xí)的結(jié)果。訓(xùn)練集是指ISVM更新診斷模型所使用的數(shù)據(jù)集，以Model-0的模型更新為例，歷史數(shù)據(jù)集為DS0、增量樣本集為DS4，按照ISVM方法進行增量學(xué)習(xí)，增量學(xué)習(xí)后的訓(xùn)練正確率99.32%為新模型Model-1對訓(xùn)練集DS0∪DS4的診斷正確率。在更新模型過程中，可能會增量學(xué)習(xí)一次或兩次，體現(xiàn)在訓(xùn)練正確率一列中，兩次增量學(xué)習(xí)則將第一次增量學(xué)習(xí)的正確率示于括號中，如Model-1增量學(xué)習(xí)到Model-2時第一次增量學(xué)習(xí)的正確率為72.27%，第二次增量學(xué)習(xí)后達到99.46%。對DS4、DS7只進行一次增量學(xué)習(xí)即得到較好的診斷性能，模型訓(xùn)練時間更短、效率更高。最后一列為對測試集Test的測試正確率，增量學(xué)習(xí)后，該正確率相較于表2中Model-0的66%顯著提升，Model-1的測試正確率即高達89%，Model-3的更達97.67%，增長了37.67%。在實際應(yīng)用中，傳統(tǒng)的靜態(tài)數(shù)據(jù)學(xué)習(xí)方法已不適用，A-CDD-ISVM在在線學(xué)習(xí)上具有較大優(yōu)勢。

DS4～DS10數(shù)據(jù)流通過A-CDD時共檢測到3次概念漂移，分別為DS4、DS6和DS7，診斷正確率均低于檢測閾值λ(見圖4)。圖4通過顏色設(shè)置更加直觀地展示了DS4～DS10數(shù)據(jù)流的增量學(xué)習(xí)過程及相應(yīng)性能，紅色虛線為檢測閾值線，虛線以下表明發(fā)生數(shù)據(jù)流概念漂移。DS4為新加入的制冷劑過量故障，為未知故障，診斷模型無法識別，正確率為0；增量學(xué)習(xí)后的Model-1診斷DS4的正確率高達100%(圖4)，對訓(xùn)練集DS0∪DS4的正確率率為99.32%(表3)。數(shù)據(jù)流DS6、DS7診斷正確率分別為66%和76%，低于閾值(96.96%)，因為實驗數(shù)據(jù)包含27種工況，4個故障等級，數(shù)據(jù)流DS6、DS7雖同樣為制冷劑過量故障，所含有的部分樣本信息可能是診斷模型Model-1、Model-2所無法識別或沒有學(xué)習(xí)過的，故診斷正確率低，發(fā)生了概念漂移。檢測到概念漂移后，進行支持向量機增量學(xué)習(xí)，更新診斷模型，得到的3個新的診斷模型分別為Model-1、Model-2和Model-3，對表3所示訓(xùn)練集的訓(xùn)練正確率均達到99 %以上，說明模型已經(jīng)很好地學(xué)習(xí)了訓(xùn)練樣本所隱含的目標(biāo)概念。

表3 A-CDD-ISVM實驗結(jié)果Tab.3 A-CDD-ISVM experimental results

圖4 數(shù)據(jù)流增量學(xué)習(xí)過程Fig.4 Data flow incremental learning process

在此次模擬實驗中，通過A-CDD方法共檢測3次概念漂移，診斷模型只需要更新3次診斷模型，即制冷系統(tǒng)制冷劑過量故障中1 400個數(shù)據(jù)而模型共學(xué)習(xí)600(DS4+DS6+DS7)個過量故障樣本，后通過ISVM方法進一步學(xué)習(xí)這600個樣本，便可以實現(xiàn)對制冷劑過量故障的學(xué)習(xí)。該方法保證了最終模型(Model-3)較佳的診斷性能，其對DS7～DS10數(shù)據(jù)流的診斷性能穩(wěn)定在99%以上(圖4)，此時診斷模型已較好地學(xué)習(xí)到制冷劑過量故障的診斷知識，表明A-CDD-ISVM集成模型展現(xiàn)出較佳的自適應(yīng)學(xué)習(xí)效果。

5 結(jié)論

為解決因在線數(shù)據(jù)流發(fā)生概念漂移而導(dǎo)致診斷模型診斷性能下降或波動等情況，本文針對制冷系統(tǒng)實際運行中可能出現(xiàn)新故障的情況設(shè)計了一種基于正確率檢測的概念漂移機制(A-CDD)與支持向量機增量學(xué)習(xí)(ISVM)相結(jié)合的集成模型，并以新故障為制冷劑過量故障為例進行研究。經(jīng)模擬實驗，得到如下結(jié)論：

1)通過A-CDD方法共檢測3次概念漂移，診斷模型更新3次，從而減少樣本學(xué)習(xí)數(shù)量和模型更新頻率。即1 400個制冷劑過量故障數(shù)據(jù)中，模型只需學(xué)習(xí)600個樣本，后通過ISVM方法進一步學(xué)習(xí)這600個樣本，便可以實現(xiàn)對制冷劑過量故障的學(xué)習(xí)。最終模型(Model-3)具有較佳的診斷性能，正確率高達99%，測試正確率隨模型的更新而逐漸提高，從66%增至97.67%。

2)相較于經(jīng)典SVM更新診斷模型，ISVM算法更新模型時，進行保留先驗知識的選擇性學(xué)習(xí)，大量節(jié)省訓(xùn)練時間，具有較大優(yōu)勢。尤其當(dāng)只需要增量學(xué)習(xí)一次時，如對數(shù)據(jù)流DS4、DS7學(xué)習(xí)，僅增量學(xué)習(xí)一次訓(xùn)練正確率即可達99%，可實現(xiàn)高效、快速、準(zhǔn)確地再學(xué)習(xí)，自適應(yīng)性能優(yōu)良。

3)當(dāng)制冷系統(tǒng)出現(xiàn)新的故障種類時，A-CDD-ISVM集成模型可實現(xiàn)對新故障的有效學(xué)習(xí)與診斷，且保證較佳的診斷性能。隨著學(xué)習(xí)的深入，診斷性能提升。該算法通過基于正確率閾值的概念漂移檢測機制與基于支持向量機增量學(xué)習(xí)的診斷模型更新相結(jié)合，兩次優(yōu)化過濾數(shù)據(jù)流信息，從而凝練并提取未知信息，可實現(xiàn)更加快速高效的診斷模型更新，適應(yīng)新環(huán)境，在制冷系統(tǒng)故障的在線診斷及自我學(xué)習(xí)上具有較大優(yōu)勢。