面向CO2制冷系统的故障检测提升：基于树模型的最优传感器选择与鲁棒性分析
系统与控制
2025-03-25 v1 系统与控制
摘要
本研究聚焦于CO2制冷系统（CO2-RS）在超市场景中的数据驱动故障检测与诊断（FDD）模型的可靠性与鲁棒性，重点考量最优传感器选择及其对传感器噪声的抗性。运用树基机器学习算法——随机森林（RF）、XGBoost、CatBoost和LightGBM——我们开发了用于CO2-RS的故障检测模型，以分类六类常见故障。递归特征添加（RFA）方法识别了最优传感器集合：RF仅需四个传感器即可达到99%的F1分数，XGBoost需七个，CatBoost和LightGBM各需五个。冷凝器侧传感器始终排名位于关键位置。通过在最重要的传感器上注入信噪比（SNR）为3 dB的加性白高斯噪声（AWGN）来评估鲁棒性，结果显示XGBoost在85.24%时表现最佳，随后是CatBoost（57.07%）、LightGBM（49.1%）和RF（49.46%）。在高SNR（10 dB）、低SNR（0 dB）及传感器故障情景下的灵敏度分析揭示，XGBoost的鲁棒性在90.23%达到峰值，并在故障情况下保持79%，而其他模型则呈现更尖锐的下降趋势。这些发现凸显了传感器数量、成本与可靠性之间的权衡，较大的集成可提升噪声鲁棒性。本工作填补了FDD文献中的空白，整合了传感器优化与全面鲁棒性分析，为提高CO2-RS的能源效率和故障管理提供了实用框架。未来工作可探索自适应SNR阈值和冗余传感器配置，以提升实际应用的可行性。
引用
@article{arxiv.2503.17694,
title = {Enhancing Fault Detection in CO2 Refrigeration Systems: Optimal Sensor Selection and Robustness Analysis Using Tree-Based Machine Learning},
author = {Masoud Kishani Farahani and Morteza Kolivandi and Abbas Rajabi Ghahnavieh and Mohammad Talaei},
journal= {arXiv preprint arXiv:2503.17694},
year = {2025}
}