压缩机工作状态监测及故障预警系统设计开题报告

全文总字数：1664字

1. 研究目的与意义

（1）研究的目的课题的目的是通过两次数据处理将不直观的数据通过多机器学习，分类成不同的特征状态，与收集数据的压缩机实际运行状态相匹配，从而实现压缩机状态的判断与预测压缩机即将发生的故障，大大降低运行时发生故障的损失。

（2）研究的意义压缩机被看成是制冷系统的心脏，最能表现压缩机特征的专用名词称为蒸气泵，压缩机实际所承担的职责是提升压力，将吸气压力状态提高到排气压力状态，压缩机的稳定运行对于整个系统而言至关重要。

通过对压缩机安装各种传感器可实时收集精确的压缩机运行数据，可以完成远程监控和后期回溯。

2. 国内外研究现状分析

在实际收集的压缩机数据上体现了几大特征：高维数据，数据微差。

高维数据指数据的维度很高，甚至远大于样本量的个数。

高维数据的明显的表现是：在空间中数据是非常稀疏的，与空间的维数相比样本量总是显得非常少。

3. 研究的基本内容与计划

（1）研究内容1. 利用Lasso回归数据降维与主成分分析方法提取特征；2. 利用SVM特征分类算法；3. 结合实际运行情况对算法惊醒具体调整以达到期望准确度； （2）研究计划（1）2017.1.13-2017.3.20 查阅相关文献、基础书籍，了解课题的意义和研究现状，完成开题报告与文献综述；（2）2017.3.21-2017.4.10 学习Lasso回归与主成分分析方法；（3）2017.4.11-2017.4.30 熟悉SVM特征分类算法；（4）2017.5.1-2017.5.10结合实际数据分析算法算子适用性 ；（5）2017.5.11-2017.5.20整理文件，完成初稿；（6）2017.5.21-2017.5.25 修改并定稿 ；（7）2017.5.26-2017.5.30 答辩准备。

4. 研究创新点

（1）特色1. 利用Github在VS平台上开发，技术新颖；2. 可以实现实时多用户交互，可在服务器端运行。

（2）创新本次课题侧重于对模式识别算法进行研究，分析现有的算法，实现包括数据降维、特征提取、特征匹配的算法，并且结合多年同类机型运行的数据进行故障预测。