A machine learning bayesian network for refrigerant charge faults of variable refrigerant flow air conditioning system

در این مطالعه یک شبکه تشخیص خطای هوشمند برای سیستم تهویه مطبوع جریان مبرد منفرد پیشنهاد شده است. این شبکه تحت پایه ای از نظریه شبکه اعتقادات بیزی است که شامل دو عنصر اصلی است: ساختار و پارامترها. ساختار به دست آمده از یادگیری ماشین و تجربیات کارشناسان روابط بین گسل ها و متغیرهای فیزیکی را از پیش بینی کیفی نشان می دهد و پارامترهای آن (از جمله توزیع احتمالی پیشین و توزیع مشروط) عدم قطعیت را بین آنها به صورت کمی تعریف می کنند. هنگامی که ساختار و پارامترها مشخص می شود، توزیع احتمال خلفی که می تواند برای تکمیل تشخیص و جداسازی خطا استفاده شود، توسط برخی الگوریتم ها محاسبه می شود. در مقایسه با سایر روشهای تشخیص خطا، رویکرد پیشنهادی می تواند به طور کامل از اطلاعات عملکرد استفاده کند. علاوه بر این، منطقی تر و دقیق تر است که ارتباط بین گسل ها و متغیرها را به جای متغیرهای بولی بیان کنیم. ارزیابی بر روی یک سیستم تهویه مطبوع جریان مبرد منفی انجام شد که نشان داد که این استراتژی موثر و کارآمد است.