Document IIF
Méthode de détection de la charge en frigorigène d’un système de conditionnement d’air à débit de frigorigène variable (VRF) utilisant l’apprentissage par empilement d’ensembles.
A variable refrigerant flow (VRF) air-conditioning system refrigerant charge detection method using stacking ensemble learning.
Résumé
This paper proposes a stacking ensemble learning method to detect the refrigerant charge fault of the variable refrigerant flow (VRF) air conditioning system. Firstly, measurement data is collected from the refrigerant charge fault experiment of a VRF system performed in an enthalpy difference laboratory. Several features are selected based on different criteria after preprocessing the measurement data and importance analysis. To prevent overfitting, no duplicate dataset is created. Then, five classification models have been used in this paper as follows: Support Vector Machine (SVM), Gradient Boosting Machine (GBM), Random Forest (RF), Multi-layer Perceptron (MLP), and K-Nearest Neighbors (KNN). After several parameter optimizations, these models demonstrate accuracy between 84.71% to 91.58%. Finally, different stacking ensemble learning methods integrate these models, achieving the test set's best accuracy rate (96.66%).
Documents disponibles
Format PDF
Pages : 14
Disponible
Prix public
20 €
Prix membre*
Gratuit
* meilleur tarif applicable selon le type d'adhésion (voir le détail des avantages des adhésions individuelles et collectives)
Détails
- Titre original : A variable refrigerant flow (VRF) air-conditioning system refrigerant charge detection method using stacking ensemble learning.
- Identifiant de la fiche : 30031850
- Langues : Anglais
- Sujet : Technologie
- Source : Proceedings of the 26th IIR International Congress of Refrigeration: Paris , France, August 21-25, 2023.
- Date d'édition : 21/08/2023
- DOI : http://dx.doi.org/10.18462/iir.icr.2023.0936
Liens
Voir d'autres communications du même compte rendu (491)
Voir le compte rendu de la conférence
-
Development of a remote refrigerant leakage det...
- Auteurs : KIMURA S., MORIWAKI M., YOSHIMI M., YAMADA S., HIKAWA T., KASAHARA S.
- Date : 10/07/2022
- Langues : Anglais
- Source : 2022 Purdue Conferences. 19th International Refrigeration and Air-Conditioning Conference at Purdue.
- Formats : PDF
Voir la fiche
-
Application of machine learning classification ...
- Auteurs : EBRAHIMIFAKHAR A., YUILL D., KABIRIKOPAEI A.
- Date : 05/2021
- Langues : Anglais
- Source : 2021 Purdue Conferences. 18th International Refrigeration and Air-Conditioning Conference at Purdue.
- Formats : PDF
Voir la fiche
-
Research on fault diagnosis strategy of air-con...
- Auteurs : MA Q., YUE C., YU M., SONG Y., CUI P., YU Y.
- Date : 02/2024
- Langues : Anglais
- Source : International Journal of Refrigeration - Revue Internationale du Froid - vol. 158
- Formats : PDF
Voir la fiche
-
Deep learning-based refrigerant charge fault de...
- Auteurs : EOM Y. H., HONG S. B., YOO J. W., KIM M. S.
- Date : 31/08/2021
- Langues : Anglais
- Source : 13th IEA Heat Pump Conference 2021: Heat Pumps – Mission for the Green World. Conference proceedings [full papers]
- Formats : PDF
Voir la fiche
-
A comprehensive review: Fault detection, diagno...
- Auteurs : SINGH V., MATHUR J., BHATIA A.
- Date : 12/2022
- Langues : Anglais
- Source : International Journal of Refrigeration - Revue Internationale du Froid - vol. 144
- Formats : PDF
Voir la fiche