基于离散型Hopfield神经网络的制冷剂充注量故障诊断的新策略

2018-09-04寻惟德李绍斌谭泽汉陈焕新郭亚宾袁玥

制冷技术 2018年3期

寻惟德，李绍斌，谭泽汉，陈焕新*，郭亚宾，袁玥

（1-华中科技大学能源与动力工程学院，湖北武汉 430074；2-空调设备及系统运行节能国家重点实验室，广东珠海 517907；3-华中科技大学中欧清洁与可再生新能源学院，湖北武汉 430074）

0 引言

随着空调设备与技术的提升与更新，空调系统内部构造越来越复杂，所需要的设备与种类数量日益增多，各类故障也不胜枚举[1]。由于设计与安装工艺中存在的问题，以及制冷剂充注过程中的偏差，将导致制冷剂充注量不足或过量。而制冷剂作为制冷系统内部重要的传热介质，其充注量将影响系统内部的阻力特性和换热特性，并将最终影响系统的制冷循环性能[2]。根据公共利益能源研究（Public Interest Energy Research）项目中一份对75个建筑物和215个屋顶单元机组的报告提到[3]：46%的机组存在有制冷剂充注量不足或过量的故障。据研究显示，整体式空调中制冷剂不足将导致能耗增加15%，制冷系数（Coefficient of Performance，COP）降低5.0%[4-6]。考虑到制冷剂充注量故障在制冷循环系统中的普遍性与重要性[7]，在系统的实际运行过程中，需要及时发现并检测出故障的存在，且可以准确定位故障并将其去除。由于该类故障与制冷系统工作状态之间呈现为复杂的非线性关系，传统方法较难给出一个准确且灵敏的诊断模型。在当今大数据潮流下，找到一种行之有效、准确度高、反应灵敏且足够及时的故障检测及诊断的策略，已成为学术界及工业界普遍关注的热点[8]。

目前大多研究都是利用计算机高速运算的性能，基于数据驱动的方式，运用算法建立相关故障诊断及检测模型[9]，对机组的运行数据进行分析运算，从而判别其是否偏离正常运行工况。在基于数据驱动进行制冷剂故障诊断的研究中，LIU等[10]利用主元分析（Principal Component Analysis，PCA）和指数加权移动平均值（Exponentially Weighted Moving- Average，EWMA）结合对VRF系统进行制冷剂充注量故障诊断，在故障严重程度较低的情况下可以得到很好的故障诊断性能；SUN等[11]将支持向量机（Support Vector Machine，SVM）与小波去噪（Wavelet Denoise，WD）以及最大相关最小冗余算法（mRMR）相结合，建立混淆制冷剂充注量故障诊断模型，获得良好的故障诊断性能；王江宇等[12]将PCA和决策树（Decision Tree，DT）结合建立诊断模型，获得的检测与诊断效果整体上优于DT算法。除此之外，由于神经网络具有较强的非线性映射能力，在故障诊断领域的应用也正逐渐广泛。SHI等[13]将贝叶斯神经网络（Bayesian Neural Network，BNN）与分类算法相结合，SUN等[14]采用独立元分析（Independent Component Algorithm，ICA）与反馈神经网络（Back-Propagation Neural Network，BPNN）结合建立相应模型，均降低了原始数据的维度，并获得了较好的诊断效果。尽管目前已有诸多研究，但在公开文献中尚未有研究将离散型Hopfield神经网络应用于制冷剂充注量故障诊断之中。

本文试图寻求一种新式的故障诊断策略，为制冷剂充注故障建立一种新型的诊断模型，提供其他的可能性。故利用某多联机性能测试实验中收集的数据，提出采用离散型Hopfield神经网络（Discrete Hopfield Neural Network，DHNN）[15-17]对制冷剂充注故障进行诊断的新策略，从而解决传统方法故障诊断率偏低的问题，通过对建立的模型进行测试，结果证明该算法具有较好的检测与诊断结果。

1 离散型Hopfield神经网络模型

上个世纪80年代，物理学教授Hopfield在他发表的论文中提出了Hopfield神经网络理论，若是按照网络中信息流将其划分，它被称作是一种典型的单层反馈神经网络，因为它对输入信号与输出信号之间的延迟时间有所考虑，故可以由非线性常微分方程（连续型）或差分方程（离散型）描述其网络结构。而离散型Hopfield神经网络因其网络结构和激活函数的设置，具备有联想记忆功能、信息的非线性映射功能以及分类与识别功能，已被广泛应用于内容寻址存储器（Content Addressed Memory Device，CAM）领域。

1.1 网络结构

离散型Hopfield神经网络（DHNN）是一种单层输入输出的二值型神经网络，以3个神经元构成的DHNN网络结构模型为例，如图1所示，设置有两层神经元，但是只有第1层神经元是实际神经元，读入第0层的输入信号，经过加权累积求和，再通过激活sgn函数的判别，向外输出信号，进行下一步循环，直至网络达到稳态。

设样本观测数据的某一观测值为x=（x1，x2，……，xn），DHNN的神经元节点状态为1或-1，1表示该处神经元被激活，-1表示神经元受到抑制。hi(t) 是神经元i在t时刻输入加权累积量，计算方式如式(1)所示，xi(t) 表示t时刻神经元i的自身状态，uij是神经元i与神经元j之间的连接权重，θi为神经元i的阈值，则神经元i接下来的状态xi(t+1)的计算方式如式(2)所示。

令oi(t)为神经元i在时刻t的输出值，网络将oi(t)反馈到输入端，成为下一时刻神经元i的输入值，从而得到下一时刻网络的输出值oi(t+1)，如式(3)所示。网络按照式(3)所示计算方法进行一定次数的迭代后，网络将收敛至稳态，此时网络的输出值应与上一时刻输出值相同，即式(5)所示。

图1 离散型hopfield神经网络结构

1.2 模型评价

为了有效合理地评估DHNN的诊断性能，研究中采用了两种不同标准的评价模式，包括总体故障诊断率（Overall Correct Diagnosis Ratio）和个体故障诊断率（Single Correctly Diagnosis Ratio），分别用CR和HR表示。CR是指诊断正确的样本数量与全部样本数量的比值，HR是指每一个类别之中诊断正确的样本数量与该类样本实际数量的比值。表1是3类制冷剂充注量故障诊断情况的混淆矩阵。以实际类别为充注量正常为例，CL11表示充注量正常的样本被诊断为正常的样本数量，即诊断正确的样本数量，而ML12和ML13表示的是充注量正常的样本被诊断为过量和不足的样本数量，即诊断错误的样本数量。故对于上文所提到的CR可由式(6)计算，HR可以细分为HR1（正常充注量的故障诊断率）、HR2（充注过量的故障诊断率）、HR3（充注不足的故障检测率），如式(7)～(9)所示。

表1 3类制冷剂充注量故障诊断情况的混淆矩阵

2 基于DHNN的多联机制冷剂充注量故障诊断

基于DHNN算法进行多联机的制冷剂充注量故障诊断，主要是数据预处理、训练建模和故障诊断三个部分，其流程如图2所示。数据预处理是通过对样本数据进行二值化处理，从而消除各特征变量之间的量纲差异性，提升网络的运行性能与收敛性能。训练建模是通过随机抽取部分历史数据作为DHNN的训练集输入，建立DHNN模型。故障诊断是利用所得到的DHNN模型，对测试数据集进行故障的诊断与检测。

图2 基于DHNN的故障诊断流程图

2.1 数据采集

实验数据来源于某项关于制冷剂充注量对多联机性能影响的实验。该多联机系统包括有1台室外机和5台室内机，详情参见LI[18]的研究。

本次实验中共引入9种不同的制冷剂充注量水平，如表2所示，将充注量不足的故障设置为标准充注量的63%～80%，充注量过量的故障设置为标准充注量的120%～130%。多联机的实验工况是处于制冷模式下，室外环境温度为20 ℃～42 ℃。

表2 制冷剂充注量水平

在多联机的控制系统中，采取了间隔时间为15 s记录一次，记录在当前热工况模式下的所有传感器及控制器数据，每一项工况的测试至少持续45 min，并利用数据采集系统对试验中的所有数据进行收集整理，并从中选取含有18个变量的部分数据。表3为建模所用的特征变量，其中所示目标运行能力（Toa）是机组在该工况下理论提供的制冷能力，与本机分配能力（Aay）关系如式(10)所示：

表4所示为部分实验数据样例。

表3 特征变量

表4 多联机制冷剂充注量实验数据样例（部分）

2.2 数据预处理

多联机实际的运行数据测量点较多，数据类别较为繁杂。一方面，种类多样化使得各变量数据之间的量纲差异性较大，直接输入DHNN中会降低网络的运行性能和收敛性能。另一方面，DHNN自身的网络结构要求其输入向量中的数值必须符合二值化的特征，即输入向量中的任意数据元素为1或-1。因此建模前，应对数据进行二值化处理，将数据元素转换为神经元对应的状态。具体编码规则如下：

1）通过对输入向量进行标签识别，将3种状态下的数据分类汇总；

2）分别求取各状态所包含的数据集中各元素的平均值作为理想值，即网络平衡点；

3）比较某个特征变量的数值与3种状态的理想值之间的绝对值距离，将距离最小的对应的神经元状态设为1，否则为-1。

根据上述编码规则得到3种状态下标准型模式的矩阵编码如式(11)～(13)所示，其中class1为制冷剂充注量正常，class2为制冷剂充注过量，class3为制冷剂充注不足。将这3类状态的矩阵编码进行可视化表达，利用“●”表示1，而用“○”表示-1，从而得到DHNN故障诊断模型中的3种状态的标准型模式如图3所示。