基于改进BT-SVM的空调加热器单元传感器故障识别

2019-07-17鲁业明

仪表技术与传感器 2019年6期

李佳，汪辉，鲁业明

(1.中国民航大学信息网络中心，天津 300300；2.中国人民解放军陆军工程大学训练基地，江苏徐州 221000； 3.大连理工大学能源与动力学院，辽宁大连 116000)

0 引言

传感器作为空调表冷器单元的“电五官”，其运行状态直接关系到系统可控参数的准确性和可靠性。空调表冷器单元发生故障属于小概率事件，现场采集和存储的故障数据非常有限，所以需要在有限样本的条件下进行空调表冷器单元传感器故障模式识别。传统的模式识别方法大多建立在大样本的基础上，而其在有限样本情况下的故障识别精度很差，例如神经网络方法[1,2]。支持向量机(support vector machine，SVM)可以在有限样本条件下，兼顾模型的复杂性和学习能力而找到最优点，从而使其推广性能达到最强[3-5]。因此，本文从小样本的角度出发，分析传统多分类支持向量机的优缺点，在“二叉树”支持向量机(BT-SVM)方法的基础上，试图建立一种基于改进BT-SVM的故障模式识别模型，并以加热器控制单元为对象，进行故障识别实验验证。

1 空调加热器控制单元

1.1 加热器控制单元结构

电加热器控制单元的基本结构如图1所示，以转轮除湿机电加热器为例，转轮再生风进入电加热器，被加热之后送向下一个环节。这个环节有3个传感器分别用于采集转轮再生进风温度、转轮加热器温度以及转轮再生排风温度。虽然空调系统内不同加热器的加热效果不尽相同，但基本工作流程可按图1流程来描述[6]。

图1 加热器结构

1.2 加热器控制单元传感器故障类型

针对偏置故障、漂移故障、精度下降、完全故障问题，已存在模拟量传感器故障的多种分类方法[6-7]。常见的传感器故障问题中往往会伴随着随机误差和系统误差，所以测量值可以表示成真实值、随机误差以及系统误差之和，即：

x=x′+f+vx

(1)

式中：x为测量值；x′为真实值；f为系统误差；vx为随机误差。

那么偏置故障、漂移故障、精度下降故障和完全故障分别表示为：

x1=x′+C1+vx

(2)

x2=x′+d(t-t0)+vx

(3)

(4)

x4=C2

(5)

基于上述量化方法，在将正常数据也当成某一故障的情况下，空调电加热器控制单元传感器故障类型可以分为5种，即正常数据、偏置故障、漂移故障、精度下降故障和完全故障。

2 基于改进BT-SVM的传感器故障模式识别模型

2.1 加热器控制单元传感器故障类型

虽然BT-SVM算法对于故障知识库中的故障模式识别是非常有效的，但是对于故障知识库意外的未知故障，BT-SVM就显得较为束手无策。因此，在传统BT-SVM方法的基础上，尝试加以改进，并提出一种动态故障知识库的方法，使得改进后的BT-SVM方法可以识别任何未知故障，其原理如图2所示。

图2 改进的BT-SVM算法

动态故障知识库的获取大致可分为2步：

第一步是对知识库以外的未知故障进行识别。传统BT-SVM方法使用(n-1)个二分类器识别出n个故障类型。这里假设未知故障为第(n+1)类故障，所以要想识别出所有故障，就得在原有基础上再构建出一个新的二分类器，用于识别第n类故障和未知故障。

第二步是将识别出来的未知故障加入到原有的故障知识库中，作为第(n+1)类已知故障，用于识别以后此类故障以及其他未知故障。如果还识别出其他未知故障，同样加入到故障知识库中，这样即可不断地丰富故障知识库。

2.2 基于改进的BT-SVM传感器故障识别模型

对于加热器控制单元传感器中经常出现的典型故障(偏置故障、漂移故障和精度下降故障)，建立基于改进BT-SVM的方法进行故障模式识别，下面介绍具体步骤。

2.2.1 训练与测试样本

将收集到的加热器控制单元传感器的数据按照一定的原则分成2个部分：训练样本和测试样本。其中训练样本又分为n个训练样本，分别用来训练个分类器。

2.2.2 数据预处理

为了使得SVM的识别效果更好，接着对构建好的训练样本和测试样本的数据做归一化和降噪处理。本文采用MATLAB软件自带的归一化函数mapminmax和小波降噪方法对数据进行预处理。

2.2.3 离线构建二分类器

先将加热器控制单元传感器容易出现的故障类型排序：正常工况、偏置故障、漂移故障、完全故障、精度下降故障。然后用每个故障对应的训练样本去训练各自的分类器，训练情况如表1所示。

表1 分类器训练准则

2.2.4 在线识别

对在线采集的数据进行数据的预处理，如图3所示，将处理后的数据作为待测样本送到已经训练好的各类分类器中进行测试，按照改进BT-SVM的识别原则逐级测试，直到识别出故障类型，输出结果就是该测试样本的故障类型。如果故障被识别出是新的故障类型，就将其加入到故障库中，再构建新的二分类器，用于以后识别这种类型的故障，以及其他未知故障的识别。

图3 基于改进BT-SVM的整流罩空调系统传感器故障识别

3 基于改进BT-SVM的传感器故障模式识别模型

由于空调加热器控制单元传感器可能出现的故障有偏置故障、精度下降故障、漂移故障、完全故障4种，其中偏置故障、漂移故障和精度下降故障为典型的故障[7]。因此，将正常工况、偏置故障、漂移故障以及完全故障作为已知故障加入到故障知识库中，可用其来检验基于改进BT-SVM的传感器故障识别方法的识别效果；将精度下降故障作为未知故障，用以检验改进BT-SVM的传感器故障识别方法的识别未知故障的能力。

3.1 训练样本

考虑到加热器控制单元容易出现的偏置和精度下降两种典型故障，分别采集7月份转轮除湿机电加热控制单元正常工况、偏置故障、精度下降、漂移故障及完全故障的数据各150组，如图4所示。

(a)正常工况

(b)偏置工况

(c)漂移工况

(d)完全故障工况

(e)精度下降工况

3.2 构建二分类器

用图3所示的方法训练样本去训练各自的二分类器，得到SVM1～SVM5所组成的如表2所示的分类结果。

表2 各分类器分类结果

3.3 库内故障识别

采集发生故障后的故障数据300组，将其定义为待测数据1，作为输入，使用改进BT-SVM的故障识别方法进行故障识别，得到的故障识别结果，如图5所示。由图5可以知道，该待测数据只有3%的可能属于正常工况，25.5%的可能为偏置故障，100%属于漂移故障，不可能属于完全故障。因此，故障识别的结果是采集转轮再生进风温度的传感器出现了漂移故障。

3.4 库外故障识别

应用上述方法，同样采集出现故障后的数据300组，将其定义为待测数据2，作为输入，使用改进BT-SVM的故障识别方法进行故障识别，得到如图6所示的故障识别结果。由图6可以知道，待测数据2属于正常工况的可能为15.5%，属于偏置故障的可能为6%，基本上不属于漂移故障和完全故障，所以该故障属于故障知识库以外的未知故障。然后将待测数据2的故障数据输入训练好的SVM5中，得到的识别结果，如图7所示。