基于平行粒子群优化-反向传播神经网络模型的空调系统故障诊断方法

2021-10-30张帅叶琳丁之劼茅一峰陈志杰晋欣桥杜志敏

制冷技术 2021年4期

张帅，叶琳，丁之劼，茅一峰，陈志杰，晋欣桥，杜志敏*

（1-上海交通大学制冷与低温工程研究所，上海 200240；2-中国船舶重工集团公司第七〇四研究所，上海200031）

0 引言

空调系统的故障会增大空调系统的能耗，降低运行效率，同时增加维修费用。因此对空调系统的运行状态进行合理且准确评估，对系统故障进行识别和诊断，是十分有必要的。ROTH 等[1]研究发现，解决家用空调中的故障会减少5%～20%的能耗。空调系统的故障诊断方向无疑可以带来巨大的经济效益和能源节约。

20世纪90年代初，在国际能源组织的引领下，一批故障诊断的方法陆续被提出。ROSSI 等[2]利用测量得到的温湿度，结合数学中的统计规律，建立了基于规则的故障诊断方法。BREUKER 等[3-5]对ROSSI 等[2]的故障诊断方法进行了评估，并针对屋顶机空调系统进行了更为深入的研究。进入20世纪以来，XIAO 等[6]分析了不同故障指标对故障的敏感度，改进了诊断规则，提高了诊断正确率。以上研究由于不同故障间的相互干扰，部分故障的诊断正确率无法令人满意。为提高单个故障的诊断正确率，一些基于数学模型虚拟传感器[7]被运用于故障的解耦以及诊断中，如虚拟充注量传感器模型等。

随着机器学习的兴起，空调系统的故障诊断与机器学习算法的结合越来越紧密。丁新磊等[8]提出了一种利用已知类型的故障数据建立的神经网络，可有效诊断未知故障。王路瑶等[9]建立了基于长短期记忆神经网络的诊断方法，可诊断数据中心中的传感器故障。吴斌等[10]基于随机森林算法建立了屋顶机空调系统的故障诊断方法，在3 个不同的屋顶机系统中证明了该方法的有效性。

然而现阶段应用于故障诊断领域的机器学习算法存在着一定的问题。以神经网络为例，很多研究采用一个神经网络诊断多种故障，即用同一组输入特征量来区分不同的故障类型。而同一特征量对不同故障的敏感度是不同的，对某一类故障不敏感的输入特征量可能会降低该故障的诊断正确率。

本文提出了由多个平行的误差反向传播神经网络（Back Propagation Neural Network，BPNN）组成的诊断模型，每一个神经网络分别用来诊断一类故障，其输入特征量的选取由相关性分析得出，是与该类故障相关度最高的特征量。另外，神经网络的参数需要进行优化调整，本文采用的算法是粒子群优化算法（Particle Swarm Optimization，PSO）。数据表明本文提出的PSO-BPNN 方法较传统的BP神经网络可有效提高诊断正确率。

1 研究对象及测点布置

目前，分体式定频空调被广泛应用在了家居生活中。本文的研究对象是一台额定制冷量为8.8 kW的分体式定频空调。其组成部分包括翅片式蒸发器、冷凝器、热力膨胀阀以及涡旋式压缩机。以该设备为基础，本文开展了大量的故障和无故障（NoF）条件下的模拟实验。本文所研究的故障类型包括蒸发器结垢（EF）、冷凝器结垢（CF），压缩机阀泄漏（CMF）以及液管阻力增大（LL），所有的实验都是在焓差室内完成。

实验测点的布置如图1所示。首先看风侧的测点布置，实验系统在蒸发器和冷凝器的送风侧以及回风侧都布置有干球温度测点，干球温度的测值是多个T 型热电偶的测值取平均所得。在蒸发器侧，还布置了湿球温度测点，这是因为蒸发温度比较低，表面容易出现水蒸气冷凝的现象。

图1 系统测点布置

而在制冷剂侧，每个部件的入口和出口都布置有压力传感器和热电偶，从而保证了制冷循环中各个节点的热力状态可求。在冷凝器和膨胀阀间的液体管路中，布置有质量流量传感器，在压缩机中则布置了功率的测点。

除上述可由传感器直接测得的物理量，实验中还通过基本的能量守恒计算得到一些间接测量量，如蒸发器换热量是由制冷剂质量流量乘以蒸发器进出口焓差为：

式中，Qevap为蒸发器换热量，kW；mr为制冷剂质量流量，kg/s；hr,evap,out为蒸发器出口比焓，kJ/kg；hr,evap,in为蒸发器入口比焓，kJ/kg；

由蒸发器换热量和压缩机功率可以计算得到性能系数（Coefficient of Performance，COP）：

2 模型输入特征量的选取

实验过程中空调设备所工作的工况范围，与实际应用中的工况范围十分接近。室外干球温度为20.95～37.75 ℃，室内干球温度为20.85～26.85 ℃，室内露点温度在0.5～16.05 ℃。包括工况参数在内，实验中直接测量以及间接测量的参数包括蒸发温度（Te）、冷凝温度（Tc）、过热度（SH）、过冷度（SC）、吸气温度（Tsuc）、吸气压力（psuc）、排气温度（Tdis）、排气压力（pdis）、蒸发器回风干球温度（Teai）、蒸发器送风干球温度（Teao）、蒸发器回风露点温度（Tdpeai）、冷凝器回风干球温度（Tcai）、冷凝器送风干球温度（Tcao）、液管温度（Tll）、液管压力（pll）、蒸发器风侧温差（dTea）、冷凝器风侧温差（dTca）、压缩机功率（Wcmp）、蒸发器换热量（Qevap）、性能系数（COP）和液管压降（dpll）。

在确定诊断模型的输入时，工况参数是必需的，需要将工况变化对其他特征量的影响考虑进来。除此之外，应尽量选择受某类故障影响大同时受工况变化影响小的特征量作为该类故障的输入特征量，根据文献[11-12]推荐，列出了一些备选指标。本文采用统计学中的皮尔逊相关系数来衡量故障与各个备选指标的相关性，计算公式为：

式中，Xi为第i组数据（共n组数据）某一特征量的大小；Yi为第i组数据某一类故障的故障等级，r为皮尔逊相关系数。皮尔逊相关系数越接近1，代表两个变量间越趋向于正相关；越接近-1，代表两个变量间越趋向于负相关。而越接近0，则表示越无关，这里皮尔逊相关系数取绝对值。图2所示为不同故障类型故障等级与各特征量相关度分析的结果。

图2 不同故障与各系统变量的相关系数

通过相关性分析，可以确定与故障相关度较高的几个系统指标，从这几个指标中，再选出与环境工况不太相关的。方法是计算每一个指标在同一故障等级不同环境工况下的最大的变化范围，并与额定值相除获得相对值，再进行排序，保留变化范围比较小的几个指标。通过以上的故障特征选取步骤，最后获得的各类故障输入特征如表1所示。

表1 不同故障的输入特征集（不含工况参数）

3 平行PSO-BPNN模型的建立

3.1 BP神经网络的介绍

BP 神经网络[13-17]是现阶段应用最为成功以及广泛的人工神经网络，在处理非线性问题时可以取得良好的效果。由于空调系统的故障诊断本质上是非线性的数学问题，因此本文采用BP 神经网络作为基础诊断模型。一个简单的神经网络的拓跋结构如图3所示。

图3 神经网络拓跋结构

完整的神经网络在结构上分为3 部分：输入层、隐含层以及输出层，其中隐含层可以不止一层。BP神经网络的核心思想是误差反向传播。训练过程中，首先在输出层计算实测值与网络预测值的偏差，然后将该偏差反向传播，分别调节输入层到隐含层、隐含层到输出层各节点的阈值和权重。在故障诊断领域，传统的神经网络的用法是单标识技术，如表2所示。这种用法下只建立一个神经网络，并采用同一套输入特征。通过输出矩阵取值的不同，判断故障是否发生以及具体的故障类别。

表2 单故障标识技术

3.2 平行BP神经网络的建立

上节指出的BP 神经网络只采用一套输入特征集，因此很难保证输入特征对每一类故障都保持高度敏感。如果某类故障的输入特征与该故障毫不相关，会混淆神经网络的训练，导致诊断正确率下降。

为了解决上述问题，本文提出了如图4所示的故障检测与诊断逻辑。根据相关性分析找到与每一类故障高度相关的特征量，再用训练数据为每一类故障单独训练一个神经网络，训练过程中采用PSO算法优化神经网络的参数；训练完毕的神经网络模型将被保存。在一组新的测试数据导入时，它会遍历每一类故障的神经网络模型，并给出相应的诊断结果（0/1），最后所有子模型的诊断结果会汇总在一起，确定该数据所对应的空调系统运行状态。如果有多类故障的神经网络同时发出故障警报，则认为预测置信度最大的警报是所发生的故障类型。

图4 基于PSO-BPNN 的空调系统诊断逻辑

3.3 PSO算法介绍

本文提出平行神经网络诊断方法本质上是设置多个神经网络故障诊断器，神经网络模型是一个回归器，而不是分类器，它的输出可以通过归一化函数限制为[0，1]区间内的连续值。但是，故障诊断的输出应是离散的0/1 输出，这就需要确定一个合理的阈值，将神经网络输出的连续值转换为离散值。大量的研究表明，BP 神经网络隐藏层的节点数会影响神经网络的表现，节点数太少会降低训练数据的准确率，甚至无法完成训练；节点数太多会增加训练时间，并降低网络的泛化能力。因此有必要对判断阈值以及隐藏层节点数进行优化。本文采用的PSO 算法[18-20]是通过模拟自然界中鱼类、鸟类的迁徙规律，提出从全局出发随机搜索的算法。

PSO 算法指的是，在一个D维空间中，有m个代表问题潜在解的粒子，每个粒子都会在其附近搜寻最佳位置，使得寻优函数最优。每个粒子可表示为xi=(xi1,xi2,……,xiD)，其具有速度vi=(vi1,vi2,……,viD)，每个粒子在搜索过程中经历过的历史最佳位置为pi=(pi1,pi2,pi3,……,piD)，在搜索过程中，整个群体所经历过的最佳位置为：pg=(pg1,pg2,pg3,……,pgD)。每个粒子具体的移动速度和位置可求解如下：

式中，c1和c2为学习因子，是个可调整的常数，本文取值为2；r1和r2为[0,1]区间内的随机数。

PSO 算法的执行流程：1）确定粒子数，初始化或者更新每一个粒子的初始位置xi和vi，并计算每个粒子对应的寻优函数值（这里指的是神经网络诊断准确率）；2）更新粒子的个体最优值和全局最优值；3）判断全局最优值是否满足结束条件。如果满足，则输出全局最优值对应的粒子位置，否则回到第一步，重复循环。

3.4 PSO算法与平行BP神经网络的结合

通过采用PSO 算法作为优化算法，对神经网络进行优化，寻找合适的输出判断阈值以及隐藏层节点数，本文所提出的平行PSO-BPNN 算法训练流程如图5所示。

图5 PSO-BPNN 模型训练流程

当PSO 算法找到使得准确率满足要求的判断阈值和隐藏层节点数时，训练流程中止，训练好的BP 神经网络保存并可按照图4所示的诊断逻辑对测试数据进行诊断。

4 实验数据验证

为了测试本文所提出的平行PSO-BPNN 模型故障诊断的效果，本文将故障和无故障的实验数据，随机分出70%用作训练数据，另外30%用作测试数据；同时，将传统的单BPNN 模型作为对照组，用相同的数据进行训练和测试。单BPNN 模型的输入包括了三个工况参数：室外干球温度，室内干球温度和室内露点温度，以及7 个热力参数，包括蒸发温度（Te）、冷凝温度（Tc）、过热度（SH）、过冷度（SC）、蒸发器风侧温差（dTea）、冷凝器风侧温差（dTca）和排气温度（Tdis）。输出如表2所示的1×5 的矩阵。为了方便评估平行PSO-BPNN 模型和BPNN 模型故障诊断表现的好坏，设置了3 个故障指标，分别是正确率、漏报警率和误报警率。正确率指的是正确诊断故障类型的样本数所占的比例，漏报警率指的是实际为该故障、却认定为无故障的样本数所占的比例，误报警率指的是实际不是该故障、却被错误诊断为该故障的样本数所占的比例。平行PSO-BPNN 模型和单BPNN 模型具体的故障诊断表现对比如表3 和图6所示。

图6 平行PSO-BPNN 与单BPNN 模型诊断正确率对比

表3 数据验证结果

由表3 可知，PSO-BPNN 模型的诊断正确率要明显高于单BPNN 模型，平均提高了6.85%，最高更是提高了8.57%。由图6 可知，提高最为明显的故障类型是蒸发器结垢故障（EF）和液管阻力增大故障（LL）。实际上，这两类故障诊断准确率的提高都和本文提出的“定制”输入特征有关。在蒸发器结垢故障中，PSO-BPNN 模型相较于单BPNN 模型增加了蒸发器换热量作为输入，而蒸发器结垢最直接的影响就是蒸发器换热系数的降低，及其带来的蒸发器换热量的降低。因此，该故障诊断正确率的提高也就不足为奇。对于液管阻力增大故障，增加了液管压降作为输入特征，这也是直接和故障相关的特征量，因此可以大幅提高故障诊断正确率；由PSO 算法带来的神经网络参数的优化，也是造成诊断正确率上升的原因。表3 的结果显示，本文所提出的PSO-BPNN 模型较传统的诊断模型，正确率明显提升。