变风量空调阀门卡死故障检测阈值在线训练策略

杨思钰，杨学宾，李鑫海，王 吉

(1.东华大学 环境科学与工程学院, 上海 201620;2.中国舰船研究设计中心 上海分部, 上海 201108)

暖通空调系统中25%～50%的能耗是由故障引起的,精确的故障检测与诊断(fault detection diagnosis,FDD)技术可节省的能耗约为空调总能耗的10%～40%[1]。基于专家规则的故障检测方法需要给定阈值,且过高的阈值可能延迟甚至无法检测出故障,而过低的阈值则容易导致较高的故障误报率。根据专家经验选取的固定阈值,通常依赖专家的经验判断,针对新型或使用范围较小而缺少专家经验积累的空调系统可能并不适用。此外,随着空调系统运行时间的推移,基于专家经验的判定阈值的故障检测率也会随之降低。在获取运行数据有限时,根据专家经验获取阈值具备一定的优势,但是,随着网络技术和人工智能技术在空调系统中的应用,实际系统采集和存储的数据越来越多,采用数据挖掘的方法分析这些数据,可以提取具体空调系统的运行性能特征。例如,基于某种已有空调系统成功运行的专家经验,采用专家规则检测故障时,可以分析无故障运行数据获取阈值,以提高基于规则的故障检测方法的准确性。

国内外学者针对依据专家经验的阈值进行了大量的研究。House等[2]提出了用于空气处理机组(air handling unit, AHU)故障检测的专家规则集,通过咨询暖通空调专家选取阈值,并使用现场数据与仿真技术验证规则的有效性及阈值的合理性。Schein等[3]提出AHU性能评估规则,通过启发式的方法确定规则中的阈值。Wang等[4]提出26条空调系统性能及能量相关的专家规则,使用半年的无故障历史运行数据训练阈值,有效检测出AHU的22种故障。Zhao等[5]采用贝叶斯网络的方法诊断AHU故障,其中阈值的选取参考NIST 6964[6]。Dey等[7]开发一种基于贝叶斯信念网络的故障诊断工具,模拟专家的诊断思路,其中规则中的阈值根据NIST[8]确定。部分空调FDD相关研究中的专家规则阈值统计如表1所示。

表1 部分研究中的专家规则阈值统计Table 1 Rule-based thresholds statistics in some studies

此外,在自适应的动态阈值方面也有学者做了大量的研究。Cui等[12]提出一种用于离心式冷水机组FDD的在线自适应阈值策略,从楼宇管理系统的中央服务器中检索空调冷却器的运行数据,采用在线自适应方案来确定故障检测阈值。Wang等[13]将测量值和估计值之间的残差与自适应阈值比较,以检测空调系统的异常。Wang等[14]通过局域网在线采集空调系统实时运行数据, 提出一种在线自适应方法以估算随系统变化的阈值。Gao等[15]采用在线自适应阈值,来减轻参考模型的拟合不确定性及测量不确定性对阈值的影响。Zhou等[16]使用训练数据和监测数据确定在线自适应阈值,用以判断性能指标的估计值与计算值或监测值之间的残差是否在正常工作范围内。以上在线阈值估计方案需在特定操作条件下,利用性能指标的数学公式评估建模误差和测量误差,进而得出自适应阈值。该方法在实际工程中实施较为困难,且在适用条件上也存在一定的局限性。因此需进一步将数据挖掘应用于阈值的确定上,空调系统只需要提供运行数据,即可训练出合适的阈值,这对于提高基于规则方法的故障检测率,具有极其重要的研究意义。

本文采用一种变风量空调在线阈值训练策略,以送风机功率和冷冻水流量相关规则为例,训练3种置信度下基于规则的故障检测用阈值,并将训练的阈值用于实际变风量空调故障测试及无故障测试,对该阈值训练方法进行验证。

1 在线训练策略

1.1 在线数据采集

在线数据采集流程如图1所示。由图1可知,传感器测量空调设备的运行数据,通过控制器将信号传输到物联网网关,网关通过无线网络将数据发送至云服务器,因此云服务器中存储着大量实时运行数据。云组态为工业物联网平台的数据展示终端形式之一,通过一种组态软件,在线读取云服务器中空调系统实时运行的数据[17]。

图1 变风量空调系统在线数据采集流程Fig.1 Process of online data acquisition of variable-air-volume air conditioning systems

1.2 阈值训练方法

基于专家规则的故障检测阈值训练步骤如图2所示。由图2可知,阈值训练方法包括拟合规则的变量参照值、计算测量值与参照值的残差、设置置信度、划分残差样本等步骤。

图2 基于专家规则的故障检测阈值训练步骤Fig.2 Steps of threshold training for the expert-rule-based fault detection

(1)

(2)

式中:i为采样点;xi为实测值与参照值之间的残差值;n为样本个数。

2 案例分析

选取送风机功率和冷冻水流量相关规则开展研究,进行在线阈值训练。具体规则如式(3)和(4)所示。

|Wsf-f(Fsa,psa)|≤εsf

(3)

|Fw-f(Nvlvcc)|≤εFw

(4)

式中:Wsf为送风机功率,W;Fsa为送风量,m3/h;psa为送风压力,Pa;f(Fsa,psa)表示送风机功率参照值,W;εsf为送风机功率阈值,W;Fw为冷冻水流量,m3/h;Nvlvcc为水阀开度,%;f(Nvlvcc)表示冷冻水流量参照值, m3/h;εFw为冷冻水流量阈值,m3/h。

2.1 空调系统

变风量空调系统实现总风量控制,该系统包括AHU及4个送风末端。以送风末端风量需求值总和作为送风量设定值,根据比例-积分-微分控制调节风机频率,以实现送风量的调节。变风量AHU共有4种工作模式[19]:模式一为加热;模式二为室外新风制冷;模式三为全新风机械制冷;模式四为最小新风机械制冷。通常在不同AHU的运行模式下使用不同的规则进行故障检测。本文设定变风量AHU的工作模式为最小新风机械制冷。

2.2 数据采集

通过组态软件,在线采集云服务器中空调系统不连续的9 d无故障运行数据,其中包含7-9月的数据。数据采集参数包括送风机功率、送风量、送风压力、水流量及水阀开度。采样时间为9:00至17:00,采样步长为1 min。

2.3 参照值拟合

建立数学关系以计算送风机功率与冷冻水流量的参照值。送风机功率与送风量及送风压力有关,冷冻水流量与水阀开度有关。将送风量Fsa、送风压力psa和水阀开度Nvlvcc作为拟合自变量,采用二次多项式函数拟合9 d夏季无故障运行数据。送风机功率与水流量参照值的拟合如式(5)和(6)所示。

f(Fsa,psa)=2 842.069-0.255 642×Fsa+

0.536 347 2×psa+0.000 004 145 146×Fsa×

Fsa-0.001 048 41×psa×psa+

0.000 945 347 1×psa×Fsa

(5)

f(Nvlvcc)=-9.153 475+0.290 651 63×

Nvlvcc-0.001 342 662 4×Nvlvcc×Nvlvcc

(6)

送风机功率参照值的拟合结果如图3(a)所示,送风机功率拟合值的标准差为228.055、相关系数为0.966、拟合优度为0.934。冷冻水流量参照值的拟合结果如图3(b)所示,冷冻水流量拟合值的标准差为0.175、相关系数为0.987、拟合优度为0.974。由于图3涵盖多天的训练数据,因此自变量(Fsa,psa,Nvlvcc)不连续,导致图3中的数据不连续。

图3 送风机功率与冷冻水流量参照值的拟合结果Fig.3 Fitting results of the reference value of supply fan power and chilled water flow

2.4 阈值训练

设置的置信度越高,显著性水平则越低,因此置信度推荐设置为85%～95%。本文分别选取置信度推荐范围的2个极端值(85%、95%)和中间值(90%)的置信度,划分残差样本以确定阈值。阈值训练结果如图4所示。由图4(a)可知,3种置信度下,规则|Wsf-f(Fsa,psa)|≤εsf中的送风机功率阈值的训练结果分别为240、300、380 W。由图4(b)可知,3种置信度下,规则|Fw-f(Nvlvcc)|≤εFw中的冷冻水流量阈值训练结果分别为0.18、0.23、0.29 m3/h。

图4 3种置信度下送风机功率与冷冻水流量阈值的训练结果Fig.4 Training results of the threshold of supply fan power and chilled water flow under three confidence levels

7月25日室外温度变化趋势如图5所示。由图5可知,室外温度变化导致负荷波动较大。而数学拟合关系中,冷冻水流量参照值仅考虑了水阀开度的影响,未考虑负荷变化产生的影响,使得这天的实测值与参照值的残差偏离较大,从而导致图4(b)中前480个样本的残差明显超出正常范围。

图5 7月25日室外气温变化趋势Fig.5 Variation trend of outdoor temperature on July 25

3 验证与分析

利用人工故障和无故障的运行数据,分别进行阀门卡死故障和无故障测试,以验证上述阈值训练策略的可靠性。故障检测率为规定范围内变量实测值与参照值之间的残差超出阈值的样本数占总检测样本数的百分比。无故障检测率为规定范围内未超出阈值的残差样本数占总检测样本数的百分数。

3.1 故障测试

AHU新风阀卡死故障会导致规则|Wsf-f(Fsa,psa)|≤εsf出现异常,冷冻水阀门卡死故障会导致规则|Fw-f(Nvlvcc)|≤εFw出现异常。利用手动调节新风阀及冷冻水阀阀位卡死在30%位置处,设置新风阀、冷冻水阀卡死故障,分别采集故障运行数据进行阀门卡死故障测试。采集实际变风量空调系统1 d的故障运行数据,计算故障状态下变量实测值与参照值的残差,在置信度分别设置为85%、90%、95%的训练阈值下,检测变风量空调AHU新风阀卡死及冷冻水阀卡死故障,以验证基于训练阈值的专家规则故障检测性能。3种置信度下阈值的故障测试结果如图6所示。

图6 3种置信度下AHU新风阀卡死及冷冻水阀卡死的故障测试结果Fig.6 Test results of AHU fresh air damper stuck fault and chilled water valve stuck fault under three confidence levels

由图6(a)可知,采用规则|Wsf-f(Fsa,psa)|≤εsf检测AHU新风阀卡死故障。当置信度设置为85%时,送风机功率阈值训练结果为240 W,故障检测率为96.8%;当置信度为90%时,送风机功率阈值为300 W,故障检测率为92.5%;当置信度为95%时,送风机功率阈值为380 W,故障检测率为82.5%。

由图6(b)可知,采用规则|Fw-f(Nvlvcc)|≤εFw检测AHU冷冻水阀卡死故障。在置信度分别为85%、90%、95%时,训练的冷冻水流量阈值分别为0.18、0.23、0.29 m3/h,故障检测率分别为99.3%、98.9%、98.6%,即分别表示99.3%、98.9%、98.6%的残差样本超出阈值。由此可知大部分残差样本明显超过阈值,完成故障检测,但也存在少部分样本无法检测出故障。

3.2 无故障测试

采集实际变风量空调系统1 d的正常运行数据进行无故障测试(注:该天气象平稳,室外负荷的变化规律符合当前季节的特征,具有一定的代表性)。在3种置信度下,送风机功率及冷冻水流量阈值的无故障测试结果如图7所示。由图7(a)可知,采用规则|Wsf-f(Fsa,psa)|≤εsf进行无故障测试,当置信度分别为85%、90%、95%时,送风机功率阈值训练结果分别为240、300、380 W,无故障检测率均为100.0%,故障误报警的概率为0。

图7 3种置信度下送风机功率及冷冻水流量阈值的无故障测试结果Fig.7 Fault-free test results of the threshold of supply fan power and chilled water flow under three confidence levels

由图7(b)可知:当置信度设置为 85%时,冷冻水流量阈值的训练结果为0.18 m3/h,无故障检测率为 77.0%,残差样本23.0%超出阈值,发生故障误报警;置信度为90%时,冷冻水流量阈值的训练结果为0.23 m3/h,无故障检测率为 84.7%,残差样本15.30%超出阈值,发生故障误报;置信度为95%时,冷冻水流量阈值为0.29 m3/h,无故障检测率为100.0%,未发生故障误报警。

3.3 结果分析

AHU阀门卡死故障测试及无故障测试结果汇总如表2所示。

表2 AHU阀门卡死故障测试及无故障测试结果Table 2 The results of testing for AHU damper and valve stuck faults and fault free

由表2可知,在置信度为85%、90%、95%时,采用训练阈值进行故障测试,阀门卡死的故障检测率均大于80.0%,正常运行的无故障检测率均大于75.0%。无故障测试时,送风量及送风压力均在正常范围内,送风机功率测量值与参照值之间的残差样本分布较稳定。由于图4(a)训练阈值时采用10 d不连续的运行数据,而图7(a)为训练阈值时采用1 d无故障数据,因此图7(a)中的数据波动较不明显。在3种置信度下,采用训练的送风机功率阈值进行无故障测试时,无故障检测率均为100.0%。采用训练的冷冻水流量阈值进行无故障测试时,无故障检测率偏低,可能是由于室外温度在不断上升,水阀开度在不断增大,但冷冻水流量并未立即增大。

由此可知,当置信度为85%～95%时,阈值训练输入的置信度设置得越大,导致训练的送风机功率阈值与水流量阈值越大,则故障检测率越低,而无故障检测率越高。实际测试过程中,外界的负荷变化及传感器测量存在误差且会影响运行数据,从而干扰阈值训练结果,这导致有些测试结果无法达到100.0%,但从故障检测率与无故障检测率的统计结果来看,不影响在线策略的实际应用。根据故障检测率和无故障检测率以及用户对于测试结果的可接受程度调整置信度。

4 结 论

本文采用一种在线阈值训练策略,通过控制器、物联网网关、无线网络等设备实现在线实时数据采集,并将置信度作为外部输入,训练不同置信度下基于规则故障检测方法的阈值。以总风量法控制的变风量AHU为例,将置信度分别设置为85%、90%、95%时,送风机功率阈值的训练结果分别为240、300、380 W,冷冻水流量阈值训练结果分别为0.18、0.23、0.29 m3/h。利用训练阈值进行AHU阀门卡死故障测试与无故障测试,故障检测率均大于82.0%,系统正常运行时无故障检测率大于77.0%。该策略将数据挖掘方法应用于专家规则的阈值确定,若空调存在运行数据,则无需依靠专家经验即可获取合适的阈值,提高基于规则方法的故障检测率。下一步会将该策略应用到其他类型的空调系统中,测试更多的运行数据进一步验证该方法,也为动态的调整历史参照数据或在线更新阈值奠定了研究基础。