基于支持向量機和粒子群算法的多聯機氣液分離器插反故障診斷

鄭小海，譚澤漢，郭亞賓，陳煥新

?

基于支持向量機和粒子群算法的多聯機氣液分離器插反故障診斷

鄭小海*1，譚澤漢2，郭亞賓1，陳煥新1

（1-華中科技大學能源與動力工程學院，湖北武漢 430074； 2-空調設備及系統運行節能國家重點實驗室，廣東珠海 517907）

本文通過多聯機實驗平臺采集數據，選取合適的特征變量，利用支持向量機算法建立了多聯機氣液分離器插反故障診斷模型。采用粒子群算法優化該模型，通過測試集驗證模型的分類準確率，并對兩種模型下的故障診斷效果進行對比分析。結果表明，制冷工況下的故障診斷準確率高于制熱工況下的準確率。模型優化前兩種工況下的故障診斷準確率均高于96%，而優化后的準確率均高于97%，優化后制冷工況下的故障診斷準確率更是高達98.4%，可見優化后的模型性能穩步提升。

支持向量機；多聯式空調系統；氣液分離器插反；故障診斷；粒子群算法

0 引言

多聯機在中國空調市場中所占的份額[1]越來越大，其產品也日益多樣化，而氣液分離器是多聯機分流裝置[2]中的關鍵部件，其作用主要是將制冷劑的氣態與液態分離，分離效果直接影響空調系統的性能。由于氣液分離器的入口端和出口端的外形十分相似，在多聯機系統的組裝、維修等過程中，一些非專業的工作人員易將氣液分離器插反，即造成氣分插反故障。一般這種故障的發生部位容易被忽略，故障的隱蔽性很高。但發生這種故障后，在長期運行過程中，會導致壓縮機發生“液擊”現象，嚴重影響壓縮機壽命，甚至影響整個制冷系統的性能。因此迫切需要找出一種更好的故障檢測和診斷技術來提升對該故障檢測和診斷的準確率。

近年來，針對制冷空調系統的故障檢測與診斷技術的研究越來越深入。基于數據的故障檢測與診斷方法是主流，HU等[3]提出了用自適應主元分析（Principal Component Analysis，PCA）方法來檢測冷水機組傳感器故障，提高了冷水機組在低溫工況下的故障檢測率；XU等[4]采用小波分析和PCA的方法，明顯改善了冷水機組的故障診斷效果。LIU等[5]將PCA與指數加權移動平均法（Exponentially- weighted Moving Average，EWMA）相結合的方法應用于檢測多聯機系統的制冷劑充注量故障，使得在輕微故障工況下的故障檢測率明顯提高。可見近年來的研究以PCA方法居多[6]，此外，神經網絡[7-8]、決策樹[9]、支持向量機（Support Vector Machine，SVM）[10]等算法也越來越多地應用于制冷系統故障檢測與診斷的研究。本文使用的是多聯機系統的實驗所得數據，由于數據集的樣本量較少，而且呈現明顯的非線性關系，而支持向量機在解決小樣本、非線性問題中具有特殊的優勢，故本文利用支持向量機算法對氣分插反故障進行檢測與診斷。

1 故障診斷模型的構建

1.1 基于支持向量機的故障診斷模型

支持向量機（SVM）是一種基于統計學習理論的機器學習方法，自1995年VAPNIK[11]提出支持向量機以來，由于它在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢，因而得到廣泛研究、應用和發展。SVM的基本原理[12]是將低維空間中線性不可分的問題映射到高維空間中，然后在高維空間中最大化不同類之間的間隔來構造最優分類超平面。

對于線性可分情況下的樣本：(x,y)，=1, 2, …,，x?R，y?{-1,+1}被最優分類超平面·+= 0完全無誤地分為兩個類別，并且這個超平面能夠使兩類分類點的距離最大。離最優超平面最近的兩類樣本向量稱為支持向量，兩類支持向量與最優超平面間距之和為2/||||,因此，構造最優超平面問題就轉化為線性約束的凸二次規劃問題：

式中：

——最優超平面法向量；

——閾值。

支持向量機使用的核函數主要有高斯核函數、徑向基核函數、多項式核函數以及線性核函數等。本文采用應用最為普遍的徑向基核函數來建模，其中懲罰參數C和核參數是影響支持向量機模型的兩個重要參數。目前對支持向量機模型參數的選擇方法主要有交叉驗證法[13]、網格搜索法[14]、遺傳算法[15-16]和粒子群算法[17-18]等。由于粒子群算法本身使用迭代的思想去解決問題，算法的精確性比較高，故本文采用粒子群算法來優化模型參數的選擇。

1.2 基于粒子群和支持向量機的故障診斷模型

粒子群（PSO）算法是一種模擬鳥類捕食行為的群體智能算法，PSO算法隨機地初始化一群粒子，然后通過迭代去解決全局尋優問題。每個粒子有相應的位置和速度，分別用X= (x1,x2, …,x)和V= (v1,v2, …,v)表示，其中=1, 2, …,，為種群數量，為搜索空間的維數，每個粒子有一個被優化函數決定的適應值，在每次迭代過程中，速度和位置的更新公式如下：

其中，為慣性權值，c1和c2為學習因子，rand1和rand2為屬于[0,1]的隨機分布函數，Pi= (pi1, pi2, …, pie)為第i個粒子搜索到的歷史最優位置，Pg= (pg1, pg2, …, pge)為整個群體搜索到的歷史最優位置，粒子的速度都會被限制在[-Vmax,Vmax]的范圍內。速度太大，粒子可能會飛出最優解；速度太小，粒子可能會陷入局部最優。

為了提高算法的收斂速度，對慣性權值進行線性調整[19]，即隨著迭代的進行，線性減少的值，調整公式為：

其中，為當前迭代次數，max為最大迭代次數。由于粒子群算法的上述優點，故采用粒子群算法優化支持向量機的模型參數，從而得到基于PSO-SVM的故障診斷模型，并對優化前后的兩種模型的故障診斷效果進行對比。

2 多聯機系統的實驗裝置

2.1 實驗裝置簡述

由于多聯機系統能夠適應多個房間的制冷、制熱需求，當這些房間的同時使用系數較高時，與傳統空調相比，多聯機系統具有減少能源浪費、節省室外空間、降低運行費用的優點[20]。然而當系統發生故障時，會帶來能源、經濟、安全等方面的問題，因此基于數據挖掘的多聯機系統故障檢測與診斷的研究也越來越深入。

本文利用了多聯機系統實驗平臺[21]進行數據采集。多聯機系統實驗裝置及主要控制點見圖1，該多聯機系統有1臺室外機和5臺室內機，其中全開表示5臺室內機全部開啟，單開表示1臺室內機運行，系統的主要設備有室內機、室外機、壓縮機、氣液分離器、油分離器等。利用各種溫度壓力傳感器得到眾多的運行數據，實際建模過程中需要根據專家知識和構建數據變化模型驗證選取合適的建模的特征變量，從而建立更為適用的模型。

圖1 多聯機系統結構及主要控制點

2.2 實驗裝置的誤差分析

由于搭建的多聯機實驗平臺十分規范，各參數的測得都是在焓差實驗室進行的。正常數據就是在正常狀態下進行測量得到的。本文提及的故障數據就是在正常狀態下停機，然后人為將氣液分離器反向，再開機運行得到的。因此實驗裝置的精確性可以達到99%以上。

2.3 數據與變量選擇

實驗裝置中包含大量的溫度、壓力等傳感器，用于測量相關運行參數，故采集到大量的運行數據。根據專家知識和測量參數的相關性，不考慮邏輯變量[22]，選擇以下參數進行建模。選擇的參數包括室外環境溫度（T），壓縮機排氣、殼頂、模塊溫度（T,T,T），壓縮機目標和運行頻率（f,f），電流（I），過冷器氣出、液出溫度（T,T），氣液分離器進管、出管溫度（T,T），過冷器電子膨脹閥開度（E），化霜溫度（T），模塊高、低壓（P,P）等15個運行參數。因此，原始數據矩陣為：Y = [T, T, T, T, f, f, I, T, T, T, T, E, T, P, P]。

3 診斷過程與結果分析

3.1 診斷過程

基于PSO-SVM的故障診斷流程如圖2所示，其中數據標準化是為了消除變量間量綱的影響，之后將特征數據集隨機分為75%的訓練集和25%的測試集，利用訓練集對SVM模型進行訓練，并通過粒子群算法得到最優的支持向量機模型。最后，利用測試集對模型進行驗證，得到不同模型下的混淆矩陣和分類準確率，最后對兩種模型的故障診斷效果進行對比分析。其中制冷工況下的測試集共有17,083組數據，制熱工況下的測試集共有5,867組實驗數據。其中制冷數據集包含6種工況，分別為單開、內27 ℃、外35 ℃；全開、內27 ℃、外35 ℃；單開、內23 ℃、外31 ℃；全開、內23 ℃、外31 ℃；單開、內32 ℃、外40 ℃；全開、內32 ℃、外40 ℃。制熱數據集也包含6種工況，分別為單開、內20 ℃、外7 ℃；全開、內20 ℃、外7 ℃；單開、內20 ℃、外-7 ℃；全開、內20 ℃、外-7 ℃；單開、內27 ℃、外24 ℃；全開、內27 ℃、外24 ℃。由于每種工況的故障實驗的數據量不是很多，將這些工況下的數據都放入一個數據集，故共有制冷、制熱兩個數據集。

圖2 基于PSO-SVM的故障診斷流程

3.2 基于SVM的故障診斷結果

使用基本的支持向量機方法，將懲罰因子C設置為1，核參數設置為0.0666（即1/15），利用訓練數據建立支持向量機模型，測試數據對模型進行驗證。得到的混淆矩陣如表1所示，其中標簽0表示發生氣分插反故障，標簽1為系統正常運行數據。得到制冷工況下的故障診斷準確率為97.5%，制熱工況下的準確率為96.1%。

表1 基于SVM的混淆矩陣

3.3 基于PSO-SVM的故障診斷結果

采用帶慣性權值的粒子群算法對支持向量機的懲罰因子C和核函數的參數進行優化，適應度曲線如圖3所示。粒子群算法的主要參數：本文中參數C和的搜索區間范圍設為[0.1,100]和[0.01,10]；種群大小N=20，最大進化代數為300；慣性權重=0.8，加速常數C1=1.6，C2=1.83。得到的最優參數為C=82.352，γ=0.8790，使用粒子群算法優化支持向量機后，得到的混淆矩陣如表2。制冷工況下的故障診斷準確率為98.4%，制熱工況下的準確率為97.0%。

圖3 PSO尋找最優參數的適應度曲線

表2 基于PSO-SVM的混淆矩陣

3.4 診斷結果對比分析

使用粒子群優化算法優化后的SVM模型與原始SVM模型的分類準確率對比如圖4，可見利用PSO-SVM模型的分類準確率高于SVM模型的準確率。在僅利用SVM模型進行故障診斷時，雖然診斷準確率在兩種工況條件下均高于96%，但利用PSO-SVM模型進行故障診斷后，在兩種工況下的準確率均明顯提高至97%以上，可以看到兩種模型對制冷工況下的故障診斷效果優于制熱工況下的效果。上述結果表明，對該多聯機系統，采用粒子群算法優化支持向量機模型來進行故障診斷是可行的，且診斷結果具有較高的準確率，比優化前的SVM模型的診斷性能更好。

圖4 優化前后分類準確率對比

4 結論

通過分析制冷、制熱兩種工況下的多聯機平臺實驗數據，分別建立SVM模型和PSO-SVM模型進行故障診斷，并將兩種模型的故障診斷準確率進行對比，得出以下結論：

1）支持向量機方法在制冷工況下的故障診斷準確率高于制熱工況下的故障診斷準確率，但在制熱工況下的準確率也均高于96%；

2）在使用粒子群算法優化前兩種工況下的故障診斷準確率均高于96%，優化后的故障診斷準確率均高于97%，而且優化后的制冷工況下的故障診斷準確率更是高達98.4%；優化后的準確率有穩步的提升。

[1] 郭富軍, 顧中華, 季秀成, 等. 大容量多聯機用并聯氣液分離器的技術探討[J]. 制冷與空調, 2016, 16(8): 25-27.

[2] 鄭賢德. 制冷原理與裝置[M]. 北京: 機械工業出版社, 2000.

[3] HU Y, CHEN H, XIE J, et al. Chiller sensor fault detection using a self-Adaptive Principal Component Analysis method[J]. Energy and Buildings, 2012, 54: 252-258.

[4] XU X, XIAO F, WANG S. Enhanced chiller sensor fault detection, diagnosis and estimation using wavelet analysis and principal component analysis methods[J]. Applied Thermal Engineering, 2008, 28(2): 226-237.

[5] LIU J, HU Y, CHEN H, et al. A refrigerant charge fault detection method for variable refrigerant flow (VRF) air-conditioning systems[J]. Applied Thermal Engineering, 2016, 107: 284-293.

[6] 禹法文, 陳煥新, 李紹斌, 等. 基于主元分析法的多聯機系統壓縮機排氣溫度傳感器故障檢測與診斷[J]. 制冷技術. 2017, 37(4): 29-33.

[7] 石書彪, 陳煥新, 李冠男, 等. 基于小波去噪和神經網絡的冷水機組故障診斷[J]. 制冷學報, 2016, 37(1): 12-17.

[8] 袁玥, 陳煥新, 石書彪, 等. 基于主成分分析和神經網絡相結合的制冷劑充注量故障診斷[J]. 制冷技術, 2017, 37(6): 45-50.

[9] GERDES M. Decision trees and genetic algorithms for condition monitoring forecasting of aircraft air conditioning[J]. Expert Systems with Applications, 2013, 40(12): 5021-5026.

[10] YAN K, SHEN W, MULUMBA T, et al. ARX model based fault detection and diagnosis for chillers using support vector machines[J]. Energy and Buildings, 2014, 81: 287-295.

[11] VAPNIK V N. The nature of statistical learning theory[M]. New York: Springer Verlag, 1995.

[12] 梅飛, 梅軍, 鄭建勇, 等. 粒子群優化的KFCM及SVM診斷模型在斷路器故障診斷中的應用[J]. 中國電機工程學報, 2013, 33(36): 134-141.

[13] PASSERINI A, PONTIL M, FRASCONI P. New results on error correcting output codes of kernel machines[J]. IEEE Transactions on Neural Networks, 2004, 15(1): 45-54.

[14] 王健峰. 基于改進網格搜索法SVM參數優化的說話人識別研究[D]. 哈爾濱: 哈爾濱工程大學, 2012.

[15] CHEN P W, WANG J Y, LEE H. Model selection of SVMs using GA approach[C]. 2004 IEEE International Joint Conference on Neural Networks, Piscataway, USA, 2004: 2035-2040.

[16] 席裕庚, 柴天佑, 惲為民. 遺傳算法綜述[J]. 控制理論與應用, 1996, 13(6): 697-708.

[17] CZARNECKI W M, TABOR J. Two ellipsoid support vector machines[J]. Expert Systems with Applications, 2014, 41(18): 8211-8224.

[18] SURYANARAYANA C, SUDHEER C, MAHAMMOND V, et al. An integrated wavelet-support vector machine for groundwater level prediction in Visakhapatnam, India[J]. Neurocomputing, 2014, 145: 324-335.

[19] 馮輝宗, 彭丹, 袁榮棣. 基于PSO-SVM的發動機故障診斷研究[J]. 計算機測量與控制, 2014, 22(2): 355-357.

[20] 周鵬飛, 賀群妮. 多聯機空調系統運行性能的影響因素分析[J]. 制冷技術, 2012, 32(3): 62-65.

[21] 劉佳慧, 劉江巖, 李紹斌, 等. 基于決策樹算法的多聯機氣液分離器插反故障診斷[J]. 制冷學報, 2017, 38(5): 1-6.

[22] SUN K, LI G, CHEN H, et al. A novel efficient SVM-based fault diagnosis method for multi-spl，it air conditioning system's refrigerant charge fault amount[J]. Applied Thermal Engineering, 2016, 108: 989-998.

Fault Diagnosis on Opposite-insertion for Gas-liquid Separator in Variable Refrigerant Flow System Based on Support Vector Machine and Particle Swarm Optimization Algorithm

ZHENG Xiaohai*1, TAN Zehan2, GUO Yabin1, CHEN Huanxin1

(1-School of Energy and Power Engineering, Huazhong University of Science and Technology, Wuhan, Hubei 430074, China; 2-State Key Laboratory of Energy Conservation and Operation of Air-Conditioning Equipment and Systems, Zhuhai, Guangdong 517907, China)

The data were collected through the variable refrigerant flow (VRF) experimental platform, and the suitable characteristic variables were selected. A VRF gas-liquid separator opposite-insertion fault diagnosis model using support vector machine algorithm was developed. The particle swarm optimization algorithm was used to optimize the model. The test set was used to verify the classification accuracy of the model, and the fault diagnosis effects of the two models were compared and analyzed. The results show that the accuracy of fault diagnosis under refrigeration condition is higher than that under heating condition. The accuracy of fault diagnosis under the two conditions is larger than 96% under support vector machine model. After using the particle swarm optimization algorithm, the accuracy is larger than 97% under these two conditions, and the accuracy of fault diagnosis under refrigeration conditions is up to 98.4%. The performance of the optimized model is steadily increased.

Support vector machine; Variable refrigerant flow system; Gas-liquid separator opposite-insertion; Fault diagnosis; Particle swarm optimization algorithm

10.3969/j.issn.2095-4468.2018.04.104

*鄭小海（1994-），男，在讀碩士。研究方向：空調系統故障診斷。聯系地址：華中科技大學動力樓316，郵編：430074。聯系電話：15671687530。E-mail：zhengxiaohai12345@163.com。

空調設備及系統運行節能國家重點實驗室開放基金（No. SKLACKF201606）和國家自然科學基金（No. 51576074）。