基于局部異常因子結合神經網絡的制冷劑充注量故障診斷

曾宇柯，陳煥新，黃榮庚

（華中科技大學能源與動力工程學院，湖北武漢 430074）

0 引言

據統計，2010年美國在商業和住宅建筑鄰域的耗能已達其總能耗的41.0%，其中37.0%用于暖通空調系統[1]。作為暖通空調系統的重要組成部分，多聯機系統因其能耗低、舒適性高等優勢廣泛用于商場、公寓等場所[2-3]，制冷劑充注量作為影響多聯機系統運行工況的關鍵參數，一旦與系統不匹配將極大降低裝置能效，增加系統能耗[4]。為了節約能源、保障室內舒適性，有必要開展適用于多聯機系統制冷劑充注量的故障診斷研究。目前，制冷系統故障診斷方法主要分為3種：基于經驗知識、基于分析模型和基于數據驅動[5]?；跀祿寗拥姆椒ㄍㄟ^大量數據分析發現變量間的固有聯系，無需先驗知識，適用于復雜制冷系統的FDD研究[6]。ZHU等[7]提出了一種基于小波和分型神經網絡的空氣處理單元傳感器故障診斷方法，該方法提取空氣處理單元分型維數，進行故障診斷。結果表明，較未分型的神經網絡，該方法的檢測率提高了15%。KUSIAK等[8]構建了具有可控輸入和不可控輸出的動態神經網絡模型，并通過3種改進的多目標粒子群優化算法優化模型。結果表明，最優的多目標粒子群神經網絡模型能節約30%的能耗。劉佳慧等[9]運用決策樹算法進行多聯機氣液分離器插反故障診斷。結果表明：該算法對氣分插反故障的檢測率達96%，發生氣分插反故障時，通過增大過冷器電子膨脹閥開度，可保障多聯機系統的制冷效果和能效比。石書彪等[10]通過貝葉斯神經網絡進行冷水機組的故障檢測與診斷，結果表明：貝葉斯算法通過限制神經網絡權值，使網絡反應更加光滑、模型更精確。SHI等[11]結合貝葉斯神經網絡和ReliefF算法驗證比較不同N-best特征數據子集的檢測率。結果表明：使用6個特征時，模型已擁有較高的檢測率，并且訓練時間減少了98.8%。

雖然基于數據驅動的方法已在制冷系統FDD研究中取得一定的成果[12-13]，但是目前已有的制冷系統FDD研究大多將目光集中在模型的特征選取或參數尋優上，在數據的預處理方面，僅僅進行簡單的標準化處理，尚未對數據異常值帶來的影響進行深入研究。因此，本文提出了一種LOFBP神經網絡的多聯機故障診斷策略，該策略使用LOF法剔除數據中的異常值，并構建BP神經網絡進行制冷劑充注量故障診斷，最后優化隱含層節點數，進一步提升模型故障檢測率。

1 多聯機制冷劑充注量實驗

本實驗多聯機系統結構及傳感器分布如圖1所示，含有5個室內單元和1個室外單元，每個室內單元配置1個室內風機、蒸發器與電子膨脹閥，在蒸發器入口與出口處均設有溫度傳感器，室外單元主要由壓縮機、冷凝器、節流閥、室外風機等基本構件組成，為提高機組運行效率與安全性，室外單位還配有回油器、蓄能器、電磁閥和相應的傳感器與保護裝置。本機組制冷劑標準充注量為9.9 kg，制冷工質采用R410A，詳細信息如表1所示。

本研究的溫度實驗均在標準測溫室內完成，按照PID控制規則控制兩個房間的溫度及相對濕度。多聯機系統采用中溫制冷模式，溫度設置如表2所示。室外單元干球溫度35 ℃，5個室內單元干球溫度均為26 ℃。

圖1 多聯機系統結構和傳感器分布

表1 多聯機系統信息表

表2 多聯機系統運行工況

實驗制冷劑充注量水平從63%至130%共9個級別，分為充注不足（63%～80%）、充注適中（85%～110%）、充注過量（120%～130%）3類[14]，具體如表3所示。對于每一種實驗工況，認為風機轉速（1個室內風機和5個室外風機）保持不變，實驗通過調節壓縮機轉速和膨脹閥開度使制冷劑流量匹配冷凝負荷，壓縮機運行頻率變化范圍為0～90。當制冷劑充注不足或充注過量時，系統依舊運行穩定。

表3 9種制冷劑充注量及其對應類別

實驗每隔15秒收集一次數據，每次實驗不少于45 min，共選取了3,831個樣本數據（充注不足樣本1,963個、充注適中樣本1,120個、充注過量樣本748個）。壓縮機排氣溫度、壓縮機外殼溫度、壓縮機平均溫度、室外風機溫度、壓縮機電壓、冷凝溫度及電子膨脹閥開度[14-15]對制冷劑充注量故障具有較強的診斷性能，研究根據本實驗測量參數選取壓縮機排氣溫度、壓縮機外殼溫度、室外風機溫度、壓縮機電壓和冷凝溫度等5個特征變量進行故障診斷。

2 LOF-BP多聯機故障診斷策略

2.1 LOF算法

多聯機系統[16]結構復雜，各機械設備連接緊密，某一部分組件或傳感器發生故障可能導致整個系統連鎖反應。LOF算法[17]通過比較樣本對象附近的密度與鄰居附近的密度來判斷異常程度，無需過多訓練和預測數據的變化發展，能滿足多聯機異常值檢測多樣性和動態需求。根據式(1)計算樣本LOF值[18]：

式中，lrdk(p)為p鄰域局部可達密度，lrdk(p)為p點局部可達密度，Nk(p)是k鄰域距離，表示任何與對象p的距離小于k距離數據的集合。

2.2 BP神經網絡

BP神經網絡具有信息正向傳播和誤差反向傳遞兩個過程[19]，通常由輸入層、隱含層和輸出層構成，具有較強的自適應性，可以逼近任意非線性映射關系，適用于復雜制冷系統的故障檢測與診斷。本研究中多聯機系統制神經網絡拓撲結構如圖2所示，輸入向量為多聯機系統特征，輸出向量為3個故障類別：充注不足、充注適中、充注過量。隱含層節點數是影響神經網絡診斷性能的關鍵參數[20]，如果選取過少，易造成網絡性能不佳；如果選取過量，則可能陷入局部極小值達不到最優。本實驗根據經驗公式(2)初選節點數，再進行優化計算，確定最佳值。

式中，Nh為隱含層節點數，Ni為輸入神經元數。

2.3 LOF-BP多聯機故障診斷模型

圖3為LOF-BP神經網絡模型的多聯機故障診斷方案。該診斷邏輯圖由3部分組成：異常值檢測、模型建立和故障診斷。

1）異常值檢測：計算原始數據樣本的LOF值，根據樣本LOF值分布情況，確定LOF閾值，剔除數據中大于LOF閾值的樣本，保留可能的正常數據。

2）模型建立：剔除異常值后數據被隨機分為70%的訓練集和30%的測試集，進行標準化處理，在經驗公式的基礎上，建立不同隱含層節點數的BP神經網絡模型，進行制冷劑充注量故障診斷模型訓練。

3）故障診斷：將測試集輸入訓練好的LOFBP神經網絡模型，比較改進模型與BP神經網絡模型的診斷結果，探究異常值對模型診斷性能的影響。

圖2 BP神經網絡傳播結構

圖3 LOF-BP模型故障診斷方案

3 制冷劑充注量故障診斷結果

3.1 LOF法剔除多聯機異常值

如2.1節所述，當樣本LOF值大于1時，LOF值越大其為異常樣本的可能性就越大，實驗樣本LOF值密度分布圖如圖4所示，其中充注不足、充注適中、充注過量3類數據最大LOF值分別為3.67、6.33和4.41，可以認為本多聯機實驗中存在一定量的充注異常數據。LOF閾值可看作是正常值和異常樣本的邊界，本文剔除約8%的樣本數據，選取LOF閾值為1.38（如圖4虛線所示）。剔除可能異常值后，3類故障的樣本數目如表4所示。

圖4 LOF值密度分布圖

表4 兩種模型3類故障樣本數目

3.2 制冷劑充注量故障診斷結果分析

圖5是兩種神經網絡模型總體檢測率和單類檢測率的對比圖，可以看到，與BP神經網絡比較，LOF-BP神經網絡在各類檢測率上均有所提高。在BP神經網絡模型中，充注過量的診斷率僅為91.52%，遠低于充注不足和充注適中的診斷率，模型對充注過量故障的擬合程度受到樣本異常值干擾，擬合效果降低。

圖5 兩種神經網絡故障診斷結果圖

在多聯機系統實際運行過程中，外界沖擊可能使得系統運行工況發生震蕩，膨脹閥自行調節開度，表現出瞬時充注過量或不足的情況。此時系統所記錄的數據就可能為異常數據。此外，多聯機系統結構復雜，傳感器眾多，在數據讀取與傳輸過程中不可避免地會存在異常值，這些記錄的錯誤數據將降低模型的診斷精度。表5為BP神經網絡模型的混淆矩陣，可以看到BP神經網絡將充注適中誤診為充注過量的比率為4.46%，將充注過量誤診為充注不足的比率為6.25%。

表5 BP模型故障混淆矩陣

表6為LOF-BP神經網絡模型的混淆矩陣，通過LOF法剔除系統異常值后，充注適中誤診為充注過量的比率由4.46%下降至1.26%，充注過量誤診為充注不足的比率由6.25%下降至0.36%。LOFBP模型診斷性能提升，整體檢測率由95.04%上升至97.85%。

神經網絡的隱藏層節點數通常由經驗公式2獲得，本實驗在此基礎上進一步優化隱含層節點數來獲得最佳的模型診斷性能，圖6是不同隱含層節點數LOF-BP神經網絡模型的總體檢測率，結果表明，隱含層節點數從10到15時，總體檢測率隨隱含層節點數的增長而上升，當隱含層節點數超過15時，隨隱含層節點數的增長總體檢測率逐步保持穩定。當隱含層節點數為15時，模型具有最佳的診斷性能，總體檢測率提高至98.97%。

表6 LOF-BP模型故障混淆矩陣

圖6 不同隱含層節點數LOF-BP模型總體檢測率

4 結論

本研究將LOF法與BP神經網絡結合，用于多聯機系統制冷劑充注量故障檢測與診斷，并通過總體和單類檢測率驗證該方案的診斷性能，結論如下：

1）BP神經網絡模型診斷性能受到多聯機系統異常值的影響，其充注適中與充注過量的誤診率較高；

2）較BP神經網絡模型，LOF-BP模型3類充注量故障的檢測率均有所提高，整體檢測率提高至97%以上；

3）當隱含層節點數為15時，模型具有最佳的診斷性能。優化隱含層節點數后，LOF-BP模型總體檢測率提高至98.97%；

4）LOF-BP神經網絡能有效剔除系統異常值，診斷制冷劑充注量故障，對維持空調系統正常運行、保障室內舒適性具有重要的意義。