基于稀疏自編碼器-支持向量機(jī)的空調(diào)制冷系統(tǒng)故障診斷

王志毅，鐘加晨，夏翠，李靜凡

（浙江理工大學(xué)建筑工程學(xué)院，浙江杭州 310018）

0 引言

隨著社會的發(fā)展，建筑能耗逐年增加，其中空調(diào)系統(tǒng)能耗約占建筑總能耗的40%～50%[1]。空調(diào)制冷系統(tǒng)長時間運行后不可避免地會出現(xiàn)故障，這些故障導(dǎo)致設(shè)備能耗的增加。在系統(tǒng)出現(xiàn)運行故障之前進(jìn)行故障診斷，可以節(jié)省能源，降低停機(jī)成本，具有一定的現(xiàn)實意義[2-3]。空調(diào)制冷系統(tǒng)通常發(fā)生的故障具有如下特點：不確定性、延時性、相關(guān)性、層次性以及復(fù)雜性。系統(tǒng)常見故障包括制冷劑過少、制冷劑過多、潤滑油過多、蒸發(fā)側(cè)水流量不足、冷凝側(cè)結(jié)垢、有非凝性氣體以及冷凝器水流量不足等。

系統(tǒng)故障診斷方法包括基于物理模型的方法和基于數(shù)據(jù)的方法。基于物理模型的方法需要建立系統(tǒng)正常運行的定量物理模型或是定性物理模型，根據(jù)參考模型的預(yù)測值與實測值的偏差來進(jìn)行故障的分析與診斷。例如參數(shù)估計法等定量物理模型，符號有向圖、專家系統(tǒng)、故障樹等定性物理模型。基于數(shù)據(jù)的方法不需要構(gòu)建準(zhǔn)確的物理模型，但需要構(gòu)建灰箱或黑箱模型。灰箱模型例如灰色理論中的關(guān)聯(lián)分析和聚類分析。黑箱模型包括人工神經(jīng)網(wǎng)絡(luò)等模式識別方法、貝葉斯網(wǎng)絡(luò)等統(tǒng)計學(xué)方法、小波分析等信號處理方法。模式識別方法的診斷思路一般分為3部分：數(shù)據(jù)采集、特征提取和分類器判斷。數(shù)據(jù)采集是指用數(shù)據(jù)采集設(shè)備對溫度、壓力、流量等物理量進(jìn)行采集。考慮到制冷機(jī)組故障現(xiàn)場數(shù)據(jù)采集的全面性和經(jīng)濟(jì)性，通常采用ASHRAE 1043-RP制冷機(jī)組故障模擬實驗提供的數(shù)據(jù)進(jìn)行研究。特征提取方法包括遺傳算法[4]、多尺度主元分析[5]、互信息[6]、內(nèi)蘊(yùn)模式函數(shù)[7]、順序向前選擇算法[8]以及粒子群算法[9]等。分類器判斷方法包括樸素貝葉斯模型[10]、支持向量機(jī)[11]、K最鄰近分類算法[12]、隨機(jī)森林[13]以及神經(jīng)網(wǎng)絡(luò)[14]等。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種新興的學(xué)習(xí)方法，近年來被人們在學(xué)術(shù)界以及工業(yè)界深入研究。深度學(xué)習(xí)通過模擬人腦的深度框架在文本處理、語音識別及計算機(jī)視覺等方面應(yīng)用廣泛，在復(fù)雜工業(yè)系統(tǒng)的特征提取方面也有著一定的應(yīng)用潛力[15]。主流的深度學(xué)習(xí)框架包括玻爾茲曼機(jī)[16]、自編碼器以及卷積神經(jīng)網(wǎng)絡(luò)[17]。本文利用稀疏自編碼器構(gòu)建特征學(xué)習(xí)模型，對樣本數(shù)據(jù)進(jìn)行重構(gòu)，然后在支持向量機(jī)中進(jìn)行故障診斷，改善空調(diào)制冷系統(tǒng)由于多參數(shù)間復(fù)雜的耦合性引起的診斷困難等問題。通過優(yōu)化稀疏自編碼器的隱藏層層數(shù)和節(jié)點數(shù)，能夠自動尋找到較好表達(dá)原始樣本數(shù)據(jù)的特征。采用稀疏自編碼器有效提取的信息作為支持向量機(jī)的輸入向量，提高了故障診斷效率，在空調(diào)制冷系統(tǒng)故障診斷領(lǐng)域顯示出一定的應(yīng)用潛力。

1 基本原理

1.1 自編碼器

自編碼器是一種人工神經(jīng)網(wǎng)絡(luò)，以無監(jiān)督的方法學(xué)習(xí)有效的數(shù)據(jù)編碼。自編碼器的原理如圖1所示，包括輸入層、隱藏層和輸出層。隱藏層相當(dāng)于一個編碼器和解碼器，數(shù)據(jù)通過輸入層進(jìn)入隱藏層，在隱藏層中進(jìn)行編碼和解碼，最后由輸出層輸出。隱藏層的作用是盡可能確保輸出的數(shù)據(jù)和輸入的數(shù)據(jù)一致。隱藏層盡量用少的維度來提取輸入數(shù)據(jù)中有用的主要特征，同時要降低編碼前數(shù)據(jù)和解碼前數(shù)據(jù)之間的重構(gòu)誤差。自編碼器的重構(gòu)誤差如圖2所示。

圖1 自編碼器的原理

圖2 自編碼器的重構(gòu)誤差

1.2 稀疏自編碼器

自編碼器中僅通過隱藏層簡單的數(shù)據(jù)表達(dá)難以達(dá)到理想的效果，同時缺乏實際意義。稀疏自編碼器由此被提出，在編碼過程中引入稀疏約束，限制隱藏層的數(shù)據(jù)表達(dá)，強(qiáng)迫神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對輸入量進(jìn)行降維表示。將稀疏懲罰項引入目標(biāo)函數(shù)中，以此僅允許個別神經(jīng)節(jié)點被激活，例如當(dāng)神經(jīng)節(jié)點偏離1時，節(jié)點不被激活。當(dāng)隱藏層節(jié)點數(shù)大于輸入層節(jié)點數(shù)時，被激活的節(jié)點數(shù)仍可能低于輸入層節(jié)點數(shù)，此時達(dá)到了簡化數(shù)據(jù)和降維表示的目的。稀疏自編碼器訓(xùn)練如圖3所示。

圖3 稀疏自編碼器訓(xùn)練

1.3 支持向量機(jī)

支持向量機(jī)是一種機(jī)器學(xué)習(xí)算法，能夠?qū)?shù)據(jù)進(jìn)行二元分類。對于數(shù)據(jù)線性可分的情況，通過邊距最大化來尋找最優(yōu)分類平面。支持向量機(jī)的最大邊緣構(gòu)造如圖4所示。對于線性不可分的情況，通過降噪忽略異常值或者是引入核函數(shù)將低維輸入空間轉(zhuǎn)換為高維輸入空間，線性不可分問題由此轉(zhuǎn)化為可分問題。支持向量機(jī)在非線性分類問題上有特定的優(yōu)勢，但泛化能力取決于核函數(shù)的優(yōu)化[18]。

圖4 支持向量機(jī)的最大邊緣構(gòu)造

2 數(shù)據(jù)來源及評價指標(biāo)

2.1 數(shù)據(jù)來源

ASHRAE項目1043-RP提供了全面的離心式冷水機(jī)組故障檢測與診斷研究的實驗數(shù)據(jù)，其研究對象是一臺制冷量為90冷噸的離心式冷水機(jī)組。通過實驗研究生成數(shù)據(jù)庫，并將數(shù)據(jù)庫用于開發(fā)和評估冷水機(jī)組故障檢測和診斷方法。實驗平臺包括3個主要環(huán)路（制冷劑、冷凍水和冷卻水環(huán)路）和3個輔助環(huán)路（熱水、自來水和蒸汽環(huán)路）。通過調(diào)節(jié)機(jī)組運行容量、冷凍水出水溫度和冷凝水進(jìn)水溫度，實驗平臺能夠模擬27種典型工況；通過傳感器，實驗平臺能夠直接采集溫度、壓力、流量、閥位等48個參數(shù)；通過專用軟件VisSim，實驗平臺能夠間接得到冷量、熱量等16個參數(shù)。通過調(diào)節(jié)系統(tǒng)中的相關(guān)設(shè)備，實驗平臺能夠模擬7種典型故障，每種故障設(shè)有4種故障程度。7種典型故障如表1所示，出現(xiàn)總頻率約占40%。4種故障程度分別命名為A、B、C和D，嚴(yán)重程度依次遞增。

2.2 評價指標(biāo)

采用機(jī)器學(xué)習(xí)方法解決某個二元分類問題時，通常采用準(zhǔn)確率來對比不同模型間的性能。準(zhǔn)確率即為正確分類總數(shù)目除以總樣本數(shù)，其計算公式如式1所示。考慮到冷水機(jī)組故障間的誤報（誤診）、有故障被視為無故障（漏診）以及無故障卻被診斷為有故障（虛警）等情況，僅僅依靠準(zhǔn)確率評價模型的優(yōu)劣是不夠全面的。召回率和精確率由此提出。召回率可以反映系統(tǒng)的漏診情況，召回率越高，漏診率越低，計算公式如式2所示。精確度可以反映系統(tǒng)的虛警情況，精確度越高，虛警率越低，計算公式如式3所示。根據(jù)定義，召回率和精確率之間是相互影響的。一般來說，召回率較高時，精確率較低；精確率較高時，召回率較低。當(dāng)召回率和精確率都較低時，說明存在較大的問題。當(dāng)召回率和精確率都較高時，為了綜合考慮召回率和精確率，綜合評價指標(biāo)由此提出，計算公式如式(4)所示。

式中：

Q——準(zhǔn)確率；

R——召回率；

P——精確率；

F——綜合評價指標(biāo)；

|TP|——實際為正類且被劃分為正類的個數(shù)；

|TN|——實際為負(fù)類且被劃分為負(fù)類的個數(shù)；

|FP|——實際為負(fù)類但被劃分為正類的個數(shù)；

|FN|——實際為正類但被劃分為負(fù)類的個數(shù)。

表1 7種典型故障

3 基于稀疏自編碼器的故障診斷

3.1 不同隱藏層節(jié)點數(shù)對模型診斷準(zhǔn)確率的影響

先對數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行預(yù)處理，剔除無關(guān)變量。其中，測量時間與機(jī)組故障分類無關(guān)，機(jī)組狀態(tài)及熱水閥狀態(tài)數(shù)據(jù)對于穩(wěn)態(tài)樣本而言均相同，故將其刪除，選取61個變量參數(shù)進(jìn)行建模。再從數(shù)據(jù)庫中隨機(jī)抽取A、B、C和D這4種故障程度數(shù)據(jù)為50,000組的實驗數(shù)據(jù)，總計200,000組。隨機(jī)抽取潤滑油過多、故障程度為A的5,000組數(shù)據(jù)，作為稀疏自編碼器和支持向量機(jī)的訓(xùn)練和測試數(shù)據(jù)。

稀疏自編碼器采取最簡單的3層神經(jīng)網(wǎng)絡(luò)，對隱藏層節(jié)點數(shù)進(jìn)行調(diào)整，分別選取30、70、150、300、400、500、700和1,000進(jìn)行實驗。將稀疏自編碼器提取的特征輸入支持向量機(jī)進(jìn)行訓(xùn)練測試。隱藏層節(jié)點數(shù)與模型準(zhǔn)確率的關(guān)系如圖5所示。可知隨著隱藏層節(jié)點數(shù)的增加，模型診斷的準(zhǔn)確率也不斷提高。當(dāng)隱藏層節(jié)點數(shù)較小時，如低于輸入層節(jié)點數(shù)，診斷準(zhǔn)確率較低。當(dāng)隱藏層節(jié)點數(shù)為700時，3層稀疏自編碼器的診斷準(zhǔn)確率達(dá)到最高，為95.47%。

圖5 隱藏層節(jié)點數(shù)與準(zhǔn)確率的關(guān)系

3.2 不同訓(xùn)練樣本數(shù)對模型診斷準(zhǔn)確率的影響

針對潤滑油過多、故障程度為A的數(shù)據(jù)，稀疏自編碼器模型采取3層神經(jīng)網(wǎng)絡(luò)，隱藏層節(jié)點數(shù)選取700。訓(xùn)練樣本數(shù)分別取1,700、5,000、10,000和20,000，研究了不同訓(xùn)練樣本數(shù)對模型診斷率的影響，訓(xùn)練樣本數(shù)與準(zhǔn)確率的關(guān)系如圖6所示。由圖6可以看出，隨著訓(xùn)練樣本數(shù)的增加，準(zhǔn)確率也增加，但增加的幅度并不明顯。當(dāng)樣本數(shù)為20,000時，準(zhǔn)確率為96.12%；當(dāng)樣本數(shù)為1,700時，準(zhǔn)確率就有95.41%。可見針對少量的數(shù)據(jù)規(guī)模，稀疏自編碼器提取的特征性能較優(yōu)，反映為對數(shù)據(jù)要求不高，并具有較好的診斷效果。

3.3 不同稀疏自編碼器結(jié)構(gòu)對模型診斷準(zhǔn)確率的影響

從數(shù)據(jù)庫中隨機(jī)提取每種故障程度為5,000組的實驗數(shù)據(jù)，調(diào)整隱藏層層數(shù)（分別取1、2、3、4和5），在A、B、C和D等4種故障程度下測試不同稀疏自編碼器的準(zhǔn)確率。對于層數(shù)相同的稀疏自編碼器，繼續(xù)調(diào)整每層的節(jié)點數(shù)，進(jìn)行對比分析，結(jié)果如表2所示。2(500-400)表示隱藏層層數(shù)為2，每層節(jié)點數(shù)分別為500和400。由表3分析可得：隨著稀疏自編碼器隱藏層層數(shù)的增加，模型準(zhǔn)確率先增加后減小。當(dāng)隱藏層層數(shù)為4時，模型準(zhǔn)確率最高，此時每層的節(jié)點數(shù)分別為600、500、400和300。伴隨著稀疏自編碼器層數(shù)的增加，提取特征信息的維度也增加，有利于模型故障敏感度的提高。當(dāng)隱藏層層數(shù)大于4，過多的特征信息之間會形成干擾，使診斷性能下降。

圖6 訓(xùn)練樣本數(shù)與準(zhǔn)確率的關(guān)系

表2 不同稀疏自編碼器結(jié)構(gòu)下的模型準(zhǔn)確率

3.4 主元分析與稀疏自編碼器的對比

從數(shù)據(jù)庫中隨機(jī)提取每種故障程度為14,000組的實驗數(shù)據(jù)，將其作為主元分析模型和稀疏自編碼器模型的原始樣本，分別計算不同故障程度下兩種模型的準(zhǔn)確率，如圖7所示。可以看出，主元分析模型和稀疏自編碼器模型的故障診斷準(zhǔn)確率隨著故障程度的加深而提高，這是因為故障程度越深即偏離正常參數(shù)的距離越大，模型就越容易發(fā)現(xiàn)故障。但在故障程度為A的條件下，主元分析模型的準(zhǔn)確率為93.50%，稀疏自編碼器模型的準(zhǔn)確率為96.10%，高了2.6%。說明針對程度較低的故障，稀疏自編碼器具有更高的故障靈敏度，能更及時發(fā)現(xiàn)故障，減少損失。綜合而言，稀疏自編碼器對于不同故障程度的數(shù)據(jù)，其提取特征的效果優(yōu)于主元分析，表現(xiàn)為故障識別準(zhǔn)確率更高。

圖7 主元分析和稀疏自編碼器模型準(zhǔn)確率的對比

3.5 不同模型對不同故障類別的評判

建立支持向量機(jī)模型，記為M1；建立單層稀疏自編碼器和多層稀疏自編碼器模型，分別記為M2和M3，并將支持向量機(jī)作為分類器。對于7種典型的故障，3種模型的診斷準(zhǔn)確率如圖8所示。

由圖8可知，多層稀疏自編碼器模型診斷準(zhǔn)確率最高，單層稀疏自編碼器模型診斷準(zhǔn)確率次之，支持向量機(jī)模型準(zhǔn)確率最低。尤其是對于制冷劑過少故障，稀疏自編碼器模型的準(zhǔn)確率提高了1.2%。3種模型在各種故障下的綜合評價指標(biāo)如表3所示。

圖8 7種典型故障下的模型診斷準(zhǔn)確率

表3 7種典型故障下的綜合評判指標(biāo)

由表3可知，制冷劑和潤滑油相關(guān)的系統(tǒng)故障的綜合指標(biāo)較低，蒸發(fā)器側(cè)、冷凝器側(cè)以及不凝性氣體等局部故障的綜合指標(biāo)較高。尤其是針對水流量不足的故障，3種模型的準(zhǔn)確率均為1，這是由于閥門和水流量相關(guān)參數(shù)表征效果強(qiáng)，可反映故障特征。制冷劑和潤滑油的故障涉及整個空調(diào)制冷系統(tǒng)，影響因素很多，診斷難度比局部故障大得多[19-20]。對于制冷劑過少的故障，稀疏自編碼器模型的各項指標(biāo)均有提高，診斷效果最好。相比單層稀疏自編碼器，多層稀疏自編碼器提取故障特征的能力更強(qiáng)，診斷性能更優(yōu)。

4 結(jié)論

本文提出一種基于稀疏自編碼器-支持向量機(jī)的空調(diào)制冷系統(tǒng)故障診斷方法，研究了在空調(diào)制冷系統(tǒng)故障診斷領(lǐng)域的應(yīng)用潛力，得到如下結(jié)論：

1）訓(xùn)練樣本數(shù)對稀疏自編碼器模型的影響較小，針對少量的數(shù)據(jù)規(guī)模，模型有較高的診斷準(zhǔn)確率。隱藏層層數(shù)和節(jié)點數(shù)對稀疏自編碼器模型的影響較大，本系統(tǒng)中隱藏層層數(shù)為4，節(jié)點數(shù)分別為600、500、400和300的多層稀疏自編碼器模型診斷性能最優(yōu)；

2）對于單層稀疏自編碼器模型，當(dāng)隱藏層節(jié)點數(shù)為700時，故障診斷準(zhǔn)確率達(dá)到最高，為95.47%；對于制冷劑過少的故障，在故障程度最低的情況下，主元分析模型的準(zhǔn)確率為93.50%，稀疏自編碼器模型的準(zhǔn)確率為96.10%，提高了2.6%；稀疏自編碼器模型具有更高的故障靈敏度，能更及時地發(fā)現(xiàn)故障，減少損失；

3）相比于直接用原始數(shù)據(jù)進(jìn)行支持向量機(jī)方法的故障診斷，經(jīng)稀疏自編碼器提取故障特征，降低參數(shù)間相關(guān)性后的診斷方法精確度、召回率以及綜合評價指標(biāo)均有提高，表現(xiàn)為誤診、漏診和虛警等情況明顯減少；相比于單層稀疏自編碼器，多層稀疏自編碼器提取故障特征的能力更強(qiáng)，診斷性能更優(yōu)。