基于數據驅動的變風量空調 AHU 故障診斷研究

龐義旭 鹿世化 陳瑋瑋 田建新

1 南京師范大學能源與機械工程學院

2 吳江煬明空調凈化有限公司

0 引言

變風量空調系統一般由空氣處理機組（AHU，A ir Handling Unit），風管系統，自動控制系統和末端裝置4個部分組成，因具有節能和舒適性的優點[1]，受到了廣泛的應用。但是，在操作過程中，控制元件不可避免地容易出現各種異常故障[2]。此類故障最終反映為能源效率下降，從而造成不必要的能源浪費[3-5]。因此對AHU 系統的故障檢測研究具有重要價值及意義。

本文以某工廠變風量空調實驗室為研究對象，首先收集AHU正常運行時的監測數據，經過濾波處理后，再利用標準化數據集 PCA建模，確定Q統計量[6-8]的閾值δ2，根據閾值SPE 統計量和閾值δ2的大小來確定AHU 的故障檢測率，然后通過比較BP 神經網絡算法[9]和Q貢獻率圖法對系統故障診斷診斷率，找出故障的具體來源，進而確定最佳系統故障診斷方案。

1 數據采集

研究對象是某工廠變風量空調實驗室，原理圖如圖1 所示。AHU 中分布著新風溫濕度傳感器，混合風溫濕度傳感器，回風溫濕度傳感器和回風溫濕度傳感器，系統通過控制冷凍水閥門來控制送風溫度，通過房間負荷來控制變頻風機的送風頻率。傳感器及閥門信號數據每1 min 記錄一次，通過MODBUS 協議傳輸到PLC 中，PLC 再通過物聯網平臺實時傳送到云端。

圖1 變風量空調系統原理圖

為了能夠全面的描述 AHU 的運行特性，從能量守恒和質量守恒出發，如圖 2 所示，本文選取送風溫度Ts、新風溫度To、混合風溫度TM、回風溫度Tr、供水溫度Tws、回水溫度Twr、冷凍水流量Was、回風濕度Dr、送風量Mas這9 個變量為PCA 模型的原始數據集。實驗從早晨 6 點開始，一直持續運行到 18 點，數據每 1 min 傳輸一次，去除無效數據后，總共采集到720 組數據。

圖2 AHU 能量交換原理圖

2 模型建立及數據分析

2.1 PCA 模型建立

AHU 機組正常運行時常常處于動態變化中，系統總會受到干擾作用，會使數據有噪聲的存在，而因外界干擾而產生的數據集質量如果不高就會對模型的準確性帶來很大的挑戰。因此本文采用卡爾曼濾波的方法對原始數據集進行濾波降噪處理，輸出高質量的數據集，為 PCA 建模提供基礎。圖 3 所示為 AHU 模型建立及故障診斷流程。

圖3 模型建立及故障診斷流程圖

PCA 模型建立可以分為以下3 個部分：

1）原始數據采集及濾波降噪，通過對收集到的數據矩陣X720x9進行濾波處理，將無效數據、極端高低頻數據閾值控制，降低數據的噪聲后，最大限度還原系統運行穩定性。

2）優化后的數據集一部分用來模型的訓練，建立PCA 模型，求出主元數，并計算出平方預測誤差的閾值δ2。

3）計算每個監測數據的Q統計量和T2統計量，利用平方預測誤差的閾值δ2來確定系統的故障率，若平方預測誤差＞δ2，則系統出現故障，并求出故障檢測率，反之則沒有出現故障。

2.2 濾波前后數據分析

由于變風量空調系統具有高度的非線性的特點，而AHU 中能夠描述系統運行的變量有很多，因此建立精確的解析模型很困難。PCA 模型不需要準確的內在關聯式，完全基于數據集來確定問題，直接用數據的變化發現和解決問題。

PCA 模型一般需要訓練集和測試集，通過歷史數據集的訓練來確定模型，測試集一般是在線監測的數據導入模型進行驗證，來確定故障是否發生。為了方便驗證，前504 個樣本作為訓練集，后 216 個樣本為測試集。實驗故障數據的獲取需要大量的金錢成本，這里人為在第118 個樣本后加入故障，以測試模型檢測故障率。模型訓練具體過程如下：

1）將原始數據進行無量綱化處理，使每個變量被賦予相等的權重。經處理后，原始數據矩陣X的均值為0，方差為1。

2）求解特征值和特征向量，并求出以特征值所對應的特征向量矩陣P。

3）根據累計貢獻率 0.85 的原則，確定主元數k。主元數的個數直接影響到PCA 故障檢測的能力，假設主元數選取過小，主元模型會丟失大量信息，而主元數選取過大，測量數據中的故障和噪聲信息過多地保留在主元模型內，減弱了故障檢測的能力。

4）計算投影矩陣C。

5）根據0.90 的置信區間求出了平方預測誤差閾值δ2。

表1 為濾波PCA 模型下的特征值，貢獻率及累計貢獻率。

表1 濾波PAC 下的特征值，貢獻率及累計貢獻率

從表 1 中可以看出 9 個變量的貢獻率依次減小，濾波 PCA 模型在主元數為 6 的時候貢獻率僅為4.8%，累計貢獻率89.6%，根據累計貢獻率85%的的原則，主元數k=5。選擇主元分析的個數為5 個既減少了主元數量又保留了系統的主要信息。因此這里系統故障檢測采用濾波的PCA 模型。

3 系統故障檢測

3.1 模型驗證

為了驗證模型的正確性，采用正常運行數據的70%作為模型訓練集，后 30%作為測試集，測試結果如圖4 所示。

圖4 PCA 模型測試結果圖

從后30%的測試集結果看，全部的 216 個數據都落在了T2 統計量和Q統計量閾值以下，驗證了模型是可以正常運行并進行故障檢測診斷的。

3.2 偏差故障5%檢測

為檢驗 PCA 模型對空氣處理機組故障的檢測能力，在正常數據的基礎上，人為引入不同部位、不同程度的故障，從測試集的第118 個數據起人為對送風溫度、新風溫度、冷凍水流量引入 5%的偏差故障，每個故障獨立存在。

圖5 送風溫度傳感器偏差故障中T2統計量雖然在 118 個樣本有上升的趨勢但是大部分都在閾值以下，不能作為故障檢測依據，而Q統計量在 1～117 個樣本都在閾值以下，從第 118 個樣本起Q統計量驟然上升，且遠遠超過統計量閾值，檢測率 100%，說明模型的故障檢測可以以Q統計量作為依據。圖6 新風溫度傳感器偏差故障中T2統計量在1～117 個樣本全部低于閾值，在 118～216 個樣本均超過閾值，而Q統計量在1～117 個樣本也都全部低于閾值，從第 118 個樣本后有95%的數據都超過了閾值。圖 7 冷凍水流量傳感器偏差故障中T2統計量趨勢與圖 5 基本相同，而Q統計量從第118 個樣本后有90%的數據都超過閾值。

圖5 送風溫度傳感器故障

圖6 新風溫度傳感器故障

圖7 冷凍水流量傳感器故障

通過表 2 分析?，T2統計量在送風溫度傳感器故障和冷凍水流量傳感器故障中均不能正確檢測，而Q統計量在三種故障中的檢測率均大于 90%，故使用Q統計量的PCA 模型可以用于空氣處理機組故障的檢測。

表2 統計量檢測率

4 系統故障診斷

故障被檢測出來后只能確定系統發生了故障并不能找出故障的來源，因此下一步要進行故障診斷。神經網絡是受到生物神經網絡啟發的數學模型，它模仿人類神經元系統，以獲得學習能力。網絡從歷史數據中學習，根據學習規則確定神經元之間的連接權值，使經過訓練的網絡能夠產生正確的輸出。BP 神經網絡是最常用的神經網絡之一，網絡的第一層是一組包含來自所有輸入變量的信息的輸入層，第二層是包含一定數量神經元的隱藏層。每個神經元都有一個和算子和一個激活函數，執行非線性變換。

首先確定網絡的輸入輸出層，輸入層為表 3 故障模式中的數據，輸出層為表 3 目標向量的數據，不同的故障模式對應不同的目標輸出。本文將 720 組系統正常運行的數據劃分成3 種故障數據，每種數據都要歸一化處理，并對故障數據模式進行 1～3 編號，利用構建好的BP 網絡進行訓練。而后將待診斷的360 個數據歸一化預處理后帶入模型進行診斷，圖9 所示為故障診斷結果圖。從圖中可以看出第二類故障（新風溫度傳感器故障）和第三類故障（冷凍水流量傳感器故障）診斷率為 100%，第一類故障（送風溫度傳感器故障）診斷率達到了 92%。送風溫度相比較于新風溫度和回風溫度它的要求精度更高，因此故障診斷率沒有達到 100%，但是三種故障的檢測率都超過了 90%，故BP 神經網絡算法可以有效地對 AHU 系統進行故障診斷。

表3 不同故障模式輸入輸出

圖9 故障類型診斷

5 結論

本文以某工廠變風量空調系統的 AHU 空氣處理機組為研究對象，利用系統正常運行大數據建立模型，利用模型對故障來源進行診斷，主要得出了以下幾個結論：

1）通過系統運行正常數據的前70%進行 PCA 建模，后 30%數據驗證模型正確性，結果表明模型是可以正常運行并進行故障檢測的。

2）T2統計量在送風溫度傳感器故障和冷凍水流量傳感器故障中均不能正確檢測，而Q統計量在三種故障中的檢測率均大于90%，故使用Q統計量的PCA模型可以更好的用于空氣處理機組故障的檢測。

3）使用 BP 神經網絡算法對系統故障進行診斷，新風溫度傳感器故障和冷凍水流量傳感器故障診斷率均達到了 100%，新風溫度傳感器由于精度較高檢測率為92%，說明算法對數量級較大的故障類型有更好的診斷率。