基于類隨機森林算法和仿真的多聯機故障診斷方法研究

范波，丁云霄，紀軻，范雨強

（美的集團樓宇科技事業部，廣東佛山 528000）

0 引言

多聯機空調系統（Variable Refrigerant Flow，VRF）是通過控制壓縮機改變制冷劑充注量和進入室內機的制冷劑流量，實時滿足室內冷、熱負荷要求的高效制冷劑空調系統[1]。多聯機系統管路結構多變、組合形式多樣，制冷劑在管路中流動路徑復雜，導致系統管道設計的繁復性。在正常運行工況下，多聯機系統管路壓力遠大于大氣壓力，容易引起制冷劑泄漏[2]。一旦發生制冷劑泄漏故障，不僅造成環境污染，還會使多聯機系統能效降低，設備壽命縮短等[3]。正因為制冷劑泄漏故障的多發性和危害性，制冷劑泄漏故障診斷方法非常必要。

故障診斷可分為4個部分：故障檢測、故障診斷、故障評價和故障決策。隨著故障診斷技術的不斷發展，國內外已有一些對制冷劑泄漏故障研究的論文。SUN等[4]提出了一種基于混合ICA-BPNN制冷劑泄漏故障診斷模型，正常數據用于訓練獨立主成分分析（Independent Component Analysis，ICA），將數據特征維度從12降低至4，同時應用反向傳遞神經網絡（Back Propagation Neural Network，BPNN）進行制冷劑泄漏的診斷，與BPNN比較，ICA-BPNN診斷正確率從82.7%提升至93.8%。ZHANG等[5]運用深度神經網絡對壓縮機進行故障診斷，對回液故障判斷的準確率達到99.86%。SHI等[6]提出貝葉斯人工神經網絡對多聯機系統制冷劑泄漏進行故障診斷，同時運用ReliefF算法進行特征選擇，減少了98.8%的模型訓練時間。ZHANG等[7]提出了融合聚類的主元分析統計模型，提升了50%的檢測效率。LIU等[8]結合指數加權移動平均法和主元分析法對VRF系統制冷機泄漏進行故障診斷，通過數據降維提升了大批量數據處理效率。徐廷喜等[9]應用支持向量域描述（Support Vector Domain Description，SVDD）算法，通過先網格搜索和遺傳算法優化求解過程，開發了制冷劑泄漏檢測和診斷方法，其無故障數據診斷準確率提高到93.43%。徐暢等[10]提出了相關特征-支持向量機算法應用于制冷劑充注量故障診斷，應用ReliefF提取出7個特征變量，然后用支持向量機進行故障診斷，準確率達到98.8%。SUN等[11]結合小波去噪法、最小冗余算法和支持向量機進行VRF系統制冷劑充注量故障診斷，將特征量從18個降低到7個，僅降低了2.14%的故障檢測精度。WANG等[12]提出一種基于遞歸特征消除和k最鄰近算法的多聯機制冷劑充注量故障診斷算法，采用遞歸特征消除（Recursive Feature Elimination，RFE）算法進行特征選擇，再用wkNN算法建立診斷模型，冷劑充注量故障診斷整體準確度98.3%。SHI等[13]提出了基于主成分分析（Principal Component Analysis，PCA）和對偶神經網絡的制冷劑充注量故障診斷算法，采用置信空間評估模型性能，采用PCA對特征進行降維并使用對偶神經網絡進行模型訓練，提升了9%的正確分類率。GUO等[14]應用高斯混合模型結合主成分分析對VRF系統進行故障診斷，通過特征提取和混合模型將多聯機多故障診斷耗時從176.78 s降至15.18 s。

以上研究在特征選擇上的工作存在一定的局限性，制冷劑泄漏數據不易獲得，特征選擇過程存在一定偏差。同時，進行制冷劑泄漏實驗需要耗費大量的人力和物力。

因此，本文提出了采用Xgboost特征選擇方法結合類隨機森林的故障診斷方法。基于Modelica語言[15]建立了多聯機動態系統仿真模型，基于該仿真模型獲取多聯機制冷劑泄漏運行數據，采用Xgboost特征選擇方法結合類隨機森林創建了制冷劑泄漏故障診斷方法。

首先建立多聯機制冷劑泄漏動態系統仿真模型，包括壓縮機、換熱器、連接管路、閥門和油分等部件，仿真得到大量不同程度的制冷劑泄漏數據。采用傅里葉變換對仿真得到的制冷劑泄漏數據進行低通濾波處理，然后對濾波后的數據進行趨勢特征提取，最后采用Xgboost進行特征選擇。經過特征選擇后，采用類隨機森林對制冷劑泄漏數據進行故障診斷，并采用現場運行數據進行驗證，得到較佳診斷效果。

1 故障診斷算法

1.1 類隨機森林算法介紹

類隨機森林算法由LIU等[16]提出，用于挖掘異常數據，有別于其他診斷算法，類隨機森林遞歸地使用隨機超平面分割數據集，并刻畫數據疏離程度。異常數據梳理程度較高，用很少的次數即可切分出來并進行分離，因此算法高效且時間復雜度低[17]。類隨機森林算法由于簡單高效的特點，常用于網絡安全中的攻擊檢測和流量異常等分析[18]。類隨機森林算法設計基于異常數據的兩個特征[19]：1）異常數據在數據樣本占比較少；2）異常數據和樣本中大部分數據疏離程度大。

類隨機森林與隨機森林類似，都是用二叉樹對數據進行分割，不同點在于隨機森林根據信息增益率、基尼值等對選擇特征，而類隨機森林使用隨機二叉樹（iTree）對數據進行隨機切割，建樹過程更加高效。類隨機森林是iTree的總體，給定了數據集D，然后隨機采樣一部分數據構造每棵iTree，以確保不同樹之間的差異性。在測試階段計算數據的異常分值，估算其在每棵iTree的深度，然后數據路徑長度的均值結合異常分數公式計算分值并對數據進行評估。

數據的異常分數公式S(d,n)為：

式中，E(h(d))為數據在iTree路徑長度的平均值，C(n)為n個數據平均路徑長度。異常分數S(d,n)取值范圍為[0, 1]，接近1時，數據異常可能性高；接近0時，數據正常可能性高；大部分數據接近0.5時，表示沒有明顯異常。

1.2 XGBoost特征選擇方法介紹

XGBoost[20]進行特征選擇，計算不同特征的分類效果，從而對特征的重要性進行排序，得到最優子集。XGBoost中有3個指標可以對特征進行評估，FScore表示特征被選作分裂次數，Gain表示特征的平均增益，Cover表示特征在分裂處平均二階導數。Xgboost進行特征選擇的步驟如下：

1）使用XGBoost對所有特性實現分類；2）根據XGBoost模型的評估對特征重要性進行排序；3）選擇重要性最高的若干特征生成子集；4）在特征子集中進行分類測試，驗證其分類能力；5）重復3-4步驟至特征均被選取；6）評估生成子集的分類效果，選擇最佳特征子集。

2 故障診斷數據生成和特征分析

2.1 基于仿真的故障診斷數據生成

由于多聯機故障數據獲取困難，進行故障實驗需要大量人力和物力，所以本文基于Modelica語言建立了以R410A為制冷劑的多聯機空調系統的動態仿真模型，通過仿真模型模擬系統制冷劑泄漏實驗，系統包括1臺室外機和8臺室內機以及油分離器、過濾器、氣液分離器等，以維持系統穩定運行。其中數據包括正常狀態無泄漏數據和制冷劑泄漏數據。圖2所示為VRF系統仿真平臺，用于獲取制冷劑泄漏仿真數據。表1所示為10組仿真數據（分為ABC和DEF兩大類）。其中ABC數據組為1臺室外機7臺室內機，DEF數據集為1臺外機4臺內機。數據集ABC、ABC1、ABC2、A2、DEF和E2為正常數據；數據集B2、C2、D2和F2為制冷劑泄漏15%的故障數據。仿真模型特征參數見表2所示，tddis為排氣溫度和冷凝器進口溫度的差值，tdcond為高壓對應飽和溫度和環境溫度的差值，f1為排氣過熱度與tddis、tdcond之和的比值。其中仿真數據的室外溫度工況90%數據分布在25～35 ℃之間，數據分別來源于10組仿真數據。

表2 多聯機動態仿真模型特征參數

圖2 原始數據

表1 10組仿真數據

表2所示為10組仿真數據（分為ABC和DEF兩大類）。其中ABC數據組為1臺室外機7臺室內機，DEF數據集為1臺外機4臺內機。數據集ABC、ABC1、ABC2、A2、DEF和E2為正常數據；數據集B2、C2、D2和F2為制冷劑泄漏的故障數據。

2.2 特征選取和數據分析

為了使故障診斷正確率提高且減少計算量，特征選擇十分必要，本文通過多聯機動態仿真模型獲得的正常狀態和制冷劑泄漏數據含有較大噪音，因此第一步采用傅里葉變換進行低通濾波去除數據中的噪聲。圖2和圖3所示為原始數據和經過傅里葉變換后的去除噪聲后的數據，可知特征參數t8、tL、pe和膨脹閥步數的噪聲數據得到明顯改善。對濾波后的數據進行趨勢特征提取，圖4所示為經過趨勢特征提取后的數據。

圖3 經過傅里葉變換經過低通濾波去除噪聲后的數據

圖4 經過趨勢特征提取后的數據

經過處理后的正常數據和故障泄漏數據采用Xgboost進行輸入參數敏感度分析，圖5所示為輸入參數的敏感分析結果，可知特征參數t9、tL、td、tdsh、t8和SC等參數對制冷泄漏故障較為敏感。

圖5 輸入參數的敏感度分析

3 故障診斷模型建模和訓練

進行特征參數敏感度分析后，采用類隨機森林方法進行診斷模型的訓練，類隨機森林關鍵參數包括 n_estimators、max_samples、Bootstrap 和max_features。圖6(a)為異常檢測建模流程：1）獲取正常運行數據（至少兩周以上）；2）得到數據后，需要采用濾波、提取趨勢和缺失值，利群點進行數據預處理；3）將全部數據放入之前訓練好的模型中，判斷誤報率是否最低，如果此時模型的誤報率為最低，則可確認模型使用運行工況范圍，如果誤報率不是最低，則調整模型參數；4）將預處理后數據分為8:2作為訓練集和測試集，采用訓練集訓練類隨機森林異常檢測模型以確認正常運行范圍，然后重復3的步驟，以達到最佳檢測效果。

圖6(b)為異常檢測模型檢測流程圖。具體流程為：1）獲取當天運行數據；2）對數據采用濾波、提取趨勢和缺失值，利群點進行數據預處理；3）提取負荷測試工況時間段數據（至少1 h）；4）采用類隨機森林提取異常點數據，判斷異常點數據比例，如果異常點比例超過標準，則判斷為制冷劑泄漏，如果不超過標準，則為運行正常數據。

圖6 異常檢測建模和檢測流程

本文采用90%進行模型訓練，10%的數據進行測試和驗證，結果如表3所示，訓練集包括15 300個正常數據，1 700個異常數據，訓練完模型后對驗證集（1 731個正常數據，0個異常數據），檢測正常正確率為100%；對測試集共檢測出248個正常數據和18 473個異常數據，檢測異常數據正確率達到98.7%，異常數據測試具有較佳效果。

表3 類隨機森林異常檢測建模結果

4 故障診斷應用與分析

本節將展現不同工況下不同訓練集時對制冷劑泄漏診斷結果，將數據分為A2、B2、C2、D2、E2、F2、ABC、ABC1、ABC2、DEF共10個數據集。分別采用ABC數據集組，DEF數據集組，ABC1+ABC2、ABC+DEF、ABC+ABC1+ABC2和ABC+DEF+ABC1+ABC2這6種方案作為訓練集生成故障診斷模型，并對表1中10個仿真數據集進行測試，然后計算異常率，設置異常判斷閾值：異常率高于40%判為異常。選用的特征參數為敏感度分析中的t9、tsh、tes、tss、t2B_avg、tdsh、tddis和f1這8個特征作為輸入參數。

圖7所示為將ABC、DEF以及ABC+DEF數據集作為訓練集對10組仿真數據進行測試的結果，由圖7可知，當ABC數據集作為訓練集時，可以準確檢測出B2、C2、D2和F2這4組15%制冷劑泄漏的異常數據集，故障檢測正確率達到100%，但是對A2、ABC1和E2這3組正常數據集卻產生了誤報，將正常數據診斷為制冷劑泄漏數據；當DEF數據集作為訓練集時，僅能檢測出B2、C2和F2這3組15%制冷劑泄漏異常數據，對于D2這組15%制冷劑泄漏數據卻無法檢測，產生了漏報，對制冷劑泄漏檢測率為75%，不僅產生了漏報，還對ABC、A2、E2這3組正常數據集檢測為制冷劑泄漏，產生了誤報。對比兩類模型，ABC作為訓練集建立的模型明顯優于DEF作為訓練集建立的模型，在制冷劑泄漏檢測率和誤報問題上均優于DEF模型，且未發生漏報現象。當ABC+DEF作為訓練集建立模型時，模型能夠有效改善ABC模型和DEF模型出現誤報的情況，能夠準確檢測出ABC、A2和ABC為正常數據，但是也出現了將D2制冷劑泄漏數據檢測為正常這種漏報情況。所以雖然增加了訓練集樣本數，但是對制冷劑泄漏診斷效果提升并不明顯。

圖7 ABC、DEF和ABC+DEF檢測結果

圖8所示為ABC1+ABC2、ABC+ABC1+ABC2和ABC+DEF+ABC1+ABC2訓練集對10組仿真數據集檢測結果。由圖8可知，對于ABC1+ABC2模型，能夠將正常數據檢測為正常，僅在E2數據集上，將其檢測為制冷劑泄漏故障，僅產生了一個誤報集。對于制冷劑泄漏故障數據集，ABC1+ABC2模型將B2故障數據檢測為正常數據，產生漏報。其余數據集均正確檢測；對于ABC1+ABC2+ABC模型，該模型在ABC1+ABC2模型的基礎上增加了ABC數據集為訓練集，得到的結果與ABC1+ABC2模型完全相同，不僅無法檢測出漏報的B2數據集，對于E2數據集仍然處于誤報狀態，在ABC1+ABC2模型的基礎上增加ABC數據集，對檢測效果提升不明顯，還會增加計算；對ABC+DEF+ABC1+ABC2模型，在ABC1+ABC2模型的基礎上增加了ABC和DEF數據集，但是檢測效果并未變好，仍然無法檢測B2數據集，對E2正常數據集產生誤報，不僅如此，對于ABC1+ABC2模型和ABC1+ABC2+ABC模型均能檢測出的D2制冷劑泄漏數據集，卻無法檢測出，產生了漏報，所以在ABC1+ABC2模型的基礎上增加ABC和DEF數據集是沒有必要的，不僅無法改善檢測結果，還使訓練產生冗余。

圖8 ABC1+ABC2、ABC+ABC1+ABC2和ABC+DEF+ABC1+ABC2檢測結果

圖9所示為上文中比較的兩種最佳模型ABC和ABC1+ABC2訓練集對10組仿真數據集檢測結果。圖8中，ABC模型對于制冷劑泄漏數據集均能準確檢測，但是對于正常狀態數據集，卻產生較多誤報。而ABC1+ABC2模型能夠有效改善ABC模型的誤報問題，但是對于B2制冷劑泄漏數據集無法檢測，產生漏報現象。建立的模型均對DEF組的E2數據無法正確檢測，總是將其檢測為制冷劑泄漏故障數據，分析可知，由于DEF組數據較為復雜。ABC組數據為1拖7系統長配管，液位影響不顯著，ABC組相對更好檢測；而DEF組為1拖4系統，液位很顯著，且DEF組的tsh均為0，液罐液位可能一直存在，這種情況檢測難度較大。

圖9 ABC和ABC1+ABC2檢測結果

進一步分析tsh對類隨機森林檢測影響，可以發現ABC組數據大多存在吸氣過熱度，而DEF組數據的過熱度為零，而類隨機森林算法對tsh=0的數據檢測錯誤率較高，所以在采用類隨機森林模型時，需要采集一段時間tsh不全部為0的數據進行檢測。

5 結論

本文提出一種基于Xgboost-類隨機森林的故障診斷方法，建立了以R410A為制冷劑的一拖八多聯機空調系統的動態仿真模型，用于仿真動態制冷劑泄漏故障數據，采用Xgboost方法對輸入特征參數進行制冷劑泄漏故障的敏感度分析，得到最佳輸入參數組合，采用類隨機森林對仿真得到的10組數據進行驗證，得出如下結論：

1）經過Xgboost敏感度分析后，得到對于制冷劑泄漏故障較為敏感度多聯機特征參數分別是t9、tsh、tes、tss、t2B_avg、tdsh、tddis和f1組合，以它們作為輸入參數可以較好訓練診斷模型；

2）經過6種訓練集組成建立的模型比較，可以得到最佳的類隨機森林模型為ABC1+ABC2模型，能夠對4個制冷劑泄漏訓練集診斷出3個，并能很好避免誤報以及將正常數據檢測正常；

3）通過訓練集和驗證集得到穩定故障診斷模型，在測試集18 721組數據中，異常檢測正確率達到98.7%。