多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識仿真

冉均均，袁 磊

(成都理工大學(xué)工程技術(shù)學(xué)院，四川樂山 614000)

1 引言

多聯(lián)式空調(diào)是公共基礎(chǔ)設(shè)施中必不可少的設(shè)備，一般用于調(diào)節(jié)公寓、商場、寫字樓等公共場所的溫度。當設(shè)備在不間斷使用的情況下，如果沒有及時進行清理，制冷系統(tǒng)就會出現(xiàn)堵塞故障，該故障初始期表現(xiàn)為不同程度的部分堵塞，在檢修時很容易被忽略，時間久了就會導(dǎo)致堵塞面積擴大，不僅會影響多聯(lián)式空調(diào)正常運行，還有可能帶來嚴重的安全隱患[1]。因此，消除多聯(lián)式空調(diào)制冷系統(tǒng)的堵塞故障具有重要意義，需要對堵塞故障位置的辨識方法進行深入研究。

王占偉[2]等人首先將DR機制融入貝葉斯網(wǎng)絡(luò)中，將制冷系統(tǒng)堵塞故障位置辨識轉(zhuǎn)化為一類劃分問題，然后通過小波變換法提取故障特征向量，并使用數(shù)據(jù)訓(xùn)練模型對其進行分類，完成辨識。實驗表明，該方法具有很高的辨識準確率，但該方法在辨識之前沒有對相關(guān)數(shù)據(jù)進行預(yù)處理，導(dǎo)致辨識過程中出現(xiàn)空值，誤報率過高。姜陳[3]等人采用BP神經(jīng)網(wǎng)絡(luò)算法建立室溫預(yù)測模型，并設(shè)置故障位置辨識閾值，以此構(gòu)建堵塞故障位置自動辨識系統(tǒng)，實現(xiàn)制冷系統(tǒng)中堵塞故障位置的自動辨識。但該方法沒有對數(shù)據(jù)進行預(yù)處理，導(dǎo)致需要辨識過程中所需的數(shù)據(jù)量龐大，召回率也低。黃倩云[4]等人利用支持向量機算法建立了制冷系統(tǒng)堵塞故障檢測與診斷模型，然后采用網(wǎng)格搜索和十折交叉驗證方法優(yōu)化該模型，完成制冷系統(tǒng)堵塞故障位置辨識。但該方法未消除對堵塞故障位置辨識貢獻較低的數(shù)據(jù)，導(dǎo)致漏檢率過高，不能廣泛使用。

為了解決上述方法存在的問題，本文提出一種多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識方法。

2 基于時間序列的堵塞故障數(shù)據(jù)清洗方法

在多聯(lián)式空調(diào)制冷系統(tǒng)中，由于其實際運行數(shù)據(jù)采樣間隔短、時間長、測量點多，導(dǎo)致數(shù)據(jù)量過于龐。再加上在龐大的數(shù)據(jù)中，經(jīng)常會存在死值、空值等對堵塞故障位置辨識貢獻較低的數(shù)據(jù)，影響辨識的準確率，因此，堵塞故障數(shù)據(jù)進行預(yù)處理的環(huán)節(jié)非常重要[5]。

所提方法將待辨識的堵塞故障位置設(shè)為觀測點，利用迭代檢驗方法對堵塞故障位置的時間序列進行清洗[6]。具體方法共為六個步驟，如圖1所示。

圖1 數(shù)據(jù)清洗具體流程

1)計算初始殘差

假設(shè)多聯(lián)式空調(diào)制冷系統(tǒng)運行數(shù)據(jù)中不存在異常值，對觀測點序列Zt建立時間序列模型，計算初始殘差[7]。具體如式(1)所示

(1)

(2)

2)觀察擬合殘差序列

若從任意時間點開始，殘差序列呈現(xiàn)水平遷移，并且遠遠大于初始殘差值，直接跳至步驟七，反之則進入步驟三，開始循環(huán)計算。

3)外循環(huán)

計算1，2，…，n中每個觀測點的檢驗統(tǒng)計量TtAO和TtIO。設(shè)最大發(fā)生時刻為λTmax，其表達式如下

λTmax=max{|TtAO|，|TtIO|}

(3)

式中，預(yù)先設(shè)定的常數(shù)為C，通常取3和4之間的值，當λTmax>C時，表明存在異常數(shù)據(jù)，需要進入下一步內(nèi)循環(huán)修正數(shù)據(jù)。

4)內(nèi)循環(huán)

(4)

修正后的時間序列如式(5)所示

(5)

修正后得到的新殘差如式(6)所示

(6)

通過上述計算可知，在修正后的殘差的基礎(chǔ)上，再次計算每個觀測點的檢驗統(tǒng)計量Tt′IO和Tt′AO，并重復(fù)步驟四，直到辨識出所有的異常數(shù)據(jù)，當λTmax

5)時間序列模型殘差

(7)

根據(jù)時間序列參數(shù)計算檢驗統(tǒng)計量，當λTmax

6)聯(lián)合估計

(8)

3 制冷系統(tǒng)的堵塞故障位置識辨識

為了消除多聯(lián)式空調(diào)制冷系統(tǒng)的堵塞故障，需要對其位置進行辨識。首先將處理后的堵塞故障數(shù)據(jù)進行局部均值分解(Local Mean Decomposition，簡稱LMD)，得到若干個乘積函數(shù)(PF)分量，然后結(jié)合相關(guān)分析法選取有效PF分量，對其能量熵和近似熵兩個指標的特征進行提取，構(gòu)建分類特征集，通過基于交叉驗證(CV)的SVM故障分類模型完成對堵塞故障位置的辨識。

3.1 基于LMD的堵塞故障特征融合提取

為了降低誤報率，利用LMD對堵塞故障數(shù)據(jù)特征進行提取[8]。首先從含有堵塞故障的原始數(shù)據(jù)中，將正常數(shù)據(jù)ai(t)與故障數(shù)據(jù)si(t)分離，并將二者進行相乘得到有物理意義的乘積函數(shù)(PF)，如式(9)所示：

PFi=ai(t)si(t)

(9)

1)能量熵

當制冷系統(tǒng)中的某部分出現(xiàn)堵塞故障時，數(shù)據(jù)中的能量分布也會因此做出相應(yīng)的改變。所以需要在LMD分解的基礎(chǔ)上，通過計算各PF分量的能量分布來進一步獲取信號能量熵特征，并以此構(gòu)建堵塞故障特征向量。

為了避免出現(xiàn)特征向量冗余的情況，所提方法利用相關(guān)分析法與能量分布法選取有效的PF分量。首先選取所占能量較多，且與原始信號相關(guān)度大于15%的分量計算能量熵，具體計算步驟如下所示：

①首先計算k個PF分量能量，并且將所有分量的能量相加得到總能量，如式(10)所示

(10)

②具有k個特征的PF分量在總能量中所占比重如式(11)所示

(11)

③則具有k個特征的PF分量能量熵的計算結(jié)果如式(12)所示

(12)

通過上述計算即可提取特征的PF分量的能量熵。

2)近似熵

如果僅用能量熵進行特征提取，正常數(shù)據(jù)和堵塞故障數(shù)據(jù)的能量熵會出現(xiàn)部分重疊的現(xiàn)象，因此為了彌補能量熵提取方式的不足，所提方法以數(shù)據(jù)的隨機性特征為基礎(chǔ)，提取堵塞故障數(shù)據(jù)特征。

近似熵能夠檢測時間序列中新的子序列產(chǎn)生概率，所以近似熵的數(shù)值越大，數(shù)據(jù)的隨機程度越大。首先，設(shè)時間序列如式(13)所示

|X(i)，i=1，2，…，N|

(13)

設(shè)m為子序列維數(shù)，r為能量熵相似度，則近似熵值的計算方法如式(14)所示

(14)

通過上述計算，得到了有效分量的近似熵與能量熵，經(jīng)過分析表明二者為平行的特征，能夠共同構(gòu)成堵塞故障數(shù)據(jù)特征，得到特征集合。

3.2 基于SVM的堵塞故障位置辨識

當獲取到優(yōu)質(zhì)的特征向量集合后，堵塞故障位置的辨識關(guān)鍵即變?yōu)檫x擇一個合適且高效的分類器進行分類的問題。目前的故障辨識分類器有很多，在眾多的分類器中，SVM在解決小樣本辨識問題中表現(xiàn)最為突出，因此所提方法采用的故障分類模型是基于交叉驗證的支持向量機(SVM)。它是一種適用于二分類的分類算法，即使在樣本數(shù)量較少的情況下也能夠獲得很好的分類結(jié)果。

首先給定一個訓(xùn)練集合，如下所示

G={xi，yii=1，2，…l}

(15)

其中，每個樣本xi∈Rd屬于一個分類，分類標簽為d。設(shè)分類的曲線為y=w*x+b，分類函數(shù)如式(16)所示

f(x)=sgn(wx+b)

(16)

式中，權(quán)重向量為w，閾值為b。

獲取SVM的最優(yōu)分類平面，可以表示為優(yōu)化問題，如下所示

(17)

將上述問題轉(zhuǎn)化為對偶問題

(18)

則分類函數(shù)變?yōu)?/p>

(19)

若線性不可分，則轉(zhuǎn)換為高維問題，令Φ(x)為變換函數(shù)，K(x，y)為核函數(shù)，則

K(x，y)=Φ(x)Φ(y)

(20)

將核函數(shù)代替內(nèi)積運算，最終的分類函數(shù)如式(21)所示

(21)

為了使分類辨識結(jié)果更為可靠、穩(wěn)定，引入K-CV方法，將數(shù)據(jù)均分為K組，每一組分別做一次測試組，其余作為訓(xùn)練組，由此就會獲得K個模型，SVM的分類指標為此K個模型的最終分類準確性所對應(yīng)的值，且K取10。

綜上所述，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識主要流程包括兩個方面：一是提取經(jīng)過預(yù)處理后數(shù)據(jù)的能量熵、近似熵特征，構(gòu)建堵塞故障數(shù)據(jù)特征集合，完成特征提??；二是在構(gòu)建的融合特征集的基礎(chǔ)上采用K-CV的方法優(yōu)化SVM分類器進行制冷系統(tǒng)中堵塞故障位置的辨識。該方法的具體流程圖如圖2所示。

圖2 制冷系統(tǒng)堵塞故障位置辨識流程圖

4 實驗與分析

為了驗證所提的多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識方法的整體有效性，需要對其進行測試。實驗分別對文獻[3]方法、文獻[4]方法與所提方法的召回率、誤報率和漏檢率對比測試。實驗參數(shù)如表1所示。

表1 實驗參數(shù)

4.1 召回率

召回率表示在所有故障樣本中，被正確辨識出故障類別的比例，圖3為不同方法的召回率對比結(jié)果。

圖3 不同方法的召回率對比結(jié)果

由圖3可知，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識方法的召回率最高，表明所提方法能夠有效對制冷系統(tǒng)中的堵塞故障位置進行辨識。原因在于該方法在辨識前對觀測點的時間序列進行了清洗，消除了死值、空值等對堵塞故障位置辨識貢獻較低的數(shù)據(jù)，進而提高了該方法的召回率。

4.2 誤報率

誤報率表示在所有正常樣本中，被錯誤辨識為故障類別的比例，圖4為不同方法的誤報率對比結(jié)果。

圖4 不同方法的誤報率對比結(jié)果

分析圖4的結(jié)果可知，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識方法的誤報率是三種方法中最低的。原因在于該方法對數(shù)據(jù)進行了預(yù)處理，并利用LMD對堵塞故障數(shù)據(jù)特征進行了融合提取，選取了有效的PF分量，避免了特征向量冗余出現(xiàn)的情況，因此誤報率明顯下降。

4.3 漏檢率

漏檢率表示在所有故障樣本中，被錯誤辨識為正常樣本的比例，圖5為不同方法的漏檢率對比結(jié)果。

圖5 不同方法的漏檢率對比結(jié)果

從圖5的對比結(jié)果可知，與文獻[3]方法、文獻[4]方法相比，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識方法的漏檢率最低。原因在于該方法首先利用迭代檢驗的方法對觀測點的時間序列進行了清洗，然后引入了基于交叉驗證的支持向量機的故障分類模型進行故障位置辨識，即使出現(xiàn)樣本數(shù)量較少的情況，也能夠獲得較優(yōu)的分類辨識結(jié)果，所以漏檢率也是三種方法中最低的。

5 結(jié)束語

多聯(lián)式空調(diào)系統(tǒng)作為必不可少的公共基礎(chǔ)設(shè)施，對其進行安全維護至關(guān)重要，而制冷系統(tǒng)中堵塞故障是維修中最棘手的問題之一，針對制冷系統(tǒng)出現(xiàn)堵塞故障導(dǎo)致設(shè)備無法正常運行的問題，需要對堵塞故障位置辨識進行深入研究。當前方法在對堵塞故障位置進行辨識時，存在召回率低、誤報率高和漏檢率高的問題，因此提出多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識方法。實驗結(jié)果表明，該方法的召回率高、誤報率和漏檢率較低，充分解決了當前方法中存在的問題，在接下來會進一步結(jié)合相關(guān)應(yīng)用研究開銷更小的堵塞故障位置辨別方法。