基于免疫算法的暖通空調系統傳感器故障診斷研究

張紅，石峰豪，陳蘇坤

(四川省建筑科學研究院有限公司，四川 成都 610081)

0 引言

經調查發現，當暖通空調系統的傳感器出現故障時，消耗的能源較多，會降低空氣質量。因此，為了保證暖通空調系統傳感器安全、穩定地運行，需要對暖通空調系統傳感器中存在的故障進行診斷[1-2]。

張朝龍等[3]提出基于深度學習的傳感器故障診斷方法，該方法在深度學習技術的基礎上利用自編碼器獲取傳感器信號的特征，并對特征進行聚類處理，在加權貝葉斯分類模型中輸入聚類處理后的特征，完成傳感器故障的識別診斷。但是該方法獲取的傳感器信息精準度較低，在診斷過程中獲得的診斷結果與實際結果不符，表明該方法的有效性較差。于曉慶等[4]提出基于混合未知輸入觀測器的傳感器故障診斷方法，該方法通過坐標變換將原系統分解成兩個子系統，利用Lyapunov函數證明該方程的穩定性及矩陣不等式，以便對矩陣增益后進行求解，實現傳感器故障診斷。但是該方法沒有對傳感器信號的頻域和時域特征進行提取，導致識別結果與實際存有誤差，表明該方法的診斷結果準確性低。孫凱等[5]提出基于擴張狀態觀測器和遺傳算法的傳感器故障診斷方法，該方法為建立基于Matlab的仿真模型，提前建立空間數學模型和擴張狀態觀測器，獲取系統傳感器的故障特征值，并采用遺傳優化算法根據提取的故障特征值完成故障診斷。但是該方法提取的傳感器信號特征較為單一，不能對不同類型傳感器進行診斷，表明該方法的可行性低。

為了解決上述方法中存在的問題，利用免疫算法對暖通空調系統傳感器故障診斷進行研究。

1 故障信息采集與處理特征提取

1)根據采集暖通空調系統傳感器故障信息，對傳感器信號的頻域和時域特征進行計算，歸一化處理計算得到的傳感器信號初始特征向量[6]。

2)根據采集暖通空調系統傳感器故障信息，利用核函數K(xi,xj)對式(1)內散度矩陣Kw、Kb求解。

(1)

式中：Kb代表核類間散度矩陣；Kw代表核類內散度矩陣；Mj代表傳感器信號初始特征向量。

3)在獲取d個最大特征值前，對廣義特征式(2)求解，得到相應的最優核鑒別向量α1,α2,…,αd。

Kbα=λKwα

(2)

4)通過計算式(3)得到映射數據的最佳投影向量T=[t1,t2,…,td]，也是非線性初始樣本x的最佳鑒別特征。以此獲取傳感器信號的最優特征，其方程表示為

[ti1，ti2，…，tid]T

(3)

2 暖通空調系統傳感器故障診斷

2.1 傳感器故障診斷原理

根據提取的傳感器信號特征構建傳感器信號觀測器，比較實際暖通空調系統傳感器的輸出與濾波器的輸出，獲得殘差，分析并處理殘差，構建傳感器故障診斷模型[7-8]。

設置傳感器狀態矢量為x(t)，通過下述公式描述濾波器系統：

(4)

式中：u(t)表示傳感器控制矢量；y(t)表示傳感器測量矢量；A、B、C表示對應常數矩陣。

動態系統模型存于檢測濾波器中，利用增益矩陣H把暖通空調傳感器系統與模型的輸出參數反映到模型輸入中，即系統模型輸入和模型輸出始終一致。

故障檢測濾波器和全維觀測器歸于線性濾波器，兩個線性濾波器在設計上存有差異。為了保障全維觀測器處于穩定狀態，(A-HC)矩陣要存在負實數。故障檢測濾波器在始終穩定的基礎上，還要利用殘差信號診斷傳感器故障系統。

當濾波器處于穩定狀態時，原始誤差會逐漸清除，濾波器能精確地追蹤到傳感器系統反應，輸出誤差矢量ε(t)=0；若傳感器出現故障，故障后的傳感器系統特征不能被準確反映，即輸出誤差矢量ε(t)≠0，觀察輸出誤差矢量ε(t)就能診斷傳感器是否發生故障。

傳感器故障檢測濾波器的方程為

(5)

濾波器狀態殘差矢量定義用方程表示為

(6)

濾波器輸出殘差矢量用方程表示為

(7)

則傳感器狀態殘差矢量為

(8)

濾波器輸出誤差矢量如下：

(9)

為考慮診斷傳感器故障問題，設第j個傳感器數學模型故障方程如下：

y(t)=emjx(t)+n(t)C

(10)

式中：emj表示第j個故障傳感器；n(t)表示時間系數。

狀態殘差矢量如下：

(11)

式中hj代表的是第j列矢量H陣。這時傳感器輸出誤差方程如下，即暖通空調系統傳感器故障診斷模型：

(12)

2.2 基于免疫算法的故障診斷

采用免疫算法對上述構建的暖通空調系統傳感器故障診斷模型進行求解，實現暖通空調系統傳感器的故障診斷，具體流程如下：

1)針對優化問題的解進行免疫算法編碼，獲取原始種群抗體；

3)通過下式計算各抗體親和力，在記憶細胞子集R中引入一個最優抗體，則免疫函數的表達式為

Fit(R)=U(R)+con(R)+D(R)+S(R)

(13)

式中U、D、S表示免疫系數；

4)復制n個最佳抗體，生成臨時復制群體M；

5)通過交叉、變異對M中的抗體進行操作，使其抗體的親和力與變異概率成反比，獲取新抗體種群M′；

6)比較M′和M，若抗體的親和力達到最高，則對此引入記憶細胞子集R，當R中抗體和新抗體的歐氏距離是D<δ時，對原抗體進行消除；

7)驗證條件是否滿足，若“是”則最優融合規則集為輸出記憶細胞子集R；若“否”將反復驗證4)-6)步驟。

通過上述過程獲得暖通空調系統傳感器故障診斷模型的最優解，實現故障診斷。

3 實驗與分析

為了驗證基于免疫算法的暖通空調系統傳感器故障診斷研究的整體有效性，需要對暖通空調系統傳感器故障診斷進行測試，本次測試的實驗平臺為Trane Split Koolman機組，型號為CGAK0605C。

采用基于免疫算法的暖通空調系統傳感器故障診斷方法(方法1)、基于深度學習的傳感器故障診斷方法(方法2)、基于混合未知輸入觀測器的傳感器故障診斷方法(方法3)對引入+0.5℃的固定偏差的暖通空調系統傳感器進行故障檢測，根據SPE統計量變化對方法的有效性進行測試，測試結果如圖1-圖3所示。

如圖1所示，將+0.5℃的固定偏差引入暖通空調系統時的SPE統計量變化圖。第175個樣本點為故障偏差引入點，在故障引入之前，傳感器SPE統計量波動都在閾值內，表明此時的波動在控制范圍內，認為此時暖通空調系統傳感器沒有發生故障。

圖1 方法1的SPE統計量變化(+0.5 ℃)

圖2 方法2的SPE統計量變化(+0.5 ℃)

圖3 方法3的SPE統計量變化(+0.5 ℃)

在第176個樣本點之后加入+0.5℃故障偏差引入點時，第176個樣本點到第275個樣本點的SPE統計量產生巨大變化，波動劇烈且偏差較大，大部分波動超過閾值，很不穩定，說明溫度傳感器發生故障，其效率檢測為0.823 0。但從第275個樣本點中撤除+0.5℃固定偏差故障時，SPE統計量恢復正常，其波動都在閾值以下，恢復到控制范圍內，傳感器無故障。

如圖2、圖3所示，分別采用方法2、方法3進行測試。將+0.5℃的固定偏差引入暖通空調系統時的SPE統計量變化圖。把第175個作為故障偏差引入點，在故障引入之前，傳感器初始數據SPE統計量都在閾值內波動，表明此時暖通空調系統傳感器沒有發生故障。從第176個樣本點加入+0.5℃固定偏差故障后，圖1 SPE統計量波動一直持緩慢變化，逐漸超過閾值，從第275個樣本點中撤除+0.5℃固定偏差故障后，SPE統計量波動絲毫沒有受到影響，仍持緩慢上升狀態，其波動超過閾值，無法判斷傳感器是否發生故障。而圖3所示，第175個樣本點引入固定偏差前，傳感器SPE統計量波動都在閾值以內，從第176個樣本點加入故障偏差后，SPE統計量波動沒有產生變化，故無法判斷傳感器是否發生故障。兩種傳統方法都沒有對傳感器信號特征進行提取，故不能診斷傳感器故障。

采用方法1、方法2、方法3對引入+1.5%的固定偏差的暖通空調系統傳感器進行故障檢測，根據SPE統計量變化對方法的有效性進行測試，測試結果如圖4-圖6所示。

圖4 方法1的SPE統計量變化(+1.5%)

圖5 方法2的SPE統計量變化(+1.5%)

圖6 方法3的SPE統計量變化(+1.5%)

如圖4所示，將加入+1.5%固定偏差故障時暖通空調系統風量傳感器SPE統計量變化圖。對第176個樣本點中加入故障點進行檢測。未加入故障點前，風量傳感器SPE統計量大部分保持平穩狀態，波動偏差小，尚未超過閾值，傳感器沒有發生故障。加入故障點后，大部分風量傳感器SPE統計量超過閾值且SPE統計量波動劇烈，說明風量傳感器發生故障。將加入故障點撤除后，SPE統計量波動恢復平穩，波動都在閾值以下，恢復到控制范圍內，傳感器無故障。

通過采用傳統方法的圖5、圖6所示，加入+1.5%固定偏差故障前，第175個樣本點前風量傳感器SPE統計量大部分保持平穩狀態，都處于閾值以下，傳感器無故障。從第176個樣本點加入+1.5%故障點后，故障偏差波動平穩，無明顯變化，無法判斷傳感器是否發生故障。而圖6所示，未加入偏差故障時第175個樣本點前傳感器原始數據SPE統計量波動都在閾值以內，從第176個樣本點加入+1.5%固定偏差故障后，波動變化小，閾值緩慢上升，撤除固定偏差后，波動持續呈上升趨勢，閾值緩慢升高，檢測結果與實際結果不符。

通過上述分析可知，方法1可以準確地檢測出暖通空調系統傳感器故障。因為該方法在診斷之前提取了傳感器信號的頻域及時域特征，將其作為傳感器的初始特征，根據提取的特征對傳感器是否發生故障進行診斷，提高了診斷結果的準確率。

馬氏距離描述的是傳感器實際故障值與診斷故障值之間的相似程度，馬氏距離越大，表明診斷結果與傳感器實際故障值差異越大，馬氏距離越小，表明診斷結果與傳感器實際故障值差異越小。利用馬氏距離方法對方法1、方法2和方法3進行測試，測試結果如圖7-圖9所示。

圖7 新風量傳感器的馬氏距離

圖8 回風量傳感器的馬氏距離

圖9 送風量傳感器的馬氏距離

分析圖7-圖9中的數據可知，方法1對新風量、回風量和送風量傳感器故障檢測時，馬氏距離數據值一直處于平穩狀態且數值較小，表明診斷結果與傳感器實際故障差異小。采用方法2和方法3分別對新風量、回風量和送風量傳感器故障檢測，發現馬氏距離會隨著檢測點的變化而變化，波動大，且波動幅度上漲快，說明診斷結果與傳感器實際故障差異大。

綜上所述，方法1可以對暖通空調系統中不同類型的傳感器進行故障診斷，因為方法1使用核Fisher方法對暖通空調系統傳感器的初始特征進行非線性變換增強處理，利用增強后的特征實現故障診斷，提高了方法的整體有效性。

4 結語

經調查發現，暖通空調會在運行過程中受到傳感器故障的影響，導致消耗能源較多，對空氣產生影響，所以要對暖通空調傳感器進行診斷研究。目前，大部分傳感器診斷方法沒有獲取傳感器故障信息，在診斷過程中獲得的結果與實際結果不符，大大降低傳感器系統有效性。根據上述問題，本文提出免疫算法對暖通空調傳感器系統故障診斷進行研究，將傳感器信號特征提取，通過構建模型實現對傳感器故障診斷，提高了免疫算法有效性及故障診斷準確性，解決了目前方法中存在的問題，為暖通空調傳感器的故障診斷提供了保障。