基于中心損失的條件生成式對抗網絡的冷水機組故障診斷

高學金，程琨，韓華云，高慧慧，齊詠生

（1 北京工業大學信息學部，北京 100124； 2 數字社區教育部工程研究中心，北京 100124； 3 城市軌道交通北京實驗室，北京 100124； 4 計算智能與智能系統北京市重點實驗室，北京 100124； 5 內蒙古工業大學電力學院，內蒙古呼和浩特 010051）

引 言

冷水機組是供暖、通風和空調系統中的關鍵設備，運行時間過久、使用操作不當和維護不善等都會引發故障。冷水機組的耗電量通常占建筑總耗電量的40%[1]，當冷水機組發生故障并帶故障運行時，會額外造成15%～30%的能源消耗[2]，造成大量的能源浪費。從安全方面考慮，冷水機組在發生故障后，發現故障不及時或維修人員對發生的故障類型做出錯誤的診斷結果，都可能引發設備停機、設備損壞等更加嚴重的安全性問題。因此，針對冷水機組進行故障診斷的研究具有重要意義。

在冷水機組故障診斷領域中，相較于傳統的基于模型的方法，基于數據驅動的方法不需要復雜的物理模型及相關的物理學知識。同時隨著計算機技術的不斷發展，在冷水機組系統中可以采集到越來越多的運行參數，并且對這些運行參數可以進行靈活的存儲和讀取。由于上述原因，基于數據驅動的冷水機組故障診斷受到越來越多研究者的關注，方法主要包含多元統計分析[3-4]、支持向量機[5-7]、貝葉斯網絡[8-10]、深度神經網絡[11-12]、集成學習[13-14]等。多元統計分析方法是冷水機組故障診斷領域中研究和應用較多的一種方法，多元統計分析是從經典統計學中發展出來的一種方法，它通過對各種數據進行分析，從相互關聯的多個對象和多個指標中分析出所存在的規律。在冷水機組的運行參數中，大部分參數之間相互關聯，關系復雜，多元統計分析方法可以從冷水機組相互關聯的多個運行參數中找到表征運行狀態的主要特征，從而進行精確的故障診斷。例如，齊詠生等[15]提出一種基于多尺度主元分析-核熵成分分析(MSPCA-KECA)的故障診斷策略，該方法通過MSPCA 提取參數中的故障特征，MSPCA 的輸出作為KECA 分類器的輸入，并采用新的監測統計量使降維后不同特征信息之間呈現顯著的角度差異，減少了故障診斷的誤診率。在冷水機組的故障診斷領域，除了多元統計分析方法，支持向量機也是一種被深度研究與應用的典型方法。Han 等[16]提出一種基于交叉驗證的最小二乘支持向量機(least squares support vector machine，LSSVM)冷水機組自動故障診斷方法，LSSVM 利用冷水機組的8個故障指示特征對7種典型故障進行診斷，取得了較高的診斷準確率和較快的診斷時間。實際上，冷水機組各種故障與各特征之間的關系有著很大的不確定性，相同故障發生時可能會使不同特征變量發生改變，而多元統計分析方法和支持向量機不容易解決冷水機組故障診斷中的不確定性。而貝葉斯網絡是由代表變量的節點及連接節點的有向邊構成的有向無環圖，貝葉斯網絡各節點間的有向邊代表了節點間的相互關系，并用條件概率表示各節點之間的關系強度，使得不確定性推理變得更為清晰、可理解性更強。貝葉斯網絡可以融合冷水機組的各種現場信息進行推理，適用于存在諸多不確定性的冷水機組故障診斷中。Zhao等[17]設計了一個三層貝葉斯網絡來診斷冷水機組的典型故障，在冷凝器結垢、制冷劑泄漏和冷凝器水流量減少這三種故障上均獲得了較高的診斷準確率。隨著神經網絡技術的發展，逐漸有人將深度神經網絡引入到冷水機組的故障診斷研究中。深度神經網絡可以根據歷史數據建立端到端的故障診斷模型，不需要額外的信息和專家知識，并且診斷的速度和精度都得到了很大的提升。例如，Li[18]等提出了一種用于冷水機組故障診斷的特征增強時域卷積網絡的方法，與其他方法相比，需要更少的樣本和更短的時間就可以完成模型的訓練，并且可以獲得滿意的故障診斷結果。除了上述方法外，許多研究還提出在診斷分類之前對冷水機組的特征進行提取，消除冗余特征，從而提高故障診斷的精度。例如，Gao 等[19]提出了一種帶有級聯特征清洗和補充混合特征篩選的故障診斷策略，通過基于隨機森林(random forest，RF)元模型的全局靈敏度分析方法分析了冷水機組典型故障的敏感參數，并用于故障診斷，證明了潤滑油參數對系統狀態有直接而顯著的指示作用。Lu等[20]提出了一種基于RF的特征重要性排序方法，僅選用重要性高的特征進行故障診斷，在使用較少傳感器的情況下提高了冷水機組故障診斷的性能。

基于數據驅動的故障診斷方法可以獲得較高的故障診斷精度，一個重要原因是依賴于數據量充足且類別平衡的理想數據集，但是，理想的數據集在實際應用中是很難獲得的。在實際的數據集中故障數據通常很少，從而使故障診斷的準確性急劇下降[21]。在冷水機組的整個生命周期中，其運行在故障狀態的次數少且時間短，從成本和安全方面考慮，人為制造故障來產生故障數據也不合理，所以現有的大部分冷水機組故障診斷方法在實際應用中，會面臨故障樣本數量不足使得故障診斷精度下降的問題。為解決這一問題，范雨強等[22]將合成少數類過采樣技術與SVM 算法相結合用于冷水機組的故障診斷中，僅采用少量螺桿式冷水機組的故障數據，就可以將離心式冷水機組故障診斷模型改變成螺桿式冷水機組故障診斷模型，解決了螺桿式冷水機組故障數據不足導致無法進行故障診斷的問題。Gao 等[23]提出了一種基于數據自產生和卷積神經網絡(convolutional neural network，CNN)的故障診斷方法，該方法利用滑動窗口將有限的故障數據擴展成更多的故障數據，并利用CNN 良好的特征提取和模式識別能力來診斷冷水機組的典型故障。在解決冷水機組故障樣本數量不足的問題上，傳統的解決方法容易產生大量的相似數據，會加大模型過擬合的可能性，提高故障診斷的誤診率。

近幾年的研究表明，在解決故障診斷過程中的數據不平衡問題上，利用生成式對抗網絡(generative adversarial network，GAN)生成所需的故障數據是解決該問題的一個有效途徑。GAN 由Goodfellow[24]首先提出，因為簡單有效的訓練方式使得GAN 在圖像生成領域應用廣泛。近幾年，GAN 逐步被應用在故障診斷領域，例如，Yan等[25]將GAN 引入到冷水機組的故障診斷中，并利用成本敏感的順序特征選擇算法[26]，從冷水機組的特征集中選出特征子集并進行故障診斷，結果表明所提出的方法可以在故障數據不足的情況下獲得較高的故障診斷準確率。之后，Yan 等[27]又通過引入變分自編碼器，提出GAN 和變分自編碼器結合的復合模型來生成冷水機組的故障數據，診斷準確率得到進一步的提升。

GAN 雖然可以解決冷水機組故障診斷中的數據不平衡問題，但是利用GAN 在生成多個故障類別的數據時，容易使單個故障類別的生成數據分布范圍過大，造成不同類別的生成數據之間產生大量重疊，從而影響最終故障診斷的精度。

本文提出一種基于CLCGAN-SVM 的冷水機組故障診斷方法。該方法首先構造符合GAN 模型訓練的動態中心損失項，再將動態中心損失引入到GAN 的目標函數中，從而減少各個類別生成樣本之間的重疊程度，提高生成樣本的質量。同時在GAN的判別器目標函數中對生成數據的“真假”和“類別”兩個條件進行約束，一方面保證生成數據不斷向真實數據靠近，另一方面使生成數據均衡地遍布各個類別，避免生成數據的單一性。最后，利用真實數據與生成數據形成的平衡數據集構造SVM 模型，進一步實現冷水機組的故障診斷。

1 基于中心損失的條件生成式對抗網絡

1.1 生成式對抗網絡

GAN 是近幾年來較為流行的一種生成模型，可以產生與輸入樣本的特征相一致的生成樣本。GAN 基于博弈論場景，由生成器G 和判別器D 兩個獨立的網絡組成，兩者為相互對抗的目標，生成器G 接受隨機噪聲，這個噪聲可以取樣自任意分布，通過生成器復雜的網絡可以將輸入的分布變成所需的更加復雜的分布，此分布可記作G(z)。判別器D 是一個判別輸入樣本真假的網絡，用來判別一個輸入樣本是否是“真實的”。其輸入樣本x由兩部分組成，一部分是服從真實數據分布的隨機采樣樣本，另一部分是服從生成數據分布的隨機采樣樣本。輸入樣本x經過判別器網絡后得到輸出結果D(x)，D(x)是一個介于0 到1 之間的小數，其代表輸入樣本x為真實數據的概率，D(x)越高代表輸入數據越接近于真實數據。GAN 的基本結構如圖1所示。

圖1 生成式對抗網絡基本結構Fig.1 Basic structure of generative adversarial network

在GAN 的訓練過程中，生成器G 的目標就是盡量生成真實的樣本去“欺騙”判別器D。而判別器D的目標就是盡量把生成器G生成的樣本和真實的樣本區分開。這樣，生成器G 和判別器D 就構成了一個動態的“博弈過程”。在理想狀態下，生成器G 可以生成“以假亂真”的樣本G(z)，而對于判別器D 來說，難以判斷生成器G 生成的樣本G(z)的真實性，也就是判別器的輸出取中間值0.5，最終生成器G和判別器D達到納什均衡，GAN的目標函數可表示為

式中，E[·]表示輸出結果的期望；G(·)和D(·)分別表示生成器和判別器的輸出；x為真實數據；z為隨機噪聲；下角標，x～Pdata表示從真實數據分布中隨機采樣；z～Pz表示從隨機分布中進行隨機采樣。將上述整體的目標函數分為判別器和生成器兩部分可表示為

由于判別器的目標是區分真假樣本，所以判別器期望目標函數中的D(x)最大化，期望D(G(z))最小化。生成器的目標則是生成盡可能真實的樣本，所以生成器期望目標函數中的D(G(z))最大化，當判別器和生成器達到納什均衡時，目標函數收斂。

1.2 基于中心損失的條件生成式對抗網絡

傳統GAN 的判別器只能判斷其輸入是真實數據還是生成數據，不能判斷輸入的具體類別，即判斷不出輸入數據所屬的故障類型。本文所需的冷水機組數據的故障類型較多，為了使每一類故障都有足夠多的生成樣本，受到條件生成式對抗網絡[28]的啟發，在訓練GAN 模型之前，先構造所需生成樣本的故障標簽，用提前構造好的故障標簽與真假標簽作為GAN 模型輸入的一部分，實現指導模型訓練的作用。

從真假和類別兩個角度設計判別器，將判別器網絡的輸出設置為兩個通道，并添加一個通道權重系數。其中一個輸出的結果代表輸入數據屬于真實數據的概率，傳統的GAN 利用交叉熵的形式計算此概率，但是利用交叉熵的形式判斷數據真假會導致一些遠離決策邊界且被判別器分類為真的生成樣本不會繼續向真實數據靠近，這會大大降低生成樣本的質量。本文采用最小二乘的形式構造目標函數，可以使GAN 的判別器判別為真實樣本且遠離決策邊界的生成樣本繼續優化，從而進一步拉近生成樣本與真實樣本之間的距離，提高生成樣本的質量。

判別器的另一個輸出是判斷樣本的故障類型，在交叉熵的形式下利用提前構造的故障標簽對生成數據進行約束，使生成數據可以向預先設定的各類別靠近，而不只是生成“真”和“假”兩類數據。本文CLCGAN中判別器的目標函數可表示為

式中，α是權重系數(常數)，它的引入是為了平衡樣本生成過程中真假與類別之間的生成權重；D1(·)和D2(·)是判別器的兩個輸出，D1(·)為輸入樣本屬于真實樣本的概率，D2(·)為輸入樣本的故障類別；N為樣本總數；c為整體的故障標簽；ci為第i個生成樣本G(zi)所屬的故障標簽，訓練開始之前可根據實驗需求設定對應的標簽集，在本文的實驗中對7 個故障類別分別生成1500 個樣本，所以ci所在的標簽集分為7 組，每組1500 個相同標簽，故障標簽依次為1、2、3、4、5、6、7。

GAN 在生成多種類別的數據時，由于生成器目標函數沒有對生成范圍進行約束，容易使生成的各個類別的數據分布范圍過大，該問題會使生成數據中不同類別數據之間存在大范圍的重疊，不利于之后生成數據的應用。本文引入中心損失[29]的思想，在GAN 中利用各個類別的特征中心點對生成數據進行約束，可以最大限度地減少類內距離，同時保持不同類別樣本之間的差異性不變。具體改進方法是：計算出每一類故障的真實數據的中心點，將生成的故障數據與真實數據的中心點之間的歐氏距離作為生成器目標函數的一部分，在生成器與判別器的迭代過程中，拉近各類別生成故障樣本內部的距離，通過減少類內距離來減少各類樣本之間的重疊程度，從而提高生成樣本的質量。中心損失可表示為

式中，N為樣本總數；xi為第i個樣本；yi為第i個樣本的故障標簽；cyi表示標簽為yi的所有數據的特征中心，計算公式為

式中，ck為樣本第k個特征的特征中心；N表示標簽為yi的樣本的總數量；xki為第i個樣本的第k個特征。

傳統的中心損失項中每一類的特征中心cyi是固定的常數，這是不合理的，使用非動態的特征中心會導致生成的各類別數據范圍太固定，不符合數據產生的實際情況。因此對中心損失項進行修改，將中心損失修改成隨GAN 的迭代而不斷變化的動態中心損失。首先，設定一個移動步長β，在生成式對抗網絡的訓練過程中，使每一類的特征中心通過設定的步長向每一次生成數據的特征中心移動。其次，需要注意的是，為了防止特征中心向錯誤的方向移動過多，移動步長取較小的數值。新的中心損失項與第i類的特征中心計算公式為

本文算法的訓練過程可分為以下步驟：

①設置算法訓練的迭代次數t；

②從隨機分布Pz(z)中隨機采樣，生成具有n個噪聲樣本的數據集{z(1),… ,z(n)}，并設定樣本標簽集{c(1),…,c(n)}；

③從真實樣本的數據集Pdata(x) 中隨機選取，生成具有n個真實樣本的數據集{(x(1),c(1)),…,(x(n),c(n))}；

④從生成分布G(z)中隨機采樣，生成具有n個生成樣本的數據集{G(z)(1),…,G(z)(n)}，并設定樣本標簽集{c(1),…,c(n)}；

⑤使用RMSprop 算法更新判別器D 的參數，并循環m次(m大于生成器更新的次數)；

⑥從隨機分布Pz(z)中隨機采樣，生成具有n個噪聲樣本的數據集{z(1),… ,z(n)}，并設定樣本標簽集{c(1),…,c(n)}；

⑦使用RMSprop算法更新判別器G的參數；

⑧達到迭代次數t，訓練結束。

2 基于CLCGAN-SVM 的故障診斷

2.1 基于CLCGAN的樣本生成

本文的CLCGAN 模型內部包含1 個生成器模型和1 個判別器模型，兩者交替訓練實現樣本的生成。生成器模型采用包含1 個輸入層、1 個輸出層和2 個隱藏層的4 層全連接結構，判別器模型采用包含1 個輸入層、2 個輸出層和3 個隱藏層的6 層全連接結構。受文獻[30]的啟發，網絡各層的節點數采取先增大后減小的方式比逐漸減小的方式分類效果更好，所以本文中的生成器模型和判別器模型各層節點數遵循先增大后減少的原則。

本文使用的冷水機組數據集含有64個特征，生成的隨機噪聲的維度為128，所以生成器的輸入層節點數為128，根據節點數先增大后減小的原則，隱藏層1 的節點數設置為輸入層的兩倍，即256 個節點，隱藏層2 的節點數減少為隱藏層1 的一半，即128個節點，生成器產生的故障數據含有64個特征，所以輸出層的節點數設置為64。綜上所述，生成器各層的初始節點數設置為128、256、128、64，借鑒條件生成式對抗網絡的思想，在生成器的每層都有一個額外的標簽節點，通過樣本標簽指導生成模型的訓練，所以生成器模型各層的節點數設置為129、257、129、64，激活函數統一使用ReLU函數。

判別器的輸入層節點數與冷水機組數據集的特征數保持一致，同時加入標簽節點，設置為65 個節點。根據節點數先增大后減小的原則，隱藏層1、隱藏層2 和隱藏層3 的節點數分別設置為256、64、32，本文判別器的輸出層1 是為了判斷樣本的故障類型，冷水機組故障樣本共7種故障類型，所以節點數設置為7，而輸出層2 是為了判斷樣本的真假，表示樣本屬于真實數據的概率，所以節點數設置為1。綜上所述，判別器各層的節點數設置為65、256、64、32、7/1，輸出層2的激活函數使用Sigmoid函數，其余各層的激活函數均使用ReLU 函數。生成器模型和判別器模型的具體結構如表1所示。

表1 CLCGAN模型結構Table 1 Structure of CLCGAN model

2.2 基于SVM的故障診斷

SVM 是一類按監督學習方式對數據進行分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面。因為其在解決小樣本問題方面的優越性，所以本文選取SVM 作為驗證生成模型方法有效性的故障診斷分類器,并作為最終對比實驗中的一部分。

初始的SVM 是用來求解二分類問題，但是在實際問題中，SVM 面臨的任務基本都是多分類任務。使用SVM 進行多分類的方法主要有兩種：第一種，修改SVM 的目標函數可以達到多分類的目標，但是會使目標函數變復雜，計算復雜度高且不易實現；第二種，構建多個二分類的SVM，最后通過特定的規則進行組合實現多分類的SVM。多分類SVM 方法的介紹如圖2所示，對于每一個類型，將其作為正類，其余類型作為負類。如圖2 所示，類型1 作為正類，類型2 和類型3 作為負類，構造一個SVM 模型，其中d1是該SVM模型的決策邊界，類似地得到其余的SVM模型。

圖2 多分類SVMFig.2 Multi classification SVM

本實驗因為涉及到正常狀態和7 種故障類型，總共8 種不同的類別，所以需要多分類的SVM 進行故障診斷。本文針對每一個類別分別構造SVM，共構造8 個SVM，每個SVM 負責區分本類別數據和非本類別數據，即第i個SVM 在第i類和其余類之間構造一個超平面，最后結果由輸出離超平面距離最大的SVM決定。

2.3 方法流程

本文所提的故障診斷方法包含信號采集、數據預處理、生成樣本數據和故障診斷，總共4 個階段，故障診斷的具體步驟如下。

(1)收集冷水機組運行數據，包含正常狀態數據和故障狀態數據，對所有數據進行穩態過濾，去除非穩態數據。

(2)將原始數據集進行數據歸一化處理，減少不同變量的量綱對實驗的影響，將原始數據集分為訓練數據集和測試數據集。

(3)構造并初始化CLCGAN 模型，從訓練數據集中選取指定數量的故障樣本，并作為CLCGAN 模型的訓練數據，當CLCGAN 模型在訓練過程中達到停止條件或達到指定的迭代次數后，訓練結束并由CLCGAN的生成器輸出生成的故障數據。

(4)將CLCGAN 生成的故障數據與初始選定的真實故障數據合并作為最終的故障數據，故障數據與正常狀態數據組成平衡數據集。

(5)構造并初始化多分類的SVM 模型，將平衡數據集作為多分類SVM 模型的訓練數據，SVM 模型訓練完成后，用測試數據集驗證最終故障診斷的準確性。

3 實驗結果及討論

3.1 實驗數據集

實驗數據來自ASHRAE 1043-RP[31]項目，實驗涉及一臺90 t 離心式水冷冷水機組，該冷水機組配備了二回程殼管式蒸發器和冷凝器，并由恒溫膨脹閥控制，制冷劑采用R134a 制冷劑。項目利用實驗平臺對冷水機組的正常運行狀態和7種典型故障狀態進行了模擬，7種典型故障在實驗中分別具有4種故障嚴重程度，即Level 1、Level 2、Level 3和Level 4。其中冷凝器水流量下降、蒸發器水流量下降、冷凝器結垢和冷凝劑中有非冷凝物4種故障發生后會引起局部范圍內運行參數的變化，因此屬于部件級故障，而冷凝劑泄漏、冷凝劑填充過量和潤滑油過量3 種故障發生后會引發全局參數的變化，因此屬于系統級故障。表2 所示為7 種故障的生成方式和設置不同嚴重程度時的參數。

表2 不同故障等級下的7種典型故障的生成方法Table 2 Generation methods of 7 typical faults under different fault levels

圖3 實驗流程圖Fig.3 Flow diagram of experiment

根據設定的冷凍水溫度、蒸發器的進水溫度、冷凝器的進水溫度等的不同，項目共有27 種工況，可以從實驗中獲得冷凝器進出水溫度、蒸發器水流量、冷凝器水流量等64 個參數的數據，其中包含48個傳感器數據和16個間接計算數據。此外，實驗中每個樣本數據采集間隔為10 s。

3.2 實驗評價指標

本實驗主要采用分類準確率作為評估指標，用于實驗結果的比較。假設有N個數據樣本進行測試，將N分為NTP、NFN、NFP和NTN，其中NTP、NFN、NFP和NTN分別為真陽性樣本、假陰性樣本、假陽性樣本和真陰性樣本的數量。真陽性樣本代表樣本實際標簽為正，預測標簽為正；假陰性樣本代表樣本實際標簽為正，而預測標簽為負；假陽性樣本代表樣本實際標簽為負，而預測標簽為正；真陰性樣本代表樣本實際標簽為負，預測標簽為負。真陽性樣本和真陰性樣本的實際標簽和預測標簽一致，代表正確分類的樣本，而假陽性和假陰性的實際標簽和預測標簽相反，代表錯誤分類的樣本。所以，本文采用的分類準確率AC用式(13)計算。

只采用準確率對于方法的性能分析來說，不是很全面，因為如果數據集不平衡，即每一類的數據樣本數量相差太大，分類器可能會偏向于將所有樣本都預測為數量較多的類別，這樣可以保證很高的準確率，但是容易發生誤分類的問題，所以同時采用準確率和召回率來評估實驗結果，召回率Recall可通過式(14)計算。

為了確保實驗結果評估的全面性，進行實驗結果評估時，本文還用到混淆矩陣，混淆矩陣的格式如表3 所示。在機器學習領域，混淆矩陣又稱可能性表格或錯誤矩陣，它是一種用來呈現方法性能的可視化效果的特定矩陣，通常應用在監督學習中。混淆矩陣可以容易地表明多個類別是否有混淆，即一個類別被預測成另一個類別，所有正確的預測結果都在對角線上，對角線之外的樣本都是預測錯誤的樣本，所以從混淆矩陣中可以很方便直觀地看出方法的性能。在本實驗中，混淆矩陣的每一行代表預測值，每一列代表實際的類別，預測類別和實際類別的順序依次是冷凝器水流量下降、蒸發器水流量下降、制冷劑泄漏、制冷劑過量、潤滑油過多、冷凝器結垢、冷凝劑中有非冷凝物和正常狀態。

表3 混淆矩陣的描述Table 3 Description of confusion matrix

3.3 實驗結果分析

在實驗設置方面，為了驗證本文所提方法在故障樣本不足時的有效性，從每一種表征冷水機組故障類型的樣本中隨機選取50 個作為生成模型CLCGAN 的訓練樣本，模型訓練完成后每一種故障類型都生成1500個樣本。SVM 的訓練樣本包含：生成模型CLCGAN的訓練樣本、CLCGAN的生成樣本、1550 個表征冷水機組正常狀態的樣本。從每個故障類型和正常狀態的數據集中都隨機選取500個作為最終的測試數據。為了增加實驗結果的可信度，取五次實驗結果的平均值作為最終的實驗結果，SVM的參數使用網格搜索和交叉驗證進行了調整。

上述實驗設置下故障診斷結果的混淆矩陣如圖4所示，混淆矩陣的列代表真實的標簽，行代表預測的標簽。可以看出，隨著故障嚴重程度的提升，故障診斷的精度也有明顯地提升。在四種故障嚴重程度下的故障和正常狀態的平均故障診斷準確率和召回率如圖5所示。

圖4 故障診斷結果的混淆矩陣Fig.4 Confusion matrix of fault diagnosis results

圖5 平均故障診斷準確率和召回率(訓練階段取50個故障樣本)Fig.5 Average fault diagnosis accuracy and recall(take 50 fault samples in the training stage)

圖4(a)為冷水機組故障嚴重程度為Level 1時故障診斷結果的混淆矩陣，在八種類別上取得了92.46%的平均準確率和92.48%的平均召回率，可以明顯看出在制冷劑泄漏、制冷劑過量、潤滑油過量三種系統級故障之間發生的錯誤診斷較多。測試數據集包括每類故障500 個樣本和正常狀態500 個樣本，共有4000 個樣本。制冷劑泄漏故障的500 個測試樣本，其中有41 個樣本被錯誤診斷為制冷劑過量，62 個樣本被錯誤診斷為潤滑油過多，5 個樣本被錯誤診斷為冷凝器結垢，9 個樣本被錯誤診斷為無故障。制冷劑過量故障的500 個測試樣本，其中有37 個樣本被錯誤診斷為制冷劑泄漏，16 個樣本被錯誤診斷為潤滑油過多，1 個樣本被錯誤診斷為冷凝器結垢，4 個樣本被錯誤診斷為無故障。潤滑油過多故障的500 個測試樣本，其中有85 個樣本被錯誤診斷為制冷劑泄漏，15 個樣本被錯誤診斷為制冷劑過量，1 個樣本被錯誤診斷為冷凝器結垢，2 個樣本被錯誤診斷為無故障。通過對冷水機組相應運行數據的分析，發生上述現象的原因是冷水機組在發生制冷劑泄漏、制冷劑過量和潤滑油過多三種系統性故障，且故障嚴重程度為Level 1 時，冷水機組運行數據的變化極為相似，差異性不明顯。變化相似的訓練數據使得生成模型生成的故障樣本也具有相似的特征，最終平衡數據集中只包含每種故障的50 個真實樣本和大量相似的生成樣本，這使得故障診斷時三種故障之間產生較多的錯誤診斷。

圖4(b)、(c)、(d)分別是冷水機組故障嚴重程度為Level 2、Level 3、Level 4 時故障診斷結果的混淆矩陣，相較于圖4(a)，可以明顯看出故障診斷的精度獲得了很大的提高，平均準確率分別是96.45%、98.91% 和98.47%，平均召回率分別是96.40%、98.90%和98.38%，這是因為隨著故障嚴重程度的增加，在冷水機組的運行變量之間，表征故障發生特征的變化明顯且易于區分。并且隨著故障嚴重程度的增加，在圖4(b)中制冷劑泄漏、制冷劑過量和潤滑油過多三種系統性故障都可以取得比故障嚴重程度為Level 1 時更高的故障診斷精度，這是因為在故障嚴重程度為Level 2 時，三種故障發生時冷水機組的運行變量的相似度下降，變量之間存在的差異性增大。從圖4(c)和圖4(d)可以看出，當故障嚴重程度為Level 3 和Level 4 時，制冷劑泄漏、制冷劑過量和潤滑油過多三種系統性故障之間已經不存在明顯的錯誤診斷現象，且7 種故障和正常狀態的診斷精度都已經都取得了較為理想的結果。

為了驗證在生成模型CLCGAN 訓練階段故障樣本的數量對最終故障診斷精度的影響，再次設置實驗，在CLCGAN 模型訓練階段，將每一類故障樣本的數量都設置為100 個，其他設置均保持不變。該設置下故障診斷結果的混淆矩陣如圖6所示。可以看出，相較于每一類故障樣本的數量都設置為50 個時，模型訓練階段，故障樣本數量的增加有利于冷水機組故障診斷精度的提高。在此實驗設置下，四種故障嚴重程度的故障和正常狀態的平均故障診斷準確率和召回率如圖7所示。

圖6 故障診斷結果的混淆矩陣Fig.6 Confusion matrix of fault diagnosis results

圖7 平均故障診斷準確率和召回率(訓練階段取100個故障樣本)Fig.7 Average fault diagnosis accuracy and recall(take 100 fault samples in the training stage)

圖6(a)為冷水機組故障嚴重程度為Level 1時故障診斷結果的混淆矩陣，在八種類別上已經達到94.02%的平均準確率和94.03%的平均召回率。可以看出在制冷劑泄漏、制冷劑填充過量、潤滑油過量三種系統性故障之間發生的錯誤診斷現象依舊存在，但是相較于圖4(a)有明顯改善。與實驗一相同，測試數據集包括每類故障500 個樣本和正常狀態500 個樣本，共有4000 個樣本。制冷劑泄漏故障的500 個測試樣本，其中有25 個樣本被錯誤診斷為制冷劑過量，65 個樣本被錯誤診斷為潤滑油過多，4個樣本被錯誤診斷為冷凝劑中存在非冷凝物，3個樣本被錯誤診斷為無故障。制冷劑過量故障的500 個測試樣本，其中有23 個樣本被錯誤診斷為制冷劑泄漏，16個樣本被錯誤診斷為潤滑油過多，1個樣本被錯誤診斷為冷凝劑中存在非冷凝物，3 個樣本被錯誤診斷為無故障。潤滑油過多故障的500個測試樣本，其中有58個樣本被錯誤診斷為制冷劑泄漏，16個樣本被錯誤診斷為制冷劑過量，1個樣本被錯誤診斷為冷凝劑中存在非冷凝物，1 個樣本被錯誤診斷為無故障。

圖6(b)、(c)、(d)分別是冷水機組故障嚴重程度為Level 2、Level 3、Level 4 時故障診斷結果的混淆矩陣，故障診斷平均準確率分別是97.37%、98.70%和99.14%，平均召回率分別是97.30%、98.68% 和99.13%，均已達到較高的診斷精度。通過對圖5 與圖7 的結果進行對比，表明故障診斷精度和訓練階段故障樣本的數目正相關。

綜上所述，模型訓練階段故障樣本數目的增加和故障嚴重等級的增加對最終的故障診斷精度都有提高作用。

3.4 對比實驗

首先為了驗證本文方法中判別器的權重系數α的取值對結果的影響，選取不同的α值進行數據生成并利用生成數據進行故障診斷，通過對不同α值的診斷結果進行對比。在故障嚴重程度為Level 1時，不同取值下的對比結果如圖8 所示。可以看出在α＜0.30 的范圍內故障診斷的準確率是一個遞增的過程，隨著α取值的不斷增大，在α=0.30 時，準確率達到最大值，因此在本文方法中的判別器的權重系數取值為0.30。

圖8 不同權重系數下的準確率(故障嚴重程度:Level 1)Fig.8 Accuracy under different values of weight coefficient(fault severity:Level 1)

為了驗證所提方法的有效性，在對比實驗部分選取多個對比方法，每個方法的實驗設置相同，在模型的訓練階段每個故障類型選取50個樣本。具體的對 比 方 法 有：SVM、GAN-SVM、CWGAN-SVM[17]、CWGAN-VAE-RF[18]和CWGAN-VAE-SVM[18]。

表4為各故障嚴重程度下用各方法進行冷水機組故障診斷的總體準確率。從表4 可以看出，所提方法CLCGAN-SVM 在冷水機組的故障嚴重程度為Level 1、Level 2、Level 3 和Level 4 時的總體故障診斷準確率都是最高的，分別是92.48%、96.65%、99.03%和98.70%。診斷準確率在故障嚴重程度為Level 3 時達到最高值99.03%，比沒有生成模型的SVM 診斷方法的準確率高10.32%，比有經典GAN模型的GAN-SVM 診斷方法的準確率高1.38%，在故障嚴重程度為Level 1時取得最低值92.48%，比沒有生成模型的SVM診斷方法的準確率高42.77%，比有經典GAN 模型的GAN-SVM 診斷方法的準確率高3.13%。在故障的診斷時間上，GAN-SVM 方法比僅采用SVM方法多709.97 ms，但是在各故障嚴重程度下的總體故障診斷準確率獲得了較大的提高，分別提高了39.64%、19.55%、8.94%和0.58%，而本文所提的方法僅比GAN-SVM方法的時間多了117.68 ms，比固定中心損失的CLCGAN-SVM 方法多了61.68 ms，卻在故障診斷準確率上又獲得了進一步的提高，因此本文所提方法在故障診斷上更有優勢。

表4 對比實驗Table 4 Contrast experiment

對比實驗結果表明，在故障樣本不足情況下，本文所提方法可以有效提升故障診斷的精度，并且相較于其他方法，本文所提方法具有更高的故障診斷準確率。本文的故障診斷方法與傳統的故障診斷方法不同之處在于進行故障診斷之前有數據生成的步驟，數據生成模型CLCGAN 根據少量的故障數據生成充足的模擬故障數據，并用生成的故障數據訓練故障診斷的分類器，可以解決實際應用中冷水機組歷史故障數據不足導致的診斷精度下降的問題。

4 結 論

(1)實驗結果表明，在冷水機組歷史故障數據不足的前提下，CLCGAN 可以利用冷水機組少量的歷史故障數據生成相同運行環境下的模擬故障數據，通過生成的故障數據訓練分類器，從而達到提高故障診斷準確率的作用。

(2)隨著生成模型CLCGAN 在訓練階段使用的故障數據的增加，最終故障診斷的準確率也會增加。

(3)在ASHRAE 1043-RP 項目的數據集上，通過與其他的先進研究相比較，CLCGAN-SVM 故障診斷方法在4個故障嚴重程度下均可以取得較高的故障診斷準確率。

本工作雖然可以在歷史故障數據不足的情況下取得不錯的故障診斷準確率，但是故障嚴重程度較低時，系統性故障之間容易發生錯誤的診斷。之后的工作重點在于，解決冷水機組在歷史故障數據不足的前提下，故障嚴重程度較低(微小故障)時各系統性故障之間的錯誤診斷的問題。