基于數據特征提取的暖通系統傳感器偏置故障標準化檢測方法

摘 要：針對暖通設備中空氣處理機組傳感器數據故障檢測效率較低的問題，提出了一種基于KPCA結合 SVM的故障檢測方法。首先，建立核主元模型，然后通過核主元分析對被監測的傳感器數據進行特征值提取。其次，將特征值提取后的數據對支持向量機（Support Vector Machine，SVM）進行訓練，構造SVM故障檢測模型。最后，基于KPCA-SVM故障檢測模型對被監測的傳感器進行故障檢測。本研究以河北師范大學職技樓制冷與空調實驗設備為例進行空氣處理機組傳感器故障實驗驗證。結果表明，與SVM方法相比，KPCA-SVM能夠更好地提取故障信號的非線性特征。

關鍵詞：暖通系統，傳感器，故障診斷，KPCA，SVM

DOI編碼：10.3969/j.issn.1002-5944.2023.06.069

0 引 言

為滿足更低的能耗和更高的室內環境舒適度要求，暖通（Heating， ventilation and air conditioning，HVAC）設備的控制命令發展趨向于精細化，控制系統的構造趨向于復雜化。隨著HVAC控制系統的復雜程度提高，控制系統發生故障的概率逐漸提高。同時，傳感器做為控制系統中重要的數據來源，其對于HVAC控制系統的正常運行起著至關重要的作用。空氣處理機組（Air handing unit，AHU）系統直接與外部環境接觸，其傳感器的健康程度更容易受到外界的不穩定因素干擾。綜上所述，基于AHU系統的傳感器故障診斷是十分必要的。

目前，關于HVAC系統的傳感器故障檢測方法主要包括：基于模型的；基于規則的和基于數據驅動的故障檢測方法。其中，隨著建筑自動化系統的發展，基于數據驅動的故障檢測方法被廣泛應用。面對復雜的HVAC控制系統，基于數據驅動的故障檢測方法有著廣泛的適用性和更低的訓練成本。

SVM在非線性、小樣本數據情況下進行故障分類時，其故障檢測能力優于其他基于數據驅動的故障檢測方法。本文以實際的AHU為研究對象，提出了一種結合核主元分析法降維的SVM故障檢測方法，以解決高維度數據量下，傳統SVM故障檢測時間長，故障檢測率低的問題；并通過系統仿真模擬得到的實驗結論以證明KPCA-SVM的可靠性。

1 AHU傳感器故障檢測方法

1.1 基于KPCA的傳感器數據降維

核主元成分分析（Kernel Principal ComponentAnalysis，KPCA）是一種基于主成分分析法（principlecomponent analysis，PCA）改進的樣本數據庫非線性特征提取方法。KPCA可以通過非線性映射核函數將樣本數據映射至高維特征空間，消除樣本數據之間的冗余和空間相關性，提取數據特征[1]。共包含3個步驟：

步驟1：輸入空氣處理機組標準故障特征矩陣XN×m=[x1， x2，… ，xn]T。其中，xi（i=1，…，N）表示N種故障模式的m維特征向量。RBF核矩陣K的核函數計算公式如式（1）所示，中心化處理后H如式（2）所示：

1.3 KPCA-SVM AHU傳感器故障檢測模型

傳感器在運行過程中實時記錄系統的運行數據按照數據的健康狀態可以分為：非故障運行參數與故障運行參數。基于KPCA的傳感器故障數據檢測的基本原理為：當傳感器發生故障時，相關參數之間的統計關系將會發生改變。KPCA分析非故障狀態下的傳感器數據集，提取各參數之間的主元關系以建立核主元模型。當傳感器發生故障時，其參數內的主元關系會發生變化。通過SVM對主元關系的監測以判斷被檢測的傳感器是否發生故障。

AHU系統傳感器故障診斷模型的故障檢測流程如圖1所示，分為訓練部分和測試部分。訓練部分包括KPCA和SVM模型的訓練。首先，對采集的訓練數據進行歸一化處理。其次，利用KPCA得到訓練數據的特征子空間成分，并利用其訓練SVM故障檢測模型。在故障測試時，利用已知的KPCA特征子空間進行數據特征值的提取，之后將各相應的特征值置入SVM中進行故障檢測，獲得KPCA-SVM的故障檢測結論。

2 實驗平臺

為驗證KPC A-SVM方法的可行性和可靠性，本研究以河北師范大學職技樓空調制冷換熱綜合實驗室為實驗對象，模擬AHU傳感器的故障并進行檢測。實驗設備如圖2所示。

實驗采用現場實地測試。實驗時，將傳感器分別安裝在AHU系統內對其數據進行監測。系統的數據采集時間為2022年5月1日到2022年5月22日。其中，傳感器的采集間隔為3 min/次，共采集2200組數據。選取前10 0 0組非故障傳感器數據作為KPCA-SVM，SVM和KPC-BP的訓練數據；剩余的1200組數據進行傳感器故障檢測實驗。實驗以送風溫度傳感器故障為例，分別模擬了25、30和35%的傳感器偏置故障。

3 實驗結果分析

故障檢測效率結果如下：

分別測試了SVM、KPCA-BP、KPCA-SVM三種故障檢測模型在不同偏置故障值下的故障檢測率。當傳感器出現25%的偏置故障時，SVM的故障檢測率為69.5%；KPCA-BP的故障檢測率為75.4%；KPCA-SVM的故障檢測率為93.0%。當AHU系統出現25%的傳感器偏置故障時，KPCA-SVM的故障檢測率高出SVM的故障檢測率23.5%；高出KPCA-BP的故障檢測率17.6%。

故障檢測正確率包括故障狀態下故障檢測模型檢測出故障的概率與非故障狀態下故障檢測模型檢測系統為正常運行的加權概率。分別測試了SVM、KPCA-BP、KPCA-SVM三種故障檢測模型在25%偏置故障值下的故障診斷虛警率。圖3為送風溫度傳感器25%偏置故障下各算法故障檢測正確率圖，其中KPCA-SVM的故障檢測虛警率為6.1%；KPCA-BP的故障檢測虛警率為7.2%，SVM的故障檢測虛警率為9.4%。

分別測試了SVM、KPCA-BP、KPCA-SVM三種故障檢測模型在不同偏置故障值下的故障檢測率。當傳感器出現30%的偏置故障時，SVM的故障檢測率為70.5%；KPCA-BP的故障檢測率為82.8%；K PCA-SVM的故障檢測率為94.2%。分別測試了SVM、KPCA-BP、KPCA-SVM三種故障檢測模型在30%偏置故障值下的故障診斷虛警率。KPCA-SVM的故障檢測虛警率為3.2%；KPCA-BP的故障檢測虛警率為6.8%，SVM的故障檢測虛警率為8.7%。

分別測試了SVM、KPCA-BP、KPCA-SVM三種故障檢測模型在不同偏置故障值下的故障檢測率。當傳感器出現35%的偏置故障時，SVM的故障檢測率為72.1%；KPCA-BP的故障檢測率為88.6%；K PCA-SVM的故障檢測率為96.5%。分別測試了SVM、KPCA-BP、KPCA-SVM三種故障檢測模型在35%偏置故障值下的故障診斷虛警率。KPCA-SVM的故障檢測虛警率為2.3%;KPCA-BP的故障檢測虛警率為5.4%，SVM的故障檢測虛警率為6.2%。上述實驗證明了，KPCA-SVM在25%、30%、35%的AHU傳感器偏置故障下，具有更高的故障檢測率和更穩定的故障檢測性能。

4 結 語

本文提出了一種基于KPCA-SVM的AHU傳感器故障診斷方法。通過KPCA的非線性處理能力，提取原始數據中的有效故障特征，以更加準確地捕獲數據分類特征信息。從而提高SVM的分類效果，提高了故障診斷準確率。其具體結論如下：KPCABP和KPCA-SVM對真實數據進行故障診斷處理，當傳感器出現25%的偏置故障時，K PCA-SVM的故障檢測率高出SV M的故障檢測率2 3.5%，高出KPCA-BP的故障檢測率17.6%；當傳感器出現30%的偏置故障時，KPCA-SVM的故障檢測率高出SVM的故障檢測率23.7%，高出KPCA-BP的故障檢測率11.4%；傳感器出現35%的偏置故障時，KPCA-SVM的故障檢測率高出SVM的故障檢測率24.4%，高出KPCA-BP的故障檢測率7.9%。

參考文獻

王萌.基于PKPCA和邏輯回歸模型的滾動軸承壽命預測研究[D].大連：大連理工大學，2018．

張友鵬，魏智健，楊妮，等.基于KPCA-SVM的S700K轉轍機故障診斷方法[J].安全與環境學報.

Vapnik V.The nature of statistical learning theory[M].New York：Springer，1995.

張志政，王冬捷，張勇亮.基于PSO改進KPCA-SVM的故障監測和診斷方法研究[A].現代制造工程，2020（9）：101-107.

作者簡介

胡鋆，本科在讀，研究方向為建筑環境與能源應用工程。

周興，通信作者，博士，講師，研究方向為煤、生物質制氫技術。

（責任編輯：劉憲銀）