車載空調(diào)制冷系統(tǒng)故障診斷研究

翟晨旭, 江 斌, 孫東方, 張弘強(qiáng), 唐海波, 張 銳

(1.合肥工業(yè)大學(xué) 汽車與交通工程學(xué)院,安徽 合肥 230009; 2.合肥安信瑞德精密制造有限公司,安徽 合肥 230061)

0 引 言

車載空調(diào)系統(tǒng)為乘客創(chuàng)造了良好的乘坐環(huán)境,但由于空調(diào)制冷系統(tǒng)長時間運(yùn)行,經(jīng)常會出現(xiàn)各種故障,而目前對空調(diào)系統(tǒng)的檢修通常是在出現(xiàn)故障或進(jìn)入維修周期時才會進(jìn)行,這就意味著浪費(fèi)了時間,縮短了車輛服務(wù)周期,加大了維修成本。為解決上述問題,本文通過引入智能故障診斷方法有效診斷出空調(diào)系統(tǒng)可能出現(xiàn)的故障類型,延長車輛服務(wù)周期。

國內(nèi)外學(xué)者針對故障診斷做了大量理論和實(shí)驗研究,使其應(yīng)用領(lǐng)域從傳統(tǒng)的機(jī)械擴(kuò)大到航空航天、化工、核電站及醫(yī)學(xué)等眾多領(lǐng)域。文獻(xiàn)[1]借助故障樹分析法(fault tree analysis,FTA)對北斗系統(tǒng)裝備定位異常進(jìn)行研究,分析各個故障之間的關(guān)系,使用與門、或門繪制出北斗系統(tǒng)定位異常的故障樹,借助布爾運(yùn)算法則對繪制的故障樹進(jìn)行定性分析,為北斗系統(tǒng)改進(jìn)和維修提供意見;文獻(xiàn)[2]對數(shù)控機(jī)床的機(jī)械故障信號進(jìn)行分析,提出一種固定結(jié)構(gòu)快速傅里葉變換(fast Fourier transform,FFT)改進(jìn)算法,簡化了運(yùn)行步驟,提高了運(yùn)算效率;文獻(xiàn)[3]針對電力變壓器故障識別問題引入決策樹算法,實(shí)現(xiàn)了對電力變壓器低溫過熱、高能放電等5種故障狀態(tài)的識別,比其他方法速度快、準(zhǔn)確率高;文獻(xiàn)[4]研究了光伏發(fā)電故障診斷,引入反向傳播(back-propagation,BP)神經(jīng)網(wǎng)絡(luò)和L-M(Levenberg-Marquardt)算法,實(shí)現(xiàn)了對光伏發(fā)電開路、異常老化等5種故障狀態(tài)的識別;文獻(xiàn)[5]在電機(jī)軸承故障中引入支持向量機(jī)(support vector machine,SVM),通過對比二分類與多分類的方式診斷準(zhǔn)確率,并在不同方式下采用不同核函數(shù),以確定最優(yōu)的分類方式;文獻(xiàn)[6]因徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)泛化能力較差而采用決策樹算法來確定網(wǎng)絡(luò)中心,并且設(shè)計出一種新的自適應(yīng)觀測器,可以更好地適應(yīng)非線性系統(tǒng),實(shí)現(xiàn)故障的檢測和診斷。

本文針對車載空調(diào)制冷系統(tǒng)建立一維仿真結(jié)果模型,通過仿真得出機(jī)組各種故障數(shù)據(jù);借助MATLAB平臺搭建出BP神經(jīng)網(wǎng)絡(luò)故障診斷模型和決策樹故障診斷模型,并通過對比2種不同故障診斷模型的準(zhǔn)確率來確定最優(yōu)的診斷策略,從而為空調(diào)制冷系統(tǒng)的故障診斷提供精確的診斷策略。

1 系統(tǒng)仿真模型搭建與分析

1.1 車載空調(diào)制冷系統(tǒng)仿真模型

車載空調(diào)制冷系統(tǒng)是由壓縮機(jī)、冷凝器、蒸發(fā)器、熱力膨脹閥及一些輔助設(shè)備構(gòu)成。通過調(diào)用仿真軟件空調(diào)系統(tǒng)元件庫中相應(yīng)的各部分組件,把各個組件按照相應(yīng)的順序連接起來,得到的車載空調(diào)制冷系統(tǒng)模型如圖1所示。

圖1 空調(diào)系統(tǒng)模型

1.2 故障仿真分析

借助控制器,通過控制的方式仿真空調(diào)系統(tǒng)中壓縮機(jī)轉(zhuǎn)速降低、制冷劑泄漏、蒸發(fā)器風(fēng)量降低、冷凝器風(fēng)量降低4種故障。對冷凝器風(fēng)量降低故障的研究發(fā)現(xiàn),當(dāng)冷凝器風(fēng)量降低時會引起壓縮機(jī)排氣溫度和排氣壓力、空調(diào)系統(tǒng)制冷量和性能系數(shù)(coefficient of performance,COP)呈現(xiàn)出顯著的變化趨勢。

影響冷凝器風(fēng)量的因素有:

1) 當(dāng)過濾網(wǎng)臟堵嚴(yán)重時,空氣在流動過程中受到的阻力加大,導(dǎo)致冷凝器風(fēng)量降低。

2) 當(dāng)冷凝風(fēng)機(jī)電機(jī)故障時,如轉(zhuǎn)速降低,也會導(dǎo)致風(fēng)量減少。

冷凝器風(fēng)量降低時,壓縮機(jī)排氣溫度和排氣壓力、空調(diào)系統(tǒng)制冷量和COP隨冷凝器風(fēng)量的變化規(guī)律如圖2所示。

圖2 壓縮機(jī)排氣溫度和排氣壓力、空調(diào)系統(tǒng)制冷量和COP隨冷凝器風(fēng)量變化的規(guī)律

從圖2a可以看出,當(dāng)冷凝器風(fēng)量降低時,壓縮機(jī)排氣溫度呈現(xiàn)上升的趨勢。如果排氣溫度過高,會導(dǎo)致潤滑油的黏度降低、性能下降;當(dāng)溫度超過潤滑油工作的最高溫度會導(dǎo)致潤滑油分解,從而使壓縮機(jī)軸承潤滑失效及密封效果變差。

從圖2b可以看出,當(dāng)冷凝器風(fēng)量降低時,壓縮機(jī)排氣壓力呈現(xiàn)顯著上升的趨勢。若壓縮機(jī)排氣壓力過高,則導(dǎo)致油壓過高、密封性能變差,從而引起機(jī)油與制冷劑的泄漏,縮短壓縮機(jī)的使用壽命[7]。因此,為了避免故障引起更加嚴(yán)重的系統(tǒng)部件損壞,在空調(diào)系統(tǒng)發(fā)生故障時要快速發(fā)現(xiàn)故障并判別故障發(fā)生的位置,以方便迅速檢修。

從圖2c、圖2d可以看出,空調(diào)系統(tǒng)的制冷量和COP均隨著冷凝器風(fēng)量下降而下降。若不及時進(jìn)行維修,在空調(diào)系統(tǒng)工作環(huán)境較惡劣、車內(nèi)人員較多時,乘坐環(huán)境的舒適度則會變得非常差。因此,為了給乘客創(chuàng)造良好的乘坐環(huán)境,應(yīng)及時發(fā)現(xiàn)空調(diào)系統(tǒng)故障并進(jìn)行維修。

2 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)故障診斷

2.1 BP神經(jīng)網(wǎng)絡(luò)理論

由于線性神經(jīng)網(wǎng)絡(luò)不能解決線性不可分問題,于是Parallel distributed procession小組提出反向傳播誤差的方法,即BP神經(jīng)網(wǎng)絡(luò),它是由多層網(wǎng)絡(luò)構(gòu)成,不同層神經(jīng)元之間通過傳遞函數(shù)連接,同一層神經(jīng)元之間無連接[8]。空調(diào)系統(tǒng)故障受很多因素影響,這些因素之間具有一定的關(guān)系,而BP神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射能力與泛化能力,能夠通過學(xué)習(xí)很好地解決空調(diào)系統(tǒng)故障診斷問題。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)故障診斷模型設(shè)計主要是針對網(wǎng)絡(luò)層數(shù)和每一層節(jié)點(diǎn)的個數(shù)。BP神經(jīng)網(wǎng)絡(luò)設(shè)計原則如下。

1) BP神經(jīng)網(wǎng)絡(luò)層數(shù)。神經(jīng)網(wǎng)絡(luò)層數(shù)設(shè)計的首要問題是確定隱含層層數(shù)的數(shù)量,大多數(shù)情況下1層隱含層已經(jīng)可以滿足要求,因此本文選取單層隱含層,輸入層、輸出層均為1層。

使用STLINK 作為仿真器，當(dāng)LDC1000 檢測到存在金屬或硬幣時，它會比較檢測到的數(shù)據(jù)。然后，在軟件中設(shè)置改變閾值以區(qū)分和識別導(dǎo)線和硬幣的閾值，并且設(shè)置硬幣閾值是700。

2) 節(jié)點(diǎn)數(shù)目。輸入層節(jié)點(diǎn)數(shù)應(yīng)根據(jù)空調(diào)制冷系統(tǒng)故障發(fā)生時所選的特征參數(shù)維數(shù)來確定;輸出層節(jié)點(diǎn)數(shù)根據(jù)需要的目標(biāo)結(jié)果來確定,通常在故障診斷中將所研究故障類型的數(shù)目作為輸出層節(jié)點(diǎn)數(shù)目。隱含層節(jié)點(diǎn)數(shù)對BP神經(jīng)網(wǎng)絡(luò)性能有很大的影響,一般來說隱含層節(jié)點(diǎn)數(shù)目越多越好,但是節(jié)點(diǎn)數(shù)目過多會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時間過長,而節(jié)點(diǎn)數(shù)目過少有可能導(dǎo)致訓(xùn)練精度不能滿足要求,因此應(yīng)恰當(dāng)選擇隱含層節(jié)點(diǎn)數(shù)目。目前,關(guān)于隱含層節(jié)點(diǎn)數(shù)的確定沒有精確的計算公式,通常采用經(jīng)驗公式,本文選用的經(jīng)驗公式[9]如下:

(1)

其中:m為輸入層節(jié)點(diǎn)個數(shù);n為輸出層節(jié)點(diǎn)個數(shù);a為[0,10]區(qū)間中的一個常數(shù);M為隱含層節(jié)點(diǎn)個數(shù)。

本文選擇空調(diào)制冷系統(tǒng)發(fā)生故障時壓縮機(jī)進(jìn)出口壓力、溫度等9個特征參數(shù)作為輸入向量;壓縮機(jī)轉(zhuǎn)速降低、制冷劑泄漏、蒸發(fā)器風(fēng)量降低和冷凝器風(fēng)量降低4種故障作為輸出的目標(biāo)結(jié)果。因此,車載空調(diào)制冷系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型的層數(shù)和每層節(jié)點(diǎn)個數(shù)見表1所列,輸出層定義和故障類型對應(yīng)的編號見表2所列。

表1 車載空調(diào)制冷系統(tǒng)故障診斷的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

表2 BP神經(jīng)網(wǎng)絡(luò)輸出層設(shè)計和故障類型編號

2.3 BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

BP神經(jīng)網(wǎng)絡(luò)空調(diào)制冷系統(tǒng)故障診斷流程為:① 結(jié)合空調(diào)系統(tǒng)故障數(shù)據(jù)和故障類型設(shè)計網(wǎng)絡(luò);② 選取測試數(shù)據(jù)測試BP神經(jīng)網(wǎng)絡(luò)性能。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)是在每種故障的樣本數(shù)據(jù)中選取10組數(shù)據(jù),共40組數(shù)據(jù)樣本,另外選取測試數(shù)據(jù)樣本40組。在MATLAB軟件中構(gòu)建空調(diào)制冷系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型,并對構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試。BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

圖4中,“○”與“+”兩者重合表示故障診斷正確,兩者不重合表示故障診斷錯誤。由圖4可知,測試結(jié)束后共計3個樣本的實(shí)際樣本故障類型與仿真樣本故障類型不一致,因此采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行車載空調(diào)制冷系統(tǒng)故障診斷的準(zhǔn)確率為92.5%。

3 應(yīng)用決策樹故障診斷

3.1 決策樹理論

決策樹學(xué)習(xí)是從一組雜亂無章無規(guī)則的數(shù)據(jù)中推理出數(shù)據(jù)之間相應(yīng)關(guān)系的一種算法。決策樹學(xué)習(xí)是根據(jù)屬性值的不同,從最上部根節(jié)點(diǎn)開始,根據(jù)屬性值向下排列到某一個葉子節(jié)點(diǎn)進(jìn)行分類[10]。決策樹的結(jié)構(gòu)如圖5所示。

圖5 決策樹結(jié)構(gòu)示意圖

目前,決策樹算法由最初的ID3算法不斷改進(jìn)發(fā)展為C4.5、CART算法,本文采用CART算法。CART算法又被稱為CART決策樹算法,可以對連續(xù)屬性和離散屬性很好地劃分,常被用在分類領(lǐng)域。與ID3、C4.5不同的是,CART決策樹算法采用基尼指數(shù)來求解根節(jié)點(diǎn)的屬性值,然后可從根節(jié)點(diǎn)向下構(gòu)建決策樹模型[11]。GINI指標(biāo)用來衡量所要度量的雜質(zhì)度,其計算公式[12]如下:

(2)

其中:N為分類標(biāo)簽的數(shù)目;pk為類別k在樣本集合A中出現(xiàn)的概率;IGINI為基尼指數(shù),其值越小,說明樣本越純凈。

3.2 決策樹故障診斷結(jié)果

決策樹故障診斷流程為根據(jù)數(shù)據(jù)創(chuàng)建空調(diào)系統(tǒng)決策樹分類規(guī)則和測試決策樹性能。選取的訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)所選擇的數(shù)據(jù)相同。在MATLAB軟件中創(chuàng)建決策樹模型,空調(diào)故障類型所對應(yīng)的編號與BP神經(jīng)網(wǎng)絡(luò)相同。采用決策樹方法構(gòu)建的車載空調(diào)制冷系統(tǒng)決策樹結(jié)構(gòu)如圖6所示,診斷結(jié)果如圖7所示。

圖6 車載空調(diào)制冷系統(tǒng)故障診斷的決策樹結(jié)構(gòu)

由圖6可知,空調(diào)制冷系統(tǒng)故障診斷的決策樹結(jié)構(gòu)從決策樹根節(jié)點(diǎn)開始,可以得到以下6條分類規(guī)則:① 若x4≥16.067 1,則故障類型為冷凝器風(fēng)量降低; ② 若x4<16.067 1、x3≥2.246 4且x5≥50.637 6,則故障類型為制冷劑泄漏; ③ 若x2<16.067 1、x3≥2.246 4且x5<50.637 6,則故障類型為壓縮機(jī)轉(zhuǎn)速降低; ④ 若x4<16.067 1、x3<2.246 4且x5≥49.986 4,則故障類型為制冷劑泄漏; ⑤ 若x4<16.067 1、x3<2.246 4、x5<49.986 4且x4<15.560 5,則故障類型為制冷劑泄漏; ⑥ 若x4<16.067 1、x3<2.246 4、x5<49.986 4且x4≥15.560 5,則故障類型為蒸發(fā)器風(fēng)量降低。

圖7中,“○”和“+”所代表的意義與圖4相同。由圖7可知,每種故障選取的測試數(shù)據(jù)為10組,共40組測試數(shù)據(jù)樣本,在采用決策樹方法進(jìn)行空調(diào)制冷系統(tǒng)故障診斷的結(jié)果中共有8個樣本的實(shí)際樣本故障類型與仿真樣本故障類型不同,因此,采用決策樹方法進(jìn)行車載空調(diào)制冷系統(tǒng)故障診斷的準(zhǔn)確率為80.0%。

3.3 診斷結(jié)果

針對空調(diào)制冷系統(tǒng)常見的4種故障,分別采用BP神經(jīng)網(wǎng)絡(luò)和決策樹2種模型進(jìn)行故障診斷。診斷結(jié)果表明:采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行空調(diào)制冷系統(tǒng)故障診斷準(zhǔn)確率為92.5%;采用決策樹進(jìn)行空調(diào)制冷系統(tǒng)故障診斷準(zhǔn)確率為80.0%。

4 結(jié) 論

本文針對車載空調(diào)制冷系統(tǒng)常見的4種故障類型,建立了空調(diào)制冷系統(tǒng)一維仿真模型及故障診斷模型,得出如下結(jié)論。

1) 當(dāng)冷凝器風(fēng)量降低時會導(dǎo)致壓縮機(jī)排氣溫度和排氣壓力上升、系統(tǒng)制冷量和COP下降。排氣溫度過高會導(dǎo)致潤滑油黏度降低,使得壓縮機(jī)軸承潤滑失效及密封性能變差,縮短壓縮機(jī)的使用年限。

2) 車載空調(diào)制冷系統(tǒng)故障診斷采用BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率為92.5%,而采用決策樹模型進(jìn)行故障診斷的準(zhǔn)確率為80.0%,因此BP神經(jīng)網(wǎng)絡(luò)模型更適用于車載空調(diào)系統(tǒng)的故障診斷。