劉德永

LIU De-yong

（濰坊科技學(xué)院，壽光 262700）

0 引言

隨著國(guó)內(nèi)經(jīng)濟(jì)的蓬勃發(fā)展，出現(xiàn)了越來(lái)越多的現(xiàn)代化高樓大廈，中央空調(diào)已成為高層建筑物不可缺少的重要設(shè)備?？照{(diào)設(shè)備會(huì)隨著運(yùn)轉(zhuǎn)時(shí)間的增加而逐漸老舊，故障發(fā)生的頻率和耗能也逐漸增加，因此對(duì)空調(diào)設(shè)備進(jìn)行檢查、保養(yǎng)，以及在發(fā)生故障時(shí)進(jìn)行及時(shí)的維修就顯得極為重要。

盡管目前制造技術(shù)的進(jìn)步和自動(dòng)監(jiān)控設(shè)備的采用已經(jīng)極大的降低了空調(diào)系統(tǒng)的機(jī)械損壞，但由于空調(diào)系統(tǒng)故障的原因相當(dāng)多，如何利用人工智能、模糊理論等方法進(jìn)行診斷故障，已經(jīng)成為當(dāng)前國(guó)際上的研究熱點(diǎn)與發(fā)展趨勢(shì)。

針對(duì)高層建筑中中央空調(diào)的故障診斷問(wèn)題，本文提出一種基于三層反向傳播神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)模型。1）針對(duì)空調(diào)系統(tǒng)及其相關(guān)附屬設(shè)施的故障診斷，收集各項(xiàng)技術(shù)文獻(xiàn)資料，以及各項(xiàng)故障類別與實(shí)際現(xiàn)象間的數(shù)據(jù)，歸納總結(jié)出中央空調(diào)系統(tǒng)的十種主要故障。2）利用反向傳播神經(jīng)網(wǎng)絡(luò)建立了一個(gè)預(yù)測(cè)模型。將所有故障的發(fā)生情況與診斷的結(jié)果形成訓(xùn)練中的正樣本，將正常樣本作為負(fù)樣本，共同采用最陡梯度下降算法來(lái)訓(xùn)練網(wǎng)絡(luò)。在測(cè)試階段對(duì)未知的故障進(jìn)行預(yù)測(cè)。將所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)應(yīng)用在高層建筑中的中央空調(diào)故障診斷中，實(shí)驗(yàn)結(jié)果顯示：利用該模型能夠快速準(zhǔn)確的預(yù)測(cè)故障。

1 中央空調(diào)系統(tǒng)故障分析

在分析中央空調(diào)系統(tǒng)故障診斷之前，先介紹中央空調(diào)系統(tǒng)工作流程。中央空調(diào)系統(tǒng)是由一系列驅(qū)動(dòng)流體流動(dòng)的動(dòng)件（如泵、風(fēng)扇及壓縮機(jī)）、各種型式的熱交換器（如冷卻除濕盤(pán)管、蒸發(fā)器、冷凝器、散熱材）及連接各種裝置的“通道”（如風(fēng)管、水管及冷媒管）組成。中央空調(diào)系統(tǒng)可分為下列五個(gè)循環(huán)[1～3]：1）室內(nèi)空氣循環(huán)。2）冰水循環(huán)。3）冷媒循環(huán)。4）冷卻水循環(huán)。5）室外空氣循環(huán)。中央空調(diào)系統(tǒng)是由這五個(gè)循環(huán)相扣所形成的。整個(gè)空調(diào)系統(tǒng)熱交換的循環(huán)簡(jiǎn)述如下。

1）制冷部分：室內(nèi)空氣的熱負(fù)載經(jīng)過(guò)空調(diào)箱內(nèi)的冷卻盤(pán)管時(shí)，通過(guò)熱交換將熱傳至盤(pán)管內(nèi)冰水中，使得由冰水機(jī)蒸發(fā)器出來(lái)的冰水溫度上升，再經(jīng)過(guò)冰水泵的驅(qū)動(dòng)，使冰水被載送回到冰水器，與低壓低溫的冷媒在冰水器內(nèi)進(jìn)行熱交換，溫度下降后的冰水再通過(guò)冰水管回到空調(diào)箱中，吸收室內(nèi)空氣的熱負(fù)載產(chǎn)生冷氣，直接由送風(fēng)機(jī)的驅(qū)動(dòng)由風(fēng)管送出冷氣。

2）散熱部分：冰水機(jī)內(nèi)蒸發(fā)器的冷媒熱交換所得的熱負(fù)荷經(jīng)過(guò)冷凝器時(shí)，通過(guò)熱交換將熱傳至冷卻水中，造成冷卻水由冷凝器出來(lái)時(shí)溫度上升。再通過(guò)冷卻水泵的驅(qū)動(dòng)，使冷卻水被送到室外的冷卻水塔的散熱材中，與流經(jīng)散熱材的空氣做熱交換，溫度下降后的冷卻水通過(guò)冷卻水管再回到冷凝器循環(huán)使用。

由上可知，構(gòu)成空調(diào)系統(tǒng)的組件主要包括熱交換器與流體機(jī)械二種。表1總結(jié)歸納出兩部分組件中，中央空調(diào)系統(tǒng)常見(jiàn)的一些故障。

表1 中央空調(diào)系統(tǒng)常見(jiàn)的一些故障

2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

人工神經(jīng)網(wǎng)絡(luò)是一種包括軟件與硬件的計(jì)算模型或系統(tǒng)，它使用大量簡(jiǎn)單的相連人工神經(jīng)元來(lái)模仿生物神經(jīng)網(wǎng)絡(luò)的并行處理能力。人工神經(jīng)元是生物神經(jīng)元的簡(jiǎn)單模擬，它從外界環(huán)境或者其他人工神經(jīng)元取得信息，并加以非常簡(jiǎn)單的運(yùn)算，并輸出其結(jié)果到外界環(huán)境或者其他人工神經(jīng)元[4,5]。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)模型

反向傳播（Back Propagation,BP）神經(jīng)網(wǎng)絡(luò)是由D.Rumelhart和McClelland于1985年提出的一種多層前饋神經(jīng)網(wǎng)絡(luò)模型。典型的BP網(wǎng)絡(luò)是三層的前饋網(wǎng)絡(luò)，即：輸入層、隱含層(也稱中間層)、輸出層。圖1是一個(gè)典型的BP模型結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)經(jīng)常使用的是Sigmoid對(duì)數(shù)函數(shù)。函數(shù)表達(dá)式為：

Sigmoid函數(shù)是一個(gè)輸出0到1之間的非線性函數(shù)，可以逼近非線性的輸入輸出關(guān)系[6,7]。在本文方法中，將各個(gè)故障監(jiān)測(cè)項(xiàng)目的測(cè)量值進(jìn)行編碼，得到神經(jīng)網(wǎng)絡(luò)的輸入值，如表2所示。

表2 各個(gè)故障監(jiān)測(cè)項(xiàng)目的測(cè)量編碼值

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中央空調(diào)系統(tǒng)故障的過(guò)程分為兩部分：訓(xùn)練階段和測(cè)試階段。在訓(xùn)練階段中，將所有故障發(fā)生時(shí)的故障監(jiān)測(cè)項(xiàng)目測(cè)量值進(jìn)行編碼，作為正樣本輸入網(wǎng)絡(luò)，令期望輸出為1；將所有部分未發(fā)生故障時(shí)的監(jiān)測(cè)項(xiàng)目測(cè)量值進(jìn)行編碼，作為負(fù)樣本輸入網(wǎng)絡(luò)，令期望輸出為0。采用兩類樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，確定各個(gè)神經(jīng)元的權(quán)值和偏重。在測(cè)試階段，將監(jiān)測(cè)項(xiàng)目的測(cè)量值輸入網(wǎng)絡(luò)中，根據(jù)網(wǎng)絡(luò)的輸出對(duì)故障進(jìn)行預(yù)測(cè)。

BP算法是有監(jiān)督的學(xué)習(xí)算法：給定q個(gè)訓(xùn)練樣例p1, p2, K , pq，以及其對(duì)應(yīng)的期望輸出T1, T1, K , Tq。訓(xùn)練的目的是使網(wǎng)絡(luò)的實(shí)際輸出A1, A1, K, Aq與期望輸出盡量接近。訓(xùn)練算法的執(zhí)行的步驟如下。

步驟1：隨機(jī)初始化網(wǎng)絡(luò)的權(quán)值、學(xué)習(xí)速率以及給定的容許誤差；

步驟2：輸入網(wǎng)絡(luò)一個(gè)樣本p；

步驟3：計(jì)算各層的實(shí)際輸出，計(jì)算實(shí)際輸出與期望輸出的誤差；

步驟4：判斷算法終止條件，如果誤差小于容許誤差，結(jié)束訓(xùn)練過(guò)程，否則繼續(xù)；

步驟5：計(jì)算各層神經(jīng)元參數(shù)的梯度；

步驟6：根據(jù)最陡梯度學(xué)習(xí)算法修改神經(jīng)元的權(quán)值和偏重，轉(zhuǎn)到步驟2，重新計(jì)算實(shí)際輸出和誤差；

步驟7：訓(xùn)練結(jié)束。

3 仿真實(shí)驗(yàn)與結(jié)果

將訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行中央空調(diào)的實(shí)際故障預(yù)測(cè)，其中網(wǎng)絡(luò)采用Matlab7.01中Toolbox中的BP算法進(jìn)行訓(xùn)練。網(wǎng)絡(luò)的輸入為10維的監(jiān)測(cè)變量，輸出為故障標(biāo)記變量{1,0}。建立模型的函數(shù)為newff，訓(xùn)練使用的函數(shù)是trian，測(cè)試使用的函數(shù)是sim。訓(xùn)練樣本通過(guò)采集5所辦公大樓的中央空調(diào)的50個(gè)故障案例和50個(gè)正常案例得到，測(cè)試樣本為1000個(gè)，其中500個(gè)故障案例，500個(gè)正常案例?？紤]BP神經(jīng)網(wǎng)絡(luò)初始化過(guò)程中的隨機(jī)性，我們重復(fù)測(cè)試10次獨(dú)立實(shí)驗(yàn)，記錄得到的預(yù)測(cè)率的平均結(jié)果，如表3所示：

可以看出：在表3中本文提出的基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法能夠獲得較高的檢測(cè)率，在檢測(cè)時(shí)間上也是可以容許的。

表3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試結(jié)果

4 結(jié)束語(yǔ)

盡管制造技術(shù)的進(jìn)步和自動(dòng)監(jiān)控設(shè)備的采用已經(jīng)大大降低了空調(diào)系統(tǒng)的機(jī)械損壞，但由于空調(diào)系統(tǒng)故障的原因相當(dāng)多，對(duì)故障準(zhǔn)確及時(shí)的診斷仍然是目前研究的一個(gè)難題。針對(duì)高層建筑中中央空調(diào)的故障診斷問(wèn)題，本文提出一種基于三層反向傳播神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)模型。將所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)應(yīng)用在高層建筑中的中央空調(diào)故障診斷，結(jié)果顯示：利用該模型能夠快速準(zhǔn)確的預(yù)測(cè)故障。

[1]游立科. 中央空調(diào)故障診斷與節(jié)能運(yùn)行系統(tǒng)[D]. 重慶大學(xué), 2005, 5.

[2]陸亞俊. 暖通空調(diào)[M]. 北京: 中國(guó)建筑工業(yè)出版社, 2002.

[3]宋華. 模糊故障診斷技術(shù)研究[D]. 北京航空航天大學(xué),2002, 9.

[4]涂序彥. 人工智能: 回顧與展望[M]. 北京科學(xué)出版社,2006.

[5]閻平凡, 張長(zhǎng)水. 人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M]. 北京清華大學(xué)出版社, 2000.

[6]Dennis Olson, and Charles Mossman, Neural network forecasts of Canadian stock returns using accounting ratios[J].International Journal of Forecasting, 19(3), pp. 453-465, 2003.

[7]R. A. DeVore, K. I. Oskolkov, and P. P. Petrushev,Approximation by feed-forward neural networks[J]. Ann.Numer. Math., 4, pp.261-287,