曾宇柯，陳煥新，黃榮庚

（華中科技大學能源與動力工程學院，湖北武漢 430074）

0 引言

據(jù)統(tǒng)計，2010年美國在商業(yè)和住宅建筑鄰域的耗能已達其總能耗的41.0%，其中37.0%用于暖通空調(diào)系統(tǒng)[1]。作為暖通空調(diào)系統(tǒng)的重要組成部分，多聯(lián)機系統(tǒng)因其能耗低、舒適性高等優(yōu)勢廣泛用于商場、公寓等場所[2-3]，制冷劑充注量作為影響多聯(lián)機系統(tǒng)運行工況的關(guān)鍵參數(shù)，一旦與系統(tǒng)不匹配將極大降低裝置能效，增加系統(tǒng)能耗[4]。為了節(jié)約能源、保障室內(nèi)舒適性，有必要開展適用于多聯(lián)機系統(tǒng)制冷劑充注量的故障診斷研究。目前，制冷系統(tǒng)故障診斷方法主要分為3種：基于經(jīng)驗知識、基于分析模型和基于數(shù)據(jù)驅(qū)動[5]。基于數(shù)據(jù)驅(qū)動的方法通過大量數(shù)據(jù)分析發(fā)現(xiàn)變量間的固有聯(lián)系，無需先驗知識，適用于復雜制冷系統(tǒng)的FDD研究[6]。ZHU等[7]提出了一種基于小波和分型神經(jīng)網(wǎng)絡(luò)的空氣處理單元傳感器故障診斷方法，該方法提取空氣處理單元分型維數(shù)，進行故障診斷。結(jié)果表明，較未分型的神經(jīng)網(wǎng)絡(luò)，該方法的檢測率提高了15%。KUSIAK等[8]構(gòu)建了具有可控輸入和不可控輸出的動態(tài)神經(jīng)網(wǎng)絡(luò)模型，并通過3種改進的多目標粒子群優(yōu)化算法優(yōu)化模型。結(jié)果表明，最優(yōu)的多目標粒子群神經(jīng)網(wǎng)絡(luò)模型能節(jié)約30%的能耗。劉佳慧等[9]運用決策樹算法進行多聯(lián)機氣液分離器插反故障診斷。結(jié)果表明：該算法對氣分插反故障的檢測率達96%，發(fā)生氣分插反故障時，通過增大過冷器電子膨脹閥開度，可保障多聯(lián)機系統(tǒng)的制冷效果和能效比。石書彪等[10]通過貝葉斯神經(jīng)網(wǎng)絡(luò)進行冷水機組的故障檢測與診斷，結(jié)果表明：貝葉斯算法通過限制神經(jīng)網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)反應更加光滑、模型更精確。SHI等[11]結(jié)合貝葉斯神經(jīng)網(wǎng)絡(luò)和ReliefF算法驗證比較不同N-best特征數(shù)據(jù)子集的檢測率。結(jié)果表明：使用6個特征時，模型已擁有較高的檢測率，并且訓練時間減少了98.8%。

雖然基于數(shù)據(jù)驅(qū)動的方法已在制冷系統(tǒng)FDD研究中取得一定的成果[12-13]，但是目前已有的制冷系統(tǒng)FDD研究大多將目光集中在模型的特征選取或參數(shù)尋優(yōu)上，在數(shù)據(jù)的預處理方面，僅僅進行簡單的標準化處理，尚未對數(shù)據(jù)異常值帶來的影響進行深入研究。因此，本文提出了一種LOFBP神經(jīng)網(wǎng)絡(luò)的多聯(lián)機故障診斷策略，該策略使用LOF法剔除數(shù)據(jù)中的異常值，并構(gòu)建BP神經(jīng)網(wǎng)絡(luò)進行制冷劑充注量故障診斷，最后優(yōu)化隱含層節(jié)點數(shù)，進一步提升模型故障檢測率。

1 多聯(lián)機制冷劑充注量實驗

本實驗多聯(lián)機系統(tǒng)結(jié)構(gòu)及傳感器分布如圖1所示，含有5個室內(nèi)單元和1個室外單元，每個室內(nèi)單元配置1個室內(nèi)風機、蒸發(fā)器與電子膨脹閥，在蒸發(fā)器入口與出口處均設(shè)有溫度傳感器，室外單元主要由壓縮機、冷凝器、節(jié)流閥、室外風機等基本構(gòu)件組成，為提高機組運行效率與安全性，室外單位還配有回油器、蓄能器、電磁閥和相應的傳感器與保護裝置。本機組制冷劑標準充注量為9.9 kg，制冷工質(zhì)采用R410A，詳細信息如表1所示。

本研究的溫度實驗均在標準測溫室內(nèi)完成，按照PID控制規(guī)則控制兩個房間的溫度及相對濕度。多聯(lián)機系統(tǒng)采用中溫制冷模式，溫度設(shè)置如表2所示。室外單元干球溫度35 ℃，5個室內(nèi)單元干球溫度均為26 ℃。

圖1 多聯(lián)機系統(tǒng)結(jié)構(gòu)和傳感器分布

表1 多聯(lián)機系統(tǒng)信息表

表2 多聯(lián)機系統(tǒng)運行工況

實驗制冷劑充注量水平從63%至130%共9個級別，分為充注不足（63%～80%）、充注適中（85%～110%）、充注過量（120%～130%）3類[14]，具體如表3所示。對于每一種實驗工況，認為風機轉(zhuǎn)速（1個室內(nèi)風機和5個室外風機）保持不變，實驗通過調(diào)節(jié)壓縮機轉(zhuǎn)速和膨脹閥開度使制冷劑流量匹配冷凝負荷，壓縮機運行頻率變化范圍為0～90。當制冷劑充注不足或充注過量時，系統(tǒng)依舊運行穩(wěn)定。

表3 9種制冷劑充注量及其對應類別

實驗每隔15秒收集一次數(shù)據(jù)，每次實驗不少于45 min，共選取了3,831個樣本數(shù)據(jù)（充注不足樣本1,963個、充注適中樣本1,120個、充注過量樣本748個）。壓縮機排氣溫度、壓縮機外殼溫度、壓縮機平均溫度、室外風機溫度、壓縮機電壓、冷凝溫度及電子膨脹閥開度[14-15]對制冷劑充注量故障具有較強的診斷性能，研究根據(jù)本實驗測量參數(shù)選取壓縮機排氣溫度、壓縮機外殼溫度、室外風機溫度、壓縮機電壓和冷凝溫度等5個特征變量進行故障診斷。

2 LOF-BP多聯(lián)機故障診斷策略

2.1 LOF算法

多聯(lián)機系統(tǒng)[16]結(jié)構(gòu)復雜，各機械設(shè)備連接緊密，某一部分組件或傳感器發(fā)生故障可能導致整個系統(tǒng)連鎖反應。LOF算法[17]通過比較樣本對象附近的密度與鄰居附近的密度來判斷異常程度，無需過多訓練和預測數(shù)據(jù)的變化發(fā)展，能滿足多聯(lián)機異常值檢測多樣性和動態(tài)需求。根據(jù)式(1)計算樣本LOF值[18]：

式中，lrdk(p)為p鄰域局部可達密度，lrdk(p)為p點局部可達密度，Nk(p)是k鄰域距離，表示任何與對象p的距離小于k距離數(shù)據(jù)的集合。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有信息正向傳播和誤差反向傳遞兩個過程[19]，通常由輸入層、隱含層和輸出層構(gòu)成，具有較強的自適應性，可以逼近任意非線性映射關(guān)系，適用于復雜制冷系統(tǒng)的故障檢測與診斷。本研究中多聯(lián)機系統(tǒng)制神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖2所示，輸入向量為多聯(lián)機系統(tǒng)特征，輸出向量為3個故障類別：充注不足、充注適中、充注過量。隱含層節(jié)點數(shù)是影響神經(jīng)網(wǎng)絡(luò)診斷性能的關(guān)鍵參數(shù)[20]，如果選取過少，易造成網(wǎng)絡(luò)性能不佳；如果選取過量，則可能陷入局部極小值達不到最優(yōu)。本實驗根據(jù)經(jīng)驗公式(2)初選節(jié)點數(shù)，再進行優(yōu)化計算，確定最佳值。

式中，Nh為隱含層節(jié)點數(shù)，Ni為輸入神經(jīng)元數(shù)。

2.3 LOF-BP多聯(lián)機故障診斷模型

圖3為LOF-BP神經(jīng)網(wǎng)絡(luò)模型的多聯(lián)機故障診斷方案。該診斷邏輯圖由3部分組成：異常值檢測、模型建立和故障診斷。

1）異常值檢測：計算原始數(shù)據(jù)樣本的LOF值，根據(jù)樣本LOF值分布情況，確定LOF閾值，剔除數(shù)據(jù)中大于LOF閾值的樣本，保留可能的正常數(shù)據(jù)。

2）模型建立：剔除異常值后數(shù)據(jù)被隨機分為70%的訓練集和30%的測試集，進行標準化處理，在經(jīng)驗公式的基礎(chǔ)上，建立不同隱含層節(jié)點數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，進行制冷劑充注量故障診斷模型訓練。

3）故障診斷：將測試集輸入訓練好的LOFBP神經(jīng)網(wǎng)絡(luò)模型，比較改進模型與BP神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果，探究異常值對模型診斷性能的影響。

圖2 BP神經(jīng)網(wǎng)絡(luò)傳播結(jié)構(gòu)

圖3 LOF-BP模型故障診斷方案

3 制冷劑充注量故障診斷結(jié)果

3.1 LOF法剔除多聯(lián)機異常值

如2.1節(jié)所述，當樣本LOF值大于1時，LOF值越大其為異常樣本的可能性就越大，實驗樣本LOF值密度分布圖如圖4所示，其中充注不足、充注適中、充注過量3類數(shù)據(jù)最大LOF值分別為3.67、6.33和4.41，可以認為本多聯(lián)機實驗中存在一定量的充注異常數(shù)據(jù)。LOF閾值可看作是正常值和異常樣本的邊界，本文剔除約8%的樣本數(shù)據(jù)，選取LOF閾值為1.38（如圖4虛線所示）。剔除可能異常值后，3類故障的樣本數(shù)目如表4所示。

圖4 LOF值密度分布圖

表4 兩種模型3類故障樣本數(shù)目

3.2 制冷劑充注量故障診斷結(jié)果分析

圖5是兩種神經(jīng)網(wǎng)絡(luò)模型總體檢測率和單類檢測率的對比圖，可以看到，與BP神經(jīng)網(wǎng)絡(luò)比較，LOF-BP神經(jīng)網(wǎng)絡(luò)在各類檢測率上均有所提高。在BP神經(jīng)網(wǎng)絡(luò)模型中，充注過量的診斷率僅為91.52%，遠低于充注不足和充注適中的診斷率，模型對充注過量故障的擬合程度受到樣本異常值干擾，擬合效果降低。

圖5 兩種神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果圖

在多聯(lián)機系統(tǒng)實際運行過程中，外界沖擊可能使得系統(tǒng)運行工況發(fā)生震蕩，膨脹閥自行調(diào)節(jié)開度，表現(xiàn)出瞬時充注過量或不足的情況。此時系統(tǒng)所記錄的數(shù)據(jù)就可能為異常數(shù)據(jù)。此外，多聯(lián)機系統(tǒng)結(jié)構(gòu)復雜，傳感器眾多，在數(shù)據(jù)讀取與傳輸過程中不可避免地會存在異常值，這些記錄的錯誤數(shù)據(jù)將降低模型的診斷精度。表5為BP神經(jīng)網(wǎng)絡(luò)模型的混淆矩陣，可以看到BP神經(jīng)網(wǎng)絡(luò)將充注適中誤診為充注過量的比率為4.46%，將充注過量誤診為充注不足的比率為6.25%。

表5 BP模型故障混淆矩陣

表6為LOF-BP神經(jīng)網(wǎng)絡(luò)模型的混淆矩陣，通過LOF法剔除系統(tǒng)異常值后，充注適中誤診為充注過量的比率由4.46%下降至1.26%，充注過量誤診為充注不足的比率由6.25%下降至0.36%。LOFBP模型診斷性能提升，整體檢測率由95.04%上升至97.85%。

神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點數(shù)通常由經(jīng)驗公式2獲得，本實驗在此基礎(chǔ)上進一步優(yōu)化隱含層節(jié)點數(shù)來獲得最佳的模型診斷性能，圖6是不同隱含層節(jié)點數(shù)LOF-BP神經(jīng)網(wǎng)絡(luò)模型的總體檢測率，結(jié)果表明，隱含層節(jié)點數(shù)從10到15時，總體檢測率隨隱含層節(jié)點數(shù)的增長而上升，當隱含層節(jié)點數(shù)超過15時，隨隱含層節(jié)點數(shù)的增長總體檢測率逐步保持穩(wěn)定。當隱含層節(jié)點數(shù)為15時，模型具有最佳的診斷性能，總體檢測率提高至98.97%。

表6 LOF-BP模型故障混淆矩陣

圖6 不同隱含層節(jié)點數(shù)LOF-BP模型總體檢測率

4 結(jié)論

本研究將LOF法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，用于多聯(lián)機系統(tǒng)制冷劑充注量故障檢測與診斷，并通過總體和單類檢測率驗證該方案的診斷性能，結(jié)論如下：

1）BP神經(jīng)網(wǎng)絡(luò)模型診斷性能受到多聯(lián)機系統(tǒng)異常值的影響，其充注適中與充注過量的誤診率較高；

2）較BP神經(jīng)網(wǎng)絡(luò)模型，LOF-BP模型3類充注量故障的檢測率均有所提高，整體檢測率提高至97%以上；

3）當隱含層節(jié)點數(shù)為15時，模型具有最佳的診斷性能。優(yōu)化隱含層節(jié)點數(shù)后，LOF-BP模型總體檢測率提高至98.97%；

4）LOF-BP神經(jīng)網(wǎng)絡(luò)能有效剔除系統(tǒng)異常值，診斷制冷劑充注量故障，對維持空調(diào)系統(tǒng)正常運行、保障室內(nèi)舒適性具有重要的意義。