摘 要：針對(duì)暖通設(shè)備中空氣處理機(jī)組傳感器數(shù)據(jù)故障檢測(cè)效率較低的問題，提出了一種基于KPCA結(jié)合 SVM的故障檢測(cè)方法。首先，建立核主元模型，然后通過核主元分析對(duì)被監(jiān)測(cè)的傳感器數(shù)據(jù)進(jìn)行特征值提取。其次，將特征值提取后的數(shù)據(jù)對(duì)支持向量機(jī)（Support Vector Machine，SVM）進(jìn)行訓(xùn)練，構(gòu)造SVM故障檢測(cè)模型。最后，基于KPCA-SVM故障檢測(cè)模型對(duì)被監(jiān)測(cè)的傳感器進(jìn)行故障檢測(cè)。本研究以河北師范大學(xué)職技樓制冷與空調(diào)實(shí)驗(yàn)設(shè)備為例進(jìn)行空氣處理機(jī)組傳感器故障實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，與SVM方法相比，KPCA-SVM能夠更好地提取故障信號(hào)的非線性特征。

關(guān)鍵詞：暖通系統(tǒng)，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(nèi)環(huán)境舒適度要求，暖通（Heating， ventilation and air conditioning，HVAC）設(shè)備的控制命令發(fā)展趨向于精細(xì)化，控制系統(tǒng)的構(gòu)造趨向于復(fù)雜化。隨著HVAC控制系統(tǒng)的復(fù)雜程度提高，控制系統(tǒng)發(fā)生故障的概率逐漸提高。同時(shí)，傳感器做為控制系統(tǒng)中重要的數(shù)據(jù)來源，其對(duì)于HVAC控制系統(tǒng)的正常運(yùn)行起著至關(guān)重要的作用。空氣處理機(jī)組（Air handing unit，AHU）系統(tǒng)直接與外部環(huán)境接觸，其傳感器的健康程度更容易受到外界的不穩(wěn)定因素干擾。綜上所述，基于AHU系統(tǒng)的傳感器故障診斷是十分必要的。

目前，關(guān)于HVAC系統(tǒng)的傳感器故障檢測(cè)方法主要包括：基于模型的；基于規(guī)則的和基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法。其中，隨著建筑自動(dòng)化系統(tǒng)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法被廣泛應(yīng)用。面對(duì)復(fù)雜的HVAC控制系統(tǒng)，基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法有著廣泛的適用性和更低的訓(xùn)練成本。

SVM在非線性、小樣本數(shù)據(jù)情況下進(jìn)行故障分類時(shí)，其故障檢測(cè)能力優(yōu)于其他基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法。本文以實(shí)際的AHU為研究對(duì)象，提出了一種結(jié)合核主元分析法降維的SVM故障檢測(cè)方法，以解決高維度數(shù)據(jù)量下，傳統(tǒng)SVM故障檢測(cè)時(shí)間長，故障檢測(cè)率低的問題；并通過系統(tǒng)仿真模擬得到的實(shí)驗(yàn)結(jié)論以證明KPCA-SVM的可靠性。

1 AHU傳感器故障檢測(cè)方法

1.1 基于KPCA的傳感器數(shù)據(jù)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(jìn)的樣本數(shù)據(jù)庫非線性特征提取方法。KPCA可以通過非線性映射核函數(shù)將樣本數(shù)據(jù)映射至高維特征空間，消除樣本數(shù)據(jù)之間的冗余和空間相關(guān)性，提取數(shù)據(jù)特征[1]。共包含3個(gè)步驟：

步驟1：輸入空氣處理機(jī)組標(biāo)準(zhǔn)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(shù)計(jì)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(cè)模型

傳感器在運(yùn)行過程中實(shí)時(shí)記錄系統(tǒng)的運(yùn)行數(shù)據(jù)按照數(shù)據(jù)的健康狀態(tài)可以分為：非故障運(yùn)行參數(shù)與故障運(yùn)行參數(shù)?；贙PCA的傳感器故障數(shù)據(jù)檢測(cè)的基本原理為：當(dāng)傳感器發(fā)生故障時(shí)，相關(guān)參數(shù)之間的統(tǒng)計(jì)關(guān)系將會(huì)發(fā)生改變。KPCA分析非故障狀態(tài)下的傳感器數(shù)據(jù)集，提取各參數(shù)之間的主元關(guān)系以建立核主元模型。當(dāng)傳感器發(fā)生故障時(shí)，其參數(shù)內(nèi)的主元關(guān)系會(huì)發(fā)生變化。通過SVM對(duì)主元關(guān)系的監(jiān)測(cè)以判斷被檢測(cè)的傳感器是否發(fā)生故障。

AHU系統(tǒng)傳感器故障診斷模型的故障檢測(cè)流程如圖1所示，分為訓(xùn)練部分和測(cè)試部分。訓(xùn)練部分包括KPCA和SVM模型的訓(xùn)練。首先，對(duì)采集的訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理。其次，利用KPCA得到訓(xùn)練數(shù)據(jù)的特征子空間成分，并利用其訓(xùn)練SVM故障檢測(cè)模型。在故障測(cè)試時(shí)，利用已知的KPCA特征子空間進(jìn)行數(shù)據(jù)特征值的提取，之后將各相應(yīng)的特征值置入SVM中進(jìn)行故障檢測(cè)，獲得KPCA-SVM的故障檢測(cè)結(jié)論。

2 實(shí)驗(yàn)平臺(tái)

為驗(yàn)證KPC A-SVM方法的可行性和可靠性，本研究以河北師范大學(xué)職技樓空調(diào)制冷換熱綜合實(shí)驗(yàn)室為實(shí)驗(yàn)對(duì)象，模擬AHU傳感器的故障并進(jìn)行檢測(cè)。實(shí)驗(yàn)設(shè)備如圖2所示。

實(shí)驗(yàn)采用現(xiàn)場(chǎng)實(shí)地測(cè)試。實(shí)驗(yàn)時(shí)，將傳感器分別安裝在AHU系統(tǒng)內(nèi)對(duì)其數(shù)據(jù)進(jìn)行監(jiān)測(cè)。系統(tǒng)的數(shù)據(jù)采集時(shí)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(shù)據(jù)。選取前10 0 0組非故障傳感器數(shù)據(jù)作為KPCA-SVM，SVM和KPC-BP的訓(xùn)練數(shù)據(jù)；剩余的1200組數(shù)據(jù)進(jìn)行傳感器故障檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)以送風(fēng)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(shí)驗(yàn)結(jié)果分析

故障檢測(cè)效率結(jié)果如下：

分別測(cè)試了SVM、KPCA-BP、KPCA-SVM三種故障檢測(cè)模型在不同偏置故障值下的故障檢測(cè)率。當(dāng)傳感器出現(xiàn)25%的偏置故障時(shí)，SVM的故障檢測(cè)率為69.5%；KPCA-BP的故障檢測(cè)率為75.4%；KPCA-SVM的故障檢測(cè)率為93.0%。當(dāng)AHU系統(tǒng)出現(xiàn)25%的傳感器偏置故障時(shí)，KPCA-SVM的故障檢測(cè)率高出SVM的故障檢測(cè)率23.5%；高出KPCA-BP的故障檢測(cè)率17.6%。

故障檢測(cè)正確率包括故障狀態(tài)下故障檢測(cè)模型檢測(cè)出故障的概率與非故障狀態(tài)下故障檢測(cè)模型檢測(cè)系統(tǒng)為正常運(yùn)行的加權(quán)概率。分別測(cè)試了SVM、KPCA-BP、KPCA-SVM三種故障檢測(cè)模型在25%偏置故障值下的故障診斷虛警率。圖3為送風(fēng)溫度傳感器25%偏置故障下各算法故障檢測(cè)正確率圖，其中KPCA-SVM的故障檢測(cè)虛警率為6.1%；KPCA-BP的故障檢測(cè)虛警率為7.2%，SVM的故障檢測(cè)虛警率為9.4%。

分別測(cè)試了SVM、KPCA-BP、KPCA-SVM三種故障檢測(cè)模型在不同偏置故障值下的故障檢測(cè)率。當(dāng)傳感器出現(xiàn)30%的偏置故障時(shí)，SVM的故障檢測(cè)率為70.5%；KPCA-BP的故障檢測(cè)率為82.8%；K PCA-SVM的故障檢測(cè)率為94.2%。分別測(cè)試了SVM、KPCA-BP、KPCA-SVM三種故障檢測(cè)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(cè)虛警率為3.2%；KPCA-BP的故障檢測(cè)虛警率為6.8%，SVM的故障檢測(cè)虛警率為8.7%。

分別測(cè)試了SVM、KPCA-BP、KPCA-SVM三種故障檢測(cè)模型在不同偏置故障值下的故障檢測(cè)率。當(dāng)傳感器出現(xiàn)35%的偏置故障時(shí)，SVM的故障檢測(cè)率為72.1%；KPCA-BP的故障檢測(cè)率為88.6%；K PCA-SVM的故障檢測(cè)率為96.5%。分別測(cè)試了SVM、KPCA-BP、KPCA-SVM三種故障檢測(cè)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(cè)虛警率為2.3%;KPCA-BP的故障檢測(cè)虛警率為5.4%，SVM的故障檢測(cè)虛警率為6.2%。上述實(shí)驗(yàn)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(cè)率和更穩(wěn)定的故障檢測(cè)性能。

4 結(jié) 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(shù)據(jù)中的有效故障特征，以更加準(zhǔn)確地捕獲數(shù)據(jù)分類特征信息。從而提高SVM的分類效果，提高了故障診斷準(zhǔn)確率。其具體結(jié)論如下：KPCABP和KPCA-SVM對(duì)真實(shí)數(shù)據(jù)進(jìn)行故障診斷處理，當(dāng)傳感器出現(xiàn)25%的偏置故障時(shí)，K PCA-SVM的故障檢測(cè)率高出SV M的故障檢測(cè)率2 3.5%，高出KPCA-BP的故障檢測(cè)率17.6%；當(dāng)傳感器出現(xiàn)30%的偏置故障時(shí)，KPCA-SVM的故障檢測(cè)率高出SVM的故障檢測(cè)率23.7%，高出KPCA-BP的故障檢測(cè)率11.4%；傳感器出現(xiàn)35%的偏置故障時(shí)，KPCA-SVM的故障檢測(cè)率高出SVM的故障檢測(cè)率24.4%，高出KPCA-BP的故障檢測(cè)率7.9%。

參考文獻(xiàn)

王萌.基于PKPCA和邏輯回歸模型的滾動(dòng)軸承壽命預(yù)測(cè)研究[D].大連：大連理工大學(xué)，2018．

張友鵬，魏智健，楊妮，等.基于KPCA-SVM的S700K轉(zhuǎn)轍機(jī)故障診斷方法[J].安全與環(huán)境學(xué)報(bào).

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(jìn)KPCA-SVM的故障監(jiān)測(cè)和診斷方法研究[A].現(xiàn)代制造工程，2020（9）：101-107.

作者簡介

胡鋆，本科在讀，研究方向?yàn)榻ㄖh(huán)境與能源應(yīng)用工程。

周興，通信作者，博士，講師，研究方向?yàn)槊?、生物質(zhì)制氫技術(shù)。

（責(zé)任編輯：劉憲銀）