朱 濤， 龐愛心

（貴州東華工程股份有限公司， 貴陽 550025）

0 引 言

以暖通空調(diào)系統(tǒng)為代表的現(xiàn)代工業(yè)系統(tǒng)往往都是具有大慣性、大滯后的復(fù)雜非線性系統(tǒng)［1］。 這類復(fù)雜大系統(tǒng)的故障在初期階段往往缺乏有效的檢測策略而難以發(fā)現(xiàn)，從而導(dǎo)致過多的能耗損失，甚至造成巨大的財(cái)產(chǎn)損失，并產(chǎn)生不小的社會影響。 因此，需要對暖通空調(diào)系統(tǒng)進(jìn)行實(shí)時(shí)故障檢測，發(fā)現(xiàn)系統(tǒng)的潛在故障，從而計(jì)劃及時(shí)的維護(hù)措施，保證空調(diào)系統(tǒng)的正常運(yùn)行。

近年來，針對復(fù)雜非線性系統(tǒng)進(jìn)行了一系列的故障檢測研究，主要分為2 類：基于模型的方法和基于數(shù)據(jù)驅(qū)動的方法。 其中，基于模型的方法是通過建立對特定故障較為敏感的指標(biāo)模型，主要是利用受診斷的物理對象的期望值與實(shí)際值的偏差來檢測系統(tǒng)故障。 Zabala 等學(xué)者［2］建立了一種物理模型，該方法基于模型進(jìn)行故障診斷，能準(zhǔn)確檢測到故障，但這些方法依賴于物理模型的精度。 采用傳統(tǒng)的建模技術(shù)來建立暖通空調(diào)系統(tǒng)的準(zhǔn)確模型是非常困難的［3］。 然而，基于數(shù)據(jù)驅(qū)動的方法可以不需要物理模型，直接從暖通空調(diào)系統(tǒng)運(yùn)行過程中提取故障特征，現(xiàn)已成為研究熱點(diǎn)［4］。 歷史的系統(tǒng)運(yùn)行數(shù)據(jù)用于訓(xùn)練模型，一旦新的運(yùn)行數(shù)據(jù)與訓(xùn)練模型學(xué)習(xí)到的模式不一致，就會發(fā)出故障警報(bào)。 故障樣本對于構(gòu)建平衡的訓(xùn)練數(shù)據(jù)集是必要的。 不平衡的訓(xùn)練數(shù)據(jù)集使大多數(shù)基于數(shù)據(jù)驅(qū)動的故障檢測方法性能下降、甚至無效［5－6］。

Modelica 建模語言可以比其他仿真工具更快、更精確地完成此類系統(tǒng)的建模和故障仿真工作［7］。本文提出一種基于Modelica 語言的面向?qū)ο蟮慕７椒ㄔ贠penModelica 仿真平臺上對暖通空調(diào)系統(tǒng)故障進(jìn)行模擬以生成故障樣本。

暖通空調(diào)系統(tǒng)的運(yùn)行數(shù)據(jù)往往具有較強(qiáng)的時(shí)序特征。 Kayacan［7］采用多種深度學(xué)習(xí)方法對時(shí)序數(shù)據(jù)進(jìn)行了預(yù)測研究。 而LSTM 網(wǎng)絡(luò)擁有對時(shí)間序列特征的強(qiáng)提取能力，非常適用于空調(diào)系統(tǒng)時(shí)序性監(jiān)測變量的預(yù)測。 Zhang 等學(xué)者［8］利用LSTM 網(wǎng)絡(luò)對時(shí)間序列較強(qiáng)的學(xué)習(xí)能力顯著地提高了電力系統(tǒng)中線路跳閘的故障預(yù)測準(zhǔn)確率。

與其它神經(jīng)網(wǎng)絡(luò)相比，盡管基于LSTM 網(wǎng)絡(luò)的方法在暖通空調(diào)系統(tǒng)變量預(yù)測中可能獲得更好的結(jié)果，但暖通空調(diào)系統(tǒng)的實(shí)時(shí)故障檢測結(jié)果不僅與神經(jīng)網(wǎng)絡(luò)的預(yù)測性能有關(guān)，往往也與故障閾值的大小密切相關(guān)［9－10］。 設(shè)置固定閾值的傳統(tǒng)方法通常會導(dǎo)致錯(cuò)過檢測故障的機(jī)會、延遲檢測故障或假警報(bào)［11－13］。 如果閾值設(shè)置得太高，則可能會錯(cuò)過故障，或者如果閾值太低，則會發(fā)生錯(cuò)誤報(bào)警。 因此，對于LSTM 網(wǎng)絡(luò)的預(yù)測誤差、即故障殘差，設(shè)置一個(gè)合理的閾值十分重要。 當(dāng)系統(tǒng)正常運(yùn)行時(shí)，故障殘差值往往很小，當(dāng)系統(tǒng)出現(xiàn)故障時(shí)，故障殘差值往往大于正常狀態(tài)，就可以將其視為一個(gè)分類問題。SVDD 算法作為一種優(yōu)秀的單分類算法，通過將球形邊界更改為更靈活的邊界，可以控制離群點(diǎn)敏感性［14－15］。 因此，SVDD 算法超球體的半徑往往可以很好地充當(dāng)故障檢測的自動閾值。 Li 等學(xué)者［14］采用支持向量數(shù)據(jù)描述（SVDD）算法對冷水機(jī)組的傳感器故障進(jìn)行檢測，取得了非常準(zhǔn)確的故障診斷結(jié)果。

因此，在通過仿真系統(tǒng)研究暖通空調(diào)系統(tǒng)故障特征后，提出了一種基于長短時(shí)間記憶網(wǎng)絡(luò)和支持向量數(shù)據(jù)描述（LSTM－SVDD）相結(jié)合的方法來實(shí)現(xiàn)暖通空調(diào)系統(tǒng)故障的實(shí)時(shí)、準(zhǔn)確檢測。 該方法首先利用雙層LSTM 網(wǎng)絡(luò)對系統(tǒng)時(shí)序特征向量的強(qiáng)學(xué)習(xí)能力，對系統(tǒng)的工作車間溫度進(jìn)行實(shí)時(shí)預(yù)測。 然后，通過將LSTM 網(wǎng)絡(luò)的輸出與工作車間溫度傳感器的實(shí)際值進(jìn)行比較而產(chǎn)生殘差值。 最后，將該殘差值作為SVDD 方法的輸入，將SVDD 超球面的半徑作為故障檢測閾值，從而檢測系統(tǒng)是否發(fā)生故障。

1 系統(tǒng)模型及故障模擬

該部分對暖通空調(diào)系統(tǒng)的結(jié)構(gòu)和工作原理進(jìn)行仿真建模，并采取人工注入故障的方式對故障進(jìn)行模擬。

1.1 系統(tǒng)建模

所研究的暖通空調(diào)系統(tǒng)為某數(shù)據(jù)中心的水冷式暖通空調(diào)系統(tǒng)，其系統(tǒng)結(jié)構(gòu)類似于文獻(xiàn)［16］，如圖1所示。

圖1 某廠房暖通空調(diào)系統(tǒng)結(jié)構(gòu)Fig. 1 HVAC system structure of a factory building

這個(gè)HVAC 系統(tǒng)在面向?qū)ο蟮慕；A(chǔ)上被分為水路子系統(tǒng)和氣路子系統(tǒng)。 水路子系統(tǒng)由一個(gè)冷水機(jī)模型和一個(gè)冷卻塔模型組成，而氣路子系統(tǒng)由一個(gè)風(fēng)機(jī)盤管模型和一個(gè)數(shù)據(jù)中心車間模型組成。 本文在OpenModelica 平臺［17］上建立了基于Modelica 標(biāo)準(zhǔn)庫和建筑物庫的HVAC 系統(tǒng)仿真模型。 然后根據(jù)實(shí)際HVAC 系統(tǒng)的傳感器測量結(jié)果，對模擬系統(tǒng)參數(shù)進(jìn)行了設(shè)置和校準(zhǔn)，以保持293 K左右的室溫。 通過使用數(shù)據(jù)中心的溫度變化作為評估指標(biāo)來驗(yàn)證模擬系統(tǒng)和實(shí)際HVAC 系統(tǒng)之間的差異。 同時(shí)，從被HVAC 系統(tǒng)冷卻的實(shí)際數(shù)據(jù)中心車間收集溫度數(shù)據(jù)。 圖2 顯示了從實(shí)際系統(tǒng)中收集的數(shù)據(jù)與模擬模型中的數(shù)據(jù)的比較。

圖2 實(shí)際系統(tǒng)與仿真系統(tǒng)的工作車間溫度對比Fig. 2 Workshop temperature comparison between actual system and simulation system

1.2 系統(tǒng)監(jiān)測變量及故障模擬

暖通空調(diào)系統(tǒng)故障是指降低系統(tǒng)性能的運(yùn)行異常，包括使用比正常運(yùn)行更多的能量，或未能根據(jù)恒溫器設(shè)定點(diǎn)維持工作車間溫度［18］。 在現(xiàn)實(shí)場景中，綜合考慮到實(shí)際系統(tǒng)中暖通空調(diào)系統(tǒng)傳感器的分布和系統(tǒng)重要變量，在模擬系統(tǒng)中通過構(gòu)建虛擬傳感器和監(jiān)測關(guān)鍵變量來更加全面地監(jiān)控系統(tǒng)運(yùn)行狀態(tài)。 在本研究中，選擇了11 個(gè)系統(tǒng)監(jiān)測變量，所有這些不同的參數(shù)都與暖通空調(diào)系統(tǒng)運(yùn)行狀態(tài)有關(guān)，見表1。

表1 系統(tǒng)監(jiān)測變量Tab. 1 System monitoring variables

由于暖通空調(diào)系統(tǒng)應(yīng)用于對工作車間的溫度調(diào)節(jié)，因此，工作車間的溫度變化與系統(tǒng)故障密切相關(guān)。 研究中，選用工作車間溫度用于演示的監(jiān)控參數(shù)。 為了準(zhǔn)確監(jiān)測工作車間溫度，應(yīng)考慮所有監(jiān)測變量的相關(guān)性。 表1 中的各監(jiān)測變量相關(guān)性如圖3所示。

圖3 各變量相關(guān)性分析熱力圖Fig. 3 Variables correlation analysis thermogram

從圖3 可以看出，與工作車間溫度最相關(guān)的5個(gè)監(jiān)測變量分別是冷水機(jī)供水溫度、冷水機(jī)回水溫度、來自盤管的供氣質(zhì)量流量、混合空氣的溫度和來自盤管的空氣出口溫度。 因此，將包含工作車間溫度的6 個(gè)監(jiān)測變量選作故障檢測模型的輸入。 通過使用所提出的故障檢測模型從這6 個(gè)參數(shù)中提取信息，可以實(shí)現(xiàn)系統(tǒng)故障檢測。 經(jīng)過標(biāo)準(zhǔn)化后的6 個(gè)監(jiān)測變量如圖4 所示。 該數(shù)據(jù)集共有15 000 個(gè)樣本點(diǎn)，其中前10 000 個(gè)樣本點(diǎn)當(dāng)作訓(xùn)練集，后5 000個(gè)樣本點(diǎn)作為測試集。

圖4 標(biāo)準(zhǔn)化后的6 個(gè)監(jiān)測變量Fig. 4 Six standardized monitoring variables

在該研究中，由于暖通空調(diào)系統(tǒng)的末端設(shè)備送風(fēng)管道發(fā)生故障將導(dǎo)致工作車間溫度偏離其正常設(shè)定值，從而選取送風(fēng)管道破裂故障進(jìn)行研究說明。在仿真系統(tǒng)上，采取人工注入故障的方式進(jìn)行了該故障數(shù)據(jù)的獲取試驗(yàn)。 系統(tǒng)正常運(yùn)行穩(wěn)定后，在穩(wěn)定運(yùn)行的某一時(shí)間點(diǎn)對送風(fēng)管道設(shè)置故障，該模擬故障通過在仿真模型的送風(fēng)管道上額外連接一小的容器以模擬送風(fēng)管道破裂，導(dǎo)致送風(fēng)量發(fā)生泄漏故障。 同時(shí)，不同的故障大小可以通過連接多個(gè)容器進(jìn)行模擬。 訓(xùn)練集中的工作車間溫度如圖5 所示。在測試集中，正常工作車間溫度和故障工作車間溫度如圖6 所示。 故障從第3 000 個(gè)采樣點(diǎn)開始，一直持續(xù)到測試集結(jié)束。

圖5 訓(xùn)練集中的工作車間溫度Fig. 5 Workshop temperature in training set

圖6 有故障的測試集中的工作車間溫度Fig. 6 Workshop temperature in faulty test set

2 基于LSTM－SVDD 的故障檢測框架

在這節(jié)中，詳細(xì)描述了基于LSTM－SVDD 的故障檢測方法的總體框架，然后給出了故障檢測模型的參數(shù)。 最后，通過實(shí)驗(yàn)分析了本文提出的方法的性能。 方法驗(yàn)證的程序在Python 3.7 環(huán)境下實(shí)現(xiàn)，LSTM 網(wǎng)絡(luò)和SVDD 算法程序在Jupyter Notebook 中結(jié)合Python 語言編寫，建立了HVAC 系統(tǒng)的故障檢測模型。 實(shí)驗(yàn)在一臺裝有Intel ? CoreTMi5－9300U CPU 的Windows 計(jì)算機(jī)上運(yùn)行，CPU 主頻為2.40 GHz，物理內(nèi)存為8.0 GB 的物理內(nèi)存。

2.1 故障檢測模型

該故障檢測框架主要由2 部分組成：基于實(shí)際傳感器測量數(shù)據(jù)的仿真系統(tǒng)建立和基于LSTM－SVDD 的系統(tǒng)故障檢測。 故障檢測模型的總體框架如圖7 所示。 首先，在現(xiàn)實(shí)場景中，暖通空調(diào)系統(tǒng)的服務(wù)器通過傳感器采集到系統(tǒng)正常運(yùn)行的數(shù)據(jù)，依據(jù)采集到的數(shù)據(jù)，對建立的仿真系統(tǒng)進(jìn)行參數(shù)校正和設(shè)定，使得該仿真系統(tǒng)的性能近似于實(shí)際系統(tǒng)。 隨后，在校正好的仿真系統(tǒng)上進(jìn)行故障注入，獲得系統(tǒng)的故障運(yùn)行數(shù)據(jù)。最后，LSTM－SVDD 對仿真系統(tǒng)的數(shù)據(jù)進(jìn)行特征提取和識別，及時(shí)發(fā)現(xiàn)系統(tǒng)故障并進(jìn)行故障預(yù)警。

圖7 基于LSTM－SVDD 的故障檢測框架Fig. 7 Fault detection framework based on LSTM－SVDD

暖通空調(diào)系統(tǒng)故障檢測不僅取決于當(dāng)前時(shí)刻的變化，還與先前時(shí)刻的狀態(tài)有關(guān)。 LSTM－SVDD 方法充分利用時(shí)序數(shù)據(jù)的特性，可以在一定程度上避免誤判并提高檢測性能。 LSTM－SVDD 故障檢測數(shù)據(jù)流程如圖8 所示，LSTM－SVDD 故障檢測步驟如下：

圖8 LSTM－SVDD 故障檢測數(shù)據(jù)流程圖Fig. 8 LSTM－SVDD fault detection data flow chart

步驟1收集數(shù)據(jù)。 數(shù)據(jù)集收集自仿真平臺的暖通空調(diào)系統(tǒng)，包括6 個(gè)特征變量。 工作車間溫度作為預(yù)測輸出變量。

步驟2標(biāo)準(zhǔn)化數(shù)據(jù)以消除特征之間的差異，同時(shí)重構(gòu)后的數(shù)據(jù)應(yīng)轉(zhuǎn)換為帶有滑動窗口的序列。

步驟3將處理好的數(shù)據(jù)作為雙層LSTM 網(wǎng)絡(luò)的輸入數(shù)據(jù)，從而建立雙層LSTM 模型以實(shí)現(xiàn)預(yù)測輸出。 該LSTM 網(wǎng)絡(luò)的損失函數(shù)為式（1）中給出的均方誤差：

其中，m是預(yù)測點(diǎn)的數(shù)量；YL表示實(shí)際輸出；表示模型預(yù)測輸出。

訓(xùn)練目標(biāo)是使總損失函數(shù)之和最小化。 經(jīng)過訓(xùn)練后，最終損失函數(shù)約為0.02，并保持穩(wěn)定，這表明雙層LSTM 經(jīng)過訓(xùn)練后滿足要求。

步驟4將殘差r作為SVDD 算法的輸入值，SVDD 模型將其超球體半徑R作為故障閾值進(jìn)行故障檢測，以確定系統(tǒng)是否存在故障。

2.2 模型參數(shù)設(shè)置

在本文中，基于LSTM－SVDD 的故障檢測模型的2 個(gè)LSTM 層用于增加模型的深度，并獲得更好的預(yù)測結(jié)果。 每個(gè)LSTM 層有20 個(gè)隱藏節(jié)點(diǎn)。 此外，將LSTM 滑動窗口的長度設(shè)置為20，可以獲得更好的時(shí)間序列預(yù)測性能。 表2 總結(jié)了提出的故障檢測模型中使用的參數(shù)。

表2 LSTM－SVDD 模型參數(shù)Tab. 2 LSTM－SVDD model parameters

3 故障檢測結(jié)果和討論

本節(jié)根據(jù)給出的故障檢測評價(jià)方法和對比實(shí)驗(yàn)結(jié)果，證明了所提出的方法的有效性。

3.1 檢測評價(jià)方法

為了評價(jià)故障檢測模型的計(jì)算精度，需要分析不同實(shí)驗(yàn)條件下的故障檢測性能。 故障檢測有4 種可能的結(jié)果，通常稱為真陽性（TP）、假陽性（FP）、假陰性（FN） 和真陰性（TN）［19－20］。 對于本次研究中涉及的評價(jià)測試指標(biāo)，擬做闡釋分述如下。

（1）準(zhǔn)確度（Acc）。 是所有預(yù)測中預(yù)測正確的比例，并可由如下公式計(jì)算求得：

準(zhǔn)確度是一個(gè)常用的評價(jià)指標(biāo)，準(zhǔn)確度越高代表檢測模型性能越好。 但在正負(fù)樣本不平衡和數(shù)據(jù)分布不均衡的情況下，準(zhǔn)確度這個(gè)評價(jià)指標(biāo)對少樣本的錯(cuò)誤分類不敏感。 精確率和召回率能夠彌補(bǔ)這一缺陷。 同時(shí)，F(xiàn)1值綜合考慮了精確率和召回率。因此，為了綜合評價(jià)模型性能，選取ACC和F1評分作為評價(jià)指標(biāo)。

（2）精密率（P）。 可由如下公式計(jì)算求出：

（3）召回率（R）。 可由如下公式計(jì)算求出：

（4）F1分?jǐn)?shù)。 是精確性和召回率的調(diào)和平均值。 可由如下公式計(jì)算求出：

3.2 基于LSTM－SVDD 的故障檢測結(jié)果及分析

為了全面分析所提出的故障檢測模型的性能，分別從提出的LSTM 網(wǎng)絡(luò)的預(yù)測性能和LSTMSVDD 模型對不同故障大小的故障檢測性能兩個(gè)角度對其進(jìn)行了驗(yàn)證。 對于提出的LSTM 網(wǎng)絡(luò)的預(yù)測性能，由于存在噪聲和建模誤差，即使在無故障狀態(tài)下，模型預(yù)測值也永遠(yuǎn)不會完美。 因此，在識別系統(tǒng)故障發(fā)生之前，必須進(jìn)一步處理這些預(yù)測值。 最常用的處理方法是對預(yù)測和實(shí)際值之間的差值應(yīng)用固定閾值。 如果差值大于閾值，則識別故障。 以殘差來評估其對工作車間溫度的預(yù)測性能。 在系統(tǒng)正常運(yùn)行時(shí)，該LSTM 網(wǎng)絡(luò)的殘差r如圖9 所示。

圖9 正常狀態(tài)下的工作車間溫度預(yù)測誤差曲線Fig. 9 Workplace temperature prediction error curve in normal state

假設(shè)在第3 000 個(gè)采樣點(diǎn)后系統(tǒng)發(fā)生送風(fēng)管道破裂故障，此時(shí)訓(xùn)練好的LSTM 網(wǎng)絡(luò)輸出值與實(shí)際的房間溫度傳感器殘差值r將會改變，如圖10 所示。 故障檢測過程一般分為2 個(gè)階段。 第一階段為無故障階段，包括前3 000 個(gè)樣本數(shù)據(jù)；第二階段為故障階段，包括后2 000 個(gè)樣本數(shù)據(jù)。 在無故障階段，殘差值越小，故障檢測性能越好。 相反地，在故障階段，殘差值越大，故障檢測性能越好。 不同方法的預(yù)測性能直接影響后續(xù)的故障檢測結(jié)果。

圖10 1%故障偏差下的工作車間溫度預(yù)測誤差曲線Fig. 10 Workplace temperature prediction error curve with 1%fault deviation

從圖10 可以看出，在系統(tǒng)正常運(yùn)行時(shí)的前3 000個(gè)樣本殘差值較小，而當(dāng)系統(tǒng)發(fā)生故障后，殘差值幅度變大并且發(fā)生較大波動。

對于系統(tǒng)正常運(yùn)行和故障運(yùn)行階段，殘差值的變化特征往往可以作為一個(gè)故障檢測依據(jù)，在故障檢測階段，將系統(tǒng)正常運(yùn)行階段產(chǎn)生的所有殘差樣本視為正樣本，故障階段運(yùn)行導(dǎo)致的所有殘差樣本均為負(fù)樣本，并采用SVDD 算法進(jìn)行自動檢測。 其檢測結(jié)果如圖11 所示。 故障檢測過程分為2 個(gè)階段。 第一階段為無故障階段，包括前3 000 個(gè)樣本數(shù)據(jù)；第二階段為故障階段，包括后2 000 個(gè)樣本數(shù)據(jù)。 從圖11 中可以看出，提出的基于LSTM－SVDD的故障檢測方法在無故障階段，殘差均低于故障閾值，這意味著該階段不存在假警報(bào)；而在故障階段，絕大多數(shù)高于故障閾值，只有少數(shù)幾個(gè)低于故障閾值，造成極少數(shù)的漏報(bào)。 這表明LSTM－SVDD 對該故障有很好的檢測效果。

圖11 1%故障偏差下的LSTM－SVDD 檢測結(jié)果Fig. 11 LSTM－SVDD detection results with 1%fault bias

故障幅值的大小也會嚴(yán)重影響故障檢測結(jié)果。為了檢驗(yàn)提出的方法對故障大小的檢測效果，在暖通空調(diào)系統(tǒng)仿真模型上改變送風(fēng)管泄漏量的大小以引入使工作車間溫度偏離正常范圍的不同級別故障。 以工作車間溫度偏離正常狀態(tài)下平均溫度的百分比為基準(zhǔn)劃分故障級別。 在偏差率分別取2%、1.5%、1%、0.5%、0 五個(gè)故障級別的條件下，LSTMSVDD 方法的檢測準(zhǔn)確度ACC和F1得分曲線如圖12 所示。

圖12 不同故障級別下的檢測效率Fig. 12 Detection efficiency at different failure levels

由圖12 可看到，LSTM－SVDD 方法對小偏差故障仍然保持著較高的檢測效果，即使在故障偏差率為0.5%時(shí)，其檢測效率也達(dá)到0.946；而在故障偏離2%時(shí)，其檢測效率達(dá)到了0.999。 同時(shí)，故障越大，故障檢測程度越準(zhǔn)確。 這是由于故障偏差幅值越大，偏離SVDD 最小超球面中心距離越大，超出邊界概率顯著增加，更容易被識別為異常狀態(tài)。

3.3 方法對比分析

為驗(yàn)證本文提出的方法的性能，從回歸預(yù)測性能和故障檢測效率與其它方法進(jìn)行對比試驗(yàn)。 對于預(yù)測性能，在相同的時(shí)序數(shù)據(jù)下，即相同的測試集和訓(xùn)練集劃分，選擇測試集上的預(yù)測值與實(shí)際值的絕對差值即預(yù)測誤差r作為預(yù)測性能評價(jià)指標(biāo)。 對LSTM 網(wǎng)絡(luò)［20］、XGBoost［21］方法和提出的LSTM 網(wǎng)絡(luò)，研究得到的工作車間溫度的預(yù)測誤差如圖13 所示。

圖13 LSTM［20］、XGBoost［21］和提出的LSTM 對數(shù)據(jù)中心溫度的預(yù)測結(jié)果Fig. 13 The prediction results of LSTM［20］、XGBoost［21］ and the proposed LSTM on data center temperature

從圖13 可以看出，文中提出的LSTM 網(wǎng)絡(luò)預(yù)測誤差小于文獻(xiàn)［20］提出的LSTM 網(wǎng)絡(luò)和文獻(xiàn)［21］提出的XGBoost 方法的預(yù)測誤差。 因此，本文提出的LSTM 網(wǎng)絡(luò)預(yù)測性能表現(xiàn)最好，同時(shí)，在時(shí)序數(shù)據(jù)波動較大時(shí)，XGBoost 方法預(yù)測性能最差。 這是因?yàn)閷τ陬A(yù)測時(shí)序數(shù)據(jù)而言，LSTM 網(wǎng)絡(luò)往往比其它神經(jīng)網(wǎng)絡(luò)更具優(yōu)勢。 由于傳統(tǒng)的LSTM 網(wǎng)絡(luò)只使用了一層單向LSTM 層，因此，提出的LSTM 網(wǎng)絡(luò)在相同訓(xùn)練次數(shù)的條件下訓(xùn)練后的預(yù)測模型精度更高。

對于故障檢測效率，文獻(xiàn)［20］提出的LSTM 網(wǎng)絡(luò)和文獻(xiàn)［21］提出的XGBoost 方法結(jié)合文獻(xiàn)［21］給出的固定閾值進(jìn)行故障檢測。 在不同故障大小的條件下，3 種方法的最終檢測效率見表3。 可以發(fā)現(xiàn)，LSTM－SVDD 檢測模型具有比其它2 種方法更高的檢測準(zhǔn)確度和F1得分，因此其故障檢測性能最好。

表3 不同方法檢測結(jié)果Tab. 3 Test results of different methods

可以發(fā)現(xiàn)，LSTM－SVDD 檢測模型具有比其它2種方法更高的檢測準(zhǔn)確度和F1得分，因此其故障檢測性能最好。 在實(shí)際工程中，由于暖通空調(diào)系統(tǒng)的滯后性，很難及時(shí)發(fā)現(xiàn)故障，造成系統(tǒng)的損壞和能源的浪費(fèi)。 實(shí)驗(yàn)結(jié)果表明，本研究中提出的方法在一定程度上可以更及時(shí)、準(zhǔn)確地檢測到系統(tǒng)故障。

4 結(jié)束語

暖通空調(diào)系統(tǒng)工作過程復(fù)雜，故障傳播遲滯。為了實(shí)現(xiàn)暖通空調(diào)系統(tǒng)的及時(shí)故障檢測，及時(shí)發(fā)現(xiàn)故障，提出一種仿真模型結(jié)合LSTM－SVDD 算法的故障檢測框架。 系統(tǒng)仿真模型及引入故障模擬解決了HVAC 系統(tǒng)大部分時(shí)間在正常條件下運(yùn)行導(dǎo)致故障數(shù)據(jù)樣本難以充分收集的問題。 由于暖通空調(diào)系統(tǒng)的運(yùn)行數(shù)據(jù)往往具有時(shí)序性，因此提出LSTMSVDD 故障檢測方法來對系統(tǒng)進(jìn)行及時(shí)故障檢測，并且引入不同的故障大小驗(yàn)證和分析了該方法的檢測效率。 結(jié)果表明：該方法對于較小偏差故障仍具有較好的檢測性能，且故障偏差越大，檢測效果越好。 而在與其它方法對比試驗(yàn)后發(fā)現(xiàn)，LSTM－SVDD檢測模型具有比傳統(tǒng)LSTM 網(wǎng)絡(luò)和XGBoost 方法更高的檢測準(zhǔn)確度。 文中提出的故障檢測框架不僅能得到有效仿真故障數(shù)據(jù)并對其進(jìn)行準(zhǔn)確的故障檢測，而且可以在缺乏故障樣本的情況下為其它暖通空調(diào)系統(tǒng)的故障檢測方法研究提供參考。