孫 哲 金華強 李 康 顧江萍 黃躍進 沈 希③

(*浙江工業(yè)大學機械工程學院 杭州 310014)

(**浙江農林大學光機電工程學院 杭州 311300)

(***浙江工業(yè)大學教育科學與技術學院 杭州 310014)

0 引言

為應對世界能源緊缺與碳排放問題,我國提出“3060”雙碳計劃,各行各業(yè)紛紛制定本領域的戰(zhàn)略方針[1]。制冷空調系統能耗是建筑能耗的重要組成,約占社會總能耗的20%[2-3]。由于制冷空調系統結構復雜且運行環(huán)境較差,長期使用中不可避免地發(fā)生各類故障。制冷空調系統故障種類繁多,可以分為突變故障和漸變故障2 大類,其中以熱力故障為主的漸變故障具有隱蔽性高、對性能影響較大的特點,是系統能耗增加的重要因素。相關研究表明,制冷空調系統發(fā)生熱力故障會造成15%～20%的能耗增加[4]。

為避免熱力故障發(fā)生造成系統能耗增加,大量學者針對智能故障診斷方法展開研究[5-9],而熱力故障的特征提取是故障診斷的基礎。隨著近年來深度學習技術的興起,故障診斷常利用端到端的黑箱模型實現,特征提取在黑箱模型內部自主實現[10-12]。也有一些學者利用數據挖掘算法實現故障特征自適應提取[13]。但上述2 種提取手段獲得的特征均為抽象特征,很難對其進行物理層面解釋,使得基于上述特征實現的故障診斷缺乏物理背景,無法保證全局范圍的可靠可信。通過對系統參數的偏離特征提取得到的知識具有明確的物理背景,基于此特征實現故障診斷可以更好地保證方法的可靠可信程度。已有研究對制冷空調系統故障偏離特性進行研究。文獻[14]對制冷系統故障分類及變化征兆進行了理論分析。文獻[15]從熱力循環(huán)角度對制冷系統故障的特性進行了定性分析。上述2 項研究基于熱力學機理分析,從循環(huán)機理角度給出了制冷空調系統故障狀態(tài)下參數變化的定性規(guī)律。文獻[16]通過自主搭建制冷空調系統,在恒定控制條件下通過不斷加深故障程度的方式研究了性能參數變化特性。文獻[17]通過自主搭建變流量空調系統獲取不同故障狀態(tài)的運行參數,并從數據分析的角度闡述了故障系統參數的變化規(guī)律。文獻[18]通過對振動信號頻域空間的分析,研究了小型全封閉壓縮機典型故障特性。上述研究屬于實驗驗證類型,通過搭建實驗制冷系統或仿真系統,在恒定工況和恒定環(huán)境的條件下改變系統故障狀態(tài),分析系統參數的變化規(guī)律。由于制冷空調系統的復雜性,基于熱力學分析的故障特性屬于定性結論,無法準確定量描述,因此難以直接用于故障診斷。而實驗系統得到的結論只適用于該系統本身,當診斷目標更換后無法直接應用。因此,必須利用目標系統自身動態(tài)數據進行準確的故障特征提取,才能更好地支撐故障診斷。

通過動態(tài)運行數據進行故障特征提取存在一個明顯的難點,即數據自身波動大,故障狀態(tài)的參數變化量難以計算。為計算出故障狀態(tài)參數的偏離量,必須準確得到健康狀態(tài)的基準值,即實現制冷空調系統的準確建模。制冷空調系統屬于典型的強非線性系統,準確建模十分困難。隨著數據驅動技術的飛速發(fā)展,利用深度神經網絡實現對強非線性系統的擬合成為可能。本文利用深度神經網絡構建制冷空調系統基準模型,并以此作為基準計算故障狀態(tài)下的參數偏離值,實現基于動態(tài)運行數據的故障特征準確提取。

由于深度神經網絡的訓練算法基于隨機梯度下降算法,使得模型的優(yōu)化方向存在一定的不確定性。同時,完全的黑箱模型缺乏知識解析,使得提取的故障特征無法滿足可信可靠的需求。文獻[19]指出“建立新的可解釋和魯棒的AI(artificial intelligence)理論與方法,需要將數據驅動和知識驅動范式結合起來,是發(fā)展AI 的必經之路”。本文依據這一指導思想,充分結合數據和機理2 種方法的優(yōu)勢,提出一種數據-機理聯合驅動的制冷空調系統故障特征提取方法,通過數據驅動對機理分析的定性結論進行完善與補充,同時利用機理分析的定性結論來約束數據驅動方法,避免數據集和數據驅動算法自身誤差對結論帶來不良影響。相比現有研究,本文方法得到的故障特征更加準確可信。該方法不僅適用于制冷空調系統熱力故障特征提取,同時可以應用于其他熱力系統的故障特征提取。

1 特征提取方法

1.1 數據-機理聯合驅動模式

制冷空調系統屬于典型的強非線性系統,精準的故障機理定量分析難以實現,只能以定性的方式實現故障特性描述,無法滿足故障診斷等問題的需求。通過實地采集或模擬實驗的方式可以獲取不同故障狀態(tài)的系統運行數據,利用數據分析方法提取系統故障特征是一種有效途徑。然而,現有數據分析方法多數建立在統計學基礎上,存在2 個缺陷:(1)對數據有效信息的提取和挖掘不充分,得到的結論不夠精確;(2)無法有效解決數據和算法自身不確定因素帶來的影響,得到的結論不夠可信。特別是針對復雜系統的動態(tài)運行數據而言,有效信息提取的難度更大。

為解決上述問題,本文提出一種數據和機理的聯合分析模式,包括2 個部分:(1)針對制冷空調系統,建立一種高效的數據驅動故障特性表征方法,相比于現有數據分析方法,對故障規(guī)律表征更加清晰準確;(2)通過定性機理分析對數據驅動結論進行修正和解釋,使得所有結論具有明確的物理意義。

聯合分析方法的具體路線(見圖1),通過數據分析與物理背景闡釋相結合的方法,即可以充分準確地得到制冷空調系統故障狀態(tài)參數的變化規(guī)律,又可以保證所得規(guī)律在物理背景下具備可信性。

圖1 數據-機理聯合驅動模式示意圖

1.2 制冷空調系統基準建模方法

制冷空調系統故障狀態(tài)的表現是熱力參數的定向偏離,不同系統間同一類故障的偏離規(guī)律是一致的,其差異在于偏離幅值不同。為探明各類故障的熱力參數偏離規(guī)律,最為有效的方法是獲取系統健康狀態(tài)下熱力參數的理想值,然后通過做差的方式即可得到偏離量。然而,制冷空調系統具有大滯后、強耦合的特點,熱力參數受到環(huán)境、工況、負載等諸多因素影響,各因素之間具有強烈的非線性關系,故如何根據實際環(huán)境和工況等因素計算出健康系統熱力參數的理想值是一個難題。

以深度學習為代表的數據驅動算法在復雜非線性系統擬合方面具有顯著優(yōu)勢,不依賴人為知識即自主建立參數間映射關系。文獻[8]提出一種融合卷積網絡、編-解碼器和循環(huán)神經網絡的深度模型,用于解決多維時序建模問題。本文利用該模型作為制冷空調系統基準模型,將當前環(huán)境參數和控制參數作為輸入變量,預測對應的熱力參數值。因為基準模型利用健康系統運行數據訓練,因此預測的熱力參數值屬于健康系統的理想值。

基準模型結構如圖2 所示,模型的輸入為制冷空調系統的外界自變參數,包括環(huán)境參數、控制參數、負載參數,例如環(huán)境溫度、壓機轉速、膨脹閥開度、風機轉速等。輸出的預測值為系統的因變參數,主要包括系統各類溫度、壓力等熱力參數。利用健康系統采集的運行數據訓練基準模型,實現健康系統的擬合。故障特征提取時將故障數據集的外界參數輸入基準模型后得出對應的健康系統熱力參數值,然后與故障數據集實際熱力參數值做差即可得到故障系統變化規(guī)律。該模型對制冷空調系統擬合效果良好,具體精度分析見文獻[8],可以很好地助力故障特征提取。

圖2 深度基準模型結構

1.3 故障偏離特性表征方法

利用基準模型可以得到熱力參數實際偏離量,但不同熱力參數的量綱不同,難以直觀地對不同熱力參數偏離程度進行比較。例如對于冷凝溫度而言,常態(tài)值在50～70 ℃,偏離0.5 ℃并不算大,而對于冷凝器進出風的溫差而言,常態(tài)值只有2～4 ℃,0.5 ℃的偏離已經有較大差異。對于只有1 MPa 左右的排氣壓力而言,0.5 MPa 的差異更是明顯。本節(jié)提出一種偏離數值的去量綱方法,首先計算基準模型在健康數據集上的殘差均值和標準差,得到基準模型的歸納偏置和離散程度;然后對故障數據集上的殘差按式(1)去量綱,得到故障狀態(tài)下熱力參數偏離量相對于標準差的倍率。

r′=(r/μ)/σ(1)式中,r′是去量綱后的故障熱力參數偏離倍率,r是故障熱力參數偏離量,μ是健康數據集上殘差均值,σ是健康數據集上殘差的標準差。去量綱后的偏離數據對故障特性的表征更加清晰,利用該數據訓練診斷模型可以有效提升診斷精度。

2 數據集與平臺

本文利用ASHRAE RP-1043(American Society of Heating,Refrigerating and Air-Conditioning Engineers)公開數據集進行實驗分析[20]。該數據集是美國供暖、制冷與空調工程師學會于1999 年啟動的項目,通過對一臺90 冷噸的離心式冷水機組進行故障模擬獲取動態(tài)運行數據,每種故障包含4 種不同嚴重程度,是制冷空調故障診斷領域最常用的數據集。

本文從數據集中選擇6 種常見故障進行分析,包括冷凝器結垢、冷卻水流量減少、冷凍水流量減少、含非凝性氣體、制冷劑泄漏和制冷劑過充。這6種故障屬于典型故障,發(fā)生頻率高、對系統影響大,對其進行故障特征提取研究具有重要意義[20]。

本文數據驅動算法運行平臺為DELL T440 服務器,GPU 為GeForce RTX 2080Ti,CPU 為Intel Xeon Silver 4214,內存為128 GB,操作系統是64 位Windows 10。算法開發(fā)環(huán)境為Pycharm,使用Python和Tensorflow 實現。

3 實驗分析

本節(jié)利用第1 節(jié)所提方法對ASHRAE RP-1043數據集的故障特征進行提取。通過數據驅動模型預測故障偏離特性,利用熱力學機理分析對其進行修正,可得到更加普適、準確的結論。本節(jié)首先對基準模型的精度進行實驗驗證;然后針對水冷式制冷空調系統的8 個常見熱力參數進行偏離規(guī)律分析,分別是蒸發(fā)器出水溫度(TEO)、冷凝器出水溫度(TCO)、蒸發(fā)溫度(TRE)、冷凝溫度(TRC)、吸氣溫度(T_suc)、吸氣過熱度(Tsh_suc)、排氣溫度(TR_dis)和排氣過熱度(Tsh_dis)。

3.1 基準模型精度分析

故障偏離特征的提取依賴基準模型精度,因此有必要在數據集上對基準模型進行精度分析?；鶞誓Ｐ蛿M合健康系統的特性,因此使用健康數據訓練。12 000 組樣本作為訓練數據,3000 組不參與訓練的樣本作為測試數據。使用Adam 優(yōu)化器和MSE 損失函數,訓練100 輪后,測試數據集上的損失值為0.005。

在3000 組健康測試數據上驗證模型誤差,得到特征的誤差絕對均值見表1。這里的誤差均值指的是全體樣本上預測值和真實值的平均偏離量。如TEO 的誤差均值為0.1,代表基準模型對該參數預測的平均誤差為0.1 ℃,可見預測精度已非常高,遠超物理模型的預測精度,可較好地實現偏離特征提取。

表1 基準模型的預測誤差絕對均值

3.2 冷凝器結垢故障特征提取

冷凝器結垢是指水冷式換熱器表面沉積水垢,水垢的熱阻遠大于換熱管,使得冷凝器的換熱效率下降。冷凝換熱效率降低直接導致冷凝器內氣態(tài)制冷劑體積更多,從而排氣壓力升高、冷凝溫度升高。當膨脹閥開口不變時,閥前壓力升高會導致閥后壓力升高,蒸發(fā)溫度也會升高,但閥后壓力升高的幅度不會太大。當冷凝器整體換熱量下降后,在冷卻水流量不變的條件下,理論上會導致冷凝器出水溫度降低。為保持熱平衡,蒸發(fā)器的換熱量也會下降,導致冷卻水出口溫度升高。由于排氣壓力升高導致壓縮機做功增加、產熱增加,會使壓縮機排氣溫度升高。而排氣過熱度是升高還是降低,取決于是排氣溫度提升大還是冷凝溫度提升大。

上述分析得到了系統熱力參數的定性偏離規(guī)律,進一步通過數據驅動方法對動態(tài)運行數據的偏離特征進行提取,結果見圖3。其中,圖3(a)是8 個參數的平均真實偏離值,圖3(b)是通過去量綱化后的偏離倍率。從圖中信息可以對機理分析的結論進一步驗證并完善。如圖可知,冷凝器結垢故障的各個參數偏離程度都不大,說明該故障的系統表征不明顯。其中變化最大的是冷凝溫度和排氣溫度。這2 個參數的偏離程度均隨著故障嚴重程度的增加而增加,在故障最嚴重時,冷凝溫度平均升高約1 ℃,排氣溫度平均升高約2 ℃。蒸發(fā)溫度變化不明顯,在故障程度較嚴重時呈現輕微升高,而故障程度較輕時反而有些降低,結合理論分析可知,這種輕微降低的原因來自數據驅動模型誤差。冷卻水出水溫度整體呈現下降趨勢,冷凍水出水溫度呈現升高趨勢,但幅度均較小。吸氣溫度呈現輕微上升趨勢,但吸氣過熱度變化不明顯。

圖3 冷凝器結垢故障偏離特征圖

綜上,冷凝器結垢故障的系統表征不明顯,變化最大的是冷凝溫度升高、排氣溫度升高、冷凍水出水溫度升高,升高幅度與故障嚴重程度正相關,約為1～2 ℃之間,可以作為故障診斷的敏感參數。

3.3 冷卻水流量減少故障特征提取

水冷式制冷機組利用循環(huán)水對換熱器進行換熱,其中,用于冷凝器換熱的水循環(huán)稱為冷卻水循環(huán)。當冷卻水流量減少后,冷凝器換熱量減少,從而冷凝器內氣態(tài)制冷劑含量增加、排氣壓力增加,致冷凝溫度升高。經過膨脹閥節(jié)流后,吸氣壓力少量升高,蒸發(fā)溫度少量提升。由于冷卻水流量不足,相同質量的冷卻水需要換更多的熱量,使得冷卻水出口溫度升高。而在熱平衡的條件下,蒸發(fā)器換熱量與冷凝器換熱量同時減少,使得冷凍水出水溫度升高。壓縮機吸氣溫度與該故障相關性不強,由于蒸發(fā)溫度升高,導致吸氣過熱度降低。冷凝器換熱量減少導致系統內熱量堆積,壓縮機排氣溫度升高,排氣過熱度的趨勢取決于冷凝溫度和排氣溫度的升高幅度。

利用數據驅動方法得到圖4 的偏離特征,進一步對機理分析結論進行完善。由機理分析可知,冷凍水出口溫度、冷卻水出口溫度、蒸發(fā)溫度、冷凝溫度及排氣溫度都會升高,數據驅動結果則可以直觀地看出其升高幅度。冷卻水出口溫度和冷凝溫度的升高幅度最明顯,可達2 ℃左右,但結合參數自身量綱,冷卻水出口溫度的偏離程度更明顯,顯著高于常規(guī)工況。而冷凍水出口溫度升高其實并不明顯,很難以此作為依據判定該故障。排氣溫度的值隨故障嚴重程度增加而升高,但故障輕微時沒有明顯變化,應考慮系統自身冗余因素。蒸發(fā)溫度提升也不明顯,其主要變換依舊取決于膨脹閥開度。最后,由于冷凝溫度和排氣溫度的升高量基本相似,所以排氣過熱度無明顯變化。

圖4 冷卻水流量減少故障偏離特征圖

綜上,冷卻水流量減少存在2 個顯著變化,即冷卻水出口溫度和冷凝溫度,其升高量可達2 ℃,可作為該故障的敏感參數。而隨著故障程度加深,排氣溫度也會升高超過2 ℃,蒸發(fā)溫度升高不足1 ℃。

3.4 冷凍水流量減少故障特征提取

冷凍水用于蒸發(fā)器換熱,其流量減少會導致蒸發(fā)器內冷量無法徹底換出,直接降低系統制冷量。由于冷凍水流量不足,單位質量的冷凍水需要換更多的熱,導致冷凍水出口溫度明顯降低。由于蒸發(fā)器換熱量不足,導致吸氣溫度降低,同時吸氣過熱度降低,當冷凍水嚴重不足時甚至導致蒸發(fā)器無法徹底蒸發(fā),無吸氣過熱度。由于低壓端溫度降低,導致吸氣壓力降低,蒸發(fā)溫度降低。

利用數據驅動進一步得到如圖5 所示的偏離特征?？梢钥闯?冷凍水出口溫度、蒸發(fā)溫度、吸氣溫度和吸氣過熱度的偏離程度最為明顯,其中冷凍水出口溫度和吸氣溫度的降低量可達2 ℃,相比于該參數自身波動標準差可下降20 倍以上,見圖5(b)。因此,這4 個參數可以作為該故障的敏感參數,其表征程度顯著。從圖中可以進一步看出,冷卻水出口溫度和冷凝溫度也有少量升高,但相較于前面4 個參數幅度小很多。

綜上,冷凍水出口溫度、蒸發(fā)溫度、吸氣溫度和吸氣過熱度4 個參數的顯著降低是該故障的特性,降低量在1～2 ℃。而冷卻水出口溫度和冷凝溫度則存在不足1 ℃的少量升高。

3.5 含非凝性氣體故障特征提取

含非凝性氣體指的是充注或維護過程中向系統內混入了無法冷凝的氣體,如混入空氣等。非凝性氣體無法滿足制冷系統換熱需求,但又會占用系統容量,特別是壓縮機容量,使得單位有效質量流量降低,顯著降低系統效率。由于存在非凝性氣體,使得冷凝器內氣體含量升高,進而導致排氣壓力和冷凝溫度升高。排氣壓力升高導致壓縮機做功增加,而由于有效質量流量的降低導致換熱量減少,熱量堆積致排氣溫度升高。排氣過熱度的趨勢則取決于冷凝溫度和排氣溫度的升高幅度。此外,由于排氣壓力升高導致吸氣壓力對應升高,蒸發(fā)溫度升高。而換熱量降低導致冷凍水出口溫度升高、冷卻水出口溫度降低。換熱不足也導致吸氣溫度升高。

進一步通過數據驅動獲得如圖6 所示的偏離特征。對比驗證發(fā)現,冷凝溫度、排氣溫度和排氣過熱度的升高最明顯,最大可達11 ℃,相比于標準差的偏離倍率可達20 倍。分析去量綱化后的圖6(b)可知,冷凍水出口溫度、冷卻水出口溫度、吸氣溫度和吸氣過熱度的偏離倍率也很大,可達標準差的5～10 倍。吸氣過熱度和排氣過熱度均呈現增大趨勢,這是定性機理分析無法得出的結論。

綜上,含非凝性故障的所有分析故障中表征最為明顯的一類。冷凝溫度、排氣溫度和排氣過熱度3 個參數的變化最為明顯,均呈現顯著升高,是該故障的敏感參數。此外,冷卻水出口溫度降低,冷凍水出口溫度、吸氣溫度和吸氣過熱度升高,也是該故障的明顯標志。

3.6 制冷劑充注故障特征提取

制冷劑充注故障指系統的充注量不在合適范圍內,通常包括制冷劑泄漏和制冷劑過充。無論制冷劑的充注量是過多還是過少均會導致系統效率下降。當制冷劑泄漏時,由于制冷劑的質量流量減少,會導致冷凝器內氣體減少,排氣壓力和冷凝溫度都會降低。更低的排氣壓力導致壓縮機做功減少,產熱減少。而另一方面,制冷劑流量減少導致冷凝器換熱冗余,使系統含熱更少。兩方面同時作用下導致排氣溫度降低,而排氣過熱度則需要冷凝溫度和排氣溫度共同決定。而制冷劑過充故障的表征與制冷劑泄漏完全相反,原理也是完全相反。

利用數據驅動對2 種故障數據進行偏離特征提取,結果如圖7 和圖8 所示?？梢钥闯?整體上制冷劑泄漏對參數的影響程度沒有制冷劑過充大。制冷劑泄漏時,冷凝溫度和排氣溫度確實會下降,而排氣過熱度也存在少量下降。另一方面,冷凍水出口溫度少量降低,冷卻水出口溫度少量升高,這是理論分析不容意得出的。進一步通過圖8 的偏離規(guī)律進行驗證發(fā)現,制冷劑過充會明顯導致冷凝溫度、排氣溫度和排氣過熱度升高,升高幅度在3～6 ℃。同樣地,冷凍水出口溫度和冷卻水出口溫度與制冷劑泄漏的偏離方向相反,分別呈現升高和降低的趨勢。

圖7 制冷劑泄漏故障偏離特征圖

圖8 制冷劑過充故障偏離特征圖

綜上,制冷劑充注故障會明顯影響冷凝溫度、排氣溫度和排氣過熱度,當充注量不足時,這3 個參數會降低,而充注量過高時這3 個參數會明顯升高。此外,充注量對冷凍水和冷卻水出口的溫度也會產生少量影響。

3.7 偏離特征矢量構建

經過數據和機理聯合分析,探明了6 類故障的偏離規(guī)律,并對其偏離現象產生的機理進行了分析,為故障診斷方法研究提供理論基礎。本節(jié)通過構建特征參數偏離矢量的方式對故障特征進行表征,結果如表2 所示。表中以↑和↓表示參數的升高或降低,箭頭的數量表示升高或降低的幅度。以相對于標準差的偏離倍率度量,偏離在2 倍標準差以內的為↑或↓,2～5 倍之間為2↑或2↓,5～10 倍之間為3↑或3↓,10 倍以上為4↑或4↓。

表2 制冷空調系統故障偏離特征矢量表

從表中可以看出,冷卻水流量減少、冷凍水流量減少和含非凝性氣體故障的偏離特征最明顯,而冷凝器結垢和制冷劑泄漏故障的偏離最輕微。從偏離特征的分布來看,不同故障的偏離規(guī)律均不相同,且每種故障都有對應的敏感特征,是故障診斷的基礎。通過該表格可以建立故障對應的關鍵特征而降低其他非關鍵特征對該故障診斷的影響。

4 結論

本文針對制冷空調系統動態(tài)運行數據故障特征提取困難問題,提出一種基于深度學習的參數偏離特征表征方法,在偏離表征基礎上結合熱力學機理分析,得出制冷空調系統故障狀態(tài)的敏感參數及其變化規(guī)律。具體結論如下。

(1)相比于純機理分析,利用深度學習技術從制冷空調系統實際運行數據中提出故障特征信息得到的結果更加準確,而定性的機理分析可以使得數據驅動得到的結論更加可信,是一種更優(yōu)的熱力系統故障特征提取方法。

(2)本文分析的6 類故障中,每類故障都有其自身的敏感參數集,且不同故障間的敏感參數及其偏離規(guī)律互不相同。因此,利用敏感參數及其偏離規(guī)律實現故障診斷是可行的。

(3)本文分析的6 類故障中,冷卻水流量減少、冷凍水流量減少、含非凝性氣體和制冷劑過充故障的系統偏離程度更加明顯,其敏感參數的偏離量可超過2 ℃,相比于健康數據集殘差的標準差,偏離倍率可超過10 倍。而冷凝器結垢和制冷劑泄漏故障的偏離程度較輕,敏感參數的偏離量約為1 ℃,偏離倍率小于5 倍。

(4)制冷空調系統參數偏離程度隨故障嚴重程度增加而增加,但當系統故障程度較輕微時,特征參數可能不存在偏離,這與制冷空調系統設計時存在冗余以及系統自身抗擾性有關。

綜上,本文通過數據和機理聯合分析方法對制冷空調系統故障特征進行了分析研究,得出6 類故障的參數偏離規(guī)律并構建偏離矢量表,可為相關故障診斷研究提供理論基礎。