楊 超

（百色職業(yè)學(xué)院，廣西 百色 533000）

隨著社會的發(fā)展，各類制冷設(shè)備的使用量越來越大，設(shè)備故障不可避免地也越來越頻繁[1]。制冷系統(tǒng)故障會直接導(dǎo)致制冷效果下降，影響食品及藥品的保存，給人們的生活帶來不便。傳統(tǒng)的制冷系統(tǒng)故障診斷主要依賴維修人員的經(jīng)驗判斷，效率比較低下，無法快速找出故障原因，針對此問題，開發(fā)自動化的制冷系統(tǒng)故障診斷與預(yù)測方法勢在必行?；谀：R別理論的故障診斷方法憑借其對不確定性知識的表示能力，在制冷系統(tǒng)故障診斷領(lǐng)域顯示出巨大應(yīng)用潛力。本研究以典型壓縮式制冷系統(tǒng)為研究對象，通過提取關(guān)鍵故障特征，構(gòu)建模糊推理規(guī)則庫，設(shè)計模糊識別診斷算法，建立制冷系統(tǒng)故障診斷模型，并進(jìn)行實驗驗證，以期為制冷系統(tǒng)的狀態(tài)監(jiān)測與故障預(yù)測提供理論支持與技術(shù)參考。

1 制冷系統(tǒng)故障診斷基本概述

1.1 制冷系統(tǒng)故障的分類和特點

制冷系統(tǒng)中的典型故障可分為機(jī)械故障、電氣故障、控制故障及綜合故障四大類[2]。機(jī)械故障多發(fā)生在壓縮機(jī)、蒸發(fā)器、凝結(jié)器等機(jī)械部件，常見故障有軸承磨損、閥門失靈、管路疲勞破裂等。電氣故障主要表現(xiàn)為電機(jī)繞組燒毀、電控元件損壞、供電電壓不穩(wěn)定等?？刂乒收蟿t多由傳感器失靈、反饋信號誤差大、控制器參數(shù)設(shè)定不當(dāng)?shù)葘?dǎo)致。上述三類故障的綜合故障也較為常見，例如壓縮機(jī)軸承磨損導(dǎo)致機(jī)械異常振動，擾動傳感器測量，引起控制異常。

制冷系統(tǒng)故障擴(kuò)散迅速，影響廣泛[3]。據(jù)統(tǒng)計，60%的系統(tǒng)故障能在3 天內(nèi)導(dǎo)致完全失效。故障往往伴有高達(dá)20%的制冷量損失和40%的能效降低。船用低溫制冷系統(tǒng)故障率可達(dá)13%，美國制冷運輸車輛的故障率也有10%左右，我國城市地鐵空調(diào)制冷系統(tǒng)的故障率為5%～8%，除直接經(jīng)濟(jì)損失外，部分故障還會產(chǎn)生嚴(yán)重環(huán)境后果，例如制冷劑泄漏造成的臭氧層破壞。因此，對各類制冷系統(tǒng)進(jìn)行自動化的狀態(tài)監(jiān)測與故障預(yù)警診斷，對防止故障蔓延、減少損失具有重要意義，主要故障類型識別難易程度比較如表1所示。

表1 主要故障類型識別難易程度比較

1.2 模糊識別在制冷系統(tǒng)故障診斷中的應(yīng)用原理

制冷系統(tǒng)故障診斷存在諸多不確定性，例如故障機(jī)理復(fù)雜多變、故障特征難以準(zhǔn)確獲取、系統(tǒng)參數(shù)難以建立精確數(shù)學(xué)模型等[4]。而模糊識別理論具有使用語言信息處理不確定知識的特點，能有效解析制冷系統(tǒng)這類難以準(zhǔn)確描述的復(fù)雜對象，因而在制冷系統(tǒng)故障診斷中展現(xiàn)出巨大應(yīng)用前景。模糊識別診斷方法的基本思路是：根據(jù)專家經(jīng)驗與歷史數(shù)據(jù)，確定各種典型故障的語言描述，建立“如果—則”類型的模糊規(guī)則庫。收集運行狀態(tài)的各種模糊輸入信息，按照規(guī)則推理，得到不同故障的可能性分析結(jié)果。信息?；幚硎顷P(guān)鍵環(huán)節(jié)，需要確定輸入變量的語言詞集及其隸屬度函數(shù)，以便將運行狀態(tài)的各種模糊輸入信息轉(zhuǎn)化為可處理的形式。信息匹配采用模糊矩陣計算的最大最小法則，并設(shè)定診斷閾值判定故障類型。相較于傳統(tǒng)數(shù)學(xué)模型方法，模糊識別診斷不需要建立精確模型，能快速應(yīng)用于不同類型的制冷系統(tǒng)，實現(xiàn)在線監(jiān)測與故障預(yù)測。

1.3 制冷系統(tǒng)故障診斷的關(guān)鍵技術(shù)及其特點

制冷系統(tǒng)故障診斷的關(guān)鍵技術(shù)主要包括故障特征提取、故障識別與分類。針對不同類型制冷系統(tǒng)，需要采集包含狀態(tài)信息的各類信號，并使用數(shù)字信號處理技術(shù)提取得到故障特征。例如采集壓縮機(jī)聲頻信號，通過小波變換、包絡(luò)分析等方法提取異響特征，也可以安裝振動加速度傳感器，監(jiān)測壓縮機(jī)密封件或軸承的振動信號，獲得特定頻率分量作為特征。除聲音、振動信號外，還可分析工作參數(shù)信號，如壓力、溫度、流量的變化趨勢，識別參數(shù)偏差型故障[5]。獲取到故障特征后，需要進(jìn)行模式識別，確定故障類型。常用方法有基于正態(tài)分布數(shù)據(jù)的貝葉斯分類、支持向量機(jī)分類、基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)分類等，這需要大量歷史故障數(shù)據(jù)進(jìn)行模型訓(xùn)練。也可采用模糊規(guī)則推理的識別方法，利用語言描述的專家經(jīng)驗判斷故障類型。制冷系統(tǒng)故障診斷的關(guān)鍵技術(shù)特點如表2 所示，上述關(guān)鍵技術(shù)需要結(jié)合不同制冷工況的工作參數(shù)范圍設(shè)計。例如低溫冷庫制冷系統(tǒng)，需要關(guān)注溫度波動信號；車載空調(diào)系統(tǒng)，需要考慮發(fā)動機(jī)振動對信號的影響，還需設(shè)計不同類型故障的診斷閾值，防止誤報警。因此，采用數(shù)字信號處理與AI 技術(shù)進(jìn)行多源異構(gòu)數(shù)據(jù)融合與故障識別，是實現(xiàn)制冷系統(tǒng)智能化診斷與預(yù)測的核心方向。

表2 制冷系統(tǒng)故障診斷的關(guān)鍵技術(shù)特點

2 基于模糊識別的制冷系統(tǒng)故障診斷模型構(gòu)建

2.1 故障特征提取方法

本研究以典型的制冷壓縮機(jī)為例，采集壓縮機(jī)運行時的振動噪聲信號作為故障特征提取的原始數(shù)據(jù)。信號通過設(shè)置在壓縮機(jī)殼體上的加速度傳感器采集獲得?？紤]到壓縮機(jī)的工頻振動對特征的影響，選擇采樣頻率50 kHz，采樣時間20 s，并通過低通濾波去除工頻成分[6]。在獲取振動噪聲原始信號后，使用小波變換進(jìn)行預(yù)處理。采用db5 小波基對信號進(jìn)行5 層分解，提取含有豐富狀態(tài)特征的低頻分量，然后計算每個細(xì)尺度信號包絡(luò)，分析信號幅值特征。通過快速傅里葉變換可獲得各細(xì)尺度的頻譜信息。綜合時域、頻域特征，可以檢測出壓縮機(jī)存在的異常成分。此外，本研究還額外安裝了壓縮機(jī)出口溫度傳感器，獲取壓縮機(jī)運行過程中的溫度序列數(shù)據(jù)。統(tǒng)計壓縮機(jī)啟動時溫度上升的斜率、動態(tài)壓縮比等參數(shù)，可以有效反映制冷劑流量不均勻、潤滑不良等故障狀態(tài)。通過對振動噪聲和溫度兩個方面特征的提取與融合，能夠全面獲得各類機(jī)械故障的狀態(tài)信息，這為后續(xù)基于深度學(xué)習(xí)的故障模式識別算法奠定了數(shù)據(jù)基礎(chǔ)。

2.2 模糊推理規(guī)則的構(gòu)建

本研究基于對壓縮機(jī)常見故障模式的分析，提取了4 類主要機(jī)械故障：潤滑不良、制冷劑流量不均、壓縮機(jī)過載、連接松動。這些故障的主要特征可由壓縮機(jī)振動噪聲信號反映，但特征與特定故障對應(yīng)的關(guān)系難以準(zhǔn)確表達(dá)。為建立模糊推理識別模型，需要構(gòu)建“如果—則”形式的規(guī)則庫。定義輸入變量“噪聲強(qiáng)度”的語言集為{極弱，弱，中，強(qiáng)，極強(qiáng)}，“異常噪聲頻率”的語言集為{極低，低，中，高，極高}。輸出變量“故障模式”的語言集為上述4 類故障[7]。根據(jù)專家經(jīng)驗歸納出若干條規(guī)則，例如：如果噪聲強(qiáng)度是強(qiáng)，并且異常噪聲頻率是中，則故障模式是潤滑不良；如果噪聲強(qiáng)度是中，并且異常噪聲頻率是高，則故障模式是制冷劑流量不均。對每個輸入變量設(shè)置對應(yīng)的隸屬度函數(shù)，根據(jù)規(guī)則匹配當(dāng)前輸入的隸屬度，可得出各故障模式的可能性大小。設(shè)置匹配閾值，即可實現(xiàn)對壓縮機(jī)故障類型的模糊推理識別[8]，模糊推理規(guī)則構(gòu)建變量設(shè)定如表3 所示。這種方法無需建立精確數(shù)學(xué)模型，就能處理特征與故障對應(yīng)關(guān)系的不確定性。通過收集更多歷史運行數(shù)據(jù)、優(yōu)化規(guī)則庫，模糊推理診斷的準(zhǔn)確性可逐步提升，為壓縮機(jī)故障預(yù)測提供低成本、可解釋的解決方案。

表3 模糊推理規(guī)則構(gòu)建變量設(shè)定

2.3 模糊識別算法的選擇與設(shè)計

在構(gòu)建了輸入輸出變量的語言詞集和模糊規(guī)則庫之后，需要設(shè)計識別模型的核心算法模塊，本研究選擇采用模糊矩陣最大最小匹配方法計算故障的可能性。首先，根據(jù)語言詞集的個數(shù)構(gòu)建輸入、輸出變量的模糊矩陣[9]。以兩個輸入變量為例，若每個變量詞集包含5個語言值，則構(gòu)建兩個5×5的輸入模糊矩陣；輸出變量有4 種故障模式，構(gòu)建一個4×4 的輸出模糊矩陣，矩陣元素表示變量取對應(yīng)語言值的隸屬度。然后，讀取實時采集的特征數(shù)據(jù)，計算所對應(yīng)的語言隸屬度，生成輸入隸屬度向量。根據(jù)建立的規(guī)則庫，可以得到一個輸出模糊矩陣。依據(jù)最大最小原理，計算輸入向量與輸出矩陣的匹配值，獲得每個故障的可能性大小。最后，設(shè)置合適的閾值，當(dāng)一種故障模式的可能性超過閾值時，確認(rèn)診斷結(jié)果；如果所有故障模式可能性測量值都低于閾值，則判定為無故障，該算法結(jié)構(gòu)簡單，計算量小，易于實現(xiàn)在線監(jiān)測與故障診斷。本研究還將優(yōu)化算法，通過引入權(quán)重矩陣調(diào)整每個規(guī)則的重要性，并采用中心平均法進(jìn)行清晰化處理，綜合各規(guī)則輸出，提高診斷的準(zhǔn)確率與可解釋性。相比于黑盒式的深度學(xué)習(xí)方法，這種模糊識別算法更適合解釋性強(qiáng)、可靠性要求高的制冷系統(tǒng)故障預(yù)測。

3 實驗設(shè)計與結(jié)果分析

3.1 實驗設(shè)置和數(shù)據(jù)采集

為驗證所設(shè)計的基于模糊識別的制冷系統(tǒng)故障診斷方法的可行性，本研究搭建了壓縮機(jī)試驗平臺進(jìn)行實驗。以螺桿壓縮機(jī)為研究對象，壓縮機(jī)額定工況為：制冷量3 萬kcal/h，耗電量30 kW，壓縮比為8。平臺配備有制冷劑流量調(diào)節(jié)閥、電加熱器、冷凝器、過濾器等組件。振動信號通過安裝在壓縮機(jī)殼體三個直角方向的703 型壓電加速度傳感器采集，傳感器量程為50g，頻響范圍為0.7 Hz～10 kHz。信號采集卡選用NI 公司的USB-4431，采樣頻率設(shè)為50 kHz。溫度信號通過PT100 電阻溫度探頭測量，信號采用NI-9211 模塊采集。所有信號經(jīng)過前置增益放大后輸入計算機(jī)進(jìn)行處理[10]。

研究收集壓縮機(jī)正常工作時的振動噪聲信號和溫度信號作為訓(xùn)練樣本。通過改變制冷劑流量、潤滑情況等方式，模擬多種典型故障狀態(tài)運行獲得對應(yīng)樣本數(shù)據(jù)。所有樣本數(shù)據(jù)集均經(jīng)過標(biāo)定、劃分，以訓(xùn)練模糊識別模型及評估診斷性能。所收集的運行數(shù)據(jù)集為后續(xù)故障檢測與預(yù)測算法提供了可靠的基礎(chǔ)。

3.2 模擬故障注入與系統(tǒng)響應(yīng)

在獲取足夠的正常工作狀態(tài)數(shù)據(jù)后，為了收集制冷系統(tǒng)各種故障狀態(tài)下的特征樣本，本研究采用了模擬故障注入的方法。主要準(zhǔn)備了4 類常見故障的模擬實驗：

1）潤滑不良故障。通過調(diào)節(jié)潤滑油流量，使壓縮機(jī)潤滑狀態(tài)惡化，記錄不同程度潤滑不良狀態(tài)下的特征響應(yīng)。

2）制冷劑流量不均故障。通過調(diào)節(jié)電子膨脹閥開度，引入制冷劑流量脈動，記錄壓縮機(jī)在制冷劑流量波動時的噪聲與振動。

3）過載故障。通過減小冷凝器風(fēng)扇轉(zhuǎn)速，增加壓縮機(jī)負(fù)荷，使其進(jìn)入過載狀態(tài)，記錄過載時的溫度上升特征。

4）連接松動故障。對壓縮機(jī)進(jìn)出口管路進(jìn)行微小松動，模擬管路連接故障，記錄振動噪聲變化。

通過參數(shù)控制精細(xì)地引入不同程度、不同類型的故障，收集壓縮機(jī)在故障狀態(tài)下的運行數(shù)據(jù)，并與正常狀態(tài)數(shù)據(jù)進(jìn)行對比，可以發(fā)現(xiàn)不同故障對應(yīng)的特征變化規(guī)律，為構(gòu)建模糊識別模型的規(guī)則庫提供依據(jù)，模擬故障注入實驗設(shè)置如表4 所示。該故障注入實驗方法有效擴(kuò)充了故障樣本數(shù)據(jù)，提高了模型的泛化能力。

表4 模擬故障注入實驗設(shè)置

3.3 故障診斷結(jié)果分析與評估

基于收集的正常與故障狀態(tài)樣本數(shù)據(jù)，本研究利用80%數(shù)據(jù)訓(xùn)練模糊識別診斷模型，余下20%數(shù)據(jù)用于測試。訓(xùn)練過程根據(jù)輸入特征自動優(yōu)化了語言詞集劃分、隸屬度函數(shù)參數(shù)及規(guī)則權(quán)重，使模型可以準(zhǔn)確識別4 類故障。在測試樣本上評估模型的診斷性能，結(jié)果如表5 所示。潤滑故障、流量故障的識別準(zhǔn)確率可達(dá)90%以上，連接故障和過載故障的識別準(zhǔn)確率也在80%左右，達(dá)到了較好的診斷效果。從預(yù)測的誤差分布可以看出，不同故障模式有一定的判別困難，這與實際情況基本吻合。

表5 模糊識別模型診斷性能

模型預(yù)測結(jié)果還進(jìn)行了時間序列分析。結(jié)果顯示，該方法可以提前5～10個工作周期檢測到故障發(fā)生，實現(xiàn)了對系統(tǒng)損傷模式的有效預(yù)測。綜上所述，本研究所提出的基于模糊識別理論的制冷系統(tǒng)故障診斷方法，能夠?qū)崿F(xiàn)對主要故障模式的準(zhǔn)確檢測與早期預(yù)警。

4 結(jié)語

本研究提出的基于模糊識別理論的制冷系統(tǒng)故障診斷方法，通過模擬故障注入實驗收集了豐富的故障樣本數(shù)據(jù)，構(gòu)建了輸入特征的語言信息粒化接口，并根據(jù)專家經(jīng)驗建立了模糊規(guī)則庫。模糊矩陣計算算法無需精確的數(shù)學(xué)模型，能快速實時識別壓縮機(jī)的主要機(jī)械故障。該方法充分利用了模糊理論處理不確定信息的優(yōu)勢，實現(xiàn)了對復(fù)雜制冷系統(tǒng)故障的有效檢測與預(yù)測。本研究方法可以解釋推理過程，結(jié)果更加可靠，可為后續(xù)維修提供參考，而依賴大數(shù)據(jù)訓(xùn)練的黑盒式深度學(xué)習(xí)模型，則難以對故障原因進(jìn)行解析，本研究為模糊識別理論在制冷系統(tǒng)故障監(jiān)測領(lǐng)域的應(yīng)用提供了成功范例。但是，當(dāng)前規(guī)則庫覆蓋的故障類型還有限，需擴(kuò)充模糊規(guī)則，進(jìn)一步提升診斷能力。此外，也可嘗試融合統(tǒng)計學(xué)習(xí)與模糊識別算法，利用數(shù)據(jù)優(yōu)化規(guī)則，形成混合智能診斷模型。未來還需要開展更多實際工程驗證，最后形成可工程化實現(xiàn)的在線制冷系統(tǒng)故障監(jiān)測與預(yù)警系統(tǒng)。