基于改進(jìn)BP網(wǎng)絡(luò)的冷水機組故障診斷

石書彪 陳煥新 李冠男 胡云鵬 黎浩榮 胡文舉 李 炅

(1 華中科技大學(xué)制冷與低溫實驗室 武漢 430074；2 University of Nebraska-Lincoln 內(nèi)布拉斯加 68410；3 北京建筑大學(xué)供熱供燃?xì)馔L(fēng)及空調(diào)工程北京市重點實驗室 北京 100044；4 壓縮機技術(shù)國家重點實驗室 合肥 230031)

基于改進(jìn)BP網(wǎng)絡(luò)的冷水機組故障診斷

石書彪1陳煥新1李冠男1胡云鵬1黎浩榮2胡文舉3李 炅4

(1 華中科技大學(xué)制冷與低溫實驗室 武漢 430074；2 University of Nebraska-Lincoln 內(nèi)布拉斯加 68410；3 北京建筑大學(xué)供熱供燃?xì)馔L(fēng)及空調(diào)工程北京市重點實驗室 北京 100044；4 壓縮機技術(shù)國家重點實驗室 合肥 230031)

采用常規(guī)神經(jīng)網(wǎng)絡(luò)進(jìn)行冷水機組的故障檢測與診斷，存在整體檢測率低或完全無法檢測的現(xiàn)象。為了提高冷水機組故障檢測效率及診斷精度，本文提出了一種基于貝葉斯正則化的改進(jìn)神經(jīng)網(wǎng)絡(luò)故障檢測策略。由于BP神經(jīng)網(wǎng)絡(luò)存在泛化能力差的缺陷，對神經(jīng)網(wǎng)絡(luò)進(jìn)行貝葉斯正則化，從而提高模型的檢測效率。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(yīng)更加光滑，模型更精確。通過利用ASHRAE Project提供的數(shù)據(jù)對FDD (fault detection and diagnosis) 策略進(jìn)行驗證，檢測率明顯提高。

冷水機組；故障檢測與診斷；神經(jīng)網(wǎng)絡(luò)；貝葉斯正則化

冷水機組作為空調(diào)系統(tǒng)中的主要冷熱交換設(shè)備，也是最主要的能耗設(shè)備[1]。冷水機組長時間運行不可避免會出現(xiàn)各種故障，這些故障若不及時排除，會導(dǎo)致系統(tǒng)能耗增加，縮短設(shè)備的使用壽命，同時也會給室內(nèi)人員帶來不舒適感，影響工作及生活質(zhì)量。

冷水機組的故障檢測與診斷(fault detection and diagnosis，F(xiàn)DD)是近年來制冷空調(diào)系統(tǒng)的研究熱點之一，其中基于運行過程數(shù)據(jù)進(jìn)行相關(guān)分析方法應(yīng)用越來越廣泛[2]。不少學(xué)者采用主元分析(principal component analysis，PCA)[3-4]、支持向量數(shù)據(jù)描述(support vector data description，SVDD)[5-6]、支持向量機(support vector machine，SVD)等[7]方法進(jìn)行故障檢測和診斷的研究工作。神經(jīng)網(wǎng)絡(luò)作為一種FDD的方法也受到了廣泛的應(yīng)用。韓玲[8]利用正交實驗的方法尋求神經(jīng)網(wǎng)絡(luò)的最佳網(wǎng)絡(luò)模型，編出故障診斷程序進(jìn)行故障診斷，實驗結(jié)果表明能夠準(zhǔn)確判斷出故障；張婷[9]利用模糊推理和模糊神經(jīng)網(wǎng)絡(luò)結(jié)合對離心式冷水機組進(jìn)行故障診斷，此方法結(jié)合了模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點，實現(xiàn)了離心式冷水機組的故障診斷系統(tǒng)。神經(jīng)網(wǎng)絡(luò)相對于PCA、SVDD以及SVD而言，具有較強的非線性映射能力且能保持足夠的精度[10]，其特別適合于求解多故障分類問題。但是，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇存在多個局部極小值以及BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對網(wǎng)絡(luò)結(jié)構(gòu)的初始值依賴比較大[11]，而且存在網(wǎng)絡(luò)結(jié)構(gòu)的不確定性等缺陷，使得BP神經(jīng)網(wǎng)絡(luò)的泛化能力不強。為了改善BP神經(jīng)網(wǎng)絡(luò)的泛化能力，本文建立了一種基于BP神經(jīng)網(wǎng)絡(luò)改進(jìn)的預(yù)測模型，相對于BP神經(jīng)網(wǎng)絡(luò)而言，它能保證網(wǎng)絡(luò)擬合精度的前提下，刪去冗余的連接權(quán)和神經(jīng)元，降低其復(fù)雜性，有效改善網(wǎng)絡(luò)結(jié)構(gòu)，從而限制過擬合現(xiàn)象，并在一定程度上提高網(wǎng)絡(luò)的精度和泛化能力。

1 故障診斷模型輸入、輸出變量

根據(jù)Comstock and Braun對冷水機組的故障調(diào)查報告，冷水機組常發(fā)生7種故障：冷凝器結(jié)垢(ConFoul)、制冷劑過量(RefOver)、制冷劑泄露(RefLeak)、有不凝性氣體(NonCon)、冷凍水流量減少(RefuEF)、冷卻水流量減少(ReduCF)、油過量(ExcsOil)。每種故障都會對制冷機組的制冷效率產(chǎn)生一定的不良影響。例如，冷凝器表面的污垢會使換熱器傳熱管管壁熱阻增加，從而導(dǎo)致機組的制冷效率降低，結(jié)垢嚴(yán)重時還會使冷卻管堵塞，減少水流通截面積，增大水流阻力，增加循環(huán)水泵運行費用。因而及時對機組進(jìn)行故障檢測和診斷可以避免由于故障產(chǎn)生的能耗浪費。冷水機組故障產(chǎn)生的原因錯綜復(fù)雜，在這篇文章中采用采用文獻(xiàn)[5]中的8個特征向量(表1)進(jìn)行故障診斷。

表1 8個故障指示特征Tab.1 Description of eight fault indicative features

2 基于改進(jìn)的BP網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

在神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，BP網(wǎng)絡(luò)應(yīng)用最為廣泛，80%～90%的神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或其變化形式，它也是前饋網(wǎng)絡(luò)的核心部分，體現(xiàn)了神經(jīng)網(wǎng)絡(luò)最精華的部分[12]。BP(Back-Propagation)算法是函數(shù)信號的正向傳遞和誤差信號的反向傳播。在正向傳遞過程中，輸入信息從輸入層經(jīng)隱含層逐層計算傳向輸出層，輸出層沒有得到期望的輸出，則計算輸出層的誤差值，轉(zhuǎn)向反向傳播，通過網(wǎng)絡(luò)將誤差信號沿原來的連接通路反傳回來得到每層的誤差信號，用來修改各層神經(jīng)元的權(quán)值和閾值直至達(dá)到日標(biāo)，使得誤差滿足設(shè)定的精度。用模型進(jìn)行預(yù)測時，將用來預(yù)測的輸入信號送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，該模型就能輸出相應(yīng)的結(jié)果。將輸出結(jié)果和期望值對比進(jìn)行故障診斷[13]。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)的選擇

根據(jù)上一節(jié)選擇的8個特征變量，確定BP神經(jīng)網(wǎng)絡(luò)輸入層有8個節(jié)點數(shù)；隱含層需要確定隱含層的層數(shù)和隱含層的節(jié)點數(shù)這兩個參數(shù)，隱含層的層數(shù)由映射定理分析可知[14]，一個S型隱含層的BP神經(jīng)網(wǎng)絡(luò)能夠以期望的精度逼近任意非線性函數(shù)，因而一個S型隱含層能夠?qū)渌畽C組進(jìn)行故障診斷。隱含層節(jié)點數(shù)的確定目前采用試湊法，根據(jù)經(jīng)驗公式初步確定隱層神經(jīng)元節(jié)點數(shù)的大概范圍，以評估神經(jīng)網(wǎng)絡(luò)檢測率的高低來選出最佳隱含層節(jié)點數(shù)。公式如下：

(1)

式中：M為輸入層神經(jīng)元的個數(shù)；L為輸出層神經(jīng)元的個數(shù)；K取3～5，ΔA取4～10。

對神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬仿真，根據(jù)仿真的結(jié)果可得知，隱含層的節(jié)點數(shù)18時，神經(jīng)網(wǎng)絡(luò)的檢測率最高。輸出層節(jié)點數(shù)和網(wǎng)絡(luò)輸出的運行狀態(tài)有關(guān)，上一節(jié)中冷水機組常發(fā)生7個故障，1個正常運行狀態(tài)，共有8類標(biāo)簽，即輸出層有8個節(jié)點數(shù)。從而可以確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為8-18-8的三層BP神經(jīng)網(wǎng)絡(luò)。

2.3 網(wǎng)絡(luò)結(jié)構(gòu)的分析

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖1所示。圖1中，輸入層編號1～8對應(yīng)表1的特征變量，對輸出層采用Normal、ConFoul、ExcsOil、RefLeak、NonCon、RefuEF、ReduCF、RefOver作為8個輸出神經(jīng)元，分別對應(yīng)編號A1～A8，表示制冷機組的運行狀態(tài)，A1表示正常運行工況，A2～A8表示故障。表2為故障編號所對應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出，1代表運行狀態(tài)，越接近于1，表示越接近該運行狀態(tài)。例如：(1 0 0 0 0 0 0 0)表示正常運行，(0 1 0 0 0 0 0 0)表示發(fā)生ConFoul故障。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP neural network structure diagram

故障編號神經(jīng)網(wǎng)絡(luò)輸出A1(正常)(10000000)A2(冷凝器結(jié)垢)(01000000)A3(油過量)(00100000)A4(制冷劑泄露)(00010000)A5(有不凝性氣體)(00001000)A6(冷凍水流量減少)(00000100)A7(冷卻水流量減少)(00000010)A8(制冷劑過量)(00000001)

2.4 基于貝葉斯正則化的BP網(wǎng)絡(luò)泛化能力改進(jìn)

由于標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)存在泛化能力差(泛化能力是指訓(xùn)練后網(wǎng)絡(luò)對于來自同一樣本集中的非訓(xùn)練樣本給出正確的輸入輸出關(guān)系的能力[15])等缺點，因而為了提高BP神經(jīng)網(wǎng)絡(luò)的泛化能力，在算法中引入貝葉斯正則化方法，所謂貝葉斯正則化(Bayesian-Regularization，BR)是指通過修正神經(jīng)網(wǎng)絡(luò)的性能函數(shù)來提高其推廣能力的過程[16]，利用均方誤差與權(quán)值的線性組合值做網(wǎng)絡(luò)性能評價函數(shù)，即：

(2)

式中：yi為為網(wǎng)絡(luò)預(yù)測向量；ti為為網(wǎng)絡(luò)目標(biāo)向量；γ為比例系數(shù)。

可見，貝葉斯正則化能夠自動限制網(wǎng)絡(luò)權(quán)值的規(guī)模，避免節(jié)點數(shù)過多造成對訓(xùn)練數(shù)據(jù)過擬合，增強神經(jīng)網(wǎng)絡(luò)的泛化能力[17]。

3 故障診斷流程圖

貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)故障結(jié)構(gòu)框圖如圖2所示。分成三個步驟：1)從數(shù)據(jù)庫中選取初始數(shù)據(jù)(包括正常運行和故障狀態(tài))，把數(shù)據(jù)分成兩份，一份用來訓(xùn)練，一份用來預(yù)測；2)初始化神經(jīng)網(wǎng)絡(luò)，用訓(xùn)練數(shù)據(jù)來對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用貝葉斯歸一化法進(jìn)行優(yōu)化，獲得收斂的貝葉斯正則化的BP神經(jīng)網(wǎng)絡(luò)。3)利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來對預(yù)測數(shù)據(jù)進(jìn)行故障識別。

圖2 貝葉斯正則化化的BP神經(jīng)網(wǎng)絡(luò)Fig.2 The BP neural network of Bayesian regularization

4 仿真結(jié)果與分析

4.1 數(shù)據(jù)來源及處理

采用ASHRAE 1043-RP提供的數(shù)據(jù)驗證貝葉斯正則化算法的優(yōu)化性能。利用8個特征變量作為8個故障的影響因素，由于8個特征變量的參數(shù)單位不同，直接將原始數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練使得網(wǎng)絡(luò)的性能和收斂性變差，本文設(shè)計的激勵函數(shù)采用的是S函數(shù)，輸出設(shè)定在(-1，1)或(0，1)[18]之間。所以必須先對神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)行歸一化處理。輸出數(shù)據(jù)本身處于(0，1)中，不需要進(jìn)行歸一化。

4.2 數(shù)據(jù)應(yīng)用以及仿真結(jié)果

ASHRAE 1043-RP提供的數(shù)據(jù)有4個故障水平(表3為冷凝器結(jié)垢水平對應(yīng)的結(jié)垢管數(shù))，每個故障水平有7個故障，每個故障水平的故障類別共有433組數(shù)據(jù)，取其中的333組數(shù)據(jù)來進(jìn)行訓(xùn)練，利用100組數(shù)據(jù)來進(jìn)行預(yù)測。通過利用以學(xué)習(xí)率可變的動量BP算法，訓(xùn)練函數(shù)和貝葉斯歸一化法訓(xùn)練函數(shù)在預(yù)測誤差及檢測率這兩個方面進(jìn)行對比，驗證貝葉斯正則化能夠提高BP神經(jīng)網(wǎng)絡(luò)的泛化能力，圖3所示為利用訓(xùn)練好的以學(xué)習(xí)率可變的動量BP算法訓(xùn)練函數(shù)的BP神經(jīng)網(wǎng)絡(luò)(BPNN)對機組故障水平4的運行狀態(tài)進(jìn)行預(yù)報的網(wǎng)絡(luò)預(yù)測誤差圖，圖4所示為利用訓(xùn)練好的貝葉斯正則化的BP神經(jīng)網(wǎng)絡(luò)(BPNN-BR)對機組故障水平4的運行狀態(tài)進(jìn)行預(yù)報的網(wǎng)絡(luò)預(yù)測誤差圖。圖5～圖8所示為BPNN和BPNN-BR的檢測率(檢測率表示正確檢測出來的故障樣本數(shù)與總樣本個數(shù)的比值)。檢測率的具體值請見表4。

圖3 BPNN的預(yù)測誤差圖Fig.3 The predictive error graph of BPNN

圖4 BPNN-BR的預(yù)測誤差圖Fig.4 The predictive error graph of BPNN-BR

故障水平預(yù)期運行狀況實際運行狀況正常運行164根未結(jié)垢的管道未結(jié)垢管故障水平1減少12%的管道20管道結(jié)垢故障水平2減少20%的管道33管道結(jié)垢故障水平3減少30%的管道49管道結(jié)垢故障水平4減少45%的管道74管道結(jié)垢

表4 兩種方法的故障檢測率Tab.4 The fault detection rate of two methods

4.3 結(jié)果分析

從表4以及圖5～圖8中可以看出，隨著制冷機組發(fā)生的故障進(jìn)一步惡化，神經(jīng)網(wǎng)絡(luò)的整體檢測率都有提高。但是BPNN和BPNN-BR對機組的故障檢測率有很大的差別，例如BPNN-BR相對于BPNN具有更高的整體檢測率，能夠更加準(zhǔn)確的識別機組的運行狀態(tài)；BPNN-BR對機組的故障檢測率隨著故障水平的嚴(yán)重程度呈現(xiàn)規(guī)律性的提高，BPNN則沒有這種規(guī)律性。對于每個故障水平而言，BPNN-BR對機組的故障檢測率整體都比較高，相反BPNN存在盲區(qū)，即檢測率接近于零，從而對這種故障無法檢測出來，這對于機組的故障診斷具有致命的影響。從上面的結(jié)果分析可以得出：貝葉斯正則化后的神經(jīng)網(wǎng)絡(luò)對測試樣本具有較好的預(yù)測能力，即具有較強的泛化能力，有利于對機組的運行狀態(tài)進(jìn)行準(zhǔn)確的預(yù)測，從而減少故障對機組的進(jìn)一步損壞。

圖5 故障水平一的檢測率Fig.5 Detection rate of the first fault level

圖6 故障水平二的檢測率Fig.6 Detection rate of the second fault level

圖7 故障水平三的檢測率Fig.7 Detection rate of the third fault level

圖8 故障水平四的檢測率Fig.8 Detection rate of the fourth fault level

5 結(jié)論

根據(jù)以上分析，選取8個特征向量作為影響七個故障發(fā)生量的主要因素，然后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，采用貝葉斯正則化算法來提高網(wǎng)絡(luò)的泛化能力，預(yù)測未來不同時間段的故障發(fā)生量。通過利用ASHRAE Project提供的數(shù)據(jù)實現(xiàn)了對故障發(fā)生的實時監(jiān)控和準(zhǔn)確預(yù)測，驗證了BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的正確性和泛化能力，為故障檢測和診斷提供技術(shù)支持和參考依據(jù)，對降低能源消耗、提高系統(tǒng)的可靠性以及保證室內(nèi)舒適性具有重要的意義。

本文受2013年壓縮機技術(shù)國家重點實驗室開放基金項目(230031)和供熱供燃?xì)馔L(fēng)及空調(diào)工程北京市重點實驗室研究基金資助課題(NR2016K02 ) 項目資助。(The project was supported by the 2013 State Key Laboratory of Compressor Technology (No. 230031)and Beijing Key Lab of Heating and Gas Supply, Ventilating and Air Conditioning Engineering (No. NR2013K02).)

[1] 江億. 我國建筑耗能狀況及有效的節(jié)能途徑[J].暖通空調(diào), 2005, 35(5): 30-40. (Jiang Yi. Current building energy consumption in China and effective energy efficiency measures[J]. Journal of HV & AC, 2005, 35(5): 30-40.)

[2] 胡云鵬, 陳煥新, 周誠, 等. 基于小波去噪的冷水機組傳感器故障檢測[J]. 華中科技大學(xué)學(xué)報(自然科學(xué)版), 2013, 41(3): 16-19.(Hu Yunpeng, Chen Huanxin, Zhou Cheng, et al. Chiller sensor fault detection using wavelet de-noising[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2013, 41(3): 16-19.)

[3] Hu Y P, Chen H X, Xie J L, et al. Chiller sensor fault detection using a self-adaptive principal component analysis method[J]. Energy and Building, 2012, 54: 252-258.

[4] 康嘉. 主元分析在制冷故障檢測與診斷中的應(yīng)用研究[D]. 上海: 上海交通大學(xué), 2011.

[5] 李冠男, 胡云鵬, 陳煥新, 等. 基于SVDD的冷水機組傳感器故障檢測及效率分析[J]. 化工學(xué)報, 2015, 66(5): 1815-1820. (Li Guannan, Hu Yunpeng, Chen Huanxin, et al. SVDD-based chiller sensor fault detection method and its detection efficiency[J]. CIESC Journal, 2015, 66(5): 1815-1820.)

[6] Zhao Y, Wang S W, Xiao F. Pattern recognition based chillers fault detection method using support vector data description (SVDD) [J]. Applied Energy, 2013, 112: 1041-1048.

[7] 谷波, 韓華, 洪迎春, 等. 基于SVM的制冷系統(tǒng)多故障并發(fā)檢測與診斷[J]. 化工學(xué)報, 2011, 62(Suppl.2): 112-119. (Gu Bo, Han Hua, Hong Yingchun, et al. SVM-based FDD of multiple-simultaneous fault for chillers[J]. CIESC Journal, 2011，62(Suppl.2): 112-119.)

[8] 韓玲. 基于人工神經(jīng)網(wǎng)絡(luò)模型的螺桿式冷水機組故障診斷研究[D]. 重慶: 重慶大學(xué), 2005.

[9] 張婷. 模糊神經(jīng)網(wǎng)絡(luò)在冷水機組故障診斷中的應(yīng)用研究[D]. 天津: 天津大學(xué), 2009.

[10] Sim J J, Tan G W H, Wong J C J, et al. Understanding and predicting the motivators of mobile music acceptance—A multi-stage MRA-artificial neural network approach[J]. Telematics and Informatics, 2014, 31(4): 569-584.

[11] Jiang W, Lu J. Frequency estimation in wind farm integrated systems using artificial neural network[J]. International Journal of Electrical Power & Energy Systems, 2014, 62: 72-79.

[12] 康耀紅, 周開利. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M]. 北京: 清華出版社, 2005: 75.

[13] Du Z, Jin X, Yang Y. Wavelet neural network-based fault diagnosis in air-handling units[J]. HVAC & Research, 2008, 14(6): 959-973.

[14] 虞和濟(jì), 陳長征. 基于神經(jīng)網(wǎng)絡(luò)的智能診斷[J].振動工程學(xué)報, 2000, 13(2): 202-209. (Yu Heji, Chen Changzheng. Intelligent diagnosis based on neural networks[J]. Journal of Vibration Engineering, 2000, 13(2): 202-209.)

[15] 肖冬峰, 楊春節(jié), 宋執(zhí)環(huán). 基于改進(jìn)BP網(wǎng)絡(luò)的高爐煤氣發(fā)生量預(yù)測模型[J]. 浙江大學(xué)學(xué)報(工學(xué)版), 2012, 46(11): 2103-2108. (Xiao Dongfeng, Yang Chunjie, Song Zhihuan. The forecasting model of blast furnace gas output based on improved BP network[J]. Journal of Zhejiang University (Engineering and Technology Edition), 2012, 46(11): 2103-2108.)

[16] 吳啟勛, 胡樹青. 貝葉斯正則化神經(jīng)網(wǎng)絡(luò)預(yù)測金屬晶體結(jié)合能的研究[J]. 計算機與應(yīng)用化學(xué), 2004, 21(4): 604-608. (Wu Qixun, Hu Shuqing. The application of bayesian-regularization neural network in prediction of the cohesive energy of metallic crystalloid[J]. Computers and Applied Chemistry, 2004, 21(4): 604-608.)

[17] 曹家興, 陸建平. 遺傳算法-貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)擬合滴定糖蜜中有機酸[J]. 分析化學(xué), 2011, 39 (5): 743-747. (Cao Jiaxing, Lu Jianping. Titration analysis of multi-organic acids in sugarcane molasses by back-propagation neural network integrated with bayesian regularization and genetic algorithm[J]. Chinese Journal of Analytical Chemistry, 39(5): 743-747.)

[18] 陳昌松, 段善旭, 殷進(jìn)軍. 基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計[J]. 電工技術(shù)學(xué)報, 2009, 24(9): 153-158. (Chen Changsong, Duan Shanxu, Yin Jinjun. Design of photovoltaic array power forecasting model based on neutral network[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.)

About the corresponding author

Chen Huanxin, male, professor, Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, +86 27-87558330, E-mail: chenhuanxin@tsinghua.org.cn. Research fields: computer simulation and optimization of refrigeration and air conditioning system, refrigeration and air conditioning equipment development and new technology research, vehicle refrigeration and its control technology.

Research on Fault Diagnosis of Chillers Based on Improved BP Network

Shi Shubiao1Chen Huanxin1Li Guannan1Hu Yunpeng1Li Haorong2Hu Wenju3Li Jiong4

(1. Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, Wuhan, 430074, China; 2. University of Nebraska-Lincoln, Nebraska, 68410, USA; 3. Beijing University of Civil Engineering and Architecture, Beijing, 100044, China; 4. State Key Laboratory of Compressor Technology, Hefei, 230031, China)

The overall detection rate using conventional neural networks to detect and diagnose the chillers’ fault is low, even this method can’t detect the fault completely. In order to improve the fault detection and diagnostic accuracy of chiller, an improved neural network fault detection strategy based on Bayesian regularization is proposed. Due to the defects of poor generalization ability of BP neural network, the neural network based on Bayesian regularization can improve the detection efficiency of the model. Bayesian algorithm by limiting the weights of the neural network makes the network more smooth, which make the model more precise. Validation of FDD (fault detection and diagnosis) strategy through using ASHRAE Project data shows that the detection rate is improved obviously.

chiller; fault detection and diagnosis; BP neural network; bayesian regularization

國家自然科學(xué)基金項目(51328602)。(The project was supported by the National Natural Science Foundation of China(No.51328602).)

2014年11月11日

0253- 4339(2015) 06- 0034- 06

10.3969/j.issn.0253- 4339.2015.06.034

TU831.4；TP183

A

陳煥新，男，教授，華中科技大學(xué)制冷與低溫實驗室，(027) 87558330，E-mail: chenhuanxin@tsinghua.org.cn。研究方向：制冷空調(diào)系統(tǒng)計算機模擬及優(yōu)化，制冷空調(diào)設(shè)備開發(fā)及新技術(shù)研究，車輛制冷及其測控技術(shù)。