基于遺傳算法-誤差反傳神經(jīng)網(wǎng)絡(luò)的變風量空調(diào)系統(tǒng)空調(diào)箱故障診斷

張善興，何金凝，杜志敏，何軍，晉欣橋

（上海交通大學制冷與低溫工程研究所，上海 200240）

0 引言

空調(diào)系統(tǒng)的高效運行，依賴于空調(diào)系統(tǒng)中各傳感器、控制器和執(zhí)行器的正常運行，如果沒有精準的測量，很難完成設(shè)備的開發(fā)[1]，如果沒有高性能的控制，系統(tǒng)很難較快達到穩(wěn)定狀態(tài)[2]。當這些測控部件發(fā)生故障時，不僅造成空調(diào)系統(tǒng)能耗增加、室內(nèi)熱舒適性下降，還可能導(dǎo)致原有的優(yōu)化控制策略紊亂、設(shè)備使用壽命減少、甚至運行事故等嚴重后果。因而針對空調(diào)系統(tǒng)傳感器的故障檢測和診斷已成為當前暖通空調(diào)領(lǐng)域的重要研究熱點之一，不少學者對此進行了研究[3-5]。LEE等[6]提出了基于殘差和參數(shù)辨識的方法，對空調(diào)系統(tǒng)風機和水閥故障進行診斷。CHEN等[7]建立了小波分析模型，對空調(diào)冷媒水系統(tǒng)中的傳感器故障進行了診斷。YU等[8]提出了虛擬校準改進方法，應(yīng)用于屋頂空調(diào)機組的容錯和故障診斷。王世強等[9]提出了一種無中心算法，實現(xiàn)傳感器故障檢測。PADILLA等[10]基于主成分分析對空調(diào)箱內(nèi)傳感器故障進行了檢測和隔離。誤差反傳神經(jīng)網(wǎng)絡(luò)因其非線性數(shù)據(jù)建模的特性，常用來對系統(tǒng)輸入和輸出之間復(fù)雜的關(guān)系進行建模，對于復(fù)雜HVAC系統(tǒng)故障檢測和診斷有天然的適配性。LI等[11]基于神經(jīng)網(wǎng)絡(luò)預(yù)測正常運行參數(shù)，診斷復(fù)雜供熱系統(tǒng)的故障。CASTILLA等[12]基于神經(jīng)網(wǎng)絡(luò)和多項式回歸模型，提升了HVAC系統(tǒng)的熱舒適性。WANG等[13]基于神經(jīng)網(wǎng)絡(luò)設(shè)計了一種針對變風量系統(tǒng)的故障檢測方法，通過歷史數(shù)據(jù)訓練其中的神經(jīng)網(wǎng)絡(luò)后，可用于檢測戶外空氣、進風、回風速率傳感器的故障。

雖然BP神經(jīng)網(wǎng)絡(luò)有著較好的泛化能力，但其收斂精度一直是制約其發(fā)展的瓶頸之一[14]。通過梯度下降法作為學習法則，易使神經(jīng)網(wǎng)絡(luò)收斂于局部極值點，造成其精度下降。本文針對BP神經(jīng)網(wǎng)絡(luò)收斂精度低等缺陷，提出了基于GA-BP神經(jīng)網(wǎng)絡(luò)的變風量（Variable Air Volume，VAV）空調(diào)系統(tǒng)空調(diào)箱故障診斷模型，通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值，避免神經(jīng)網(wǎng)絡(luò)收斂于局部極值點，提高了BP神經(jīng)網(wǎng)絡(luò)的訓練精度，達到提高模型故障診斷準確率的目的。

1 研究對象

1.1 基于“硬件在環(huán)”的空調(diào)系統(tǒng)仿真控制實驗臺

故障檢測策略的驗證所需數(shù)據(jù)多數(shù)基于純仿真平臺，但由于純仿真平臺是由系統(tǒng)抽象出的數(shù)學模型，參數(shù)設(shè)定與實際系統(tǒng)不相符?；旌戏抡嫫脚_通過引入一定的實物設(shè)備，提高了仿真的精度[15-18]。因而經(jīng)過混合仿真平臺驗證的故障診斷策略更具有實用價值。本文利用VAV空調(diào)系統(tǒng)混合仿真平臺的運行數(shù)據(jù)來驗證故障檢測和診斷策略的有效性。

圖1所示為空調(diào)系統(tǒng)混合仿真平臺結(jié)構(gòu)原理。該平臺利用真實的PID控制器代替虛擬的控制器模型，不僅有助于提高系統(tǒng)仿真的精度，還有助于引進實物控制器在信號傳輸中所受到的干擾，縮小了與實際的建筑空調(diào)系統(tǒng)之間的差距。本文在該“硬件在環(huán)”實驗平臺上，通過仿真模型中的故障發(fā)生器，獲取VAV空氣處理單元的正常工況數(shù)據(jù)和相應(yīng)的故障工況數(shù)據(jù)。

圖1 空調(diào)系統(tǒng)混合仿真平臺結(jié)構(gòu)原理

1.2 研究系統(tǒng)

圖2所示為VAV空調(diào)系統(tǒng)中風側(cè)系統(tǒng)的結(jié)構(gòu)[19]。通過接收送風溫度傳感器的溫度值來控制空調(diào)箱中冷凍水水閥開度的大小，使送風溫度達到溫度設(shè)定值；VAV送風機則由一個送風靜壓控制器控制，通過改變送風機葉片的角度來維持送風靜壓穩(wěn)定在設(shè)定值；回風風機葉片角度的調(diào)節(jié)則通過室內(nèi)的正壓控制器來調(diào)節(jié)；在VAV的末端通過流量控制器和溫度控制器來改變VAV風閥的開度，使室內(nèi)溫度保持在設(shè)定值；以及利用新風溫度控制器改變新風閥門、循環(huán)風風門以及排風風門的開度，達到調(diào)節(jié)新風風量的目的。

圖2 VAV空調(diào)系統(tǒng)中風側(cè)系統(tǒng)的結(jié)構(gòu)

1.3 故障類型

本文研究的故障是空調(diào)箱內(nèi)的相關(guān)故障?？紤]到軟故障是漸進性的故障，往往不易發(fā)現(xiàn)，為故障的檢測帶來一定的難度。因此根據(jù)故障特性將故障劃分為6種軟故障和2種硬故障[20]，具體的故障類型和故障程度如表1所示。

表1 空調(diào)箱內(nèi)相關(guān)故障

2 基于BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)，其本質(zhì)是一種對于線性或者非線性系統(tǒng)進行黑箱建模的工具[21]。它是對人腦或者說是自然神經(jīng)網(wǎng)絡(luò)中相關(guān)特性的一種模擬，建立了多層感知器模型并以此感知外部的激勵信號，在激勵信號的正向傳播出現(xiàn)誤差時，通過反向調(diào)節(jié)的學習機制，不斷進行迭代學習，構(gòu)建出可以處理非線性關(guān)系的網(wǎng)絡(luò)模型。其理論體系十分完善，算法流程也極為清晰，且具有良好的數(shù)據(jù)識別功能，這些都為非線性系統(tǒng)相關(guān)問題的解決帶來了極大的幫助。

多隱層的BP神經(jīng)網(wǎng)絡(luò)原理與單隱層神經(jīng)網(wǎng)絡(luò)相似，結(jié)構(gòu)如圖3所示，包括了輸入層、隱含層和輸出層3部分。由于輸入和輸出向量具有確定的維度，因而輸入層和輸出層的神經(jīng)元的個數(shù)也是確定的，只需對激勵函數(shù)的類型進行選擇。隱含層是神經(jīng)網(wǎng)絡(luò)中連接輸入層和輸出層的橋梁，神經(jīng)網(wǎng)絡(luò)的擬合精度受隱含層的層數(shù)、神經(jīng)元個數(shù)和激勵函數(shù)類型的影響。因此應(yīng)合理地確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，才能對空調(diào)系統(tǒng)的相關(guān)故障予以識別。

圖3 多層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

訓練網(wǎng)絡(luò)時，首先賦予神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和初始閾值；再將訓練數(shù)據(jù)集的輸入向量帶入至輸入層，在隱含層的作用下求得網(wǎng)絡(luò)的輸出值，并與訓練數(shù)據(jù)的實際輸出進行對比，得到偏差E；利用梯度下降法的學習法則，對各個神經(jīng)元的連接權(quán)值和閾值進行修正，直到偏差E收斂滿足條件。當神經(jīng)網(wǎng)絡(luò)的收斂精度達到設(shè)定要求時，再利用驗證集來驗證其可靠性，若偏差不大則可將訓練好的BP神經(jīng)網(wǎng)絡(luò)用于空調(diào)系統(tǒng)的故障診斷。BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)算法流程

2.2 BP神經(jīng)網(wǎng)絡(luò)診斷策略

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，需要大量的基準數(shù)據(jù)。在空調(diào)系統(tǒng)的實際運行中，某一參數(shù)的變化會引起其他相關(guān)參數(shù)的連鎖變化，因而利用基準數(shù)據(jù)來訓練網(wǎng)絡(luò)，需要確定網(wǎng)絡(luò)的特征輸入變量。基于能量平衡的模型[3]可反映空調(diào)箱的運行狀態(tài)和規(guī)律，選取新風溫度Tfre、送風溫度Tsup、回風溫度Trtn、冷媒水供水溫度Tws、冷媒水回水溫度Twr、新風量Mfre、送風量Msup、回風量Mrtn、冷媒水供回水流量Mw、新風濕度dfre和回風濕度drtn這11個參數(shù)，作為BP神經(jīng)網(wǎng)絡(luò)的特征輸入變量。由于各特征變量的評價標準不同，采取離差標準化進行歸一化處理，利用線性函數(shù)將原始數(shù)據(jù)線性化為[0,1]范圍內(nèi)的數(shù)據(jù)。歸一化公式：

式中：

Xnorm——歸一化后的數(shù)據(jù)；

Xmax——樣本數(shù)據(jù)中最大值；

Xmin——樣本數(shù)據(jù)中最小值。

由基準數(shù)據(jù)及 11個特征輸入變量，可以確定BP神經(jīng)網(wǎng)絡(luò)的輸入矩陣和輸出矩陣。以故障類型X=[x0,x1,x2,x3,x4,x5,x6,x7,x8]’所構(gòu)成的矩陣作為網(wǎng)絡(luò)的輸入，其中x0、x1、x2、x3、x4、x5、x6、x7和x8分別表示在無故障和8種故障類型下包含 11個特征輸入變量的數(shù)據(jù)矩陣。以目標輸出Y=[y0,y1,y2,y3,y4,y5,y6,y7,y8]’作為神經(jīng)網(wǎng)絡(luò)的輸出，若輸出向量Y的第j行數(shù)值越接近1，則在8種故障中第j種故障類型的可能性越大，建立起故障類型與網(wǎng)絡(luò)目標輸出向量之間的映射關(guān)系，如表2所示。

表2 故障模式輸入輸出對應(yīng)表

對于BP神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu)，增加隱含層層數(shù)雖然可以減少隱含層神經(jīng)元個數(shù)，但同時增加了網(wǎng)絡(luò)的復(fù)雜程度及訓練時間，因此本文選取3層（1個隱含層）的BP神經(jīng)網(wǎng)絡(luò)[22]。如果選取的隱含層神經(jīng)元個數(shù)太少，網(wǎng)絡(luò)所能獲取的用以解決問題的信息量太少；而個數(shù)過多，訓練時間增加，也會造成過度擬合使網(wǎng)絡(luò)的學習能力下降。為了簡化神經(jīng)網(wǎng)絡(luò)，建議適量減少隱含層神經(jīng)元的個數(shù)，可正確反映輸入輸出關(guān)系即可。但在以往的研究中并沒有固定的選擇方法，一般由經(jīng)驗公式來確定隱含層神經(jīng)元個數(shù)的范圍：

式中：

N——隱含層所需的神經(jīng)節(jié)點個數(shù)；

NI——輸入變量的維數(shù)；

NO——輸出變量的維數(shù)；

α——介于1～10之間的常數(shù)。

神經(jīng)網(wǎng)絡(luò)的輸入層有11個輸入神經(jīng)元，代表11個特征變量的輸入數(shù)據(jù)；輸出層有9個神經(jīng)元，對應(yīng)于無故障和8種故障的判別輸出結(jié)果?？梢郧蟮秒[含層神經(jīng)元個數(shù)取值為6～15。考慮到隱含層神經(jīng)元個數(shù)對神經(jīng)網(wǎng)絡(luò)的精度影響較大，所以在此范圍內(nèi)設(shè)置其初始值為6，逐漸增加神經(jīng)元個數(shù)進行訓練，直到預(yù)測值與實際值輸出間的誤差不再大幅降低，通過不斷的試驗以獲取最佳的隱含層神經(jīng)元個數(shù)。隱含層神經(jīng)元的激勵函數(shù)選擇tansig函數(shù)，則隱含層的第j個神經(jīng)元的輸入為：

式中，θi為神經(jīng)元的閾值；vi為經(jīng)閾值調(diào)整后的值。

最終的輸出為：

式中，y(j)為最終的輸出值。

確定神經(jīng)網(wǎng)絡(luò)的輸入、輸出以及結(jié)構(gòu)后，可進行神經(jīng)網(wǎng)絡(luò)的訓練和診斷。以前文所述的8種故障類型的數(shù)據(jù)作為網(wǎng)絡(luò)的輸入來訓練網(wǎng)絡(luò)，獲得當前時刻的權(quán)值和閾值，判斷實際值和目標值之間誤差E是否滿足設(shè)定條件。如果不滿足，根據(jù)梯度下降法調(diào)節(jié)權(quán)值和閾值，直到訓練網(wǎng)絡(luò)能滿足收斂條件。同樣需要將待診斷的數(shù)據(jù)歸一化處理，再進行診斷獲取結(jié)果。誤差E取神經(jīng)網(wǎng)絡(luò)的均方誤差：

式中，N為神經(jīng)節(jié)點數(shù)目；P為訓練樣本的階數(shù)；yj為網(wǎng)絡(luò)預(yù)測值；為網(wǎng)絡(luò)實際輸入值。

綜上，BP神經(jīng)網(wǎng)絡(luò)模式識別模型的故障診斷流程如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷流程

3 基于GA-BP優(yōu)化模型的故障診斷

遺傳算法是一種新的全局優(yōu)化搜索算法，可很好地對BP神經(jīng)網(wǎng)絡(luò)的缺陷加以彌補，尋找全局最優(yōu)解。遺傳算法的流程如圖6所示，包括編碼、初始化種群、適應(yīng)度計算、選擇、交叉和變異等過程。

利用GA方法對BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值進行優(yōu)化，解碼獲得最優(yōu)的初始連接權(quán)值和閾值，再通過BP神經(jīng)網(wǎng)絡(luò)利用梯度下降法進行搜索，獲得全局最優(yōu)解?；谶z傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷流程如圖7所示。

圖6 遺傳算法的流程

圖7 GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的故障診斷流程

4 實驗驗證

4.1 實驗數(shù)據(jù)

通過“硬件在環(huán)”仿真平臺獲取了包含上述 8種故障工況和無故障工況的800組數(shù)據(jù)樣本，對其進行歸一化處理，并將相應(yīng)的故障類型編號為0～8。將數(shù)據(jù)樣本劃分為650組訓練樣本和150組測試樣本。利用訓練樣本分別訓練GA-BP優(yōu)化模型和BP神經(jīng)網(wǎng)絡(luò)模型，再將測試樣本帶入到訓練好的模型中，進行故障診斷。

4.2 BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷結(jié)果

圖8所示為BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷結(jié)果。由圖8可知，在8種故障類型中，除了送風溫度漂移故障的診斷效果較差，其余7種故障基本可以診斷出來，整體的故障診斷準確率為87.33%。

圖8 BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷結(jié)果

由于故障診斷結(jié)果的精度受到初始連接權(quán)值和初始閾值的影響，因而每次訓練BP神經(jīng)網(wǎng)絡(luò)模型得到的診斷結(jié)果均不相同。當隱含層神經(jīng)元個數(shù)為8～11時，取不同的初始連接權(quán)值和閾值，多次訓練得到不同的BP神經(jīng)網(wǎng)絡(luò)模型，故障診斷的準確率如表3所示。由表3可知，在節(jié)點數(shù)相同的情況下，受初始連接權(quán)值和閾值的影響，BP神經(jīng)網(wǎng)絡(luò)每次訓練得到的模型準確率存在較大差異。如神經(jīng)元個數(shù)為8的BP神經(jīng)網(wǎng)絡(luò)模型的診斷準確率為66%～90.67%。

表3 BP神經(jīng)網(wǎng)絡(luò)模型故障診斷結(jié)果的準確率

4.3 GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的故障診斷結(jié)果

圖9所示為GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的故障診斷結(jié)果。由圖9可知，除送風溫度傳感器故障外，其余幾種故障類型基本都可以判別出來，整體的故障診斷結(jié)果準確率為90.67%，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷結(jié)果。

考慮到故障診斷結(jié)果的精度受到初始連接權(quán)值和閾值的影響，對 GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型進行多次訓練，結(jié)果如表4所示。由表4可知，以8個神經(jīng)節(jié)點為例，各次訓練得到的 GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的診斷準確率為81.33%～86.00%，其模型精度受初始連接權(quán)值和閾值的影響較小，說明GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的精度比BP神經(jīng)網(wǎng)絡(luò)模型更加穩(wěn)定。

圖9 GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的故障診斷結(jié)果

表4 GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型故障診斷結(jié)果的準確率

圖10所示為BP神經(jīng)網(wǎng)絡(luò)模型與GA-BP優(yōu)化模型的診斷率隨神經(jīng)元個數(shù)的變化。由圖10可知，GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的故障診斷準確率整體高于BP神經(jīng)網(wǎng)絡(luò)模型；且GA-BP優(yōu)化模型的故障診斷準確率隨神經(jīng)元個數(shù)的變化不大，而BP神經(jīng)網(wǎng)絡(luò)的故障診斷的準確率隨著神經(jīng)元個數(shù)n的變化波動較大。

圖10 BP模型與GA-BP模型的診斷率隨神經(jīng)元個數(shù)的變化

5 結(jié)論

本文針對BP神經(jīng)網(wǎng)絡(luò)存在易陷入局部最優(yōu)解、訓練精度低等問題，提出了基于GA-BP神經(jīng)網(wǎng)絡(luò)的故障診斷優(yōu)化模型，對VAV空調(diào)箱的8種軟、硬故障開展了故障診斷研究。并通過“硬件在環(huán)”空調(diào)系統(tǒng)仿真控制平臺獲取了正常工況和故障工況的數(shù)據(jù)，對比了上述兩種模型，得到如下結(jié)論：

1）兩種故障診斷模型對故障有很好的辨識功能，均可以用于VAV空調(diào)箱的軟、硬故障診斷；

2）BP網(wǎng)絡(luò)的初始連接權(quán)值和閾值的取值對模型影響較大，可以采用遺傳算法對其進行優(yōu)化。GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的故障診斷準確率要高于BP神經(jīng)網(wǎng)絡(luò)的故障診斷的準確率；

3）當隱含層神經(jīng)元個數(shù)在一定的范圍內(nèi)變化時，GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的故障診斷準確率相對穩(wěn)定且較高，而BP神經(jīng)網(wǎng)絡(luò)模型有較大波動；

4）當隱含層神經(jīng)元個數(shù)相同時，在多次訓練中，GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的精度比BP神經(jīng)網(wǎng)絡(luò)模型更加穩(wěn)定。