基于數(shù)據(jù)驅(qū)動(dòng)的變風(fēng)量空調(diào) AHU 故障診斷研究

龐義旭 鹿世化 陳瑋瑋 田建新

1 南京師范大學(xué)能源與機(jī)械工程學(xué)院

2 吳江煬明空調(diào)凈化有限公司

0 引言

變風(fēng)量空調(diào)系統(tǒng)一般由空氣處理機(jī)組（AHU，A ir Handling Unit），風(fēng)管系統(tǒng)，自動(dòng)控制系統(tǒng)和末端裝置4個(gè)部分組成，因具有節(jié)能和舒適性的優(yōu)點(diǎn)[1]，受到了廣泛的應(yīng)用。但是，在操作過程中，控制元件不可避免地容易出現(xiàn)各種異常故障[2]。此類故障最終反映為能源效率下降，從而造成不必要的能源浪費(fèi)[3-5]。因此對(duì)AHU 系統(tǒng)的故障檢測(cè)研究具有重要價(jià)值及意義。

本文以某工廠變風(fēng)量空調(diào)實(shí)驗(yàn)室為研究對(duì)象，首先收集AHU正常運(yùn)行時(shí)的監(jiān)測(cè)數(shù)據(jù)，經(jīng)過濾波處理后，再利用標(biāo)準(zhǔn)化數(shù)據(jù)集 PCA建模，確定Q統(tǒng)計(jì)量[6-8]的閾值δ2，根據(jù)閾值SPE 統(tǒng)計(jì)量和閾值δ2的大小來確定AHU 的故障檢測(cè)率，然后通過比較BP 神經(jīng)網(wǎng)絡(luò)算法[9]和Q貢獻(xiàn)率圖法對(duì)系統(tǒng)故障診斷診斷率，找出故障的具體來源，進(jìn)而確定最佳系統(tǒng)故障診斷方案。

1 數(shù)據(jù)采集

研究對(duì)象是某工廠變風(fēng)量空調(diào)實(shí)驗(yàn)室，原理圖如圖1 所示。AHU 中分布著新風(fēng)溫濕度傳感器，混合風(fēng)溫濕度傳感器，回風(fēng)溫濕度傳感器和回風(fēng)溫濕度傳感器，系統(tǒng)通過控制冷凍水閥門來控制送風(fēng)溫度，通過房間負(fù)荷來控制變頻風(fēng)機(jī)的送風(fēng)頻率。傳感器及閥門信號(hào)數(shù)據(jù)每1 min 記錄一次，通過MODBUS 協(xié)議傳輸?shù)絇LC 中，PLC 再通過物聯(lián)網(wǎng)平臺(tái)實(shí)時(shí)傳送到云端。

圖1 變風(fēng)量空調(diào)系統(tǒng)原理圖

為了能夠全面的描述 AHU 的運(yùn)行特性，從能量守恒和質(zhì)量守恒出發(fā)，如圖 2 所示，本文選取送風(fēng)溫度Ts、新風(fēng)溫度To、混合風(fēng)溫度TM、回風(fēng)溫度Tr、供水溫度Tws、回水溫度Twr、冷凍水流量Was、回風(fēng)濕度Dr、送風(fēng)量Mas這9 個(gè)變量為PCA 模型的原始數(shù)據(jù)集。實(shí)驗(yàn)從早晨 6 點(diǎn)開始，一直持續(xù)運(yùn)行到 18 點(diǎn)，數(shù)據(jù)每 1 min 傳輸一次，去除無效數(shù)據(jù)后，總共采集到720 組數(shù)據(jù)。

圖2 AHU 能量交換原理圖

2 模型建立及數(shù)據(jù)分析

2.1 PCA 模型建立

AHU 機(jī)組正常運(yùn)行時(shí)常常處于動(dòng)態(tài)變化中，系統(tǒng)總會(huì)受到干擾作用，會(huì)使數(shù)據(jù)有噪聲的存在，而因外界干擾而產(chǎn)生的數(shù)據(jù)集質(zhì)量如果不高就會(huì)對(duì)模型的準(zhǔn)確性帶來很大的挑戰(zhàn)。因此本文采用卡爾曼濾波的方法對(duì)原始數(shù)據(jù)集進(jìn)行濾波降噪處理，輸出高質(zhì)量的數(shù)據(jù)集，為 PCA 建模提供基礎(chǔ)。圖 3 所示為 AHU 模型建立及故障診斷流程。

圖3 模型建立及故障診斷流程圖

PCA 模型建立可以分為以下3 個(gè)部分：

1）原始數(shù)據(jù)采集及濾波降噪，通過對(duì)收集到的數(shù)據(jù)矩陣X720x9進(jìn)行濾波處理，將無效數(shù)據(jù)、極端高低頻數(shù)據(jù)閾值控制，降低數(shù)據(jù)的噪聲后，最大限度還原系統(tǒng)運(yùn)行穩(wěn)定性。

2）優(yōu)化后的數(shù)據(jù)集一部分用來模型的訓(xùn)練，建立PCA 模型，求出主元數(shù)，并計(jì)算出平方預(yù)測(cè)誤差的閾值δ2。

3）計(jì)算每個(gè)監(jiān)測(cè)數(shù)據(jù)的Q統(tǒng)計(jì)量和T2統(tǒng)計(jì)量，利用平方預(yù)測(cè)誤差的閾值δ2來確定系統(tǒng)的故障率，若平方預(yù)測(cè)誤差＞δ2，則系統(tǒng)出現(xiàn)故障，并求出故障檢測(cè)率，反之則沒有出現(xiàn)故障。

2.2 濾波前后數(shù)據(jù)分析

由于變風(fēng)量空調(diào)系統(tǒng)具有高度的非線性的特點(diǎn)，而AHU 中能夠描述系統(tǒng)運(yùn)行的變量有很多，因此建立精確的解析模型很困難。PCA 模型不需要準(zhǔn)確的內(nèi)在關(guān)聯(lián)式，完全基于數(shù)據(jù)集來確定問題，直接用數(shù)據(jù)的變化發(fā)現(xiàn)和解決問題。

PCA 模型一般需要訓(xùn)練集和測(cè)試集，通過歷史數(shù)據(jù)集的訓(xùn)練來確定模型，測(cè)試集一般是在線監(jiān)測(cè)的數(shù)據(jù)導(dǎo)入模型進(jìn)行驗(yàn)證，來確定故障是否發(fā)生。為了方便驗(yàn)證，前504 個(gè)樣本作為訓(xùn)練集，后 216 個(gè)樣本為測(cè)試集。實(shí)驗(yàn)故障數(shù)據(jù)的獲取需要大量的金錢成本，這里人為在第118 個(gè)樣本后加入故障，以測(cè)試模型檢測(cè)故障率。模型訓(xùn)練具體過程如下：

1）將原始數(shù)據(jù)進(jìn)行無量綱化處理，使每個(gè)變量被賦予相等的權(quán)重。經(jīng)處理后，原始數(shù)據(jù)矩陣X的均值為0，方差為1。

2）求解特征值和特征向量，并求出以特征值所對(duì)應(yīng)的特征向量矩陣P。

3）根據(jù)累計(jì)貢獻(xiàn)率 0.85 的原則，確定主元數(shù)k。主元數(shù)的個(gè)數(shù)直接影響到PCA 故障檢測(cè)的能力，假設(shè)主元數(shù)選取過小，主元模型會(huì)丟失大量信息，而主元數(shù)選取過大，測(cè)量數(shù)據(jù)中的故障和噪聲信息過多地保留在主元模型內(nèi)，減弱了故障檢測(cè)的能力。

4）計(jì)算投影矩陣C。

5）根據(jù)0.90 的置信區(qū)間求出了平方預(yù)測(cè)誤差閾值δ2。

表1 為濾波PCA 模型下的特征值，貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。

表1 濾波PAC 下的特征值，貢獻(xiàn)率及累計(jì)貢獻(xiàn)率

從表 1 中可以看出 9 個(gè)變量的貢獻(xiàn)率依次減小，濾波 PCA 模型在主元數(shù)為 6 的時(shí)候貢獻(xiàn)率僅為4.8%，累計(jì)貢獻(xiàn)率89.6%，根據(jù)累計(jì)貢獻(xiàn)率85%的的原則，主元數(shù)k=5。選擇主元分析的個(gè)數(shù)為5 個(gè)既減少了主元數(shù)量又保留了系統(tǒng)的主要信息。因此這里系統(tǒng)故障檢測(cè)采用濾波的PCA 模型。

3 系統(tǒng)故障檢測(cè)

3.1 模型驗(yàn)證

為了驗(yàn)證模型的正確性，采用正常運(yùn)行數(shù)據(jù)的70%作為模型訓(xùn)練集，后 30%作為測(cè)試集，測(cè)試結(jié)果如圖4 所示。

圖4 PCA 模型測(cè)試結(jié)果圖

從后30%的測(cè)試集結(jié)果看，全部的 216 個(gè)數(shù)據(jù)都落在了T2 統(tǒng)計(jì)量和Q統(tǒng)計(jì)量閾值以下，驗(yàn)證了模型是可以正常運(yùn)行并進(jìn)行故障檢測(cè)診斷的。

3.2 偏差故障5%檢測(cè)

為檢驗(yàn) PCA 模型對(duì)空氣處理機(jī)組故障的檢測(cè)能力，在正常數(shù)據(jù)的基礎(chǔ)上，人為引入不同部位、不同程度的故障，從測(cè)試集的第118 個(gè)數(shù)據(jù)起人為對(duì)送風(fēng)溫度、新風(fēng)溫度、冷凍水流量引入 5%的偏差故障，每個(gè)故障獨(dú)立存在。

圖5 送風(fēng)溫度傳感器偏差故障中T2統(tǒng)計(jì)量雖然在 118 個(gè)樣本有上升的趨勢(shì)但是大部分都在閾值以下，不能作為故障檢測(cè)依據(jù)，而Q統(tǒng)計(jì)量在 1～117 個(gè)樣本都在閾值以下，從第 118 個(gè)樣本起Q統(tǒng)計(jì)量驟然上升，且遠(yuǎn)遠(yuǎn)超過統(tǒng)計(jì)量閾值，檢測(cè)率 100%，說明模型的故障檢測(cè)可以以Q統(tǒng)計(jì)量作為依據(jù)。圖6 新風(fēng)溫度傳感器偏差故障中T2統(tǒng)計(jì)量在1～117 個(gè)樣本全部低于閾值，在 118～216 個(gè)樣本均超過閾值，而Q統(tǒng)計(jì)量在1～117 個(gè)樣本也都全部低于閾值，從第 118 個(gè)樣本后有95%的數(shù)據(jù)都超過了閾值。圖 7 冷凍水流量傳感器偏差故障中T2統(tǒng)計(jì)量趨勢(shì)與圖 5 基本相同，而Q統(tǒng)計(jì)量從第118 個(gè)樣本后有90%的數(shù)據(jù)都超過閾值。

圖5 送風(fēng)溫度傳感器故障

圖6 新風(fēng)溫度傳感器故障

圖7 冷凍水流量傳感器故障

通過表 2 分析?，T2統(tǒng)計(jì)量在送風(fēng)溫度傳感器故障和冷凍水流量傳感器故障中均不能正確檢測(cè)，而Q統(tǒng)計(jì)量在三種故障中的檢測(cè)率均大于 90%，故使用Q統(tǒng)計(jì)量的PCA 模型可以用于空氣處理機(jī)組故障的檢測(cè)。

表2 統(tǒng)計(jì)量檢測(cè)率

4 系統(tǒng)故障診斷

故障被檢測(cè)出來后只能確定系統(tǒng)發(fā)生了故障并不能找出故障的來源，因此下一步要進(jìn)行故障診斷。神經(jīng)網(wǎng)絡(luò)是受到生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的數(shù)學(xué)模型，它模仿人類神經(jīng)元系統(tǒng)，以獲得學(xué)習(xí)能力。網(wǎng)絡(luò)從歷史數(shù)據(jù)中學(xué)習(xí)，根據(jù)學(xué)習(xí)規(guī)則確定神經(jīng)元之間的連接權(quán)值，使經(jīng)過訓(xùn)練的網(wǎng)絡(luò)能夠產(chǎn)生正確的輸出。BP 神經(jīng)網(wǎng)絡(luò)是最常用的神經(jīng)網(wǎng)絡(luò)之一，網(wǎng)絡(luò)的第一層是一組包含來自所有輸入變量的信息的輸入層，第二層是包含一定數(shù)量神經(jīng)元的隱藏層。每個(gè)神經(jīng)元都有一個(gè)和算子和一個(gè)激活函數(shù)，執(zhí)行非線性變換。

首先確定網(wǎng)絡(luò)的輸入輸出層，輸入層為表 3 故障模式中的數(shù)據(jù)，輸出層為表 3 目標(biāo)向量的數(shù)據(jù)，不同的故障模式對(duì)應(yīng)不同的目標(biāo)輸出。本文將 720 組系統(tǒng)正常運(yùn)行的數(shù)據(jù)劃分成3 種故障數(shù)據(jù)，每種數(shù)據(jù)都要?dú)w一化處理，并對(duì)故障數(shù)據(jù)模式進(jìn)行 1～3 編號(hào)，利用構(gòu)建好的BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練。而后將待診斷的360 個(gè)數(shù)據(jù)歸一化預(yù)處理后帶入模型進(jìn)行診斷，圖9 所示為故障診斷結(jié)果圖。從圖中可以看出第二類故障（新風(fēng)溫度傳感器故障）和第三類故障（冷凍水流量傳感器故障）診斷率為 100%，第一類故障（送風(fēng)溫度傳感器故障）診斷率達(dá)到了 92%。送風(fēng)溫度相比較于新風(fēng)溫度和回風(fēng)溫度它的要求精度更高，因此故障診斷率沒有達(dá)到 100%，但是三種故障的檢測(cè)率都超過了 90%，故BP 神經(jīng)網(wǎng)絡(luò)算法可以有效地對(duì) AHU 系統(tǒng)進(jìn)行故障診斷。

表3 不同故障模式輸入輸出

圖9 故障類型診斷

5 結(jié)論

本文以某工廠變風(fēng)量空調(diào)系統(tǒng)的 AHU 空氣處理機(jī)組為研究對(duì)象，利用系統(tǒng)正常運(yùn)行大數(shù)據(jù)建立模型，利用模型對(duì)故障來源進(jìn)行診斷，主要得出了以下幾個(gè)結(jié)論：

1）通過系統(tǒng)運(yùn)行正常數(shù)據(jù)的前70%進(jìn)行 PCA 建模，后 30%數(shù)據(jù)驗(yàn)證模型正確性，結(jié)果表明模型是可以正常運(yùn)行并進(jìn)行故障檢測(cè)的。

2）T2統(tǒng)計(jì)量在送風(fēng)溫度傳感器故障和冷凍水流量傳感器故障中均不能正確檢測(cè)，而Q統(tǒng)計(jì)量在三種故障中的檢測(cè)率均大于90%，故使用Q統(tǒng)計(jì)量的PCA模型可以更好的用于空氣處理機(jī)組故障的檢測(cè)。

3）使用 BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)系統(tǒng)故障進(jìn)行診斷，新風(fēng)溫度傳感器故障和冷凍水流量傳感器故障診斷率均達(dá)到了 100%，新風(fēng)溫度傳感器由于精度較高檢測(cè)率為92%，說明算法對(duì)數(shù)量級(jí)較大的故障類型有更好的診斷率。