屋頂機空調(diào)遠程監(jiān)測軟硬件系統(tǒng)設(shè)計與故障診斷

姜智堯，黃巍，薛揚帆，杜志敏，晉欣橋

（上海交通大學制冷與低溫工程研究院，上海 200240）

0 引言

建筑行業(yè)主流方向面向智能建筑發(fā)展，在當今獲得全面應(yīng)用。暖通空調(diào)作為智能建筑核心組件[1]，高使用頻率導致大量能耗。居住建筑能源消耗結(jié)構(gòu)主要由戶內(nèi)環(huán)境、居住行為和公用設(shè)施構(gòu)成，根據(jù)相關(guān)研究，中國夏季普遍地區(qū)空調(diào)制冷能耗大，部分達到30%以上[2]。而高能耗的原因除了建筑結(jié)構(gòu)設(shè)計不合理（如大量玻璃窗的使用）、機組日常運行偏離高效運行點外[3]，還有常規(guī)控制器功能與模式單一，無法根據(jù)場景及時調(diào)整機組的調(diào)節(jié)與控制。對于企業(yè)，暖通空調(diào)在長期運行中，積累大量歷史數(shù)據(jù)，數(shù)據(jù)利用也成為各大空調(diào)企業(yè)亟待發(fā)展的項目。采用開放通訊協(xié)議，結(jié)合嵌入式軟硬件，對智能建筑發(fā)展有正面作用[4]。從設(shè)備側(cè)到用戶側(cè)的完整系統(tǒng)[5]，能解決現(xiàn)行企業(yè)控制器局限性。

本文基于智能軟硬件以及實際機組探索制冷劑故障的重要影響因素，包括下面幾個部分：1）在原始龐大數(shù)據(jù)樣本上應(yīng)用預(yù)處理與特征工程方法[6]，消除相關(guān)性較低的特征變量減少計算量，加快計算速度；2）用不同的回歸機器學習方法進行預(yù)測，篩選出最優(yōu)的預(yù)測方法建立最終預(yù)測模型[7]；3）基于單片機，開發(fā)面向冷水機組實時數(shù)據(jù)采集系統(tǒng)；4）結(jié)合云端數(shù)據(jù)庫及可視化界面，建立通用數(shù)據(jù)庫；5）設(shè)備應(yīng)用于屋頂機空調(diào)進行診斷。

1 研究對象

1.1 屋頂單冷機系統(tǒng)

本文實驗對象為Quantum單冷屋頂機，系統(tǒng)原理如圖1所示。該系列產(chǎn)品包括3個平臺，僅在壓縮機型號與機組噸位有所差異，研究選用40～55 t（雙系統(tǒng)）的最大一臺機器進行測試，此型號機組采用電子膨脹閥，控制器可以計算壓縮機質(zhì)量流量，采用雙壓縮機雙回路設(shè)計，選用VZH170型壓縮機和CSHD142型壓縮機組成，采用R410A制冷劑，額定冷量為20.0 kW和34.7 kW。

圖1 屋頂機空調(diào)系統(tǒng)原理

傳感器測點：室內(nèi)送回風干濕球溫度、室外送回風干濕球溫度、吸排氣溫度、壓縮機頻率、電子膨脹閥開度和吸排氣壓力等共12個變量。

1.2 遠程監(jiān)控系統(tǒng)

現(xiàn)今工業(yè)級空調(diào)系統(tǒng)基本具備運行監(jiān)控，但普遍僅有數(shù)據(jù)可視化和簡易故障檢測（部分參數(shù)的閾值判斷），許多故障診斷是基于規(guī)則以及簡易數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡(luò)算法，結(jié)合物聯(lián)網(wǎng)，遠程監(jiān)控系統(tǒng)可串連用戶、廠家和設(shè)備三方，節(jié)約能源外，當有故障風險或出現(xiàn)故障，可生成報告文件，經(jīng)由用戶授權(quán)傳遞到廠家，維修人員可根據(jù)監(jiān)控系統(tǒng)反饋的運行狀況及早判斷故障可能原因。

2 基于KPCA-MLP的故障診斷方法

引入不同故障數(shù)據(jù)和正常運行數(shù)據(jù)建立故障診斷模型[8]，會產(chǎn)生大量計算量[9]，核主元分析法（Kernel Principal Component Analysis，KPCA），用核函數(shù)替代原數(shù)據(jù)，提高非線性映像，對未訓練樣本缺乏感知性，故引入KPCA結(jié)合多層感知器（Multilayer Perceptron，MLP）神經(jīng)網(wǎng)絡(luò)感知器算法[10]，其帶有非線性激活函數(shù)，對線性不可分數(shù)據(jù)進行識別，解決分類問題，增強辨識率。

2.1 核主元分析法（KPCA）

多數(shù)情況下，變量間存在相關(guān)性，用神經(jīng)網(wǎng)絡(luò)算法處理，對分析帶來不便，盲目減少指標會損失很多信息，容易產(chǎn)生錯誤的結(jié)論，對參數(shù)進行降維是常用手段，減少分析參數(shù)時，保留原信息損失[11]。

KPCA主要由主成分分析（Principal Component Analysis，PCA）衍伸而來，PCA的降維原理為考慮n個樣本觀測點[12]，x1、y1兩個變量間存在較高相關(guān)性。如果分別計算兩變量在n個樣本方差，按特征選擇方法，任意舍去變量都將會丟失大量信息。將坐標軸旋轉(zhuǎn)角度為θ，使新坐標軸位于長邊，構(gòu)成新坐標系x2、y2，此時x2方向包含絕大多數(shù)信息，此時刪去y2變量信息損失可降到非常低[13]。

PCA定義為：

式中，Wi為變換矩陣；λ為變換矩陣對應(yīng)的特征值。

但直接進行線性映像可能導致效果不夠理想，PCA只對原始數(shù)據(jù)進行了旋轉(zhuǎn)操作，這是由于其尋找的是數(shù)據(jù)“主要分布方向”，因此引入核方法進行升維生成非線性映射[14]，以此KPCA可將原始數(shù)據(jù)投影至線性可分情況，非線性映射函數(shù)代入PCA后形成高維空間中PCA，用核矩陣K（為對稱矩陣）替代，構(gòu)成高維空間的子空間，核矩陣使用高斯徑向基函數(shù)，而KPCA降維后的向量具體如下：

式中，xnew為高維空間的樣本；φ(x)為非線性映射函數(shù)(隱性)；α為核矩陣K(x,xnew)的特征向量；K(x,xnew)為核矩陣（為對稱矩陣）。

在進行KPCA處理前，選用預(yù)處理方法中標準化方法對原始數(shù)據(jù)中的每個特征列進行處理。并由皮爾遜相關(guān)系數(shù)計算，得到特征之間相關(guān)系數(shù)[15]，皮爾遜相關(guān)系數(shù)定義為：

可得知目標特征與其他特征的相關(guān)系數(shù)，先選取與目標特征較高相關(guān)性的幾個參數(shù)，并進行參數(shù)間的比較，參數(shù)間相關(guān)系數(shù)越接近于0，表示兩者線性相關(guān)性較弱，因此可皆保留，以維持數(shù)據(jù)的豐富性，參數(shù)間相關(guān)系數(shù)越接近于1，表示兩者高度線性相關(guān)，可考慮舍去其一，藉此降低計算量[16]。

例1：南京金陵飯店，明慧敦厚、婉約熱忱、細意濃情的服務(wù)在國際酒店業(yè)倍受贊譽。尊貴賓客、高端商務(wù)、精英會議已然將金陵飯店視為首選。

2.2 多層感知器（MLP）

多層感知器是一種前向傳遞類神經(jīng)網(wǎng)絡(luò)，使用非線性近似將數(shù)據(jù)分類或進行回歸運算，實現(xiàn)非線性判別式訓練，在對經(jīng)由KPCA簡化的特征屬性進行訓練，加強監(jiān)督式規(guī)則提取，可提高識別率。

MLP包含3層結(jié)構(gòu)，每個神經(jīng)元在隱藏層根據(jù)前一層輸出的結(jié)果進行偏置，隨后將總和使用非線性活化函數(shù)做Sigmoid function轉(zhuǎn)換，然后輸出到輸出層，最后隱藏層輸出再進行轉(zhuǎn)換形成輸出值。

式中，G(X)為softmax邏輯回歸模型；S(X)為隱藏層的輸出，sigmoid函數(shù)；B1和B2為隱藏層/輸出層偏置；W1和W2為隱藏層權(quán)重（連接系數(shù)）。

其中標準softmax邏輯回歸模型為：

其中sigmoid函數(shù)：

對于建立具體問題，參數(shù)確定使用了lbfgs：quasi-Newton方法優(yōu)化器[17]，隨機初始化所有參數(shù)（輸入層權(quán)重和隱藏層偏置），進行迭代訓練，不斷計算梯度和更新參數(shù)，隱藏層到輸出層是多類別標簽離散值預(yù)測，即softmax回歸，輸出層權(quán)重通過最小化由訓練誤差項和輸出層權(quán)重范數(shù)正則項構(gòu)成損失函數(shù)，依據(jù)廣義逆矩陣理論計算解析求出，直到滿足設(shè)定條件[18]。

2.3 基于KPCA-MLP的預(yù)測模型建立

圖2 基于KPCA-MLP的故障檢測方法流程

3 云端數(shù)據(jù)庫及其遠程監(jiān)控系統(tǒng)

暖通空調(diào)系統(tǒng)作為樓宇自控的子系統(tǒng)，不同廠家有各自獨立的系統(tǒng)，導致不同設(shè)備間難以通信，空調(diào)系統(tǒng)除了廠家自身系統(tǒng)，還提供部分權(quán)限，藉由主流通信協(xié)議，例如BACnet、LonWorks和Modbus，建立通用遠程控制系統(tǒng)，以兼容這些設(shè)備。

3.1 現(xiàn)場數(shù)據(jù)采集設(shè)備與數(shù)據(jù)處理

機組系統(tǒng)的控制器設(shè)置在設(shè)備側(cè)，選用輕量單片機，有獨立的操作系統(tǒng)，其中設(shè)備具備數(shù)個模塊。數(shù)據(jù)讀取/存儲模塊，通過Modbus協(xié)議從設(shè)備讀取到數(shù)據(jù)，利用JSON值格式傳遞方式，將數(shù)據(jù)轉(zhuǎn)為矩陣形式；故障診斷模塊，基于Python程序，從數(shù)據(jù)讀取?？欤x取程序需要的特征，使用機器學習預(yù)測制冷劑泄漏量，以機組運行狀態(tài)作為輸出；多線程模塊能分離數(shù)據(jù)處理系統(tǒng)和交互系統(tǒng)的程序執(zhí)行，避免單邊系統(tǒng)長時間停滯，避免沖突。

3.2 遠程服務(wù)器與用戶界面設(shè)計

圖3所示為基于KPCA-MLP的遠程監(jiān)控系統(tǒng)。由圖中4個模塊共同建立遠程監(jiān)控系統(tǒng)，左上角為機組現(xiàn)場側(cè)，由集成化的單片機硬件構(gòu)成的數(shù)據(jù)采集設(shè)備經(jīng)由預(yù)先編入硬件的故障診斷算法，數(shù)據(jù)將在本地保存紀錄文件后，進由TCP/IP數(shù)據(jù)傳輸至云端服務(wù)器進行保存，藉助于云端服務(wù)器較佳算力，引入更多數(shù)據(jù)訓練集進行故障診斷，將用戶需要的數(shù)據(jù)進行可視化，建立基于用戶的客戶端，用戶在驗證后即可有權(quán)限獲取其可訪問的機組內(nèi)容和其運行數(shù)據(jù)，網(wǎng)頁主要設(shè)計以冷水機組遠程監(jiān)測平臺，能直觀監(jiān)測機組運行狀況，經(jīng)過基于機器學習算法的“故障檢測程序”將結(jié)果通過用戶界面?zhèn)鬟f給用戶。

圖3 基于KPCA-MLP的遠程監(jiān)控系統(tǒng)

4 實驗與驗證

本節(jié)將驗證本文所提出的方法，針對取得數(shù)據(jù)的實驗和為了測試硬件所進行的實驗進行介紹，以及本文所需而制作的智能診斷盒的軟硬件介紹，在不同工況的實驗下，獲得數(shù)據(jù)進行訓練與驗證。

4.1 基于KPCA-MLP的診斷模型驗證

所有模型的評估指標均采用均方根誤差得到每組KPCA降維數(shù)均方根誤差值（圖4），最終采用4維；3維時由于降維過度過多信息量丟失，導致后續(xù)欠擬合情況，5維和6維雖整體效果較好，但高維會加大計算量，因此在不發(fā)生數(shù)據(jù)欠擬合的情況下，選擇最低維數(shù)為原則，在隱含層神經(jīng)元數(shù)為17時最佳，均方根誤差為0.721%，雖神經(jīng)元數(shù)為35時得到更低誤差，但是計算量增加，對預(yù)測無法有顯著提高，最終選擇隱含層神經(jīng)元數(shù)為17。

圖6 測試模型的均方根誤差值

表1所示為5種工況下的系統(tǒng)數(shù)據(jù)?？紤]不同壓縮機頻率下系統(tǒng)狀態(tài)，表2所示為壓縮機在每種工況下的狀態(tài)和轉(zhuǎn)速設(shè)定值。對測試數(shù)據(jù)判定和選擇，去掉不合理數(shù)據(jù)。

表1 5種工況下的系統(tǒng)數(shù)據(jù)

表2 壓縮機轉(zhuǎn)速設(shè)定

由部分實驗數(shù)據(jù)訓練而得的模型，再引入機組實際運行數(shù)據(jù)，在經(jīng)過驗證的模型中進行測試，實際運行故障檢測的正確率結(jié)果如圖7所示。

圖7 不同KPCA降維數(shù)下實際運行充注量檢測的正確率

4.2 智能診斷盒軟硬件在實際機組運行測試

本文實驗來自江蘇一處工廠的實際運行數(shù)據(jù)，在與工廠機組完成通訊后，讀取機組的運行數(shù)據(jù)進行驗證，根據(jù)測試可進行秒級通訊，但對現(xiàn)場應(yīng)用意義不大，診斷前先進行穩(wěn)態(tài)數(shù)據(jù)判別，當前若是暫無穩(wěn)態(tài)工況則跳過此輪診斷，以節(jié)省運算效能。

在實驗平臺中建立的初始故障模型與正常運行工況模型，在模型初期有較大誤差，經(jīng)由設(shè)備運行數(shù)據(jù)引入，誤差最后下降到5%以內(nèi)，體現(xiàn)模型優(yōu)勢和在線自學習效果。圖8所示為數(shù)據(jù)采集裝置。

圖8 數(shù)據(jù)采集裝置

為了避免受到機組運行環(huán)境影響，在現(xiàn)場能及時使用，設(shè)計了封裝用的外盒，集成線路組件、接口、顯示屏以及網(wǎng)絡(luò)模塊（圖8），可實時顯示采集數(shù)據(jù)并生成圖表形式提供現(xiàn)場工程師使用，于后板設(shè)計槽板，并預(yù)留一定空間作為擴展。

5 結(jié)論

本文研究了基于KPCA-MLP的算法應(yīng)用于制冷劑泄漏診斷，并分析了基于附加軟硬件的智能診斷可行性，得出如下結(jié)論：

1）使用KPCA-MLP的算法，并使用于實驗室進行的四種制冷劑故障等級、64種不同運行工況，約27 000組的制冷劑故障數(shù)據(jù)進行訓練，引入實際運行數(shù)據(jù)進行診斷，得到95.83%的正確率；

2）建立具備數(shù)據(jù)實時傳輸以及在線自學習故障檢測的遠程管理系統(tǒng)，能提前警告用戶設(shè)備可能出現(xiàn)故障風險，提前干預(yù)及檢測設(shè)備，硬件經(jīng)集成化設(shè)計，減少機組改裝成本，可適配大多數(shù)機組；

3）由于運行設(shè)備的限制，無法引入其他真實故障，但對于正常的運行數(shù)據(jù)預(yù)測已具備一定能力，之后工作將引入更多故障類型的診斷、多設(shè)備聯(lián)合數(shù)據(jù)分析、信息保護以及人機交互。