劉 倩 李正飛 丁新磊 陳煥新 王譽(yù)舟 徐 暢
(華中科技大學(xué)能源與動(dòng)力工程學(xué)院 武漢 430074)
公共建筑中暖通空調(diào)系統(tǒng)的運(yùn)行能耗約占建筑能耗的60%[1],而由于暖通空調(diào)系統(tǒng)性能下降及故障造成的能源浪費(fèi)約占商業(yè)建筑總能耗的15%~30%。多聯(lián)機(jī)空調(diào)系統(tǒng)相比于傳統(tǒng)的中央空調(diào)系統(tǒng),具有節(jié)能、控制先進(jìn)等優(yōu)點(diǎn)[2],自90年代引入我國(guó)后,得到了迅速發(fā)展。由于多聯(lián)機(jī)系統(tǒng)管路復(fù)雜繁瑣、運(yùn)行工況多變,經(jīng)常會(huì)發(fā)生各類(lèi)故障,如四通閥故障、制冷劑泄漏、電子膨脹閥卡死和泄漏、冷凝器臟污等。一旦發(fā)生故障,不僅會(huì)破壞空調(diào)系統(tǒng)的正常使用,降低用戶(hù)使用舒適度,還會(huì)因故障的發(fā)生造成不必要的能源浪費(fèi)[3-6]。
針對(duì)多聯(lián)機(jī)系統(tǒng)常見(jiàn)典型故障,本文選擇3種會(huì)引起較大損失的故障進(jìn)行研究,即四通閥故障、電子膨脹閥故障、制冷劑充注量故障。四通閥可以調(diào)節(jié)制冷劑流向,從而實(shí)現(xiàn)制熱制冷運(yùn)行模式的自由切換,若發(fā)生故障將不能滿(mǎn)足系統(tǒng)不同季節(jié)、不同功能房間的制冷制熱需求;電子膨脹閥為系統(tǒng)的節(jié)流部件,發(fā)生故障后會(huì)影響室內(nèi)機(jī)制冷劑流量的分配,使系統(tǒng)無(wú)法滿(mǎn)足不同負(fù)荷下室內(nèi)的舒適度要求;制冷劑作為制冷系統(tǒng)內(nèi)部的傳熱介質(zhì),過(guò)少或過(guò)充都會(huì)影響系統(tǒng)內(nèi)部的阻力特性和換熱特性,并最終影響系統(tǒng)的制冷循環(huán)性能。及時(shí)發(fā)現(xiàn)故障,并完成故障類(lèi)型識(shí)別和故障細(xì)化診斷,有助于及時(shí)修復(fù)系統(tǒng),避免持續(xù)不必要的能量損耗。
針對(duì)暖通空調(diào)系統(tǒng)的故障檢測(cè)和診斷的研究相對(duì)于信息行業(yè)等起步較晚,但目前也逐步發(fā)展起來(lái),隨著大數(shù)據(jù)時(shí)代的到來(lái),基于數(shù)據(jù)挖掘的故障診斷方法也逐漸應(yīng)用于暖通空調(diào)領(lǐng)域[7-11]。N.Kocyigit[12]利用模糊推理系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)對(duì)某蒸氣壓縮制冷實(shí)驗(yàn)裝置進(jìn)行故障診斷,可有效診斷該系統(tǒng)中的8類(lèi)故障。S.A.Tassou等[13]設(shè)計(jì)了一種基于人工智能和實(shí)時(shí)性能檢測(cè)的制冷劑泄漏故障診斷與檢測(cè)系統(tǒng),可有效區(qū)分制冷劑充注量的穩(wěn)態(tài)、過(guò)充和泄漏的狀態(tài)發(fā)生。Han Hua等[14]針對(duì)制冷劑充注量泄漏、過(guò)充以及系統(tǒng)級(jí)別的機(jī)油過(guò)量診斷問(wèn)題,提出一種經(jīng)交叉驗(yàn)證優(yōu)化的最小二乘支持向量機(jī)(LS-SVM)模型,相比于未優(yōu)化的單類(lèi)算法模型具有更優(yōu)良的性能。M.Stylianou[15]提出一種采用統(tǒng)計(jì)模式識(shí)別算法的診斷模型,可診斷冷水機(jī)組的4種故障類(lèi)型。石書(shū)彪等[16]建立了神經(jīng)網(wǎng)絡(luò)模型,針對(duì)冷水機(jī)組不同工況下不同程度的7種典型故障進(jìn)行檢測(cè)和診斷,并進(jìn)行優(yōu)化提高診斷正確率。
上述研究表明,現(xiàn)階段針對(duì)多聯(lián)機(jī)系統(tǒng)的故障檢測(cè)與診斷研究多是側(cè)重于系統(tǒng)的典型故障[17-18]或單一故障,對(duì)于系統(tǒng)關(guān)鍵部件的故障研究還不夠深入。此外,對(duì)于多類(lèi)故障診斷的研究,也未能實(shí)現(xiàn)對(duì)各類(lèi)故障進(jìn)行進(jìn)一步的細(xì)化診斷。故針對(duì)上述問(wèn)題,本文提出一種基于線(xiàn)性判別分析和隨機(jī)森林的多故障診斷策略,可以在完成故障類(lèi)型識(shí)別后,進(jìn)一步對(duì)各類(lèi)故障中不同的故障表現(xiàn)形式實(shí)現(xiàn)細(xì)化診斷。
(1)
(2)
若原始數(shù)據(jù)集的類(lèi)別數(shù)為N,而轉(zhuǎn)換矩陣W是運(yùn)用拉格朗日乘子法Sc-1SbW=λW進(jìn)行特征值求解得到的,W∈Rd×(N-1),其秩為N-1,所以降維后有效特征個(gè)數(shù)不會(huì)大于N-1。
1)計(jì)算每一類(lèi)別特征的均值向量;
2)分別計(jì)算各類(lèi)內(nèi)散布矩陣Sc和類(lèi)間散布矩陣Sb;
3)計(jì)算矩陣Sb/Sc的特征值及對(duì)應(yīng)的特征向量;
4)選取前k個(gè)特征值所對(duì)應(yīng)的特征向量,構(gòu)造一個(gè)k維的轉(zhuǎn)換矩陣W;
5)將原樣本通過(guò)轉(zhuǎn)換矩陣映射到新的特征空間,其維度為k。
若原始數(shù)據(jù)集的類(lèi)別數(shù)為N,而轉(zhuǎn)換矩陣W是由Sc-1SbW=λW進(jìn)行特征值求解得到的,其秩為N-1,所以降維后有效特征個(gè)數(shù)不會(huì)大于N-1。
隨機(jī)森林(random forest,RF)是一種以決策樹(shù)(decision tree,DT)作為基分類(lèi)器的集成學(xué)習(xí)算法[20]?!半S機(jī)”體現(xiàn)在兩個(gè)方面,一是隨機(jī)選取樣本,二是隨機(jī)選取特征,例如一個(gè)集合含有S個(gè)樣本,M個(gè)特征。森林中的每棵樹(shù)都有放回的隨機(jī)抽取部分樣本作為訓(xùn)練樣本,并有放回的隨機(jī)選取m0(m0≤M)個(gè)特征作為這棵樹(shù)的分枝依據(jù)。此方法可以構(gòu)建出多棵樹(shù),而最終結(jié)果是綜合“森林”中所有“樹(shù)”的結(jié)果得到的,而且森林中的樹(shù)不斷通過(guò)選用更好的特征進(jìn)行分枝,從而使性能更優(yōu)良。隨機(jī)森林算法的具體實(shí)現(xiàn)過(guò)程如下:
1)原始數(shù)據(jù)集S個(gè)樣本應(yīng)用bootstrap有放回地隨機(jī)抽取K個(gè)新的自助樣本集,并由此構(gòu)建K棵分類(lèi)樹(shù),每次未被抽取到的樣本組成了袋外數(shù)據(jù);
2)設(shè)有M個(gè)特征,則在每一棵樹(shù)的每個(gè)節(jié)點(diǎn)處隨機(jī)抽取m0個(gè)特征,然后在m0中選擇一個(gè)最具有分類(lèi)能力的特征,變量分類(lèi)的閾值通過(guò)檢查每一個(gè)分類(lèi)點(diǎn)確定;
3)每棵樹(shù)完全生長(zhǎng),不做修剪;
4)用生成的隨機(jī)森林分類(lèi)器對(duì)新的數(shù)據(jù)進(jìn)行判別,分類(lèi)結(jié)果按照投票結(jié)果確定。
實(shí)驗(yàn)使用一臺(tái)額定制冷量為28 kW,制冷劑為R410A的“一拖五”多聯(lián)機(jī)系統(tǒng),如圖1所示。該系統(tǒng)主要由壓縮機(jī)、電子膨脹閥、室外機(jī)、室內(nèi)機(jī)等四大基本部件組成。其標(biāo)稱(chēng)制冷劑充注量為9.9 kg。多聯(lián)機(jī)系統(tǒng)采用密封渦旋壓縮機(jī),系統(tǒng)中設(shè)置有多個(gè)傳感器,用來(lái)測(cè)量壓力和溫度等,部分測(cè)點(diǎn)已在圖1中標(biāo)出。
圖1 實(shí)驗(yàn)多聯(lián)機(jī)系統(tǒng)
實(shí)驗(yàn)中設(shè)有故障實(shí)驗(yàn)和正常實(shí)驗(yàn),運(yùn)行工況分為制冷和制熱工況,共包括已知故障3種,通過(guò)人為引入故障的方式使系統(tǒng)進(jìn)行故障運(yùn)行。電子膨脹閥分為卡死故障和泄漏故障,電子膨脹閥的開(kāi)度大小定義為當(dāng)前開(kāi)度除以最大開(kāi)度的百分比,對(duì)于電子膨脹閥卡死故障實(shí)驗(yàn),將運(yùn)行中的內(nèi)機(jī)的開(kāi)度固定在0或100%,對(duì)于電子膨脹閥泄漏故障實(shí)驗(yàn),將關(guān)機(jī)的一臺(tái)內(nèi)機(jī)開(kāi)度設(shè)定為50%,這樣電子膨脹閥的開(kāi)度不再隨著負(fù)荷的變化而自動(dòng)調(diào)整;對(duì)于四通閥故障,將驅(qū)動(dòng)換向閥的驅(qū)動(dòng)電機(jī)人為掉電或人為損壞四通閥以模擬四通閥故障,這樣換向閥就不能再有效改變制冷劑的流動(dòng)方向;為了獲得制冷劑充注量不足和過(guò)量實(shí)驗(yàn)數(shù)據(jù),人為將制冷劑充注量水平充注為標(biāo)準(zhǔn)制冷劑充注量的一定百分比。針對(duì)不同的故障設(shè)計(jì)相關(guān)實(shí)驗(yàn),記錄當(dāng)前工況下的所有數(shù)據(jù),并從中選取18個(gè)特征變量的數(shù)據(jù),具體如表1所示。其中,目標(biāo)運(yùn)行能力是指多聯(lián)機(jī)機(jī)組在當(dāng)下運(yùn)行工況下理論上可以提供的制冷能力,本機(jī)運(yùn)行能力=(目標(biāo)運(yùn)行能力/系統(tǒng)總運(yùn)行能力)×100%。
表1 特征變量及其符號(hào)
具體故障類(lèi)型及樣本數(shù)量匯總于表2中。正常工況、四通閥故障、電子膨脹閥故障及制冷劑充注量故障的故障類(lèi)型標(biāo)簽分別為L(zhǎng)0、L1、L2、L3,并對(duì)3類(lèi)故障的故障類(lèi)型進(jìn)行詳細(xì)劃分。故障細(xì)化后標(biāo)簽如表2所示。實(shí)驗(yàn)采集了3 d的所有運(yùn)行數(shù)據(jù),每間隔3 s采集一次數(shù)據(jù),共獲取156 068組數(shù)據(jù),各類(lèi)故障樣本容量足夠,為故障診斷模型的建立提供保障。
表2 故障標(biāo)簽及樣本數(shù)量
故障數(shù)據(jù)種類(lèi)繁多,在實(shí)際運(yùn)行過(guò)程中,樣本中含有部分異常值,因此,首先需要將樣本集中的異常值進(jìn)行剔除,以進(jìn)一步提高模型診斷可靠性。其次,由于多個(gè)變量之間的量綱不一,其差異會(huì)對(duì)后續(xù)的故障診斷產(chǎn)生影響,故需要用到數(shù)據(jù)標(biāo)準(zhǔn)化消除該差異。本實(shí)驗(yàn)采取對(duì)數(shù)據(jù)進(jìn)行最大最小歸一化處理。
本文提出的多聯(lián)機(jī)系統(tǒng)多類(lèi)故障檢測(cè)和診斷策略結(jié)合了線(xiàn)性判別分析和隨機(jī)森林算法,流程圖如圖2所示,除完成原始數(shù)據(jù)采集和預(yù)處理外,該策略主要包括兩個(gè)部分,一是故障類(lèi)型識(shí)別模型的訓(xùn)練和測(cè)試,二是單類(lèi)故障細(xì)化診斷模型的訓(xùn)練和測(cè)試。具體流程為:
圖2 多聯(lián)機(jī)系統(tǒng)多類(lèi)故障診斷策略流程圖
1)通過(guò)設(shè)置實(shí)驗(yàn)系統(tǒng)操作參數(shù)使多聯(lián)機(jī)系統(tǒng)處于正常、四通閥故障、電子膨脹閥故障、制冷劑充注量故障狀態(tài),并借助溫度、壓力傳感器等采集原始數(shù)據(jù);
2)原始實(shí)驗(yàn)數(shù)據(jù)剔除異常值,并進(jìn)行最大最小歸一化預(yù)處理;
3)將原始數(shù)據(jù)集按照7∶3劃分為訓(xùn)練集A和測(cè)試集B;并將劃分出的訓(xùn)練集A按照故障類(lèi)型劃分為四通閥故障集a、電子膨脹閥故障集b、制冷劑充注故障集c;
4)設(shè)置隨機(jī)森林模型的參數(shù)值,利用訓(xùn)練集建立故障類(lèi)型識(shí)別RF模型;
5)對(duì)訓(xùn)練集a、b、c使用線(xiàn)性判別分析進(jìn)行降維處理,提取關(guān)鍵特征向量;
6)利用降維后的訓(xùn)練集,建立針對(duì)3種故障類(lèi)型的故障細(xì)化診斷模型a、b、c;
7)將測(cè)試集B輸入至訓(xùn)練好的RF模型中,輸出故障類(lèi)型識(shí)別結(jié)果;
8)將上一步識(shí)別出故障類(lèi)型的樣本輸入至對(duì)應(yīng)的故障細(xì)化診斷模型中,實(shí)現(xiàn)對(duì)各類(lèi)故障中不同故障表現(xiàn)形式的細(xì)化診斷。
本文結(jié)合線(xiàn)性判別分析和隨機(jī)森林進(jìn)行多聯(lián)機(jī)系統(tǒng)多類(lèi)別故障診斷,首先通過(guò)建立的隨機(jī)森林模型完成故障類(lèi)型識(shí)別,然后根據(jù)故障類(lèi)型識(shí)別的結(jié)果,自適應(yīng)的輸入不同的故障細(xì)化診斷模型中進(jìn)行下一步診斷。
實(shí)驗(yàn)所采集的原始數(shù)據(jù)集經(jīng)過(guò)預(yù)處理后按照7∶3的比例劃分為訓(xùn)練集A和測(cè)試集B,訓(xùn)練集A用來(lái)訓(xùn)練出故障類(lèi)型識(shí)別模型,測(cè)試集B對(duì)該模型診斷性能進(jìn)行檢驗(yàn)測(cè)試。測(cè)試集輸入故障類(lèi)型識(shí)別模型時(shí),整體的故障類(lèi)型識(shí)別準(zhǔn)確率達(dá)到99.99%,可見(jiàn)識(shí)別錯(cuò)誤的樣本數(shù)極少。為便于觀察故障類(lèi)型識(shí)別結(jié)果的樣本分布,進(jìn)一步對(duì)結(jié)果進(jìn)行了可視化,如圖3所示。由圖3可知,正常運(yùn)行工況、電子膨脹閥故障及四通閥故障均能全部正確識(shí)別,而制冷劑充注量故障的27 335個(gè)測(cè)試樣本中僅有4個(gè)樣本被錯(cuò)誤識(shí)別為正常樣本,這表明隨機(jī)森林模型據(jù)不同類(lèi)型故障數(shù)據(jù)的差異,學(xué)習(xí)到極好的分類(lèi)規(guī)則,進(jìn)而實(shí)現(xiàn)故障類(lèi)型識(shí)別。該模型在測(cè)試集上幾乎可完全準(zhǔn)確的識(shí)別3類(lèi)故障及正常運(yùn)行樣本數(shù)據(jù),具有良好的故障識(shí)別能力及魯棒性。
圖3 測(cè)試集故障類(lèi)型識(shí)別結(jié)果樣本分布
故障類(lèi)型識(shí)別模型能較好的識(shí)別這3類(lèi)故障是因?yàn)?類(lèi)故障間的差異性顯著[21],四通閥故障為室外機(jī)故障,電子膨脹閥故障為室內(nèi)機(jī)故障,而制冷劑充注故障為系統(tǒng)故障。多聯(lián)機(jī)系統(tǒng)在進(jìn)行制冷、制熱模式切換時(shí)發(fā)生四通閥故障,制冷劑流向偏離預(yù)期流向,會(huì)對(duì)系統(tǒng)冷凝壓力、壓縮機(jī)吸氣溫度及排氣溫度等產(chǎn)生顯著影響;電子膨脹閥通過(guò)調(diào)節(jié)制冷劑流量控制內(nèi)機(jī)負(fù)荷,發(fā)生故障主要對(duì)故障室內(nèi)機(jī)參數(shù)產(chǎn)生影響,但由于該故障會(huì)影響不同流向的制冷劑流量,所以系統(tǒng)的冷凝壓力及蒸發(fā)壓力等參數(shù)也會(huì)發(fā)生變化;制冷劑過(guò)充或不足會(huì)顯著影響系統(tǒng)內(nèi)制冷劑溫度的大小,如壓縮機(jī)排氣/吸氣溫度,氣液分離器進(jìn)管/出管溫度等參數(shù)均會(huì)有所變動(dòng)。
該多聯(lián)機(jī)系統(tǒng)監(jiān)測(cè)了數(shù)個(gè)變量,根據(jù)以往的實(shí)驗(yàn)和研究,最終選擇了包括室外環(huán)境溫度在內(nèi)的18個(gè)變量,即原始數(shù)據(jù)的輸入為18維。對(duì)于不同類(lèi)型的故障,反映其狀態(tài)的最優(yōu)特征向量之間存在差異,所以在經(jīng)過(guò)故障類(lèi)型識(shí)別后,可以對(duì)不同類(lèi)型的故障進(jìn)行LDA特征提取,選取對(duì)應(yīng)的最優(yōu)特征維數(shù)。LDA是一種特征抽取方式,通過(guò)線(xiàn)性的特征抽取所生成的新特征進(jìn)行數(shù)據(jù)降維,使得原始數(shù)據(jù)映射到低維空間,而生成的新特征不再具有物理意義。
本文根據(jù)單個(gè)特征對(duì)故障診斷的貢獻(xiàn)率和多個(gè)特征對(duì)故障診斷的累計(jì)貢獻(xiàn)率選取特征參數(shù)和特征空間維度。單個(gè)特征區(qū)分貢獻(xiàn)率是指單個(gè)所選投影向量對(duì)應(yīng)的特征值占所有特征值之和的比例,特征值反映對(duì)應(yīng)的特征向量的重要程度;累計(jì)區(qū)分貢獻(xiàn)率是指所選全部投影特征向量對(duì)應(yīng)的特征值之和占所有特征值之和的比例。從訓(xùn)練集A中劃分出3類(lèi)故障集a、b、c,并作為3類(lèi)故障細(xì)化診斷模型的訓(xùn)練集。根據(jù)原理中提到的,LDA降維最多降至類(lèi)別數(shù)k-1的維數(shù),而四通閥故障詳細(xì)劃分為四通閥掉電和失效兩類(lèi),是典型的二分類(lèi)問(wèn)題,利用LDA進(jìn)行降維只能保留一個(gè)特征向量,即唯一保留一個(gè)特征向量,其對(duì)故障區(qū)分貢獻(xiàn)率為100%。此外,對(duì)電子膨脹閥故障、制冷劑充注故障進(jìn)行LDA特征抽取,并觀測(cè)這兩類(lèi)故障在其對(duì)應(yīng)的訓(xùn)練集上的單個(gè)特征區(qū)分貢獻(xiàn)率及累計(jì)區(qū)分貢獻(xiàn)率,結(jié)果如圖4所示。
圖4 兩類(lèi)故障訓(xùn)練集LAD降維單個(gè)特征區(qū)分貢獻(xiàn)率及累計(jì)區(qū)分貢獻(xiàn)率
電子膨脹閥故障含有泄漏、全開(kāi)卡死及全閉卡死3種故障形式,利用LDA進(jìn)行數(shù)據(jù)降維最大可降至2維,保留兩個(gè)特征向量,第一特征向量區(qū)分貢獻(xiàn)率為93.14%,第二特征向量的區(qū)分貢獻(xiàn)率為6.86%,累計(jì)可達(dá)100%;制冷劑充注故障被劃分為4個(gè)充注水平,利用LDA進(jìn)行數(shù)據(jù)降維最大可保留3個(gè)特征向量,第一特征向量的區(qū)分貢獻(xiàn)率為87.82%,第二特征向量的區(qū)分貢獻(xiàn)率為9.97%,而第三特征向量的區(qū)分貢獻(xiàn)率僅有2.21%,累計(jì)可達(dá)100%。對(duì)于上述兩種故障,第一特征均對(duì)故障區(qū)分具有最大貢獻(xiàn),而后面的特征對(duì)故障區(qū)分的貢獻(xiàn)相對(duì)較小,但仍能在一定程度上提高故障的診斷性能。為獲得診斷性能及魯棒性更好的故障細(xì)化診斷模型,電子膨脹閥故障診斷模型保留兩個(gè)特征,制冷劑充注故障診斷模型保留3個(gè)特征。
由于隨機(jī)森林本身可以對(duì)數(shù)據(jù)集進(jìn)行特征重要性排序和特征選擇,經(jīng)過(guò)計(jì)算,若是保留和LDA降維處理后相同的維數(shù),四通閥故障訓(xùn)練集a中第一特征為化霜溫度;電子膨脹閥故障訓(xùn)練集b第一、第二特征分別為模塊低壓(蒸發(fā)壓力)、氣液分離器進(jìn)管溫度;制冷劑充注故障訓(xùn)練集c第一、第二、第三特征分別為模塊高壓(冷凝壓力)、氣液分離器出管溫度和EXV開(kāi)度。在保留相同維度,隨機(jī)森林模型參數(shù)一致的條件下,兩種特征選擇方式下訓(xùn)練集上故障細(xì)化診斷正確率如圖5所示。由圖5可知,LDA特征抽取相比于隨機(jī)森林本身的特征選擇在一定程度上可以提高隨機(jī)森林故障細(xì)化診斷模型的性能,最終確定的維度使得映射后的特征空間具有最小的類(lèi)內(nèi)離散度和最大的類(lèi)間離散度。這一步能有效降低原始數(shù)據(jù)的輸入維度,以便于建立簡(jiǎn)單有效的模型,在降低時(shí)間成本的同時(shí),可以避免模型過(guò)擬合問(wèn)題。
圖5 LDA降維后RF模型在訓(xùn)練集上的診斷結(jié)果
測(cè)試集B中的樣本經(jīng)過(guò)故障類(lèi)型識(shí)別后,依據(jù)識(shí)別結(jié)果將3類(lèi)故障樣本分別集合到3個(gè)小測(cè)試集中(即四通閥故障測(cè)試集d,電子膨脹閥故障測(cè)試集e,制冷劑充注故障測(cè)試集f),3個(gè)小測(cè)試集根據(jù)自身故障類(lèi)型自主選擇對(duì)應(yīng)的隨機(jī)森林診斷模型,進(jìn)行下一步的故障細(xì)化診斷。3類(lèi)故障細(xì)化診斷的結(jié)果分別如表3、表4、表5的混淆矩陣所示。
表3 測(cè)試集中四通閥故障細(xì)化診斷結(jié)果
由表3可知,四通閥掉電故障診斷準(zhǔn)確率為97.52%,四通閥失效故障診斷準(zhǔn)確率為91.10%,可見(jiàn)四通閥掉電相比于一般失效故障更容易被檢測(cè)出來(lái),而一般失效故障的訓(xùn)練樣本數(shù)相對(duì)較少,會(huì)對(duì)模型的診斷性能產(chǎn)生一定影響。
表4中電子膨脹閥故障的3種形式的診斷準(zhǔn)確率均達(dá)到100%,其中EXV泄漏問(wèn)題對(duì)開(kāi)度這一參數(shù)的影響也不同于全閉卡死和全開(kāi)卡死,3種故障的表現(xiàn)形式間存在明顯差異,該隨機(jī)森林模型能準(zhǔn)確無(wú)誤的識(shí)別出這3種故障形式。
表4 測(cè)試集中電子膨脹閥故障細(xì)化診斷結(jié)果
由表5可知,4種故障充注水平診斷能力不一,分別為99.87%、98.11%、93.77%、97.41%,其中兩種充注過(guò)少(泄漏)的情況能被有效診斷出來(lái),制冷劑充注過(guò)少相對(duì)于過(guò)充,在制冷模式下,系統(tǒng)的蒸發(fā)和冷凝壓力將會(huì)有所降低,室外換熱器出口制冷劑溫度降低;制熱模式下,冷凝和蒸發(fā)壓力有所降低同時(shí)壓縮機(jī)排氣溫度將會(huì)升高,所以?xún)煞N情況能被有效區(qū)分,過(guò)充故障8在診斷中有部分診斷為過(guò)充故障9,導(dǎo)致故障9的診斷正確率相對(duì)于其他3種充注水平要低。同時(shí),其他幾種充注水平也被錯(cuò)誤診斷為其他充注水平,因?yàn)橹评鋭┏渥⒐收蠟橄到y(tǒng)故障,一旦發(fā)生會(huì)對(duì)系統(tǒng)內(nèi)多個(gè)變量產(chǎn)生影響,由于運(yùn)行時(shí)間的不同以及其他原因,導(dǎo)致某些參數(shù)的變化接近于其他充注水平引起的變化,從而造成診斷失誤。
表5 測(cè)試集中制冷劑充注量故障細(xì)化診斷結(jié)果
故障類(lèi)型識(shí)別后的3類(lèi)故障的故障細(xì)化診斷準(zhǔn)確率如圖6所示。四通閥故障、電子膨脹閥故障、制冷劑充注故障在測(cè)試集上的整體診斷正確率分別為96.12%、100%、97.44%,而訓(xùn)練集上的整體診斷準(zhǔn)確率分別為100%、100%、99.99%。由于測(cè)試集B在故障類(lèi)型識(shí)別過(guò)程中有4個(gè)制冷劑充注故障樣本被錯(cuò)誤的診斷為正常運(yùn)行工況,制冷劑充注故障測(cè)試集上的實(shí)際診斷正確率為97.42%,說(shuō)明故障類(lèi)型識(shí)別過(guò)程中的診斷準(zhǔn)確率會(huì)對(duì)后面的故障細(xì)化診斷結(jié)果產(chǎn)生影響,因此要盡可能保證前面故障類(lèi)型識(shí)別準(zhǔn)確。而對(duì)于四通閥與電子膨脹閥故障,由于識(shí)別準(zhǔn)確率較高,因此未對(duì)故障詳細(xì)診斷結(jié)果產(chǎn)生影響。上述結(jié)果證明,該LDA-RF模型對(duì)3種故障的具體故障類(lèi)型的診斷效果較好,在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率均在95%以上,說(shuō)明該模型具有很好的泛化能力。
圖6 3類(lèi)故障細(xì)化診斷RF模型在訓(xùn)練集和測(cè)試集上的整體診斷結(jié)果
本文建立的故障類(lèi)型識(shí)別及故障細(xì)化診斷模型可以用于多聯(lián)機(jī)系統(tǒng)多故障并發(fā)情況,先完成故障類(lèi)型識(shí)別后,根據(jù)故障類(lèi)型自適應(yīng)選擇最優(yōu)故障細(xì)化診斷模型,解決了不同故障的不同程度導(dǎo)致的故障標(biāo)簽過(guò)多,對(duì)模型建立和診斷結(jié)果造成的負(fù)面影響。對(duì)于不同故障類(lèi)型,詳細(xì)診斷模型的最優(yōu)參數(shù)設(shè)置和特征維度差異顯著,而且故障類(lèi)型識(shí)別與進(jìn)一步的細(xì)化診斷所需要的特征數(shù)據(jù)差異很大,前者不同的故障類(lèi)型之間特征差異顯著,后者同一故障類(lèi)型不同程度之間的特征差異較小,若直接采取統(tǒng)一的診斷模型進(jìn)行細(xì)化診斷而不考慮不同故障之間的差異性,會(huì)導(dǎo)致診斷效果不佳。該分層自適應(yīng)診斷機(jī)制綜合考慮了這兩方面,實(shí)現(xiàn)了特定模型對(duì)某一故障類(lèi)型的特定診斷。基于此,可開(kāi)展針對(duì)該模型的用戶(hù)界面開(kāi)發(fā)[22],實(shí)現(xiàn)基本的數(shù)據(jù)輸入、診斷結(jié)果輸出功能。維護(hù)人員可以根據(jù)診斷結(jié)果對(duì)系統(tǒng)進(jìn)行精準(zhǔn)維護(hù)修理,例如,對(duì)于制冷劑泄漏,該模型能夠較為準(zhǔn)確的診斷出殘余制冷劑充注水平,幫助維護(hù)人員判斷制冷劑補(bǔ)充量;對(duì)于四通閥故障,進(jìn)一步診斷引發(fā)四通閥故障的具體原因,若為掉電只需維護(hù)電路狀況消除故障,若為失效則需要進(jìn)行更換。該用戶(hù)界面的開(kāi)發(fā)和推廣有利于節(jié)省維護(hù)系統(tǒng)更多的人力及維護(hù)時(shí)間,使系統(tǒng)中由故障造成的能源浪費(fèi)最小化。
本文基于LDA和RF算法提出一種多聯(lián)機(jī)系統(tǒng)多類(lèi)故障診斷策略。該策略可完成兩個(gè)任務(wù),一是完成故障類(lèi)型識(shí)別,二是進(jìn)一步細(xì)化診斷每類(lèi)故障的具體表現(xiàn)形式。故障類(lèi)型識(shí)別基于一般隨機(jī)森林算法建模,而對(duì)于各單類(lèi)故障的具體表現(xiàn)形式診斷模型,在基于LDA進(jìn)行降維提取關(guān)鍵特征向量后建立隨機(jī)森林模型。實(shí)驗(yàn)中共有3種故障類(lèi)型,分別存在2、3、4種詳細(xì)故障類(lèi)型,在測(cè)試集的驗(yàn)證下,得到如下結(jié)論:
1)故障類(lèi)型識(shí)別過(guò)程中,3類(lèi)故障及正常運(yùn)行工況整體識(shí)別率為99.99%,僅制冷劑充注故障27 335個(gè)測(cè)試樣本中的4個(gè)樣本錯(cuò)誤識(shí)別為正常工況。說(shuō)明該模型能有效識(shí)別3類(lèi)故障。
2)采取線(xiàn)性判別分析對(duì)原始數(shù)據(jù)集進(jìn)行降維處理,四通閥故障、電子膨脹閥故障、制冷劑充注量故障樣本集由原先18維分別降至1、2、3維。
3)經(jīng)過(guò)故障類(lèi)型識(shí)別后的測(cè)試樣本分別輸入對(duì)應(yīng)最優(yōu)故障細(xì)化診斷模型中,四通閥故障診斷準(zhǔn)確率為96.12%,電子膨脹閥的故障診斷準(zhǔn)確率為100%,制冷劑充注量的故障診斷準(zhǔn)確率為97.44%。說(shuō)明該模型對(duì)不同類(lèi)型的故障具有良好的診斷性能。
綜上所述,文中建立的隨機(jī)森林模型可有效完成故障類(lèi)型識(shí)別和具體故障形式的細(xì)分診斷,線(xiàn)性判別分析能有效減少數(shù)據(jù)維度,且對(duì)隨機(jī)森林模型診斷性能的提高有一定幫助。