基于長(zhǎng)短期記憶算法的空調(diào)系統(tǒng)故障檢測(cè)

朱 濤， 龐愛(ài)心

（貴州東華工程股份有限公司， 貴陽(yáng) 550025）

0 引 言

以暖通空調(diào)系統(tǒng)為代表的現(xiàn)代工業(yè)系統(tǒng)往往都是具有大慣性、大滯后的復(fù)雜非線性系統(tǒng)［1］。 這類復(fù)雜大系統(tǒng)的故障在初期階段往往缺乏有效的檢測(cè)策略而難以發(fā)現(xiàn)，從而導(dǎo)致過(guò)多的能耗損失，甚至造成巨大的財(cái)產(chǎn)損失，并產(chǎn)生不小的社會(huì)影響。 因此，需要對(duì)暖通空調(diào)系統(tǒng)進(jìn)行實(shí)時(shí)故障檢測(cè)，發(fā)現(xiàn)系統(tǒng)的潛在故障，從而計(jì)劃及時(shí)的維護(hù)措施，保證空調(diào)系統(tǒng)的正常運(yùn)行。

近年來(lái)，針對(duì)復(fù)雜非線性系統(tǒng)進(jìn)行了一系列的故障檢測(cè)研究，主要分為2 類：基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。 其中，基于模型的方法是通過(guò)建立對(duì)特定故障較為敏感的指標(biāo)模型，主要是利用受診斷的物理對(duì)象的期望值與實(shí)際值的偏差來(lái)檢測(cè)系統(tǒng)故障。 Zabala 等學(xué)者［2］建立了一種物理模型，該方法基于模型進(jìn)行故障診斷，能準(zhǔn)確檢測(cè)到故障，但這些方法依賴于物理模型的精度。 采用傳統(tǒng)的建模技術(shù)來(lái)建立暖通空調(diào)系統(tǒng)的準(zhǔn)確模型是非常困難的［3］。 然而，基于數(shù)據(jù)驅(qū)動(dòng)的方法可以不需要物理模型，直接從暖通空調(diào)系統(tǒng)運(yùn)行過(guò)程中提取故障特征，現(xiàn)已成為研究熱點(diǎn)［4］。 歷史的系統(tǒng)運(yùn)行數(shù)據(jù)用于訓(xùn)練模型，一旦新的運(yùn)行數(shù)據(jù)與訓(xùn)練模型學(xué)習(xí)到的模式不一致，就會(huì)發(fā)出故障警報(bào)。 故障樣本對(duì)于構(gòu)建平衡的訓(xùn)練數(shù)據(jù)集是必要的。 不平衡的訓(xùn)練數(shù)據(jù)集使大多數(shù)基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法性能下降、甚至無(wú)效［5－6］。

Modelica 建模語(yǔ)言可以比其他仿真工具更快、更精確地完成此類系統(tǒng)的建模和故障仿真工作［7］。本文提出一種基于Modelica 語(yǔ)言的面向?qū)ο蟮慕７椒ㄔ贠penModelica 仿真平臺(tái)上對(duì)暖通空調(diào)系統(tǒng)故障進(jìn)行模擬以生成故障樣本。

暖通空調(diào)系統(tǒng)的運(yùn)行數(shù)據(jù)往往具有較強(qiáng)的時(shí)序特征。 Kayacan［7］采用多種深度學(xué)習(xí)方法對(duì)時(shí)序數(shù)據(jù)進(jìn)行了預(yù)測(cè)研究。 而LSTM 網(wǎng)絡(luò)擁有對(duì)時(shí)間序列特征的強(qiáng)提取能力，非常適用于空調(diào)系統(tǒng)時(shí)序性監(jiān)測(cè)變量的預(yù)測(cè)。 Zhang 等學(xué)者［8］利用LSTM 網(wǎng)絡(luò)對(duì)時(shí)間序列較強(qiáng)的學(xué)習(xí)能力顯著地提高了電力系統(tǒng)中線路跳閘的故障預(yù)測(cè)準(zhǔn)確率。

與其它神經(jīng)網(wǎng)絡(luò)相比，盡管基于LSTM 網(wǎng)絡(luò)的方法在暖通空調(diào)系統(tǒng)變量預(yù)測(cè)中可能獲得更好的結(jié)果，但暖通空調(diào)系統(tǒng)的實(shí)時(shí)故障檢測(cè)結(jié)果不僅與神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能有關(guān)，往往也與故障閾值的大小密切相關(guān)［9－10］。 設(shè)置固定閾值的傳統(tǒng)方法通常會(huì)導(dǎo)致錯(cuò)過(guò)檢測(cè)故障的機(jī)會(huì)、延遲檢測(cè)故障或假警報(bào)［11－13］。 如果閾值設(shè)置得太高，則可能會(huì)錯(cuò)過(guò)故障，或者如果閾值太低，則會(huì)發(fā)生錯(cuò)誤報(bào)警。 因此，對(duì)于LSTM 網(wǎng)絡(luò)的預(yù)測(cè)誤差、即故障殘差，設(shè)置一個(gè)合理的閾值十分重要。 當(dāng)系統(tǒng)正常運(yùn)行時(shí)，故障殘差值往往很小，當(dāng)系統(tǒng)出現(xiàn)故障時(shí)，故障殘差值往往大于正常狀態(tài)，就可以將其視為一個(gè)分類問(wèn)題。SVDD 算法作為一種優(yōu)秀的單分類算法，通過(guò)將球形邊界更改為更靈活的邊界，可以控制離群點(diǎn)敏感性［14－15］。 因此，SVDD 算法超球體的半徑往往可以很好地充當(dāng)故障檢測(cè)的自動(dòng)閾值。 Li 等學(xué)者［14］采用支持向量數(shù)據(jù)描述（SVDD）算法對(duì)冷水機(jī)組的傳感器故障進(jìn)行檢測(cè)，取得了非常準(zhǔn)確的故障診斷結(jié)果。

因此，在通過(guò)仿真系統(tǒng)研究暖通空調(diào)系統(tǒng)故障特征后，提出了一種基于長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)和支持向量數(shù)據(jù)描述（LSTM－SVDD）相結(jié)合的方法來(lái)實(shí)現(xiàn)暖通空調(diào)系統(tǒng)故障的實(shí)時(shí)、準(zhǔn)確檢測(cè)。 該方法首先利用雙層LSTM 網(wǎng)絡(luò)對(duì)系統(tǒng)時(shí)序特征向量的強(qiáng)學(xué)習(xí)能力，對(duì)系統(tǒng)的工作車(chē)間溫度進(jìn)行實(shí)時(shí)預(yù)測(cè)。 然后，通過(guò)將LSTM 網(wǎng)絡(luò)的輸出與工作車(chē)間溫度傳感器的實(shí)際值進(jìn)行比較而產(chǎn)生殘差值。 最后，將該殘差值作為SVDD 方法的輸入，將SVDD 超球面的半徑作為故障檢測(cè)閾值，從而檢測(cè)系統(tǒng)是否發(fā)生故障。

1 系統(tǒng)模型及故障模擬

該部分對(duì)暖通空調(diào)系統(tǒng)的結(jié)構(gòu)和工作原理進(jìn)行仿真建模，并采取人工注入故障的方式對(duì)故障進(jìn)行模擬。

1.1 系統(tǒng)建模

所研究的暖通空調(diào)系統(tǒng)為某數(shù)據(jù)中心的水冷式暖通空調(diào)系統(tǒng)，其系統(tǒng)結(jié)構(gòu)類似于文獻(xiàn)［16］，如圖1所示。

圖1 某廠房暖通空調(diào)系統(tǒng)結(jié)構(gòu)Fig. 1 HVAC system structure of a factory building

這個(gè)HVAC 系統(tǒng)在面向?qū)ο蟮慕；A(chǔ)上被分為水路子系統(tǒng)和氣路子系統(tǒng)。 水路子系統(tǒng)由一個(gè)冷水機(jī)模型和一個(gè)冷卻塔模型組成，而氣路子系統(tǒng)由一個(gè)風(fēng)機(jī)盤(pán)管模型和一個(gè)數(shù)據(jù)中心車(chē)間模型組成。 本文在OpenModelica 平臺(tái)［17］上建立了基于Modelica 標(biāo)準(zhǔn)庫(kù)和建筑物庫(kù)的HVAC 系統(tǒng)仿真模型。 然后根據(jù)實(shí)際HVAC 系統(tǒng)的傳感器測(cè)量結(jié)果，對(duì)模擬系統(tǒng)參數(shù)進(jìn)行了設(shè)置和校準(zhǔn)，以保持293 K左右的室溫。 通過(guò)使用數(shù)據(jù)中心的溫度變化作為評(píng)估指標(biāo)來(lái)驗(yàn)證模擬系統(tǒng)和實(shí)際HVAC 系統(tǒng)之間的差異。 同時(shí)，從被HVAC 系統(tǒng)冷卻的實(shí)際數(shù)據(jù)中心車(chē)間收集溫度數(shù)據(jù)。 圖2 顯示了從實(shí)際系統(tǒng)中收集的數(shù)據(jù)與模擬模型中的數(shù)據(jù)的比較。

圖2 實(shí)際系統(tǒng)與仿真系統(tǒng)的工作車(chē)間溫度對(duì)比Fig. 2 Workshop temperature comparison between actual system and simulation system

1.2 系統(tǒng)監(jiān)測(cè)變量及故障模擬

暖通空調(diào)系統(tǒng)故障是指降低系統(tǒng)性能的運(yùn)行異常，包括使用比正常運(yùn)行更多的能量，或未能根據(jù)恒溫器設(shè)定點(diǎn)維持工作車(chē)間溫度［18］。 在現(xiàn)實(shí)場(chǎng)景中，綜合考慮到實(shí)際系統(tǒng)中暖通空調(diào)系統(tǒng)傳感器的分布和系統(tǒng)重要變量，在模擬系統(tǒng)中通過(guò)構(gòu)建虛擬傳感器和監(jiān)測(cè)關(guān)鍵變量來(lái)更加全面地監(jiān)控系統(tǒng)運(yùn)行狀態(tài)。 在本研究中，選擇了11 個(gè)系統(tǒng)監(jiān)測(cè)變量，所有這些不同的參數(shù)都與暖通空調(diào)系統(tǒng)運(yùn)行狀態(tài)有關(guān)，見(jiàn)表1。

表1 系統(tǒng)監(jiān)測(cè)變量Tab. 1 System monitoring variables

由于暖通空調(diào)系統(tǒng)應(yīng)用于對(duì)工作車(chē)間的溫度調(diào)節(jié)，因此，工作車(chē)間的溫度變化與系統(tǒng)故障密切相關(guān)。 研究中，選用工作車(chē)間溫度用于演示的監(jiān)控參數(shù)。 為了準(zhǔn)確監(jiān)測(cè)工作車(chē)間溫度，應(yīng)考慮所有監(jiān)測(cè)變量的相關(guān)性。 表1 中的各監(jiān)測(cè)變量相關(guān)性如圖3所示。

圖3 各變量相關(guān)性分析熱力圖Fig. 3 Variables correlation analysis thermogram

從圖3 可以看出，與工作車(chē)間溫度最相關(guān)的5個(gè)監(jiān)測(cè)變量分別是冷水機(jī)供水溫度、冷水機(jī)回水溫度、來(lái)自盤(pán)管的供氣質(zhì)量流量、混合空氣的溫度和來(lái)自盤(pán)管的空氣出口溫度。 因此，將包含工作車(chē)間溫度的6 個(gè)監(jiān)測(cè)變量選作故障檢測(cè)模型的輸入。 通過(guò)使用所提出的故障檢測(cè)模型從這6 個(gè)參數(shù)中提取信息，可以實(shí)現(xiàn)系統(tǒng)故障檢測(cè)。 經(jīng)過(guò)標(biāo)準(zhǔn)化后的6 個(gè)監(jiān)測(cè)變量如圖4 所示。 該數(shù)據(jù)集共有15 000 個(gè)樣本點(diǎn)，其中前10 000 個(gè)樣本點(diǎn)當(dāng)作訓(xùn)練集，后5 000個(gè)樣本點(diǎn)作為測(cè)試集。

圖4 標(biāo)準(zhǔn)化后的6 個(gè)監(jiān)測(cè)變量Fig. 4 Six standardized monitoring variables

在該研究中，由于暖通空調(diào)系統(tǒng)的末端設(shè)備送風(fēng)管道發(fā)生故障將導(dǎo)致工作車(chē)間溫度偏離其正常設(shè)定值，從而選取送風(fēng)管道破裂故障進(jìn)行研究說(shuō)明。在仿真系統(tǒng)上，采取人工注入故障的方式進(jìn)行了該故障數(shù)據(jù)的獲取試驗(yàn)。 系統(tǒng)正常運(yùn)行穩(wěn)定后，在穩(wěn)定運(yùn)行的某一時(shí)間點(diǎn)對(duì)送風(fēng)管道設(shè)置故障，該模擬故障通過(guò)在仿真模型的送風(fēng)管道上額外連接一小的容器以模擬送風(fēng)管道破裂，導(dǎo)致送風(fēng)量發(fā)生泄漏故障。 同時(shí)，不同的故障大小可以通過(guò)連接多個(gè)容器進(jìn)行模擬。 訓(xùn)練集中的工作車(chē)間溫度如圖5 所示。在測(cè)試集中，正常工作車(chē)間溫度和故障工作車(chē)間溫度如圖6 所示。 故障從第3 000 個(gè)采樣點(diǎn)開(kāi)始，一直持續(xù)到測(cè)試集結(jié)束。

圖5 訓(xùn)練集中的工作車(chē)間溫度Fig. 5 Workshop temperature in training set

圖6 有故障的測(cè)試集中的工作車(chē)間溫度Fig. 6 Workshop temperature in faulty test set

2 基于LSTM－SVDD 的故障檢測(cè)框架

在這節(jié)中，詳細(xì)描述了基于LSTM－SVDD 的故障檢測(cè)方法的總體框架，然后給出了故障檢測(cè)模型的參數(shù)。 最后，通過(guò)實(shí)驗(yàn)分析了本文提出的方法的性能。 方法驗(yàn)證的程序在Python 3.7 環(huán)境下實(shí)現(xiàn)，LSTM 網(wǎng)絡(luò)和SVDD 算法程序在Jupyter Notebook 中結(jié)合Python 語(yǔ)言編寫(xiě)，建立了HVAC 系統(tǒng)的故障檢測(cè)模型。 實(shí)驗(yàn)在一臺(tái)裝有Intel ? CoreTMi5－9300U CPU 的Windows 計(jì)算機(jī)上運(yùn)行，CPU 主頻為2.40 GHz，物理內(nèi)存為8.0 GB 的物理內(nèi)存。

2.1 故障檢測(cè)模型

該故障檢測(cè)框架主要由2 部分組成：基于實(shí)際傳感器測(cè)量數(shù)據(jù)的仿真系統(tǒng)建立和基于LSTM－SVDD 的系統(tǒng)故障檢測(cè)。 故障檢測(cè)模型的總體框架如圖7 所示。 首先，在現(xiàn)實(shí)場(chǎng)景中，暖通空調(diào)系統(tǒng)的服務(wù)器通過(guò)傳感器采集到系統(tǒng)正常運(yùn)行的數(shù)據(jù)，依據(jù)采集到的數(shù)據(jù)，對(duì)建立的仿真系統(tǒng)進(jìn)行參數(shù)校正和設(shè)定，使得該仿真系統(tǒng)的性能近似于實(shí)際系統(tǒng)。 隨后，在校正好的仿真系統(tǒng)上進(jìn)行故障注入，獲得系統(tǒng)的故障運(yùn)行數(shù)據(jù)。最后，LSTM－SVDD 對(duì)仿真系統(tǒng)的數(shù)據(jù)進(jìn)行特征提取和識(shí)別，及時(shí)發(fā)現(xiàn)系統(tǒng)故障并進(jìn)行故障預(yù)警。

圖7 基于LSTM－SVDD 的故障檢測(cè)框架Fig. 7 Fault detection framework based on LSTM－SVDD

暖通空調(diào)系統(tǒng)故障檢測(cè)不僅取決于當(dāng)前時(shí)刻的變化，還與先前時(shí)刻的狀態(tài)有關(guān)。 LSTM－SVDD 方法充分利用時(shí)序數(shù)據(jù)的特性，可以在一定程度上避免誤判并提高檢測(cè)性能。 LSTM－SVDD 故障檢測(cè)數(shù)據(jù)流程如圖8 所示，LSTM－SVDD 故障檢測(cè)步驟如下：

圖8 LSTM－SVDD 故障檢測(cè)數(shù)據(jù)流程圖Fig. 8 LSTM－SVDD fault detection data flow chart

步驟1收集數(shù)據(jù)。 數(shù)據(jù)集收集自仿真平臺(tái)的暖通空調(diào)系統(tǒng)，包括6 個(gè)特征變量。 工作車(chē)間溫度作為預(yù)測(cè)輸出變量。

步驟2標(biāo)準(zhǔn)化數(shù)據(jù)以消除特征之間的差異，同時(shí)重構(gòu)后的數(shù)據(jù)應(yīng)轉(zhuǎn)換為帶有滑動(dòng)窗口的序列。

步驟3將處理好的數(shù)據(jù)作為雙層LSTM 網(wǎng)絡(luò)的輸入數(shù)據(jù)，從而建立雙層LSTM 模型以實(shí)現(xiàn)預(yù)測(cè)輸出。 該LSTM 網(wǎng)絡(luò)的損失函數(shù)為式（1）中給出的均方誤差：

其中，m是預(yù)測(cè)點(diǎn)的數(shù)量；YL表示實(shí)際輸出；表示模型預(yù)測(cè)輸出。

訓(xùn)練目標(biāo)是使總損失函數(shù)之和最小化。 經(jīng)過(guò)訓(xùn)練后，最終損失函數(shù)約為0.02，并保持穩(wěn)定，這表明雙層LSTM 經(jīng)過(guò)訓(xùn)練后滿足要求。

步驟4將殘差r作為SVDD 算法的輸入值，SVDD 模型將其超球體半徑R作為故障閾值進(jìn)行故障檢測(cè)，以確定系統(tǒng)是否存在故障。

2.2 模型參數(shù)設(shè)置

在本文中，基于LSTM－SVDD 的故障檢測(cè)模型的2 個(gè)LSTM 層用于增加模型的深度，并獲得更好的預(yù)測(cè)結(jié)果。 每個(gè)LSTM 層有20 個(gè)隱藏節(jié)點(diǎn)。 此外，將LSTM 滑動(dòng)窗口的長(zhǎng)度設(shè)置為20，可以獲得更好的時(shí)間序列預(yù)測(cè)性能。 表2 總結(jié)了提出的故障檢測(cè)模型中使用的參數(shù)。

表2 LSTM－SVDD 模型參數(shù)Tab. 2 LSTM－SVDD model parameters

3 故障檢測(cè)結(jié)果和討論

本節(jié)根據(jù)給出的故障檢測(cè)評(píng)價(jià)方法和對(duì)比實(shí)驗(yàn)結(jié)果，證明了所提出的方法的有效性。

3.1 檢測(cè)評(píng)價(jià)方法

為了評(píng)價(jià)故障檢測(cè)模型的計(jì)算精度，需要分析不同實(shí)驗(yàn)條件下的故障檢測(cè)性能。 故障檢測(cè)有4 種可能的結(jié)果，通常稱為真陽(yáng)性（TP）、假陽(yáng)性（FP）、假陰性（FN） 和真陰性（TN）［19－20］。 對(duì)于本次研究中涉及的評(píng)價(jià)測(cè)試指標(biāo)，擬做闡釋分述如下。

（1）準(zhǔn)確度（Acc）。 是所有預(yù)測(cè)中預(yù)測(cè)正確的比例，并可由如下公式計(jì)算求得：

準(zhǔn)確度是一個(gè)常用的評(píng)價(jià)指標(biāo)，準(zhǔn)確度越高代表檢測(cè)模型性能越好。 但在正負(fù)樣本不平衡和數(shù)據(jù)分布不均衡的情況下，準(zhǔn)確度這個(gè)評(píng)價(jià)指標(biāo)對(duì)少樣本的錯(cuò)誤分類不敏感。 精確率和召回率能夠彌補(bǔ)這一缺陷。 同時(shí)，F(xiàn)1值綜合考慮了精確率和召回率。因此，為了綜合評(píng)價(jià)模型性能，選取ACC和F1評(píng)分作為評(píng)價(jià)指標(biāo)。

（2）精密率（P）。 可由如下公式計(jì)算求出：

（3）召回率（R）。 可由如下公式計(jì)算求出：

（4）F1分?jǐn)?shù)。 是精確性和召回率的調(diào)和平均值。 可由如下公式計(jì)算求出：

3.2 基于LSTM－SVDD 的故障檢測(cè)結(jié)果及分析

為了全面分析所提出的故障檢測(cè)模型的性能，分別從提出的LSTM 網(wǎng)絡(luò)的預(yù)測(cè)性能和LSTMSVDD 模型對(duì)不同故障大小的故障檢測(cè)性能兩個(gè)角度對(duì)其進(jìn)行了驗(yàn)證。 對(duì)于提出的LSTM 網(wǎng)絡(luò)的預(yù)測(cè)性能，由于存在噪聲和建模誤差，即使在無(wú)故障狀態(tài)下，模型預(yù)測(cè)值也永遠(yuǎn)不會(huì)完美。 因此，在識(shí)別系統(tǒng)故障發(fā)生之前，必須進(jìn)一步處理這些預(yù)測(cè)值。 最常用的處理方法是對(duì)預(yù)測(cè)和實(shí)際值之間的差值應(yīng)用固定閾值。 如果差值大于閾值，則識(shí)別故障。 以殘差來(lái)評(píng)估其對(duì)工作車(chē)間溫度的預(yù)測(cè)性能。 在系統(tǒng)正常運(yùn)行時(shí)，該LSTM 網(wǎng)絡(luò)的殘差r如圖9 所示。

圖9 正常狀態(tài)下的工作車(chē)間溫度預(yù)測(cè)誤差曲線Fig. 9 Workplace temperature prediction error curve in normal state

假設(shè)在第3 000 個(gè)采樣點(diǎn)后系統(tǒng)發(fā)生送風(fēng)管道破裂故障，此時(shí)訓(xùn)練好的LSTM 網(wǎng)絡(luò)輸出值與實(shí)際的房間溫度傳感器殘差值r將會(huì)改變，如圖10 所示。 故障檢測(cè)過(guò)程一般分為2 個(gè)階段。 第一階段為無(wú)故障階段，包括前3 000 個(gè)樣本數(shù)據(jù)；第二階段為故障階段，包括后2 000 個(gè)樣本數(shù)據(jù)。 在無(wú)故障階段，殘差值越小，故障檢測(cè)性能越好。 相反地，在故障階段，殘差值越大，故障檢測(cè)性能越好。 不同方法的預(yù)測(cè)性能直接影響后續(xù)的故障檢測(cè)結(jié)果。

圖10 1%故障偏差下的工作車(chē)間溫度預(yù)測(cè)誤差曲線Fig. 10 Workplace temperature prediction error curve with 1%fault deviation

從圖10 可以看出，在系統(tǒng)正常運(yùn)行時(shí)的前3 000個(gè)樣本殘差值較小，而當(dāng)系統(tǒng)發(fā)生故障后，殘差值幅度變大并且發(fā)生較大波動(dòng)。

對(duì)于系統(tǒng)正常運(yùn)行和故障運(yùn)行階段，殘差值的變化特征往往可以作為一個(gè)故障檢測(cè)依據(jù)，在故障檢測(cè)階段，將系統(tǒng)正常運(yùn)行階段產(chǎn)生的所有殘差樣本視為正樣本，故障階段運(yùn)行導(dǎo)致的所有殘差樣本均為負(fù)樣本，并采用SVDD 算法進(jìn)行自動(dòng)檢測(cè)。 其檢測(cè)結(jié)果如圖11 所示。 故障檢測(cè)過(guò)程分為2 個(gè)階段。 第一階段為無(wú)故障階段，包括前3 000 個(gè)樣本數(shù)據(jù)；第二階段為故障階段，包括后2 000 個(gè)樣本數(shù)據(jù)。 從圖11 中可以看出，提出的基于LSTM－SVDD的故障檢測(cè)方法在無(wú)故障階段，殘差均低于故障閾值，這意味著該階段不存在假警報(bào)；而在故障階段，絕大多數(shù)高于故障閾值，只有少數(shù)幾個(gè)低于故障閾值，造成極少數(shù)的漏報(bào)。 這表明LSTM－SVDD 對(duì)該故障有很好的檢測(cè)效果。

圖11 1%故障偏差下的LSTM－SVDD 檢測(cè)結(jié)果Fig. 11 LSTM－SVDD detection results with 1%fault bias

故障幅值的大小也會(huì)嚴(yán)重影響故障檢測(cè)結(jié)果。為了檢驗(yàn)提出的方法對(duì)故障大小的檢測(cè)效果，在暖通空調(diào)系統(tǒng)仿真模型上改變送風(fēng)管泄漏量的大小以引入使工作車(chē)間溫度偏離正常范圍的不同級(jí)別故障。 以工作車(chē)間溫度偏離正常狀態(tài)下平均溫度的百分比為基準(zhǔn)劃分故障級(jí)別。 在偏差率分別取2%、1.5%、1%、0.5%、0 五個(gè)故障級(jí)別的條件下，LSTMSVDD 方法的檢測(cè)準(zhǔn)確度ACC和F1得分曲線如圖12 所示。

圖12 不同故障級(jí)別下的檢測(cè)效率Fig. 12 Detection efficiency at different failure levels

由圖12 可看到，LSTM－SVDD 方法對(duì)小偏差故障仍然保持著較高的檢測(cè)效果，即使在故障偏差率為0.5%時(shí)，其檢測(cè)效率也達(dá)到0.946；而在故障偏離2%時(shí)，其檢測(cè)效率達(dá)到了0.999。 同時(shí)，故障越大，故障檢測(cè)程度越準(zhǔn)確。 這是由于故障偏差幅值越大，偏離SVDD 最小超球面中心距離越大，超出邊界概率顯著增加，更容易被識(shí)別為異常狀態(tài)。

3.3 方法對(duì)比分析

為驗(yàn)證本文提出的方法的性能，從回歸預(yù)測(cè)性能和故障檢測(cè)效率與其它方法進(jìn)行對(duì)比試驗(yàn)。 對(duì)于預(yù)測(cè)性能，在相同的時(shí)序數(shù)據(jù)下，即相同的測(cè)試集和訓(xùn)練集劃分，選擇測(cè)試集上的預(yù)測(cè)值與實(shí)際值的絕對(duì)差值即預(yù)測(cè)誤差r作為預(yù)測(cè)性能評(píng)價(jià)指標(biāo)。 對(duì)LSTM 網(wǎng)絡(luò)［20］、XGBoost［21］方法和提出的LSTM 網(wǎng)絡(luò)，研究得到的工作車(chē)間溫度的預(yù)測(cè)誤差如圖13 所示。

圖13 LSTM［20］、XGBoost［21］和提出的LSTM 對(duì)數(shù)據(jù)中心溫度的預(yù)測(cè)結(jié)果Fig. 13 The prediction results of LSTM［20］、XGBoost［21］ and the proposed LSTM on data center temperature

從圖13 可以看出，文中提出的LSTM 網(wǎng)絡(luò)預(yù)測(cè)誤差小于文獻(xiàn)［20］提出的LSTM 網(wǎng)絡(luò)和文獻(xiàn)［21］提出的XGBoost 方法的預(yù)測(cè)誤差。 因此，本文提出的LSTM 網(wǎng)絡(luò)預(yù)測(cè)性能表現(xiàn)最好，同時(shí)，在時(shí)序數(shù)據(jù)波動(dòng)較大時(shí)，XGBoost 方法預(yù)測(cè)性能最差。 這是因?yàn)閷?duì)于預(yù)測(cè)時(shí)序數(shù)據(jù)而言，LSTM 網(wǎng)絡(luò)往往比其它神經(jīng)網(wǎng)絡(luò)更具優(yōu)勢(shì)。 由于傳統(tǒng)的LSTM 網(wǎng)絡(luò)只使用了一層單向LSTM 層，因此，提出的LSTM 網(wǎng)絡(luò)在相同訓(xùn)練次數(shù)的條件下訓(xùn)練后的預(yù)測(cè)模型精度更高。

對(duì)于故障檢測(cè)效率，文獻(xiàn)［20］提出的LSTM 網(wǎng)絡(luò)和文獻(xiàn)［21］提出的XGBoost 方法結(jié)合文獻(xiàn)［21］給出的固定閾值進(jìn)行故障檢測(cè)。 在不同故障大小的條件下，3 種方法的最終檢測(cè)效率見(jiàn)表3。 可以發(fā)現(xiàn)，LSTM－SVDD 檢測(cè)模型具有比其它2 種方法更高的檢測(cè)準(zhǔn)確度和F1得分，因此其故障檢測(cè)性能最好。

表3 不同方法檢測(cè)結(jié)果Tab. 3 Test results of different methods

可以發(fā)現(xiàn)，LSTM－SVDD 檢測(cè)模型具有比其它2種方法更高的檢測(cè)準(zhǔn)確度和F1得分，因此其故障檢測(cè)性能最好。 在實(shí)際工程中，由于暖通空調(diào)系統(tǒng)的滯后性，很難及時(shí)發(fā)現(xiàn)故障，造成系統(tǒng)的損壞和能源的浪費(fèi)。 實(shí)驗(yàn)結(jié)果表明，本研究中提出的方法在一定程度上可以更及時(shí)、準(zhǔn)確地檢測(cè)到系統(tǒng)故障。

4 結(jié)束語(yǔ)

暖通空調(diào)系統(tǒng)工作過(guò)程復(fù)雜，故障傳播遲滯。為了實(shí)現(xiàn)暖通空調(diào)系統(tǒng)的及時(shí)故障檢測(cè)，及時(shí)發(fā)現(xiàn)故障，提出一種仿真模型結(jié)合LSTM－SVDD 算法的故障檢測(cè)框架。 系統(tǒng)仿真模型及引入故障模擬解決了HVAC 系統(tǒng)大部分時(shí)間在正常條件下運(yùn)行導(dǎo)致故障數(shù)據(jù)樣本難以充分收集的問(wèn)題。 由于暖通空調(diào)系統(tǒng)的運(yùn)行數(shù)據(jù)往往具有時(shí)序性，因此提出LSTMSVDD 故障檢測(cè)方法來(lái)對(duì)系統(tǒng)進(jìn)行及時(shí)故障檢測(cè)，并且引入不同的故障大小驗(yàn)證和分析了該方法的檢測(cè)效率。 結(jié)果表明：該方法對(duì)于較小偏差故障仍具有較好的檢測(cè)性能，且故障偏差越大，檢測(cè)效果越好。 而在與其它方法對(duì)比試驗(yàn)后發(fā)現(xiàn)，LSTM－SVDD檢測(cè)模型具有比傳統(tǒng)LSTM 網(wǎng)絡(luò)和XGBoost 方法更高的檢測(cè)準(zhǔn)確度。 文中提出的故障檢測(cè)框架不僅能得到有效仿真故障數(shù)據(jù)并對(duì)其進(jìn)行準(zhǔn)確的故障檢測(cè)，而且可以在缺乏故障樣本的情況下為其它暖通空調(diào)系統(tǒng)的故障檢測(cè)方法研究提供參考。