基于數(shù)據(jù)-機(jī)理聯(lián)合驅(qū)動(dòng)的制冷空調(diào)系統(tǒng)故障特征提取方法①

孫 哲 金華強(qiáng) 李 康 顧江萍 黃躍進(jìn) 沈 希③

(*浙江工業(yè)大學(xué)機(jī)械工程學(xué)院 杭州 310014)

(**浙江農(nóng)林大學(xué)光機(jī)電工程學(xué)院 杭州 311300)

(***浙江工業(yè)大學(xué)教育科學(xué)與技術(shù)學(xué)院 杭州 310014)

0 引言

為應(yīng)對(duì)世界能源緊缺與碳排放問題,我國(guó)提出“3060”雙碳計(jì)劃,各行各業(yè)紛紛制定本領(lǐng)域的戰(zhàn)略方針[1]。制冷空調(diào)系統(tǒng)能耗是建筑能耗的重要組成,約占社會(huì)總能耗的20%[2-3]。由于制冷空調(diào)系統(tǒng)結(jié)構(gòu)復(fù)雜且運(yùn)行環(huán)境較差,長(zhǎng)期使用中不可避免地發(fā)生各類故障。制冷空調(diào)系統(tǒng)故障種類繁多,可以分為突變故障和漸變故障2 大類,其中以熱力故障為主的漸變故障具有隱蔽性高、對(duì)性能影響較大的特點(diǎn),是系統(tǒng)能耗增加的重要因素。相關(guān)研究表明,制冷空調(diào)系統(tǒng)發(fā)生熱力故障會(huì)造成15%～20%的能耗增加[4]。

為避免熱力故障發(fā)生造成系統(tǒng)能耗增加,大量學(xué)者針對(duì)智能故障診斷方法展開研究[5-9],而熱力故障的特征提取是故障診斷的基礎(chǔ)。隨著近年來深度學(xué)習(xí)技術(shù)的興起,故障診斷常利用端到端的黑箱模型實(shí)現(xiàn),特征提取在黑箱模型內(nèi)部自主實(shí)現(xiàn)[10-12]。也有一些學(xué)者利用數(shù)據(jù)挖掘算法實(shí)現(xiàn)故障特征自適應(yīng)提取[13]。但上述2 種提取手段獲得的特征均為抽象特征,很難對(duì)其進(jìn)行物理層面解釋,使得基于上述特征實(shí)現(xiàn)的故障診斷缺乏物理背景,無法保證全局范圍的可靠可信。通過對(duì)系統(tǒng)參數(shù)的偏離特征提取得到的知識(shí)具有明確的物理背景,基于此特征實(shí)現(xiàn)故障診斷可以更好地保證方法的可靠可信程度。已有研究對(duì)制冷空調(diào)系統(tǒng)故障偏離特性進(jìn)行研究。文獻(xiàn)[14]對(duì)制冷系統(tǒng)故障分類及變化征兆進(jìn)行了理論分析。文獻(xiàn)[15]從熱力循環(huán)角度對(duì)制冷系統(tǒng)故障的特性進(jìn)行了定性分析。上述2 項(xiàng)研究基于熱力學(xué)機(jī)理分析,從循環(huán)機(jī)理角度給出了制冷空調(diào)系統(tǒng)故障狀態(tài)下參數(shù)變化的定性規(guī)律。文獻(xiàn)[16]通過自主搭建制冷空調(diào)系統(tǒng),在恒定控制條件下通過不斷加深故障程度的方式研究了性能參數(shù)變化特性。文獻(xiàn)[17]通過自主搭建變流量空調(diào)系統(tǒng)獲取不同故障狀態(tài)的運(yùn)行參數(shù),并從數(shù)據(jù)分析的角度闡述了故障系統(tǒng)參數(shù)的變化規(guī)律。文獻(xiàn)[18]通過對(duì)振動(dòng)信號(hào)頻域空間的分析,研究了小型全封閉壓縮機(jī)典型故障特性。上述研究屬于實(shí)驗(yàn)驗(yàn)證類型,通過搭建實(shí)驗(yàn)制冷系統(tǒng)或仿真系統(tǒng),在恒定工況和恒定環(huán)境的條件下改變系統(tǒng)故障狀態(tài),分析系統(tǒng)參數(shù)的變化規(guī)律。由于制冷空調(diào)系統(tǒng)的復(fù)雜性,基于熱力學(xué)分析的故障特性屬于定性結(jié)論,無法準(zhǔn)確定量描述,因此難以直接用于故障診斷。而實(shí)驗(yàn)系統(tǒng)得到的結(jié)論只適用于該系統(tǒng)本身,當(dāng)診斷目標(biāo)更換后無法直接應(yīng)用。因此,必須利用目標(biāo)系統(tǒng)自身動(dòng)態(tài)數(shù)據(jù)進(jìn)行準(zhǔn)確的故障特征提取,才能更好地支撐故障診斷。

通過動(dòng)態(tài)運(yùn)行數(shù)據(jù)進(jìn)行故障特征提取存在一個(gè)明顯的難點(diǎn),即數(shù)據(jù)自身波動(dòng)大,故障狀態(tài)的參數(shù)變化量難以計(jì)算。為計(jì)算出故障狀態(tài)參數(shù)的偏離量,必須準(zhǔn)確得到健康狀態(tài)的基準(zhǔn)值,即實(shí)現(xiàn)制冷空調(diào)系統(tǒng)的準(zhǔn)確建模。制冷空調(diào)系統(tǒng)屬于典型的強(qiáng)非線性系統(tǒng),準(zhǔn)確建模十分困難。隨著數(shù)據(jù)驅(qū)動(dòng)技術(shù)的飛速發(fā)展,利用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)強(qiáng)非線性系統(tǒng)的擬合成為可能。本文利用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建制冷空調(diào)系統(tǒng)基準(zhǔn)模型,并以此作為基準(zhǔn)計(jì)算故障狀態(tài)下的參數(shù)偏離值,實(shí)現(xiàn)基于動(dòng)態(tài)運(yùn)行數(shù)據(jù)的故障特征準(zhǔn)確提取。

由于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法基于隨機(jī)梯度下降算法,使得模型的優(yōu)化方向存在一定的不確定性。同時(shí),完全的黑箱模型缺乏知識(shí)解析,使得提取的故障特征無法滿足可信可靠的需求。文獻(xiàn)[19]指出“建立新的可解釋和魯棒的AI(artificial intelligence)理論與方法,需要將數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)范式結(jié)合起來,是發(fā)展AI 的必經(jīng)之路”。本文依據(jù)這一指導(dǎo)思想,充分結(jié)合數(shù)據(jù)和機(jī)理2 種方法的優(yōu)勢(shì),提出一種數(shù)據(jù)-機(jī)理聯(lián)合驅(qū)動(dòng)的制冷空調(diào)系統(tǒng)故障特征提取方法,通過數(shù)據(jù)驅(qū)動(dòng)對(duì)機(jī)理分析的定性結(jié)論進(jìn)行完善與補(bǔ)充,同時(shí)利用機(jī)理分析的定性結(jié)論來約束數(shù)據(jù)驅(qū)動(dòng)方法,避免數(shù)據(jù)集和數(shù)據(jù)驅(qū)動(dòng)算法自身誤差對(duì)結(jié)論帶來不良影響。相比現(xiàn)有研究,本文方法得到的故障特征更加準(zhǔn)確可信。該方法不僅適用于制冷空調(diào)系統(tǒng)熱力故障特征提取,同時(shí)可以應(yīng)用于其他熱力系統(tǒng)的故障特征提取。

1 特征提取方法

1.1 數(shù)據(jù)-機(jī)理聯(lián)合驅(qū)動(dòng)模式

制冷空調(diào)系統(tǒng)屬于典型的強(qiáng)非線性系統(tǒng),精準(zhǔn)的故障機(jī)理定量分析難以實(shí)現(xiàn),只能以定性的方式實(shí)現(xiàn)故障特性描述,無法滿足故障診斷等問題的需求。通過實(shí)地采集或模擬實(shí)驗(yàn)的方式可以獲取不同故障狀態(tài)的系統(tǒng)運(yùn)行數(shù)據(jù),利用數(shù)據(jù)分析方法提取系統(tǒng)故障特征是一種有效途徑。然而,現(xiàn)有數(shù)據(jù)分析方法多數(shù)建立在統(tǒng)計(jì)學(xué)基礎(chǔ)上,存在2 個(gè)缺陷:(1)對(duì)數(shù)據(jù)有效信息的提取和挖掘不充分,得到的結(jié)論不夠精確;(2)無法有效解決數(shù)據(jù)和算法自身不確定因素帶來的影響,得到的結(jié)論不夠可信。特別是針對(duì)復(fù)雜系統(tǒng)的動(dòng)態(tài)運(yùn)行數(shù)據(jù)而言,有效信息提取的難度更大。

為解決上述問題,本文提出一種數(shù)據(jù)和機(jī)理的聯(lián)合分析模式,包括2 個(gè)部分:(1)針對(duì)制冷空調(diào)系統(tǒng),建立一種高效的數(shù)據(jù)驅(qū)動(dòng)故障特性表征方法,相比于現(xiàn)有數(shù)據(jù)分析方法,對(duì)故障規(guī)律表征更加清晰準(zhǔn)確;(2)通過定性機(jī)理分析對(duì)數(shù)據(jù)驅(qū)動(dòng)結(jié)論進(jìn)行修正和解釋,使得所有結(jié)論具有明確的物理意義。

聯(lián)合分析方法的具體路線(見圖1),通過數(shù)據(jù)分析與物理背景闡釋相結(jié)合的方法,即可以充分準(zhǔn)確地得到制冷空調(diào)系統(tǒng)故障狀態(tài)參數(shù)的變化規(guī)律,又可以保證所得規(guī)律在物理背景下具備可信性。

圖1 數(shù)據(jù)-機(jī)理聯(lián)合驅(qū)動(dòng)模式示意圖

1.2 制冷空調(diào)系統(tǒng)基準(zhǔn)建模方法

制冷空調(diào)系統(tǒng)故障狀態(tài)的表現(xiàn)是熱力參數(shù)的定向偏離,不同系統(tǒng)間同一類故障的偏離規(guī)律是一致的,其差異在于偏離幅值不同。為探明各類故障的熱力參數(shù)偏離規(guī)律,最為有效的方法是獲取系統(tǒng)健康狀態(tài)下熱力參數(shù)的理想值,然后通過做差的方式即可得到偏離量。然而,制冷空調(diào)系統(tǒng)具有大滯后、強(qiáng)耦合的特點(diǎn),熱力參數(shù)受到環(huán)境、工況、負(fù)載等諸多因素影響,各因素之間具有強(qiáng)烈的非線性關(guān)系,故如何根據(jù)實(shí)際環(huán)境和工況等因素計(jì)算出健康系統(tǒng)熱力參數(shù)的理想值是一個(gè)難題。

以深度學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動(dòng)算法在復(fù)雜非線性系統(tǒng)擬合方面具有顯著優(yōu)勢(shì),不依賴人為知識(shí)即自主建立參數(shù)間映射關(guān)系。文獻(xiàn)[8]提出一種融合卷積網(wǎng)絡(luò)、編-解碼器和循環(huán)神經(jīng)網(wǎng)絡(luò)的深度模型,用于解決多維時(shí)序建模問題。本文利用該模型作為制冷空調(diào)系統(tǒng)基準(zhǔn)模型,將當(dāng)前環(huán)境參數(shù)和控制參數(shù)作為輸入變量,預(yù)測(cè)對(duì)應(yīng)的熱力參數(shù)值。因?yàn)榛鶞?zhǔn)模型利用健康系統(tǒng)運(yùn)行數(shù)據(jù)訓(xùn)練,因此預(yù)測(cè)的熱力參數(shù)值屬于健康系統(tǒng)的理想值。

基準(zhǔn)模型結(jié)構(gòu)如圖2 所示,模型的輸入為制冷空調(diào)系統(tǒng)的外界自變參數(shù),包括環(huán)境參數(shù)、控制參數(shù)、負(fù)載參數(shù),例如環(huán)境溫度、壓機(jī)轉(zhuǎn)速、膨脹閥開度、風(fēng)機(jī)轉(zhuǎn)速等。輸出的預(yù)測(cè)值為系統(tǒng)的因變參數(shù),主要包括系統(tǒng)各類溫度、壓力等熱力參數(shù)。利用健康系統(tǒng)采集的運(yùn)行數(shù)據(jù)訓(xùn)練基準(zhǔn)模型,實(shí)現(xiàn)健康系統(tǒng)的擬合。故障特征提取時(shí)將故障數(shù)據(jù)集的外界參數(shù)輸入基準(zhǔn)模型后得出對(duì)應(yīng)的健康系統(tǒng)熱力參數(shù)值,然后與故障數(shù)據(jù)集實(shí)際熱力參數(shù)值做差即可得到故障系統(tǒng)變化規(guī)律。該模型對(duì)制冷空調(diào)系統(tǒng)擬合效果良好,具體精度分析見文獻(xiàn)[8],可以很好地助力故障特征提取。

圖2 深度基準(zhǔn)模型結(jié)構(gòu)

1.3 故障偏離特性表征方法

利用基準(zhǔn)模型可以得到熱力參數(shù)實(shí)際偏離量,但不同熱力參數(shù)的量綱不同,難以直觀地對(duì)不同熱力參數(shù)偏離程度進(jìn)行比較。例如對(duì)于冷凝溫度而言,常態(tài)值在50～70 ℃,偏離0.5 ℃并不算大,而對(duì)于冷凝器進(jìn)出風(fēng)的溫差而言,常態(tài)值只有2～4 ℃,0.5 ℃的偏離已經(jīng)有較大差異。對(duì)于只有1 MPa 左右的排氣壓力而言,0.5 MPa 的差異更是明顯。本節(jié)提出一種偏離數(shù)值的去量綱方法,首先計(jì)算基準(zhǔn)模型在健康數(shù)據(jù)集上的殘差均值和標(biāo)準(zhǔn)差,得到基準(zhǔn)模型的歸納偏置和離散程度;然后對(duì)故障數(shù)據(jù)集上的殘差按式(1)去量綱,得到故障狀態(tài)下熱力參數(shù)偏離量相對(duì)于標(biāo)準(zhǔn)差的倍率。

r′=(r/μ)/σ(1)式中,r′是去量綱后的故障熱力參數(shù)偏離倍率,r是故障熱力參數(shù)偏離量,μ是健康數(shù)據(jù)集上殘差均值,σ是健康數(shù)據(jù)集上殘差的標(biāo)準(zhǔn)差。去量綱后的偏離數(shù)據(jù)對(duì)故障特性的表征更加清晰,利用該數(shù)據(jù)訓(xùn)練診斷模型可以有效提升診斷精度。

2 數(shù)據(jù)集與平臺(tái)

本文利用ASHRAE RP-1043(American Society of Heating,Refrigerating and Air-Conditioning Engineers)公開數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)分析[20]。該數(shù)據(jù)集是美國(guó)供暖、制冷與空調(diào)工程師學(xué)會(huì)于1999 年啟動(dòng)的項(xiàng)目,通過對(duì)一臺(tái)90 冷噸的離心式冷水機(jī)組進(jìn)行故障模擬獲取動(dòng)態(tài)運(yùn)行數(shù)據(jù),每種故障包含4 種不同嚴(yán)重程度,是制冷空調(diào)故障診斷領(lǐng)域最常用的數(shù)據(jù)集。

本文從數(shù)據(jù)集中選擇6 種常見故障進(jìn)行分析,包括冷凝器結(jié)垢、冷卻水流量減少、冷凍水流量減少、含非凝性氣體、制冷劑泄漏和制冷劑過充。這6種故障屬于典型故障,發(fā)生頻率高、對(duì)系統(tǒng)影響大,對(duì)其進(jìn)行故障特征提取研究具有重要意義[20]。

本文數(shù)據(jù)驅(qū)動(dòng)算法運(yùn)行平臺(tái)為DELL T440 服務(wù)器,GPU 為GeForce RTX 2080Ti,CPU 為Intel Xeon Silver 4214,內(nèi)存為128 GB,操作系統(tǒng)是64 位Windows 10。算法開發(fā)環(huán)境為Pycharm,使用Python和Tensorflow 實(shí)現(xiàn)。

3 實(shí)驗(yàn)分析

本節(jié)利用第1 節(jié)所提方法對(duì)ASHRAE RP-1043數(shù)據(jù)集的故障特征進(jìn)行提取。通過數(shù)據(jù)驅(qū)動(dòng)模型預(yù)測(cè)故障偏離特性,利用熱力學(xué)機(jī)理分析對(duì)其進(jìn)行修正,可得到更加普適、準(zhǔn)確的結(jié)論。本節(jié)首先對(duì)基準(zhǔn)模型的精度進(jìn)行實(shí)驗(yàn)驗(yàn)證;然后針對(duì)水冷式制冷空調(diào)系統(tǒng)的8 個(gè)常見熱力參數(shù)進(jìn)行偏離規(guī)律分析,分別是蒸發(fā)器出水溫度(TEO)、冷凝器出水溫度(TCO)、蒸發(fā)溫度(TRE)、冷凝溫度(TRC)、吸氣溫度(T_suc)、吸氣過熱度(Tsh_suc)、排氣溫度(TR_dis)和排氣過熱度(Tsh_dis)。

3.1 基準(zhǔn)模型精度分析

故障偏離特征的提取依賴基準(zhǔn)模型精度,因此有必要在數(shù)據(jù)集上對(duì)基準(zhǔn)模型進(jìn)行精度分析?；鶞?zhǔn)模型擬合健康系統(tǒng)的特性,因此使用健康數(shù)據(jù)訓(xùn)練。12 000 組樣本作為訓(xùn)練數(shù)據(jù),3000 組不參與訓(xùn)練的樣本作為測(cè)試數(shù)據(jù)。使用Adam 優(yōu)化器和MSE 損失函數(shù),訓(xùn)練100 輪后,測(cè)試數(shù)據(jù)集上的損失值為0.005。

在3000 組健康測(cè)試數(shù)據(jù)上驗(yàn)證模型誤差,得到特征的誤差絕對(duì)均值見表1。這里的誤差均值指的是全體樣本上預(yù)測(cè)值和真實(shí)值的平均偏離量。如TEO 的誤差均值為0.1,代表基準(zhǔn)模型對(duì)該參數(shù)預(yù)測(cè)的平均誤差為0.1 ℃,可見預(yù)測(cè)精度已非常高,遠(yuǎn)超物理模型的預(yù)測(cè)精度,可較好地實(shí)現(xiàn)偏離特征提取。

表1 基準(zhǔn)模型的預(yù)測(cè)誤差絕對(duì)均值

3.2 冷凝器結(jié)垢故障特征提取

冷凝器結(jié)垢是指水冷式換熱器表面沉積水垢,水垢的熱阻遠(yuǎn)大于換熱管,使得冷凝器的換熱效率下降。冷凝換熱效率降低直接導(dǎo)致冷凝器內(nèi)氣態(tài)制冷劑體積更多,從而排氣壓力升高、冷凝溫度升高。當(dāng)膨脹閥開口不變時(shí),閥前壓力升高會(huì)導(dǎo)致閥后壓力升高,蒸發(fā)溫度也會(huì)升高,但閥后壓力升高的幅度不會(huì)太大。當(dāng)冷凝器整體換熱量下降后,在冷卻水流量不變的條件下,理論上會(huì)導(dǎo)致冷凝器出水溫度降低。為保持熱平衡,蒸發(fā)器的換熱量也會(huì)下降,導(dǎo)致冷卻水出口溫度升高。由于排氣壓力升高導(dǎo)致壓縮機(jī)做功增加、產(chǎn)熱增加,會(huì)使壓縮機(jī)排氣溫度升高。而排氣過熱度是升高還是降低,取決于是排氣溫度提升大還是冷凝溫度提升大。

上述分析得到了系統(tǒng)熱力參數(shù)的定性偏離規(guī)律,進(jìn)一步通過數(shù)據(jù)驅(qū)動(dòng)方法對(duì)動(dòng)態(tài)運(yùn)行數(shù)據(jù)的偏離特征進(jìn)行提取,結(jié)果見圖3。其中,圖3(a)是8 個(gè)參數(shù)的平均真實(shí)偏離值,圖3(b)是通過去量綱化后的偏離倍率。從圖中信息可以對(duì)機(jī)理分析的結(jié)論進(jìn)一步驗(yàn)證并完善。如圖可知,冷凝器結(jié)垢故障的各個(gè)參數(shù)偏離程度都不大,說明該故障的系統(tǒng)表征不明顯。其中變化最大的是冷凝溫度和排氣溫度。這2 個(gè)參數(shù)的偏離程度均隨著故障嚴(yán)重程度的增加而增加,在故障最嚴(yán)重時(shí),冷凝溫度平均升高約1 ℃,排氣溫度平均升高約2 ℃。蒸發(fā)溫度變化不明顯,在故障程度較嚴(yán)重時(shí)呈現(xiàn)輕微升高,而故障程度較輕時(shí)反而有些降低,結(jié)合理論分析可知,這種輕微降低的原因來自數(shù)據(jù)驅(qū)動(dòng)模型誤差。冷卻水出水溫度整體呈現(xiàn)下降趨勢(shì),冷凍水出水溫度呈現(xiàn)升高趨勢(shì),但幅度均較小。吸氣溫度呈現(xiàn)輕微上升趨勢(shì),但吸氣過熱度變化不明顯。

圖3 冷凝器結(jié)垢故障偏離特征圖

綜上,冷凝器結(jié)垢故障的系統(tǒng)表征不明顯,變化最大的是冷凝溫度升高、排氣溫度升高、冷凍水出水溫度升高,升高幅度與故障嚴(yán)重程度正相關(guān),約為1～2 ℃之間,可以作為故障診斷的敏感參數(shù)。

3.3 冷卻水流量減少故障特征提取

水冷式制冷機(jī)組利用循環(huán)水對(duì)換熱器進(jìn)行換熱,其中,用于冷凝器換熱的水循環(huán)稱為冷卻水循環(huán)。當(dāng)冷卻水流量減少后,冷凝器換熱量減少,從而冷凝器內(nèi)氣態(tài)制冷劑含量增加、排氣壓力增加,致冷凝溫度升高。經(jīng)過膨脹閥節(jié)流后,吸氣壓力少量升高,蒸發(fā)溫度少量提升。由于冷卻水流量不足,相同質(zhì)量的冷卻水需要換更多的熱量,使得冷卻水出口溫度升高。而在熱平衡的條件下,蒸發(fā)器換熱量與冷凝器換熱量同時(shí)減少,使得冷凍水出水溫度升高。壓縮機(jī)吸氣溫度與該故障相關(guān)性不強(qiáng),由于蒸發(fā)溫度升高,導(dǎo)致吸氣過熱度降低。冷凝器換熱量減少導(dǎo)致系統(tǒng)內(nèi)熱量堆積,壓縮機(jī)排氣溫度升高,排氣過熱度的趨勢(shì)取決于冷凝溫度和排氣溫度的升高幅度。

利用數(shù)據(jù)驅(qū)動(dòng)方法得到圖4 的偏離特征,進(jìn)一步對(duì)機(jī)理分析結(jié)論進(jìn)行完善。由機(jī)理分析可知,冷凍水出口溫度、冷卻水出口溫度、蒸發(fā)溫度、冷凝溫度及排氣溫度都會(huì)升高,數(shù)據(jù)驅(qū)動(dòng)結(jié)果則可以直觀地看出其升高幅度。冷卻水出口溫度和冷凝溫度的升高幅度最明顯,可達(dá)2 ℃左右,但結(jié)合參數(shù)自身量綱,冷卻水出口溫度的偏離程度更明顯,顯著高于常規(guī)工況。而冷凍水出口溫度升高其實(shí)并不明顯,很難以此作為依據(jù)判定該故障。排氣溫度的值隨故障嚴(yán)重程度增加而升高,但故障輕微時(shí)沒有明顯變化,應(yīng)考慮系統(tǒng)自身冗余因素。蒸發(fā)溫度提升也不明顯,其主要變換依舊取決于膨脹閥開度。最后,由于冷凝溫度和排氣溫度的升高量基本相似,所以排氣過熱度無明顯變化。

圖4 冷卻水流量減少故障偏離特征圖

綜上,冷卻水流量減少存在2 個(gè)顯著變化,即冷卻水出口溫度和冷凝溫度,其升高量可達(dá)2 ℃,可作為該故障的敏感參數(shù)。而隨著故障程度加深,排氣溫度也會(huì)升高超過2 ℃,蒸發(fā)溫度升高不足1 ℃。

3.4 冷凍水流量減少故障特征提取

冷凍水用于蒸發(fā)器換熱,其流量減少會(huì)導(dǎo)致蒸發(fā)器內(nèi)冷量無法徹底換出,直接降低系統(tǒng)制冷量。由于冷凍水流量不足,單位質(zhì)量的冷凍水需要換更多的熱,導(dǎo)致冷凍水出口溫度明顯降低。由于蒸發(fā)器換熱量不足,導(dǎo)致吸氣溫度降低,同時(shí)吸氣過熱度降低,當(dāng)冷凍水嚴(yán)重不足時(shí)甚至導(dǎo)致蒸發(fā)器無法徹底蒸發(fā),無吸氣過熱度。由于低壓端溫度降低,導(dǎo)致吸氣壓力降低,蒸發(fā)溫度降低。

利用數(shù)據(jù)驅(qū)動(dòng)進(jìn)一步得到如圖5 所示的偏離特征?？梢钥闯?冷凍水出口溫度、蒸發(fā)溫度、吸氣溫度和吸氣過熱度的偏離程度最為明顯,其中冷凍水出口溫度和吸氣溫度的降低量可達(dá)2 ℃,相比于該參數(shù)自身波動(dòng)標(biāo)準(zhǔn)差可下降20 倍以上,見圖5(b)。因此,這4 個(gè)參數(shù)可以作為該故障的敏感參數(shù),其表征程度顯著。從圖中可以進(jìn)一步看出,冷卻水出口溫度和冷凝溫度也有少量升高,但相較于前面4 個(gè)參數(shù)幅度小很多。

綜上,冷凍水出口溫度、蒸發(fā)溫度、吸氣溫度和吸氣過熱度4 個(gè)參數(shù)的顯著降低是該故障的特性,降低量在1～2 ℃。而冷卻水出口溫度和冷凝溫度則存在不足1 ℃的少量升高。

3.5 含非凝性氣體故障特征提取

含非凝性氣體指的是充注或維護(hù)過程中向系統(tǒng)內(nèi)混入了無法冷凝的氣體,如混入空氣等。非凝性氣體無法滿足制冷系統(tǒng)換熱需求,但又會(huì)占用系統(tǒng)容量,特別是壓縮機(jī)容量,使得單位有效質(zhì)量流量降低,顯著降低系統(tǒng)效率。由于存在非凝性氣體,使得冷凝器內(nèi)氣體含量升高,進(jìn)而導(dǎo)致排氣壓力和冷凝溫度升高。排氣壓力升高導(dǎo)致壓縮機(jī)做功增加,而由于有效質(zhì)量流量的降低導(dǎo)致?lián)Q熱量減少,熱量堆積致排氣溫度升高。排氣過熱度的趨勢(shì)則取決于冷凝溫度和排氣溫度的升高幅度。此外,由于排氣壓力升高導(dǎo)致吸氣壓力對(duì)應(yīng)升高,蒸發(fā)溫度升高。而換熱量降低導(dǎo)致冷凍水出口溫度升高、冷卻水出口溫度降低。換熱不足也導(dǎo)致吸氣溫度升高。

進(jìn)一步通過數(shù)據(jù)驅(qū)動(dòng)獲得如圖6 所示的偏離特征。對(duì)比驗(yàn)證發(fā)現(xiàn),冷凝溫度、排氣溫度和排氣過熱度的升高最明顯,最大可達(dá)11 ℃,相比于標(biāo)準(zhǔn)差的偏離倍率可達(dá)20 倍。分析去量綱化后的圖6(b)可知,冷凍水出口溫度、冷卻水出口溫度、吸氣溫度和吸氣過熱度的偏離倍率也很大,可達(dá)標(biāo)準(zhǔn)差的5～10 倍。吸氣過熱度和排氣過熱度均呈現(xiàn)增大趨勢(shì),這是定性機(jī)理分析無法得出的結(jié)論。

綜上,含非凝性故障的所有分析故障中表征最為明顯的一類。冷凝溫度、排氣溫度和排氣過熱度3 個(gè)參數(shù)的變化最為明顯,均呈現(xiàn)顯著升高,是該故障的敏感參數(shù)。此外,冷卻水出口溫度降低,冷凍水出口溫度、吸氣溫度和吸氣過熱度升高,也是該故障的明顯標(biāo)志。

3.6 制冷劑充注故障特征提取

制冷劑充注故障指系統(tǒng)的充注量不在合適范圍內(nèi),通常包括制冷劑泄漏和制冷劑過充。無論制冷劑的充注量是過多還是過少均會(huì)導(dǎo)致系統(tǒng)效率下降。當(dāng)制冷劑泄漏時(shí),由于制冷劑的質(zhì)量流量減少,會(huì)導(dǎo)致冷凝器內(nèi)氣體減少,排氣壓力和冷凝溫度都會(huì)降低。更低的排氣壓力導(dǎo)致壓縮機(jī)做功減少,產(chǎn)熱減少。而另一方面,制冷劑流量減少導(dǎo)致冷凝器換熱冗余,使系統(tǒng)含熱更少。兩方面同時(shí)作用下導(dǎo)致排氣溫度降低,而排氣過熱度則需要冷凝溫度和排氣溫度共同決定。而制冷劑過充故障的表征與制冷劑泄漏完全相反,原理也是完全相反。

利用數(shù)據(jù)驅(qū)動(dòng)對(duì)2 種故障數(shù)據(jù)進(jìn)行偏離特征提取,結(jié)果如圖7 和圖8 所示。可以看出,整體上制冷劑泄漏對(duì)參數(shù)的影響程度沒有制冷劑過充大。制冷劑泄漏時(shí),冷凝溫度和排氣溫度確實(shí)會(huì)下降,而排氣過熱度也存在少量下降。另一方面,冷凍水出口溫度少量降低,冷卻水出口溫度少量升高,這是理論分析不容意得出的。進(jìn)一步通過圖8 的偏離規(guī)律進(jìn)行驗(yàn)證發(fā)現(xiàn),制冷劑過充會(huì)明顯導(dǎo)致冷凝溫度、排氣溫度和排氣過熱度升高,升高幅度在3～6 ℃。同樣地,冷凍水出口溫度和冷卻水出口溫度與制冷劑泄漏的偏離方向相反,分別呈現(xiàn)升高和降低的趨勢(shì)。

圖7 制冷劑泄漏故障偏離特征圖

圖8 制冷劑過充故障偏離特征圖

綜上,制冷劑充注故障會(huì)明顯影響冷凝溫度、排氣溫度和排氣過熱度,當(dāng)充注量不足時(shí),這3 個(gè)參數(shù)會(huì)降低,而充注量過高時(shí)這3 個(gè)參數(shù)會(huì)明顯升高。此外,充注量對(duì)冷凍水和冷卻水出口的溫度也會(huì)產(chǎn)生少量影響。

3.7 偏離特征矢量構(gòu)建

經(jīng)過數(shù)據(jù)和機(jī)理聯(lián)合分析,探明了6 類故障的偏離規(guī)律,并對(duì)其偏離現(xiàn)象產(chǎn)生的機(jī)理進(jìn)行了分析,為故障診斷方法研究提供理論基礎(chǔ)。本節(jié)通過構(gòu)建特征參數(shù)偏離矢量的方式對(duì)故障特征進(jìn)行表征,結(jié)果如表2 所示。表中以↑和↓表示參數(shù)的升高或降低,箭頭的數(shù)量表示升高或降低的幅度。以相對(duì)于標(biāo)準(zhǔn)差的偏離倍率度量,偏離在2 倍標(biāo)準(zhǔn)差以內(nèi)的為↑或↓,2～5 倍之間為2↑或2↓,5～10 倍之間為3↑或3↓,10 倍以上為4↑或4↓。

表2 制冷空調(diào)系統(tǒng)故障偏離特征矢量表

從表中可以看出,冷卻水流量減少、冷凍水流量減少和含非凝性氣體故障的偏離特征最明顯,而冷凝器結(jié)垢和制冷劑泄漏故障的偏離最輕微。從偏離特征的分布來看,不同故障的偏離規(guī)律均不相同,且每種故障都有對(duì)應(yīng)的敏感特征,是故障診斷的基礎(chǔ)。通過該表格可以建立故障對(duì)應(yīng)的關(guān)鍵特征而降低其他非關(guān)鍵特征對(duì)該故障診斷的影響。

4 結(jié)論

本文針對(duì)制冷空調(diào)系統(tǒng)動(dòng)態(tài)運(yùn)行數(shù)據(jù)故障特征提取困難問題,提出一種基于深度學(xué)習(xí)的參數(shù)偏離特征表征方法,在偏離表征基礎(chǔ)上結(jié)合熱力學(xué)機(jī)理分析,得出制冷空調(diào)系統(tǒng)故障狀態(tài)的敏感參數(shù)及其變化規(guī)律。具體結(jié)論如下。

(1)相比于純機(jī)理分析,利用深度學(xué)習(xí)技術(shù)從制冷空調(diào)系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù)中提出故障特征信息得到的結(jié)果更加準(zhǔn)確,而定性的機(jī)理分析可以使得數(shù)據(jù)驅(qū)動(dòng)得到的結(jié)論更加可信,是一種更優(yōu)的熱力系統(tǒng)故障特征提取方法。

(2)本文分析的6 類故障中,每類故障都有其自身的敏感參數(shù)集,且不同故障間的敏感參數(shù)及其偏離規(guī)律互不相同。因此,利用敏感參數(shù)及其偏離規(guī)律實(shí)現(xiàn)故障診斷是可行的。

(3)本文分析的6 類故障中,冷卻水流量減少、冷凍水流量減少、含非凝性氣體和制冷劑過充故障的系統(tǒng)偏離程度更加明顯,其敏感參數(shù)的偏離量可超過2 ℃,相比于健康數(shù)據(jù)集殘差的標(biāo)準(zhǔn)差,偏離倍率可超過10 倍。而冷凝器結(jié)垢和制冷劑泄漏故障的偏離程度較輕,敏感參數(shù)的偏離量約為1 ℃,偏離倍率小于5 倍。

(4)制冷空調(diào)系統(tǒng)參數(shù)偏離程度隨故障嚴(yán)重程度增加而增加,但當(dāng)系統(tǒng)故障程度較輕微時(shí),特征參數(shù)可能不存在偏離,這與制冷空調(diào)系統(tǒng)設(shè)計(jì)時(shí)存在冗余以及系統(tǒng)自身抗擾性有關(guān)。

綜上,本文通過數(shù)據(jù)和機(jī)理聯(lián)合分析方法對(duì)制冷空調(diào)系統(tǒng)故障特征進(jìn)行了分析研究,得出6 類故障的參數(shù)偏離規(guī)律并構(gòu)建偏離矢量表,可為相關(guān)故障診斷研究提供理論基礎(chǔ)。