胡永攀+李瑛+姚熠凱+王彩霞

摘要：以一臺制冷量為90冷t（約316 kW）、制冷劑為R134a的離心式制冷機組為實驗對象，從理論上分析該制冷系統(tǒng)的7種典型故障，分析故障征兆與故障間的理論關(guān)系，運用基于順序向前選擇（SFFS）算法的封裝模型進行特征選擇，降低乃至消除特征間的相關(guān)度，去除信息冗余，獲得不同的能較好表征故障的特征子集.結(jié)果顯示：運用SFFS算法時選擇了22個特征，診斷正確率為89.63%，與原特征集的診斷正確率90.36%基本相當，極大地減少了原特征集的特征數(shù)，從64維降為22維；在保證故障檢測與診斷正確率的前提下，減少了診斷所需傳感器種類和數(shù)量，節(jié)約了初始投入成本.

關(guān)鍵詞：制冷系統(tǒng)； 順序向前選擇算法； 故障診斷

中圖分類號： TH 311 文獻標志碼： A

Abstract：An refrigeration system with a 90 t centrifugal chiller using R134a as refrigerant and its seven typical faults were analyzed theoretically.The relationship between the symptoms and faults was attained.The encapsulation model based on sequential forward order feature selection（SFFS） algorithm was adopted for feature selection，which could find better feature subset for reducing or even removing the feature correlation and eliminating the redundancy.The results showed that 22 features were selected by SFFS algorithm and diagnosis accuracy of 89.63% was achieved，which was close to the diagnosis accuracy of 90.36% for original feature set.But it could significantly eliminate the features of original feature set from 64 to 22.Due to the guarantee of the accuracy of fault detection and diagnosis，the type and quantity of sensor could be reduced.The first investment cost could be saved.

Keywords：refrigeration system； sequential forward order feature selection algorithm； fault diagnosis

制冷系統(tǒng)一旦發(fā)生故障，會造成環(huán)境的舒適性或所要求的冷凍溫度得不到保證，嚴重的將導(dǎo)致系統(tǒng)設(shè)備損壞.其次，當制冷系統(tǒng)運行在故障狀態(tài)時，系統(tǒng)能耗往往增大，造成能源浪費.因此，對制冷系統(tǒng)的故障機理進行研究，建立有效、準確的故障診斷模式對實現(xiàn)制冷系統(tǒng)的實時在線監(jiān)控、故障先兆預(yù)測和優(yōu)化運行十分重要[1].

近年來，制冷系統(tǒng)故障診斷的方法隨著人工智能、計算機、模式識別、數(shù)據(jù)通訊、信號分析處理等技術(shù)的發(fā)展而不斷完善和更新[2].常用的診斷方法有經(jīng)典專家系統(tǒng)[3]、模糊理論[4]、神經(jīng)網(wǎng)絡(luò)[5]等.直接運用上述方法對制冷系統(tǒng)進行故障檢測與診斷，需要測量的過程變量較多， 這意味著需要更多的傳感器，進而使成本增加，而且變量維數(shù)過大，相互之間具有較強的相關(guān)性和冗余，影響識別的準確性.高維數(shù)據(jù)也對數(shù)據(jù)的測量、存儲，以及訓(xùn)練和應(yīng)用時間提出了更高的要求，以至在一些情況下，根本不能滿足這類要求.因而，選擇合適的特征描述模式或樣本不僅對模式識別的精度、樣本數(shù)和訓(xùn)練時間等諸多方面都有較大影響，而且對分類器的構(gòu)造也起著十分重要的影響.正是由于上述原因，使得對特征選擇的研究變得非常有必要.

1 制冷系統(tǒng)故障診斷的特征選擇

制冷系統(tǒng)是一個變量多、耦合性強、非線性的熱力學(xué)系統(tǒng)，系統(tǒng)參數(shù)之間存在一定的相關(guān)性、模糊性和不確定性.同一種故障的原因可能會表現(xiàn)出多種不同的故障征兆，同一故障征兆也可能在多種不同的故障中表現(xiàn)，而且彼此之間存在著一定的因果關(guān)系.制冷系統(tǒng)一旦出現(xiàn)故障，需要監(jiān)測的參數(shù)多，獲得的數(shù)據(jù)集特點表現(xiàn)為多特征、高噪聲、非線性，這給故障診斷帶來了極大的挑戰(zhàn).

假設(shè)系統(tǒng)可能發(fā)生n種故障，并將正常運行的狀態(tài)設(shè)為N0，n種故障所處的狀態(tài)分別設(shè)為N1、N2…Nn.狀態(tài)Ni對應(yīng)的可測特征向量Si=[Si1，Si2…Sim]，診斷的過程即為由可測特征向量Si求出Ni所處狀態(tài)的過程.

在實際應(yīng)用中，

如果可測特征向量維數(shù)高，樣本數(shù)量大，無論從計算復(fù)雜程度、系統(tǒng)監(jiān)測成本還是故障診斷效果來看，都是不適宜的.

特征選擇是從一組數(shù)量為D的特征中選擇出數(shù)量為m（D>m）的一組最優(yōu)特征.采用基于順序向前選擇算法對制冷系統(tǒng)進行故障診斷的特征選擇，不僅能極大地減少數(shù)據(jù)集的維數(shù)，簡化計算，降低設(shè)備投入初成本，還能有效地保證診斷效果.

2 模擬故障實驗

2.1 模擬故障實驗簡介

本文數(shù)據(jù)源于ASHRAE的制冷系統(tǒng)故障模擬實驗.實驗裝置為一臺制冷量為90冷t（約316 kW）、制冷劑為R134a的離心式制冷機組.其中，冷凝器和蒸發(fā)器均為殼管式換熱器，管程走水，下進上出，冷凝器側(cè)制冷劑上進下出，蒸發(fā)器側(cè)制冷劑下進上出，分別模擬正常運行模式及7種典型單發(fā)故障模式.為了便于分析，表1給出了離心式冷水機組正常運行模式及典型故障模式.制冷機組故障模擬數(shù)據(jù)采集系統(tǒng)如圖1所示，采集時間間隔10 s.獲取的制冷工況下正常運行及各故障模式模擬實驗終態(tài)時的特征參數(shù)有64個，如表2所示，其中：16個參數(shù)由VisSim軟件實時計算得到；48個參數(shù)由傳感器直接測得，包括29個溫度、5個壓力、5個流量、7個閥位開度、電流和壓縮機功率.為保證實驗測量值的準確性，同時采用電阻測量器、熱敏電阻對蒸發(fā)器側(cè)進、出水溫度，冷凝器測進、出水溫度四個關(guān)鍵值進行測量.

2.2 制冷系統(tǒng)故障的理論分析

系統(tǒng)發(fā)生故障時，各參數(shù)偏離正常工況的程度與故障程度有關(guān)，一般故障越嚴重，參數(shù)偏離越嚴重.本文模擬了制冷系統(tǒng)正常運行及7種典型故障模式.7種典型故障的特征描述如表3所示。7種故障中，某些故障對熱力狀態(tài)的影響有一定的相似性，如冷凝器結(jié)垢、冷凝器水量不足、制冷劑充注過量、不凝性氣體進入系統(tǒng)等均可導(dǎo)致冷凝壓力和溫度、排氣壓力升高；蒸發(fā)器側(cè)水量不足和制冷劑充注不足均可導(dǎo)致蒸發(fā)壓力和溫度降低.所有故障均會導(dǎo)致不同程度的制冷量下降，壓縮機功率增加，系統(tǒng)性能系數(shù)降低，嚴重的甚至導(dǎo)致壓縮機燒毀等事故，所以故障必須早發(fā)現(xiàn)，早排除.

3 基于順序向前選擇算法的封裝模型

順序向前選擇（SFSS）算法是一種尋找近似最優(yōu)特征的漸進搜索算法.該算法采用一種“自下而上”的搜索方法，初始化的目標特征集為空集，每次計算時向特征集中增加一個特征，當達到要求時，所得到的特征集合就作為特征選擇結(jié)果.圖2為順序向前選擇算法示意圖.設(shè)原始特征集為M，假設(shè)當前特征子集Xi包含i個特征，然后對剩余的每一個未入選的特征分別計算其準則函數(shù)J（Xi+1），選擇使J（Xi+1）全局最優(yōu)的特征加入特征子集Xi以生成新的特征子集Xi+1，然后重復(fù)上述步驟，直到找到滿足要求的特征數(shù)時算法結(jié)束.本文算法通過Matlab軟件實現(xiàn).

4 基于順序向前選擇算法的特征選擇結(jié)果分析

將基于順序向前選擇算法的封裝模型與線性判別分析（linear discriminant analysis，LDA）算法相結(jié)合，對在上述正常運行及7種故障模式下獲得的64維36 000個樣本組成的特征集進行特征選擇，以期選擇出能夠很好表征原始特征集的特征子集.LDA算法是一種常用的信號處理方法，對應(yīng)于Matlab軟件中的“Classify”函數(shù)，其并不直接以訓(xùn)練誤差作為目標函數(shù)，因此難以找到最優(yōu)的分類子空間.將LDA算法與順序向前選擇算法進行封裝，通過順序向前選擇算法調(diào)節(jié)LDA算法中類間矩陣特征值的大小，可達到搜索最佳特征子空間的效果.

圖3為特征數(shù)為1～64時，十折交叉驗證的錯誤率.十折交叉驗證時將64維36 000個樣本組成的數(shù)據(jù)集分成10等份，輪流對其中1份做測試，9份做訓(xùn)練，10次測試結(jié)果的均值作為對算法精度的估計，以便得到可靠穩(wěn)定的模型.從圖3中可見，當特征數(shù)從1依次增加到22后，錯誤率達到最低；當選擇特征數(shù)在23～42個之間時，錯誤率基本保持不變；繼續(xù)增加特征數(shù)，錯誤率略微下降；采用全部特征（64個）時的錯誤率與22個特征時的基本相當，即64維與22維的診斷性能相近.這意味著在進行故障診斷時，可以極大地減少傳感器的數(shù)量.基于順序向前選擇算法選擇的特征如表4所示.

順序向前選擇算法是在剩余特征中選擇與已選特征子集構(gòu)成評價整體預(yù)測性能為最佳的新特征子集.從表4中可以看出：編號為48的特征符號PO_net最先被選中，說明當只選擇一個特征組成特征子集時，PO_net對表1所列制冷系統(tǒng)7種典型單發(fā)故障描述效果最佳；其次，在剩余特征中選擇加入的VE與PO_net所形成的兩個特征的特征子集對7種典型故障的描述效果最好；隨后依次加入的是FWC、冷凝器內(nèi)制冷劑飽和溫度與冷凝器側(cè)出水溫度之差TCA，其可以代表傳熱溫差；接著是TO_sump、PO_feed、VSS等.從特征選擇的結(jié)果可知，特征符號TRC和PRC分別位列第61和64，TRE和PRE分別位列第28和37，說明蒸發(fā)器內(nèi)的參數(shù)相比冷凝器內(nèi)的參數(shù)優(yōu)先被選入.因此，就所研究的7種典型故障而言，蒸發(fā)器側(cè)參數(shù)比冷凝器側(cè)參數(shù)更具表征性.

取SFFS算法選擇的前22個特征組成的特征集為最優(yōu)特征集，由最優(yōu)特征集和未經(jīng)降維處理的原特征集分別得到故障診斷的總體診斷正確率和各類故障的診斷正確率，結(jié)果如圖4所示.從圖中可知，雖然原特征集的總體診斷正確率比運用SFFS算法的略高，但采用SFFS算法能夠極大地減少原特征集的特征數(shù)（64個降為22個）.一旦表征特征選定，其余非表征性特征則不需要監(jiān)控，從而大大減少了傳感器的使用數(shù)量，降低了初始投入成本.

由基于順序向前選擇算法的特征選擇結(jié)果可以看出，前6個被選中的特征分別是編號為48、56、24、27、45、47的PO_net、VE、FWC、TCA、TO_sump和PO_feed.分別將隨機樣本點以二維形式顯示于圖5中，橫坐標均為正常及各類故障的類別標識，縱坐標為各個特征的值.從圖5（b）中可以看出，在出現(xiàn)蒸發(fā)器水量不足故障時，特征VE完全獨立于其他故障時的樣本值，即VE可以明確指示蒸發(fā)器水量不足故障；從圖5（c）可以看出，在出現(xiàn)冷凝器水量不足故障時，F(xiàn)WC完全獨立于其他故障時的樣本值，即FWC可以明確指示冷凝器水量不足故障；由圖5（d）可以發(fā)現(xiàn)，在特征TCA為13～17 ℃時，該特征可以明確指示系統(tǒng)中含有不凝性氣體，說明該特征對指示不凝性氣體故障有重要意義.采用同樣的分析方式可以發(fā)現(xiàn)，PO_net、PO_feed對指示冷凝器結(jié)垢、TO_sump對指示潤滑油過量均有重要意義.

5 結(jié) 論

特征選擇的結(jié)果表明，采用基于順序向前選擇算法的封裝模型，從64個原始特征中篩選出22個最佳表征特征.進一步分析所選擇的22個最佳表征特征發(fā)現(xiàn)，就所研究的7種典型故障而言，蒸發(fā)器側(cè)參數(shù)比冷凝器側(cè)參數(shù)更具表征性；FWC可以明確指示冷凝器水量不足故障；VE可以明確指示蒸發(fā)器水量不足故障；TCA對指示不凝性氣體故障有重要意義；PO_net、PO_feed對指示冷凝器結(jié)垢有重要意義；TO_sump對指示潤滑油過量有重要意義.表征特征一經(jīng)選定，其余非表征性特征則不需要監(jiān)控，從而大大減少了傳感器種類和數(shù)量，降低了初始投入成本.

參考文獻：

[1] 韓華，谷波，任能.基于主元分析與支持向量機的制冷系統(tǒng)故障診斷方法[J].上海交通大學(xué)學(xué)報：自然科學(xué)版，2011，45（9）：1355-1361.

[2] 鮑士雄，陳麗萍.制冷系統(tǒng)故障診斷若干方法研究[J].制冷學(xué)報，1997（4）：28-32.

[3] 馬鳴遠.人工智能與專家系統(tǒng)導(dǎo)論[M].北京：清華大學(xué)出版社，2007.

[4] 周平，錢積新.模糊推理方法在控制系統(tǒng)故障診斷中的應(yīng)用研究[J].化工自動化及儀表，2005，32（1）：23-25.

[5] 劉相艷，谷波，黎遠光.基于并行感知器的制冷系統(tǒng)故障診斷分析[J].上海交通大學(xué)學(xué)報：自然科學(xué)版，2005，39（8）：1233-1239.