韓林志，陳煥新，郭亞賓，周鎮(zhèn)新

（華中科技大學(xué)能源與動力工程學(xué)院，湖北武漢 430074）

0 引言

隨著建筑面積的擴大及生活條件的改善，建筑能耗逐年增長，占據(jù)了全球主要能源需求的近40%[1]。其中暖通空調(diào)系統(tǒng)的能耗占建筑總能耗的近50%[2-4]。及時診斷出制冷劑充注量故障可以維持多聯(lián)機的高效運轉(zhuǎn)，從而實現(xiàn)節(jié)能減排、節(jié)約資源的目的，符合人們對經(jīng)濟性、環(huán)保性的要求[5-6]。

目前，在空調(diào)故障診斷領(lǐng)域起主導(dǎo)作用的是數(shù)據(jù)驅(qū)動方法[7]。應(yīng)用較多的算法有 BP神經(jīng)網(wǎng)絡(luò)、貝葉斯神經(jīng)網(wǎng)絡(luò)、支持向量機、決策樹、聚類分析和關(guān)聯(lián)規(guī)則分析等[8]。胡云鵬等[9]利用主元分析法，結(jié)合小波去噪清洗數(shù)據(jù)，在傳感器故障診斷領(lǐng)域得到較好的結(jié)果。曾宇柯等[10]以結(jié)合局部異常因子，剔除數(shù)據(jù)中的異常值，建立的LOF-BP模型制冷劑充注量故障診斷正確率達到 98.97%。王江宇等[11]以決策樹算法為基礎(chǔ)，結(jié)合主元分析法對變量進行降維，得到的PCA-DT模型在制冷劑充注量故障診斷領(lǐng)域性能優(yōu)于單一DT模型。SEO等[12]建立了動態(tài)循環(huán)仿真模型進行家用空調(diào)的故障檢測與診斷，利用移動邊界法提高性能，同時利用過熱度積分時間誤差檢測蒸發(fā)器結(jié)垢故障，最終生成較精確的虛擬試驗臺。BEGHI等[13]以決策樹算法為基礎(chǔ)，結(jié)合主元分析法，對特征進行分類與隔離，建立冷水機組故障診斷模型。結(jié)果表明，該模型能夠檢測典型的冷水機組故障，且將故障與特征相聯(lián)系，提供了故障物理解釋的途徑。

學(xué)習(xí)向量量化（Learning Vector Quantification，LVQ）神經(jīng)網(wǎng)絡(luò)在模式識別與分類中有著廣泛的應(yīng)用[14-15]，但在暖通空調(diào)系統(tǒng)故障診斷領(lǐng)域還沒有相關(guān)的報道。相較于應(yīng)用較多的BP神經(jīng)網(wǎng)絡(luò)，LVQ神經(jīng)網(wǎng)絡(luò)有著無需對數(shù)據(jù)進行正交化及歸一化處理的優(yōu)點，可以直接將任意數(shù)據(jù)輸入模型進行測試，其容錯性與魯棒性也有很大的提升[16]。

本文利用多聯(lián)機實驗采集的數(shù)據(jù)，通過建立LVQ模型進行制冷劑充注量故障診斷，并對模型進行參數(shù)尋優(yōu)過程。結(jié)果表明，該方法能較好地診斷制冷劑充注量故障。

1 制冷劑充注量故障實驗

制冷劑充注量故障實驗在焓差實驗室中進行，采用帶有5個室內(nèi)機及1個室外機的多聯(lián)機系統(tǒng)。圖1所示為制冷劑充注量故障實驗系統(tǒng)原理。焓差實驗室被劃分成兩部分空間，分別模擬室內(nèi)和室外。每個空間都配備有空氣處理設(shè)備及其它相關(guān)設(shè)備，所需的室內(nèi)和室外條件可以通過焓差實驗室獲得。實驗按照標(biāo)準(zhǔn)GB/T 18837—2002、GB/T 7725—2004和GB/T 17758—2010進行。

圖1 制冷劑充注量故障實驗系統(tǒng)原理

實驗中多聯(lián)機制冷劑為R410A，充注量為9.9 kg。室內(nèi)機的額定制冷功率分別為2.8、3.6、5.0、7.1和11.2 kW，其制冷劑質(zhì)量流量通過配備的電子膨脹閥進行調(diào)節(jié)，以持續(xù)供應(yīng)不同空間的不同負荷需求。室外機的額定功率是28 kW，安裝了一個密封式渦旋壓縮機來驅(qū)動系統(tǒng)。室外機的換熱器是風(fēng)冷式U型翅片管換熱器，用于將熱量轉(zhuǎn)移到外界。室外機中還有過冷器、氣液分離器和其它部件，使系統(tǒng)的運行更加穩(wěn)定。過冷器和氣液分離器可以在制冷劑過量時吸收儲存多余的制冷劑[17]。

制冷劑充注量故障實驗中，溫度工況采用PID控制規(guī)則，分別設(shè)置為高溫制冷模式、中溫制冷模式和低溫制冷模式，具體參數(shù)設(shè)置如表1所示。

多聯(lián)機制冷劑的充注量從65%～130%共劃分為9個水平，9個水平的制冷劑充注量分別設(shè)置為63.64%、75.45%、80.00%、84.84%、95.75%、103.74%、111.72%、120.00%和130.00%。制冷劑充注量水平調(diào)節(jié)可通過調(diào)節(jié)壓縮機轉(zhuǎn)速及膨脹閥開度來實現(xiàn)。

表1 多聯(lián)機運行工況

實驗中，每隔15 s進行一次數(shù)據(jù)采集，共采集相關(guān)變量332組，其中室外機相關(guān)變量216組，室內(nèi)機相關(guān)變量116組。通過專家知識對變量進行了初步刪除，篩選出與制冷劑充注量相關(guān)性較高的18個變量。分別為室外環(huán)境溫度、本機分配能力、本機目標(biāo)運行能力、本機當(dāng)前運行能力、壓縮機目標(biāo)頻率、壓縮機運行頻率、模塊高壓、模塊低壓、壓縮機排氣溫度、壓縮機殼頂溫度、化霜溫度、過冷器液出溫度、過冷器氣出溫度、氣分進管溫度、氣分出管溫度、壓縮機電流和壓縮機模塊溫度。

2 基于LVQ的多聯(lián)機制冷劑充注量故障診斷

基于 LVQ神經(jīng)網(wǎng)絡(luò)的制冷劑充注量故障診斷主要經(jīng)過 4個步驟：數(shù)據(jù)預(yù)處理、建立初始模型、LVQ模型的訓(xùn)練和仿真測試。并對模型進行參數(shù)尋優(yōu)，分析了故障診斷的結(jié)果。

數(shù)據(jù)預(yù)處理環(huán)節(jié)通過異常值清除進行數(shù)據(jù)清洗，并結(jié)合專家知識及變量相關(guān)性分析選取了 12個特征變量。由選取的特征值和標(biāo)簽確立初始模型的輸入層與輸出層神經(jīng)元個數(shù)，對模型進行初始化。初始化模型后，將從數(shù)據(jù)集隨機劃分出的訓(xùn)練集導(dǎo)入模型，進行有監(jiān)督訓(xùn)練。模型性能曲線訓(xùn)練至收斂時，將測試集數(shù)據(jù)輸入至訓(xùn)練好的模型中進行仿真測試，得到故障診斷的結(jié)果。改變模型的相關(guān)參數(shù)，對模型進行參數(shù)尋優(yōu)。根據(jù)最優(yōu)模型的故障診斷性能，對整體模型進行評價與分析。圖2所示為LVQ神經(jīng)網(wǎng)絡(luò)在制冷劑充注量故障診斷流程。

圖2 基于LVQ制冷劑充注量故障診斷流程

2.1 數(shù)據(jù)預(yù)處理

根據(jù)LVQ神經(jīng)網(wǎng)絡(luò)自身的特點，無需對數(shù)據(jù)進行正交化或歸一化處理，數(shù)據(jù)預(yù)處理環(huán)節(jié)主要包括數(shù)據(jù)清洗及特征變量的選取。在制冷劑充注量故障實驗中，所得多聯(lián)機運行數(shù)據(jù)較多，實驗進行的時間較長，采樣的間隔相對較短，導(dǎo)致繁雜的數(shù)據(jù)中存在死值、異常值及缺失值。如果不對數(shù)據(jù)進行清洗，不僅導(dǎo)致故障診斷的正確率降低，還使LVQ模型的訓(xùn)練時間加長、訓(xùn)練效率降低，甚至影響LVQ模型的收斂性。此外，大量的特征變量中，存在較多線性相關(guān)度較高的變量。如果這些變量都參與建模，使LVQ模型的復(fù)雜程度大大提高，太高的維度甚至?xí)斐蒐VQ模型的紊亂。

因此需要對數(shù)據(jù)進行預(yù)處理：1）結(jié)合專家知識及變量相關(guān)性分析從預(yù)選的18個特征中進一步篩選出12個特征變量（見表2）；2）將數(shù)據(jù)中不同特征對應(yīng)的死值及異常值刪除；3）將9種制冷劑充注量水平劃分為不足、適中和過量3個標(biāo)簽（見表3）。

表2 用于LVQ建模的12個特征變量

表3 9種制冷劑充注量水平

2.2 構(gòu)建初始LVQ模型

LVQ神經(jīng)網(wǎng)絡(luò)是一種訓(xùn)練競爭層的前向有監(jiān)督神經(jīng)網(wǎng)絡(luò)，由 3層神經(jīng)元組成，分別是輸入層、競爭層和線性輸出層。

將數(shù)據(jù)預(yù)處理環(huán)節(jié)中選取的 12個特征變量作為建模的特征變量，建立初始制冷劑充注量故障診斷模型。對于本文所建的LVQ模型，輸入層有12個神經(jīng)元，對應(yīng)每個樣本具有的 12個特征變量。競爭層初始化為10個神經(jīng)元。線性輸出層有3個神經(jīng)元，對應(yīng)制冷劑充注量水平的3個標(biāo)簽。圖3所示為LVQ模型結(jié)構(gòu)。

圖3 LVQ模型結(jié)構(gòu)

LVQ模型輸入層的12個神經(jīng)元與競爭層神經(jīng)元一一連接，兩層神經(jīng)元間通過權(quán)值矩陣W相關(guān)聯(lián)。競爭層每一個神經(jīng)元都與線性輸出層其中一個神經(jīng)元相連接，其連接權(quán)值固定為1[18]。即在競爭層中獲勝的神經(jīng)元直接獲得其分類結(jié)果。

2.3 LVQ模型的訓(xùn)練

建立初始化 LVQ模型之后，將經(jīng)過數(shù)據(jù)預(yù)處理后的數(shù)據(jù)集以75%∶25%的比例劃分為訓(xùn)練集和測試集。將模型的訓(xùn)練參數(shù)設(shè)置為：競爭層節(jié)點數(shù)為10，迭代步數(shù)為1,000，學(xué)習(xí)率為0.1。迭代步數(shù)設(shè)置為1,000是為了獲得更佳的LVQ模型性能。并將訓(xùn)練集中的數(shù)據(jù)輸入到模型中，對 LVQ模型進行訓(xùn)練。

LVQ算法融合了自組織算法和有監(jiān)督算法，結(jié)構(gòu)簡單，功能強大。LVQ神經(jīng)網(wǎng)絡(luò)可以直接對輸入向量與隱含層神經(jīng)元距離進行計算，且無需對輸入向量歸一化及正交化處理，只通過輸入層、競爭層及輸出層內(nèi)部相互作用即可得到分類的結(jié)果。LVQ神經(jīng)網(wǎng)絡(luò)對繁雜分散的特征數(shù)據(jù)集有較好的識別收斂特性，其魯棒性、穩(wěn)定性及容錯性較BP神經(jīng)網(wǎng)絡(luò)都有較大提升。

LVQ模型訓(xùn)練過程分為兩個步驟。

1）對輸入的訓(xùn)練數(shù)據(jù) xi，按式(1)計算其對應(yīng)競爭層每一個神經(jīng)元的歐式距離，并找到距離其最近的競爭層神經(jīng)元，距離記為di。

2）找到 di對應(yīng)的輸出層神經(jīng)元 yi并與其實際標(biāo)簽比較。若一致，則按照式(2)調(diào)整權(quán)值；若不一致，則按照式(3)調(diào)整權(quán)值。

經(jīng)過大量的模型訓(xùn)練后，LVQ模型的權(quán)值矩陣漸趨收斂，得到所需的制冷劑充注量故障診斷模型。

圖4所示為LVQ模型的訓(xùn)練性能曲線(由均方誤差評估)。由圖4可知，當(dāng)訓(xùn)練步數(shù)為868 s時達到最佳性能。

圖4 模型訓(xùn)練性能曲線

2.4 仿真測試

當(dāng)獲得收斂的LVQ模型后，將測試集中的數(shù)據(jù)作為網(wǎng)絡(luò)的輸入信號輸入到模型網(wǎng)絡(luò)之中，經(jīng)過模型分析后，輸出相應(yīng)的分類結(jié)果，與實際的分類標(biāo)簽相比較，得到制冷劑充注量故障診斷模型的混淆矩陣如表4所示。

表4 制冷劑充注量故障診斷混淆矩陣

3 故障診斷結(jié)果及分析

3.1 參數(shù)尋優(yōu)

在獲得了最終的仿真測試結(jié)果后，對 LVQ模型的隱含層節(jié)點數(shù)進行參數(shù)尋優(yōu)。

隱含層節(jié)點數(shù)對 LVQ神經(jīng)網(wǎng)絡(luò)性能有很大的影響。隱含層節(jié)點數(shù)過多會使模型的復(fù)雜度增高，并增加訓(xùn)練時間。隱含層節(jié)點數(shù)過少會使模型過于簡單，擬合效果不好。目前，還沒有一種確切的方案決定隱含層節(jié)點數(shù)，選擇隱含層節(jié)點數(shù)的方法大多是根據(jù)經(jīng)驗公式，但經(jīng)驗公式未必能得到適配模型的最佳隱含層節(jié)點數(shù)。所以文中提出了一種選擇策略，先根據(jù)經(jīng)驗公式表5初步確定最佳隱含層節(jié)點數(shù)的大致分布，然后在一定范圍內(nèi)采用網(wǎng)格搜索法。圖5所示為LVQ模型性能故障診斷正確率及均方誤差。從圖5中選取診斷正確率較高而均方誤差較低的點，即最佳隱含層節(jié)點數(shù)為23。

表5 隱含層神經(jīng)元節(jié)點數(shù)選擇經(jīng)驗公式

圖5 LVQ模型性能故障診斷正確率及均方誤差

3.2 故障診斷結(jié)果分析

經(jīng)過一系列訓(xùn)練建模過程，得到最終LVQ模型的故障診斷結(jié)果如圖6所示。

由圖6可知，整體故障診斷正確率為70.0%。其中制冷劑充注量不足的故障診斷正確率為87.5%，制冷劑充注量適中的故障診斷正確率為52.5%，制冷劑充注量過量的故障診斷正確率為70.1%。

分析最終 LVQ模型的性能，得到其總體故障診斷正確率較高，達到70.0%。制冷劑不足診斷正確率達到87.5%。然而，模型對檢測制冷劑充注量適中及過量的診斷效果一般。

圖6 LVQ模型故障診斷正確率

原因有以下兩個方面：1）LVQ神經(jīng)網(wǎng)絡(luò)自身存在兩點問題。一是存在死神經(jīng)元，即未被利用的神經(jīng)元。二是 LVQ算法對初始權(quán)值十分敏感，導(dǎo)致前幾組數(shù)據(jù)對LVQ模型有較大的影響。2）本文采用的多聯(lián)機系統(tǒng)帶有過冷器和儲液器。當(dāng)制冷劑充注過量時，多聯(lián)機系統(tǒng)會利用過冷器和儲液器將過量的制冷劑吸收存儲，導(dǎo)致此時系統(tǒng)的制冷劑充注量水平趨于正常，使采集的各項參數(shù)與制冷劑充注量適中時一致。模型在保證沒有過擬合的情況下，對兩種情況的分類性能較為一般。

4 結(jié)論

本文基于學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)，對多聯(lián)機系統(tǒng)的制冷劑充注量進行故障診斷。研究通過多聯(lián)機制冷劑充注量故障實驗獲得數(shù)據(jù)，用以建立LVQ模型。通過模型的訓(xùn)練、測試與參數(shù)尋優(yōu)等過程，得到了最終模型，并將其用于制冷劑充注量故障診斷，得出如下結(jié)論：

1）LVQ神經(jīng)網(wǎng)絡(luò)融合自組織和競爭算法，結(jié)構(gòu)簡單，易于實現(xiàn)。制冷劑充注量故障診斷正確率達到70.0%，并在制冷劑充注量不足和過量水平的正確率分別達到87.5%和70.1%；

2）由于LVQ神經(jīng)網(wǎng)絡(luò)分類性能非常強大，可以對任意輸入向量進行分類。所以建模時無需對數(shù)據(jù)進行歸一化正交化處理，一定程度上簡化了建模過程，同時提高了模型的容錯性和魯棒性；

3）隱含層節(jié)點數(shù)的選取對LVQ模型的性能十分重要。本文采用的選取策略為先由經(jīng)驗公式確定最佳隱含層節(jié)點數(shù)的大致范圍，之后逐步測試確定最佳隱含層節(jié)點數(shù)為23。實驗證明，該方式可以較好地確定最佳隱含層節(jié)點數(shù)；

4）由于LVQ神經(jīng)網(wǎng)絡(luò)存在對初值敏感及神經(jīng)元未被充分利用的缺點，導(dǎo)致模型的故障診斷性能一般。后續(xù)的研究可考慮采用遺傳算法對LVQ神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進行優(yōu)化，以得到性能更佳的模型。