基于局部异常因子结合神经网络的制冷剂充注量故障诊断

曾宇柯，陈焕新，黄荣庚

（华中科技大学能源与动力工程学院，湖北武汉 430074）

0 引言

据统计，2010年美国在商业和住宅建筑邻域的耗能已达其总能耗的41.0%，其中37.0%用于暖通空调系统[1]。作为暖通空调系统的重要组成部分，多联机系统因其能耗低、舒适性高等优势广泛用于商场、公寓等场所[2-3]，制冷剂充注量作为影响多联机系统运行工况的关键参数，一旦与系统不匹配将极大降低装置能效，增加系统能耗[4]。为了节约能源、保障室内舒适性，有必要开展适用于多联机系统制冷剂充注量的故障诊断研究。目前，制冷系统故障诊断方法主要分为3种：基于经验知识、基于分析模型和基于数据驱动[5]。基于数据驱动的方法通过大量数据分析发现变量间的固有联系，无需先验知识，适用于复杂制冷系统的FDD研究[6]。ZHU等[7]提出了一种基于小波和分型神经网络的空气处理单元传感器故障诊断方法，该方法提取空气处理单元分型维数，进行故障诊断。结果表明，较未分型的神经网络，该方法的检测率提高了15%。KUSIAK等[8]构建了具有可控输入和不可控输出的动态神经网络模型，并通过3种改进的多目标粒子群优化算法优化模型。结果表明，最优的多目标粒子群神经网络模型能节约30%的能耗。刘佳慧等[9]运用决策树算法进行多联机气液分离器插反故障诊断。结果表明：该算法对气分插反故障的检测率达96%，发生气分插反故障时，通过增大过冷器电子膨胀阀开度，可保障多联机系统的制冷效果和能效比。石书彪等[10]通过贝叶斯神经网络进行冷水机组的故障检测与诊断，结果表明：贝叶斯算法通过限制神经网络权值，使网络反应更加光滑、模型更精确。SHI等[11]结合贝叶斯神经网络和ReliefF算法验证比较不同N-best特征数据子集的检测率。结果表明：使用6个特征时，模型已拥有较高的检测率，并且训练时间减少了98.8%。

虽然基于数据驱动的方法已在制冷系统FDD研究中取得一定的成果[12-13]，但是目前已有的制冷系统FDD研究大多将目光集中在模型的特征选取或参数寻优上，在数据的预处理方面，仅仅进行简单的标准化处理，尚未对数据异常值带来的影响进行深入研究。因此，本文提出了一种LOFBP神经网络的多联机故障诊断策略，该策略使用LOF法剔除数据中的异常值，并构建BP神经网络进行制冷剂充注量故障诊断，最后优化隐含层节点数，进一步提升模型故障检测率。

1 多联机制冷剂充注量实验

本实验多联机系统结构及传感器分布如图1所示，含有5个室内单元和1个室外单元，每个室内单元配置1个室内风机、蒸发器与电子膨胀阀，在蒸发器入口与出口处均设有温度传感器，室外单元主要由压缩机、冷凝器、节流阀、室外风机等基本构件组成，为提高机组运行效率与安全性，室外单位还配有回油器、蓄能器、电磁阀和相应的传感器与保护装置。本机组制冷剂标准充注量为9.9 kg，制冷工质采用R410A，详细信息如表1所示。

本研究的温度实验均在标准测温室内完成，按照PID控制规则控制两个房间的温度及相对湿度。多联机系统采用中温制冷模式，温度设置如表2所示。室外单元干球温度35 ℃，5个室内单元干球温度均为26 ℃。

图1 多联机系统结构和传感器分布

表1 多联机系统信息表

表2 多联机系统运行工况

实验制冷剂充注量水平从63%至130%共9个级别，分为充注不足（63%～80%）、充注适中（85%～110%）、充注过量（120%～130%）3类[14]，具体如表3所示。对于每一种实验工况，认为风机转速（1个室内风机和5个室外风机）保持不变，实验通过调节压缩机转速和膨胀阀开度使制冷剂流量匹配冷凝负荷，压缩机运行频率变化范围为0～90。当制冷剂充注不足或充注过量时，系统依旧运行稳定。

表3 9种制冷剂充注量及其对应类别

实验每隔15秒收集一次数据，每次实验不少于45 min，共选取了3,831个样本数据（充注不足样本1,963个、充注适中样本1,120个、充注过量样本748个）。压缩机排气温度、压缩机外壳温度、压缩机平均温度、室外风机温度、压缩机电压、冷凝温度及电子膨胀阀开度[14-15]对制冷剂充注量故障具有较强的诊断性能，研究根据本实验测量参数选取压缩机排气温度、压缩机外壳温度、室外风机温度、压缩机电压和冷凝温度等5个特征变量进行故障诊断。

2 LOF-BP多联机故障诊断策略

2.1 LOF算法

多联机系统[16]结构复杂，各机械设备连接紧密，某一部分组件或传感器发生故障可能导致整个系统连锁反应。LOF算法[17]通过比较样本对象附近的密度与邻居附近的密度来判断异常程度，无需过多训练和预测数据的变化发展，能满足多联机异常值检测多样性和动态需求。根据式(1)计算样本LOF值[18]：

式中，lrdk(p)为p邻域局部可达密度，lrdk(p)为p点局部可达密度，Nk(p)是k邻域距离，表示任何与对象p的距离小于k距离数据的集合。

2.2 BP神经网络

BP神经网络具有信息正向传播和误差反向传递两个过程[19]，通常由输入层、隐含层和输出层构成，具有较强的自适应性，可以逼近任意非线性映射关系，适用于复杂制冷系统的故障检测与诊断。本研究中多联机系统制神经网络拓扑结构如图2所示，输入向量为多联机系统特征，输出向量为3个故障类别：充注不足、充注适中、充注过量。隐含层节点数是影响神经网络诊断性能的关键参数[20]，如果选取过少，易造成网络性能不佳；如果选取过量，则可能陷入局部极小值达不到最优。本实验根据经验公式(2)初选节点数，再进行优化计算，确定最佳值。

式中，Nh为隐含层节点数，Ni为输入神经元数。

2.3 LOF-BP多联机故障诊断模型

图3为LOF-BP神经网络模型的多联机故障诊断方案。该诊断逻辑图由3部分组成：异常值检测、模型建立和故障诊断。

1）异常值检测：计算原始数据样本的LOF值，根据样本LOF值分布情况，确定LOF阈值，剔除数据中大于LOF阈值的样本，保留可能的正常数据。

2）模型建立：剔除异常值后数据被随机分为70%的训练集和30%的测试集，进行标准化处理，在经验公式的基础上，建立不同隐含层节点数的BP神经网络模型，进行制冷剂充注量故障诊断模型训练。

3）故障诊断：将测试集输入训练好的LOFBP神经网络模型，比较改进模型与BP神经网络模型的诊断结果，探究异常值对模型诊断性能的影响。

图2 BP神经网络传播结构

图3 LOF-BP模型故障诊断方案

3 制冷剂充注量故障诊断结果

3.1 LOF法剔除多联机异常值

如2.1节所述，当样本LOF值大于1时，LOF值越大其为异常样本的可能性就越大，实验样本LOF值密度分布图如图4所示，其中充注不足、充注适中、充注过量3类数据最大LOF值分别为3.67、6.33和4.41，可以认为本多联机实验中存在一定量的充注异常数据。LOF阈值可看作是正常值和异常样本的边界，本文剔除约8%的样本数据，选取LOF阈值为1.38（如图4虚线所示）。剔除可能异常值后，3类故障的样本数目如表4所示。

图4 LOF值密度分布图

表4 两种模型3类故障样本数目

3.2 制冷剂充注量故障诊断结果分析

图5是两种神经网络模型总体检测率和单类检测率的对比图，可以看到，与BP神经网络比较，LOF-BP神经网络在各类检测率上均有所提高。在BP神经网络模型中，充注过量的诊断率仅为91.52%，远低于充注不足和充注适中的诊断率，模型对充注过量故障的拟合程度受到样本异常值干扰，拟合效果降低。

图5 两种神经网络故障诊断结果图

在多联机系统实际运行过程中，外界冲击可能使得系统运行工况发生震荡，膨胀阀自行调节开度，表现出瞬时充注过量或不足的情况。此时系统所记录的数据就可能为异常数据。此外，多联机系统结构复杂，传感器众多，在数据读取与传输过程中不可避免地会存在异常值，这些记录的错误数据将降低模型的诊断精度。表5为BP神经网络模型的混淆矩阵，可以看到BP神经网络将充注适中误诊为充注过量的比率为4.46%，将充注过量误诊为充注不足的比率为6.25%。

表5 BP模型故障混淆矩阵

表6为LOF-BP神经网络模型的混淆矩阵，通过LOF法剔除系统异常值后，充注适中误诊为充注过量的比率由4.46%下降至1.26%，充注过量误诊为充注不足的比率由6.25%下降至0.36%。LOFBP模型诊断性能提升，整体检测率由95.04%上升至97.85%。

神经网络的隐藏层节点数通常由经验公式2获得，本实验在此基础上进一步优化隐含层节点数来获得最佳的模型诊断性能，图6是不同隐含层节点数LOF-BP神经网络模型的总体检测率，结果表明，隐含层节点数从10到15时，总体检测率随隐含层节点数的增长而上升，当隐含层节点数超过15时，随隐含层节点数的增长总体检测率逐步保持稳定。当隐含层节点数为15时，模型具有最佳的诊断性能，总体检测率提高至98.97%。

表6 LOF-BP模型故障混淆矩阵

图6 不同隐含层节点数LOF-BP模型总体检测率

4 结论

本研究将LOF法与BP神经网络结合，用于多联机系统制冷剂充注量故障检测与诊断，并通过总体和单类检测率验证该方案的诊断性能，结论如下：

1）BP神经网络模型诊断性能受到多联机系统异常值的影响，其充注适中与充注过量的误诊率较高；

2）较BP神经网络模型，LOF-BP模型3类充注量故障的检测率均有所提高，整体检测率提高至97%以上；

3）当隐含层节点数为15时，模型具有最佳的诊断性能。优化隐含层节点数后，LOF-BP模型总体检测率提高至98.97%；

4）LOF-BP神经网络能有效剔除系统异常值，诊断制冷剂充注量故障，对维持空调系统正常运行、保障室内舒适性具有重要的意义。