基于学习向量量化神经网络的多联机系统制冷剂充注量故障诊断研究

韩林志，陈焕新，郭亚宾，周镇新

（华中科技大学能源与动力工程学院，湖北武汉 430074）

0 引言

随着建筑面积的扩大及生活条件的改善，建筑能耗逐年增长，占据了全球主要能源需求的近40%[1]。其中暖通空调系统的能耗占建筑总能耗的近50%[2-4]。及时诊断出制冷剂充注量故障可以维持多联机的高效运转，从而实现节能减排、节约资源的目的，符合人们对经济性、环保性的要求[5-6]。

目前，在空调故障诊断领域起主导作用的是数据驱动方法[7]。应用较多的算法有 BP神经网络、贝叶斯神经网络、支持向量机、决策树、聚类分析和关联规则分析等[8]。胡云鹏等[9]利用主元分析法，结合小波去噪清洗数据，在传感器故障诊断领域得到较好的结果。曾宇柯等[10]以结合局部异常因子，剔除数据中的异常值，建立的LOF-BP模型制冷剂充注量故障诊断正确率达到 98.97%。王江宇等[11]以决策树算法为基础，结合主元分析法对变量进行降维，得到的PCA-DT模型在制冷剂充注量故障诊断领域性能优于单一DT模型。SEO等[12]建立了动态循环仿真模型进行家用空调的故障检测与诊断，利用移动边界法提高性能，同时利用过热度积分时间误差检测蒸发器结垢故障，最终生成较精确的虚拟试验台。BEGHI等[13]以决策树算法为基础，结合主元分析法，对特征进行分类与隔离，建立冷水机组故障诊断模型。结果表明，该模型能够检测典型的冷水机组故障，且将故障与特征相联系，提供了故障物理解释的途径。

学习向量量化（Learning Vector Quantification，LVQ）神经网络在模式识别与分类中有着广泛的应用[14-15]，但在暖通空调系统故障诊断领域还没有相关的报道。相较于应用较多的BP神经网络，LVQ神经网络有着无需对数据进行正交化及归一化处理的优点，可以直接将任意数据输入模型进行测试，其容错性与鲁棒性也有很大的提升[16]。

本文利用多联机实验采集的数据，通过建立LVQ模型进行制冷剂充注量故障诊断，并对模型进行参数寻优过程。结果表明，该方法能较好地诊断制冷剂充注量故障。

1 制冷剂充注量故障实验

制冷剂充注量故障实验在焓差实验室中进行，采用带有5个室内机及1个室外机的多联机系统。图1所示为制冷剂充注量故障实验系统原理。焓差实验室被划分成两部分空间，分别模拟室内和室外。每个空间都配备有空气处理设备及其它相关设备，所需的室内和室外条件可以通过焓差实验室获得。实验按照标准GB/T 18837—2002、GB/T 7725—2004和GB/T 17758—2010进行。

图1 制冷剂充注量故障实验系统原理

实验中多联机制冷剂为R410A，充注量为9.9 kg。室内机的额定制冷功率分别为2.8、3.6、5.0、7.1和11.2 kW，其制冷剂质量流量通过配备的电子膨胀阀进行调节，以持续供应不同空间的不同负荷需求。室外机的额定功率是28 kW，安装了一个密封式涡旋压缩机来驱动系统。室外机的换热器是风冷式U型翅片管换热器，用于将热量转移到外界。室外机中还有过冷器、气液分离器和其它部件，使系统的运行更加稳定。过冷器和气液分离器可以在制冷剂过量时吸收储存多余的制冷剂[17]。

制冷剂充注量故障实验中，温度工况采用PID控制规则，分别设置为高温制冷模式、中温制冷模式和低温制冷模式，具体参数设置如表1所示。

多联机制冷剂的充注量从65%～130%共划分为9个水平，9个水平的制冷剂充注量分别设置为63.64%、75.45%、80.00%、84.84%、95.75%、103.74%、111.72%、120.00%和130.00%。制冷剂充注量水平调节可通过调节压缩机转速及膨胀阀开度来实现。

表1 多联机运行工况

实验中，每隔15 s进行一次数据采集，共采集相关变量332组，其中室外机相关变量216组，室内机相关变量116组。通过专家知识对变量进行了初步删除，筛选出与制冷剂充注量相关性较高的18个变量。分别为室外环境温度、本机分配能力、本机目标运行能力、本机当前运行能力、压缩机目标频率、压缩机运行频率、模块高压、模块低压、压缩机排气温度、压缩机壳顶温度、化霜温度、过冷器液出温度、过冷器气出温度、气分进管温度、气分出管温度、压缩机电流和压缩机模块温度。

2 基于LVQ的多联机制冷剂充注量故障诊断

基于 LVQ神经网络的制冷剂充注量故障诊断主要经过 4个步骤：数据预处理、建立初始模型、LVQ模型的训练和仿真测试。并对模型进行参数寻优，分析了故障诊断的结果。

数据预处理环节通过异常值清除进行数据清洗，并结合专家知识及变量相关性分析选取了 12个特征变量。由选取的特征值和标签确立初始模型的输入层与输出层神经元个数，对模型进行初始化。初始化模型后，将从数据集随机划分出的训练集导入模型，进行有监督训练。模型性能曲线训练至收敛时，将测试集数据输入至训练好的模型中进行仿真测试，得到故障诊断的结果。改变模型的相关参数，对模型进行参数寻优。根据最优模型的故障诊断性能，对整体模型进行评价与分析。图2所示为LVQ神经网络在制冷剂充注量故障诊断流程。

图2 基于LVQ制冷剂充注量故障诊断流程

2.1 数据预处理

根据LVQ神经网络自身的特点，无需对数据进行正交化或归一化处理，数据预处理环节主要包括数据清洗及特征变量的选取。在制冷剂充注量故障实验中，所得多联机运行数据较多，实验进行的时间较长，采样的间隔相对较短，导致繁杂的数据中存在死值、异常值及缺失值。如果不对数据进行清洗，不仅导致故障诊断的正确率降低，还使LVQ模型的训练时间加长、训练效率降低，甚至影响LVQ模型的收敛性。此外，大量的特征变量中，存在较多线性相关度较高的变量。如果这些变量都参与建模，使LVQ模型的复杂程度大大提高，太高的维度甚至会造成LVQ模型的紊乱。

因此需要对数据进行预处理：1）结合专家知识及变量相关性分析从预选的18个特征中进一步筛选出12个特征变量（见表2）；2）将数据中不同特征对应的死值及异常值删除；3）将9种制冷剂充注量水平划分为不足、适中和过量3个标签（见表3）。

表2 用于LVQ建模的12个特征变量

表3 9种制冷剂充注量水平

2.2 构建初始LVQ模型

LVQ神经网络是一种训练竞争层的前向有监督神经网络，由 3层神经元组成，分别是输入层、竞争层和线性输出层。

将数据预处理环节中选取的 12个特征变量作为建模的特征变量，建立初始制冷剂充注量故障诊断模型。对于本文所建的LVQ模型，输入层有12个神经元，对应每个样本具有的 12个特征变量。竞争层初始化为10个神经元。线性输出层有3个神经元，对应制冷剂充注量水平的3个标签。图3所示为LVQ模型结构。

图3 LVQ模型结构

LVQ模型输入层的12个神经元与竞争层神经元一一连接，两层神经元间通过权值矩阵W相关联。竞争层每一个神经元都与线性输出层其中一个神经元相连接，其连接权值固定为1[18]。即在竞争层中获胜的神经元直接获得其分类结果。

2.3 LVQ模型的训练

建立初始化 LVQ模型之后，将经过数据预处理后的数据集以75%∶25%的比例划分为训练集和测试集。将模型的训练参数设置为：竞争层节点数为10，迭代步数为1,000，学习率为0.1。迭代步数设置为1,000是为了获得更佳的LVQ模型性能。并将训练集中的数据输入到模型中，对 LVQ模型进行训练。

LVQ算法融合了自组织算法和有监督算法，结构简单，功能强大。LVQ神经网络可以直接对输入向量与隐含层神经元距离进行计算，且无需对输入向量归一化及正交化处理，只通过输入层、竞争层及输出层内部相互作用即可得到分类的结果。LVQ神经网络对繁杂分散的特征数据集有较好的识别收敛特性，其鲁棒性、稳定性及容错性较BP神经网络都有较大提升。

LVQ模型训练过程分为两个步骤。

1）对输入的训练数据 xi，按式(1)计算其对应竞争层每一个神经元的欧式距离，并找到距离其最近的竞争层神经元，距离记为di。

2）找到 di对应的输出层神经元 yi并与其实际标签比较。若一致，则按照式(2)调整权值；若不一致，则按照式(3)调整权值。

经过大量的模型训练后，LVQ模型的权值矩阵渐趋收敛，得到所需的制冷剂充注量故障诊断模型。

图4所示为LVQ模型的训练性能曲线(由均方误差评估)。由图4可知，当训练步数为868 s时达到最佳性能。

图4 模型训练性能曲线

2.4 仿真测试

当获得收敛的LVQ模型后，将测试集中的数据作为网络的输入信号输入到模型网络之中，经过模型分析后，输出相应的分类结果，与实际的分类标签相比较，得到制冷剂充注量故障诊断模型的混淆矩阵如表4所示。

表4 制冷剂充注量故障诊断混淆矩阵

3 故障诊断结果及分析

3.1 参数寻优

在获得了最终的仿真测试结果后，对 LVQ模型的隐含层节点数进行参数寻优。

隐含层节点数对 LVQ神经网络性能有很大的影响。隐含层节点数过多会使模型的复杂度增高，并增加训练时间。隐含层节点数过少会使模型过于简单，拟合效果不好。目前，还没有一种确切的方案决定隐含层节点数，选择隐含层节点数的方法大多是根据经验公式，但经验公式未必能得到适配模型的最佳隐含层节点数。所以文中提出了一种选择策略，先根据经验公式表5初步确定最佳隐含层节点数的大致分布，然后在一定范围内采用网格搜索法。图5所示为LVQ模型性能故障诊断正确率及均方误差。从图5中选取诊断正确率较高而均方误差较低的点，即最佳隐含层节点数为23。

表5 隐含层神经元节点数选择经验公式

图5 LVQ模型性能故障诊断正确率及均方误差

3.2 故障诊断结果分析

经过一系列训练建模过程，得到最终LVQ模型的故障诊断结果如图6所示。

由图6可知，整体故障诊断正确率为70.0%。其中制冷剂充注量不足的故障诊断正确率为87.5%，制冷剂充注量适中的故障诊断正确率为52.5%，制冷剂充注量过量的故障诊断正确率为70.1%。

分析最终 LVQ模型的性能，得到其总体故障诊断正确率较高，达到70.0%。制冷剂不足诊断正确率达到87.5%。然而，模型对检测制冷剂充注量适中及过量的诊断效果一般。

图6 LVQ模型故障诊断正确率

原因有以下两个方面：1）LVQ神经网络自身存在两点问题。一是存在死神经元，即未被利用的神经元。二是 LVQ算法对初始权值十分敏感，导致前几组数据对LVQ模型有较大的影响。2）本文采用的多联机系统带有过冷器和储液器。当制冷剂充注过量时，多联机系统会利用过冷器和储液器将过量的制冷剂吸收存储，导致此时系统的制冷剂充注量水平趋于正常，使采集的各项参数与制冷剂充注量适中时一致。模型在保证没有过拟合的情况下，对两种情况的分类性能较为一般。

4 结论

本文基于学习向量量化（LVQ）神经网络，对多联机系统的制冷剂充注量进行故障诊断。研究通过多联机制冷剂充注量故障实验获得数据，用以建立LVQ模型。通过模型的训练、测试与参数寻优等过程，得到了最终模型，并将其用于制冷剂充注量故障诊断，得出如下结论：

1）LVQ神经网络融合自组织和竞争算法，结构简单，易于实现。制冷剂充注量故障诊断正确率达到70.0%，并在制冷剂充注量不足和过量水平的正确率分别达到87.5%和70.1%；

2）由于LVQ神经网络分类性能非常强大，可以对任意输入向量进行分类。所以建模时无需对数据进行归一化正交化处理，一定程度上简化了建模过程，同时提高了模型的容错性和鲁棒性；

3）隐含层节点数的选取对LVQ模型的性能十分重要。本文采用的选取策略为先由经验公式确定最佳隐含层节点数的大致范围，之后逐步测试确定最佳隐含层节点数为23。实验证明，该方式可以较好地确定最佳隐含层节点数；

4）由于LVQ神经网络存在对初值敏感及神经元未被充分利用的缺点，导致模型的故障诊断性能一般。后续的研究可考虑采用遗传算法对LVQ神经网络的初始权值进行优化，以得到性能更佳的模型。