石書彪　陳煥新　李冠男　胡云鵬　黎浩榮　胡文舉

(1 華中科技大學制冷與低溫實驗室　武漢　430074；2 University of Nebraska-Lincoln　內布拉斯加　68410；3 北京建筑大學 供熱供燃氣通風及空調工程北京市重點實驗室　北京　100044)

?

基于小波去噪和神經(jīng)網(wǎng)絡的冷水機組故障診斷

石書彪1陳煥新1李冠男1胡云鵬1黎浩榮2胡文舉3

(1 華中科技大學制冷與低溫實驗室武漢430074；2 University of Nebraska-Lincoln內布拉斯加68410；3 北京建筑大學 供熱供燃氣通風及空調工程北京市重點實驗室北京100044)

對基于神經(jīng)網(wǎng)絡方法的冷水機組故障監(jiān)測效率取決于訓練數(shù)據(jù)和被測數(shù)據(jù)的質量問題進行了研究。采用小波變換的方法剔除測量數(shù)據(jù)中的噪聲，提高數(shù)據(jù)質量，從而提高冷水機組故障診斷效率。結果表明：采用小波變換使得各個水平故障的檢測效率均得到提高，尤其水平一的故障檢測效率提高明顯。故障水平一檢測率的提高能夠及時的辨別冷水機組的故障，從而采用措施防止故障進一步惡化，對降低能源消耗、提高系統(tǒng)的可靠性以及保證室內舒適性具有重要的意義。通過利用ASHRAE Project提供的數(shù)據(jù)對故障診斷與檢測(fault detection and diagnosis)策略進行驗證，檢測率明顯提高。

冷水機組；故障檢測與診斷；神經(jīng)網(wǎng)絡；小波分析；貝葉斯正則化

冷水機組和空調系統(tǒng)的性能下降、不恰當控制策略以及故障導致的能量浪費占據(jù)了商業(yè)建筑總能耗的15%～30%，為了節(jié)約能源、提供一個舒適的室內環(huán)境[1]，故障診斷和檢測(fault detection and diagnosis (FDD)技術近年來已經(jīng)成為制冷空調系統(tǒng)的研究熱點之一。根據(jù)德國Frank P M[2]教授的觀點，所有的故障診斷方法可以劃分為基于信號處理的方法、基于解析模型的方法和基于知識的方法。鑒于空調領域中進行故障診斷的數(shù)學模型極其復雜，而知識的方法具有不需要精確的數(shù)學模型的特性，具備很好的應用前景。已有不少學者采用主元分析(principal component analysis，PCA)[3-5]、支持向量機(support vector machine，SVD[6]、支持向量數(shù)據(jù)描述(support vector data description，SVDD)[7-8]方法故障檢測和診斷的研究工作。冷水機組作為空調系統(tǒng)中的主要冷熱交換設備，也是最主要的能耗設備，對冷水機組進行FDD研究具有非常重要的研究價值。

冷水機組運行時，測量的數(shù)據(jù)中包含噪聲，將數(shù)據(jù)直接輸入神經(jīng)網(wǎng)絡進行故障識別，會降低神經(jīng)網(wǎng)絡進行故障診斷的檢測率，因而需要對初始數(shù)據(jù)進行預處理，去除初始數(shù)據(jù)中的噪聲對神經(jīng)網(wǎng)絡進行故障診斷的干擾。小波變換是應用非常廣泛的變換域去噪方法，采用小波變換去除噪聲可以避免用傅里葉變換去噪帶來的信號折損，因此利用小波變換可以有效去除噪聲，還原初始數(shù)據(jù)中的有用信號[9]。小波變換作為一種去噪的方法在空調領域也有一定的應用。Du Z M等[10]采用小波變換對初始數(shù)據(jù)進行預處理，分解得到特征向量矩陣，作為神經(jīng)網(wǎng)絡的輸入進行故障診斷。Xu X H等[11]采用三尺度小波變換進行數(shù)據(jù)分解，將其低頻數(shù)據(jù)用于主元分析方法進行冷水機組傳感器的故障檢測和診斷。冷水機組進行故障診斷時，利用小波變換對初始變量采取軟閾值去噪，處理后的特征變量作為神經(jīng)網(wǎng)絡的輸入變量，采用BP神經(jīng)網(wǎng)絡建模，利用建好的預測模型完成故障診斷。本研究采用ASHRAE Project提供的數(shù)據(jù)進行驗證。

1　小波去噪原理

小波變換近年來作為一種數(shù)學工具已經(jīng)廣泛用于對一維或者兩維信號進行去噪、壓縮、編碼[12]。信號采集過程中，原始信號受到各種復雜因素的影響，使得采集信號中一般都含有大量的噪聲，掩蓋了信號的特征信息，需要對數(shù)據(jù)進行處理，提取有用的原始信號。小波去噪的原理是：選擇合適的基函數(shù)和小波分解層數(shù)對含噪信號進行分解，然后對高頻信號進行閾值量化處理，將低頻信號和處理后的高頻信號進行重構信號。和初始信號相比，利用重構信號(小波去噪后的信號)進行冷水機組動態(tài)故障檢測和診斷時具有更好的效果。小波去噪是一種信號的時間頻率的分析方法，連續(xù)小波的基函數(shù)為：

(1)

式中：a為伸縮因子；b為平移因子。

2　貝葉斯正則化的神經(jīng)網(wǎng)絡故障診斷原理

2.1 神經(jīng)網(wǎng)絡原理

神經(jīng)網(wǎng)絡由輸入層、隱含層、輸出層構成，如圖1所示。輸入層的信號對應小波去噪處理后的輸出信號，輸入層節(jié)點的個數(shù)和選擇特征變量的個數(shù)相等，隱含層的層數(shù)由映射定理分析可知[13]，一個S型隱含層的BP神經(jīng)網(wǎng)絡能夠以期望的精度逼近任意非線性函數(shù)，因而一個S型隱含層能夠對冷水機組進行故障診斷。隱含層節(jié)點數(shù)的確定目前采用試湊法，根據(jù)經(jīng)驗公式初步確定隱含層神經(jīng)元節(jié)點數(shù)的大概范圍，評估神經(jīng)網(wǎng)絡對冷水機組故障檢測率的高低，選出最佳隱含層節(jié)點數(shù)。輸出層的節(jié)點數(shù)和故障類別相同(包括正常運行狀態(tài))。

第j個隱含層神經(jīng)節(jié)點的輸出為：

hj=(∑wjiχi+Φj)

(2)

式中：wji為輸入層的第i個節(jié)點和隱含層的第j個節(jié)點之間的連接權值；Φj為隱含層的第j個節(jié)點的閾值。輸出層第k個節(jié)點的輸出對應特定的故障，輸出層的表達式為：

Zj=(∑wkjχj+Φ′k)

(3)

式中：wkj為第j個隱含層節(jié)點和第k個輸出層節(jié)點的連接權值；Φ′k為第k個輸出層節(jié)點的閾值。隱含層和輸出層的變換函數(shù)通常采用Sigmoid函數(shù)或者線性函數(shù)，Sigmoid函數(shù)使得神經(jīng)網(wǎng)絡能夠處理復雜的非線性問題。神經(jīng)網(wǎng)絡將輸入信息從輸入層經(jīng)隱含層逐層計算傳向輸出層，若輸出層沒有得到期望的輸出，則計算輸出層的誤差值，轉向反向傳播，通過網(wǎng)絡將誤差信號沿原來的連接通路反傳回來得到每層的誤差信號，用來修改各層神經(jīng)元的權值和閾值直至達到目標，得誤差滿足設定的精度。

2.2 貝葉斯正則化原理

神經(jīng)網(wǎng)絡權值和閾值的選擇成為模型構造最關鍵的一個部分，采用貝葉斯正則化可以使網(wǎng)絡獲得較小的權值和閾值，從而使神經(jīng)網(wǎng)絡的響應變得平滑，提高BP神經(jīng)網(wǎng)絡的泛化能力[14]。貝葉斯算法采用均方誤差與權值的線性組合值作網(wǎng)絡性能評價函數(shù)，即：

(4)

式中：yi為網(wǎng)絡預測向量；ti為網(wǎng)絡目標向量；γ為比例系數(shù)?？梢姡惾~斯正則化能自動限制網(wǎng)絡權值的規(guī)模避免造成對訓練數(shù)據(jù)過擬合，增強神經(jīng)網(wǎng)絡的泛化能力[15]。

3　仿真分析

根據(jù)Comstock and Braun對冷水機組的故障調查報告，冷水機組常發(fā)生7種故障：冷凝器結垢(ConFoul)、制冷劑過量(ExcsOil)、制冷劑泄露(RefLeak)、有不凝性氣體(NonCon)、冷凍水流量減少(RefuEF)、冷卻水流量減少(ReduCF)、油過量(RefOver)，每種故障會對制冷機組的制冷效率產(chǎn)生一定的不良影響。本文采用ASHRAE 1043-RP提供的數(shù)據(jù)對故障診斷模型進行驗證。ASHRAE實驗采用離心式壓縮機、殼管式蒸發(fā)器、冷凝器以及節(jié)流閥組成的90冷噸的冷水機組。通過冷水機組產(chǎn)生7組類型的故障，每種故障人為的引入4個故障水平。每個實驗持續(xù)864 min，通過改變冷凍水給水溫度、冷卻水進水溫度、制冷量三個變量，獲得并測試27種工況。在每個實驗中測得433組數(shù)據(jù)，每組數(shù)據(jù)共記錄64個變量。采用文獻[7]中的8個特征向量(表1)進行故障診斷。故障診斷流程圖見圖2，整個故障診斷流程步驟如下：

1)從ASHRAE 1043-RP提供的64個變量中選出影響故障的主要變量，然后對每個變量進行小波去噪處理。

2)將數(shù)據(jù)分成兩部分，一份對神經(jīng)網(wǎng)絡進行訓練，一份驗證神經(jīng)網(wǎng)絡模型。

3)鑒于BP神經(jīng)網(wǎng)絡泛化能力差，對BP神經(jīng)網(wǎng)絡進行貝葉斯正則化，提高故障診斷率。

4)利用訓練好的BP神經(jīng)網(wǎng)絡對預測數(shù)據(jù)進行故障識別。

圖2 故障診斷邏輯圖Fig.2 Fault diagnosis logic diagram

3.1 小波去噪

通過小波去噪提取信號中的有用信號，剔除干擾信號。首先采用db3小波基函數(shù)的3層分解作為小波去噪。進行故障診斷過程中，選取8個特征向量，需要對8個特征向量進行小波去噪，圖3所示為故障水平一的ReduCF 的TCI、TCO、TR-dis、To-sump 4個變量的幅值變化(小波去噪前)。圖4所示為進行小波去噪后的圖形，通過圖3與圖4的對比，經(jīng)過小波去噪后，曲線更加光滑，噪點剔除明顯。

圖3 小波去噪前Fig.3 Wavelet denoising before

圖4 小波去噪后Fig.4 Wavelet denoising

3.2 實驗數(shù)據(jù)預處理

實驗數(shù)據(jù)來源于ASHRAE Research Project 1043-RP。整個實驗中測試64個變量，選取其中的8個特征變量(表1)進行故障診斷。由于8個特征變量的參數(shù)單位不同，直接將原始數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡進行訓練會使得網(wǎng)絡的性能和收斂性變差，所以必須先對神經(jīng)網(wǎng)絡輸入數(shù)據(jù)進行歸一化處理。本文設計的激勵函數(shù)采用的是S函數(shù)，輸出設定在(-1, 1)或(0, 1)[16]之間。輸出數(shù)據(jù)本身處于(0, 1)中，不需要進行歸一化。

3.3 仿真結果

通過比較去噪前后每個故障水平的每個故障檢測率和平均檢測率來驗證小波去噪的效果，表2為去噪前后的冷水機組檢測率。圖5～圖8所示為冷水機組的故障檢測率圖，圖9所示為平均故障檢測率圖。圖中橫坐標1～8分別對應冷水機組運行正常工況、冷凝器結垢、油過量、制冷劑泄漏、有不凝性氣體、冷凍水流量減少、冷卻水流量減少、制冷劑過量總共8種運行工況，縱坐標表示在每種工況下的故障診斷率。(BP-1表示未進行小波去噪，BP-2表示采用小波去噪。)

表18個故障指示特征

Tab.1Description of eight fault indicative features

特征變量特征變量描述特征變量特征變量描述TEO蒸發(fā)器出水溫度TCA冷凝器制冷劑飽和溫度與出水溫度之差TCI冷凝器進水溫度TRC-sub過冷度TCO冷凝器出水溫度TR-dis排氣溫度TEA蒸發(fā)器出水溫度與制冷劑的飽和溫度之差To-sump壓縮機殼底油溫

表2兩種方法的故障檢測率

Tab.2Fault detection rate of two methods

故障類別故障水平一故障水平二故障水平三故障水平四BP-1BP-2BP-1BP-2BP-1BP-2BP-1BP-2正常0.590.990.710.880.80.940.930.98冷凝器結垢0.530.860.6910.7610.931油過量0.910.9310.870.9710.960.98制冷劑泄露0.570.850.750.790.980.90.990.98有不凝性氣體0.9910.9910.9810.991冷凍水流量減少0.710.790.760.7510.940.910.98冷卻水流量減少0.90.780.950.90.960.990.991制冷劑過量0.720.60.830.870.990.9410.96平均檢測率0.740.850.8350.88250.930.963750.96250.985

圖5 故障水平一的檢測率Fig.5 Detection rate of the first fault level

圖6 故障水平二的檢測率Fig.6 Detection rate of the second fault level

3.4 結果分析

根據(jù)表2分析可知，經(jīng)過小波去噪后平均檢測率有了較大的提高，尤其是處于故障水平一時，平均檢測率明顯提高，這說明通過小波去噪，剔除測量初始變量的干擾信號，還原有用信號，能有效提高診斷效率。故障水平一處于故障發(fā)生的初始階段，檢測率的提高對及時辨別運行中的冷水機組故障，防止故障的進一步惡化具有重大意義。在冷水機組故障中，冷凝器對整個機組運行性能起非常關鍵的作用，冷凝器結垢導致冷水機組制冷效率降低，而且故障檢測不及時，故障會進一步惡化，最終導致冷凝器臟堵，整個冷水機組運行失靈，嚴重時導致設備損壞。冷水機組上測量的變量不進行處理直接輸入BP神經(jīng)網(wǎng)絡，此時故障水平一冷凝器結垢的檢測率僅為0.53(采用的冷凝器是雙通道，含有164根管道，故障水平一情況下，有20根管道已經(jīng)結垢，見表3)，如果未能檢測出故障，結垢的冷凝器管道數(shù)目進一步增加達到33根，對應于故障水平二，此時BP神經(jīng)網(wǎng)絡的診斷率提高16%，達到0.69，仍有檢測不出來的可能性，結垢的管道數(shù)會進一步增加，制冷效率會進一步下降。相反，利用小波去噪對測量參數(shù)進行處理輸入神經(jīng)網(wǎng)絡，冷凝器管道數(shù)結垢20根，即故障水平一時，檢測率達到0.86，基本能夠檢測出冷凝器結垢的故障，即使沒有檢測出來，進入故障水平二，冷凝器結垢的數(shù)目達到33根時，此時檢測率達到1。說明對原始數(shù)據(jù)進行去噪處理，有利于消除噪音，提高BP神經(jīng)網(wǎng)絡對故障診斷的檢測率。

圖7 故障水平三的檢測率Fig.7 Detection rate of the third fault level

圖8 故障水平四的檢測率Fig.8 Detection rate of the fourth fault level

表3冷凝器結垢水平

Tab.3Condenser fouling level

故障水平預期運行狀況實際運行狀況正常運行164根未結垢的管道未結垢管故障水平一減少12%的管道20管道結垢故障水平二減少20%的管道33管道結垢故障水平三減少30%的管道49管道結垢故障水平四減少45%的管道74管道結垢

4　結論

根據(jù)以上分析，選取8個特征向量作為影響7個故障發(fā)生量的主要因素，然后通過BP-1和BP-2進行對比，可以得到以下結論：

1)驗證小波去噪能消除噪音對BP診斷模型的干擾，有利于提高檢測率，能更加準確的對冷水機組進行實時監(jiān)控和故障預測。

2)尤其解決了冷凝器結垢故障檢測率偏低的局面，有利于防止冷凝器管道結垢數(shù)量的進一步增多，提高冷水機組的整體制冷效率。

3)對小波去噪后的測量數(shù)據(jù)進行建模，4個故障水平的整體檢測率均得到提高。故障水平一檢測率的提高能夠及時辨別冷水機組的故障，從而采取措施防止故障進一步惡化，對降低能源消耗、提高系統(tǒng)的可靠性以及保證室內舒適性具有重要的意義。

本文受2013年壓縮機技術國家重點實驗室開放基金項目(230031)和供熱供燃氣通風及空調工程北京市重點實驗室研究基金資助課題(NR2016K02)項目資助。(The project was supported by the 2013 State Key Laboratory of Compressor Technology (No. 230031)and Beijing Key Lab of Heating and Gas Supply, Ventilating and Air Conditioning Engineering (No. NR2013K02).)

[1]Zhou Q, Wang S, Xiao F. A novel strategy for the fault detection and diagnosis of centrifugal chiller systems[J]. HVAC & R Research, 2009, 15(1): 57-75.

[2]Frank P M. Analytical and qualitative model-based fault diagnosis a survey and some new results[J]. European Journal of Control, 1996, 2(1): 6-28.

[3]Wang S W, Cui J T. A robust fault detection and diagnosis strategy for centrifugal chillers[J]. HVAC & R Research, 2006, 12(3): 407-428.

[4]Wang S W, Cui J T. Sensor-fault detection, diagnosis and estimation for centrifugal chiller systems using principal component analysis method[J]. Applied Energy, 2005, 82(3): 197-213.

[5]Chen Y M, Lan L L. A fault detection technique for air-source heat pump water chiller/heaters[J]. Energy and Buildings, 2009, 41(8): 881-887.

[6]李冠男, 胡云鵬, 陳煥新, 等. 基于SVDD的冷水機組傳感器故障檢測及效率分析[J]. 化工學報, 2015, 26(5): 1815-1820. (LI Guannan, HU Yunpeng, CHEN Huanxin, et al. SVDD-based chiller sensor fault detection method and its detection efficiency[J]. CIESC Journal, 2015,26(5): 1815-1820.)

[7]Zhao Y, Wang S W, Xiao F. Pattern recognition-based chillers fault detection method using Support Vector Data Description (SVDD)[J]. Applied Energy, 2013, 112: 1041-1048.

[8]Luo H, Wang Y R, Cui J. A SVDD approach of fuzzy classification for analog circuit fault diagnosis with FWT as preprocessor[J]. Expert Systems with Applications, 2011, 38(8): 10554-10561.

[9]Chang S G, Yu B, Vetterli M. Adaptive wavelet thresholding for image denoising and compression[J]. IEEE Trans Image Process, 2000, 9(9): 1532-1546.

[10] Du Z, Jin X, Yang Y. Wavelet neural network-based fault diagnosis in air-handling units[J]. HVAC & R Research, 2008, 14(6): 959-973.

[11] Xu X H, Xiao F, Wang S W. Enhanced chiller sensor fault detection, diagnosis and estimation using wavelet analysis and principal component analysis methods[J]. Applied Thermal Engineering，2008，28(2/3)：226-237.

[12] Ballesteros L D M, Moreno A J M. Wavelet-denoising on hardware devices with perfect reconstruction，low latency and adaptive thresholding[J]. Computers & Electrical Engineering, 2013, 39(4): 1300-1311.

[13] 虞和濟, 陳長征, 張省. 基于神經(jīng)網(wǎng)絡的智能診斷[J]. 振動工程學報, 2000, 13(2): 202-209. (YU Heji, CHEN Changzheng, ZHANG Sheng. Intelligent diagnosis based on neural networks[J]. Journal of Vibration Engineering, 2000, 13(2): 202-209.)

[14] 宋雷, 黃騰, 方劍, 等. 基于貝葉斯正則化BP神經(jīng)網(wǎng)絡的GPS高程轉換[J]. 西南交通大學學報, 2008, 43(6): 724-728. (SONG Lei, HUANG Teng, FANG Jian, et al. Conversion of GPS height based on bayesian regularization BP neural network[J]. Journal of Southwest Jiaotong University, 2008, 43(6): 724-728.)

[15] 曹家興, 陸建平. 遺傳算法-貝葉斯正則化BP神經(jīng)網(wǎng)絡擬合滴定糖蜜中有機酸[J]. 分析化學, 2011, 39(5): 743-747. (CAO Jiaxing, LU Jianping. Titration analysis of multi-organic acids in sugarcane molasses by back-propagation neural network integrated with bayesian regularizati on and genetic algorithm[J]. Chinese Journal of Analytical Chemistry, 2011, 39(5): 743-747.)

[16] 陳昌松, 段善旭, 殷進軍. 基于神經(jīng)網(wǎng)絡的光伏陣列發(fā)電預測模型的設計[J]. 電工技術學報, 2009, 24(9): 153-158. (CHEN Changsong, DUAN Shanxu, YIN Jinjun. A survey of fault diagosis for PV array based on BP neural network[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.)

About the corresponding author

Chen Huanxin, male, professor, Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, +86 27-87558330, E-mail: chenhuanxin@tsinghua.org.cn. Research fields: computer simulation and optimization of refrigeration and air conditioning system, refrigeration and air conditioning equipment development and new technology research, vehicle refrigeration and its control technology.

Fault Diagnosis of Chillers Based on Neural Network and Wavelet Denoising

Shi Shubiao1Chen Huanxin1Li Guannan1Hu Yunpeng1Li Haorong2Hu Wenju3

(1. Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, Wuhan, 430074, China; 2. University of Nebraska-Lincoln, Nebraska, 68410, USA; 3. Beijing University of Civil Engineering and Architecture, Beijing, 100044, China)

Chiller fault detection based on neural network is a data-based analysis method. The fault detection efficiency relies on the quality of the training data and the mesasured data.The wavelet transfer method which can remove the measurement nosise is used to improve the detection efficiencies of chiller.The results show that wavelet transfer make the detection efficiencies of fault level improved, especially the first level. The increase of the first level detection rate will be able to timely identify the chiller fault, and take the measures to prevent further deterioration of chiller fault, which is of important significance to reduce energy consumption and improve the reliability of the air-conditioning system and ensure the indoor thermal comfort. The FDD (fault detection and diagnosis)strategy is validated through using ASHRAE Project data, which shows that the detection rate is improved obviously.

chiller; fault detection and diagnosis; BP neural network; wavelet denoising; bayesian regularization

0253-4339(2016) 01-0012-06

10.3969/j.issn.0253-4339.2016.01.012

國家自然科學基金(51328602)資助項目。(The project was supported by the National Natural Science Foundation of China(No. 51328602).)

2015年7月7日

TU831.4;TP183

A

簡介

陳煥新, 男，教授，華中科技大學制冷與低溫實驗室，(027)87558330，E-mail: chenhuanxin@tsinghua.org.cn。研究方向：制冷空調系統(tǒng)計算機模擬及優(yōu)化，制冷空調設備開發(fā)及新技術研究，車輛制冷及其測控技術。