徐強(qiáng) 梁治華 周松斌
基于支持向量機(jī)的空調(diào)外機(jī)故障檢測(cè)方法*
徐強(qiáng)1梁治華1周松斌2
(1.珠海格力電器股份有限公司,廣東 珠海 519000 2.廣東省科學(xué)院智能制造研究所,廣東 廣州 510070)
針對(duì)目前空調(diào)外機(jī)檢測(cè)主要采用的電參數(shù)定點(diǎn)閾值法無法達(dá)到最佳故障檢測(cè)準(zhǔn)確率的現(xiàn)狀,提出一種基于支持向量機(jī)的空調(diào)外機(jī)故障檢測(cè)方法。首先,利用主成分分析對(duì)時(shí)序列的電參數(shù)數(shù)據(jù)去噪;然后,采用差值法得到溫度參數(shù)差值,并提取差值的區(qū)域特征;最后,將提取的區(qū)域特征輸入支持向量機(jī)進(jìn)行分類。該方法應(yīng)用于空調(diào)外機(jī)的整機(jī)檢測(cè)產(chǎn)線,有效降低檢測(cè)誤判率,提升產(chǎn)品質(zhì)量。
空調(diào)外機(jī);故障檢測(cè);支持向量機(jī);主成分分析
隨著空調(diào)應(yīng)用逐漸廣泛,空調(diào)產(chǎn)量和類型也日益增加,這對(duì)空調(diào)質(zhì)量提出更高的要求。相比于空調(diào)內(nèi)機(jī),空調(diào)外機(jī)結(jié)構(gòu)更復(fù)雜,作用更重要。研究快速、準(zhǔn)確、有效的空調(diào)外機(jī)故障檢測(cè)方法具有重要意義[1]。
空調(diào)質(zhì)檢一般基于多種傳感信號(hào)(如壓力、溫度等)進(jìn)行融合判斷。目前,相關(guān)研究主要集中于傳感信號(hào)的特征提取和分類,通過對(duì)信號(hào)特征的分析,實(shí)現(xiàn)實(shí)時(shí)檢測(cè)和診斷。劉潤東等對(duì)中央空調(diào)系統(tǒng)常見的故障診斷方法分類和研究進(jìn)展進(jìn)行較全面地綜述[2]。陸鳳玲采用在線自適應(yīng)主成分分析(principal compo- nent analysis, PCA)算法對(duì)制冷系統(tǒng)進(jìn)行故障診斷,具有自適應(yīng)強(qiáng)、計(jì)算速度快等特點(diǎn)[3]。吳振等將專家系統(tǒng)引入空調(diào)外機(jī)的商檢測(cè)試系統(tǒng),實(shí)現(xiàn)空調(diào)在線性能和故障自動(dòng)判定,減少檢驗(yàn)誤判次數(shù)[4]。呂興宇等提出一種基于檢測(cè)工裝的變頻空調(diào)器故障診斷方法,將檢測(cè)周期分為幾個(gè)保護(hù)周期,對(duì)每個(gè)保護(hù)周期采集的數(shù)據(jù)進(jìn)行判斷,可降低誤判率[5]。單彪等為了解決傳統(tǒng)PCA方法應(yīng)用于含有噪聲干擾數(shù)據(jù)時(shí)產(chǎn)生較高誤報(bào)率和漏報(bào)率的問題,提出一種基于函數(shù)型數(shù)據(jù)分析的暖通空調(diào)系統(tǒng)故障檢測(cè)與診斷方法[6]。程煒為等利用堆疊自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)、Softmax分類器對(duì)家用空調(diào)外機(jī)的振動(dòng)測(cè)量信號(hào)進(jìn)行檢測(cè)[7]。歐陽城添等提出一種基于學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)的空調(diào)壓縮機(jī)聲紋識(shí)別模型用于空調(diào)壓縮機(jī)故障診斷,將聲紋識(shí)別技術(shù)引入壓縮機(jī)故障診斷[8]。
目前,空調(diào)外機(jī)檢測(cè)方法主要是電參數(shù)(如壓力、溫度、電壓、電流等)定點(diǎn)閾值法,即在某時(shí)刻設(shè)定一個(gè)標(biāo)準(zhǔn)值,當(dāng)該時(shí)刻的實(shí)際值小于(或大于)該標(biāo)準(zhǔn)值時(shí),則判斷參數(shù)值異常,報(bào)警并停檢。但該方法易受外界干擾,影響空調(diào)外機(jī)檢測(cè)準(zhǔn)確率。
為提高空調(diào)外機(jī)故障檢測(cè)準(zhǔn)確率,本文對(duì)時(shí)序列的電參數(shù)數(shù)據(jù)進(jìn)行降噪,提取電參數(shù)特征,并使用支持向量機(jī)(support vector machines, SVM)進(jìn)行訓(xùn)練和識(shí)別。
由經(jīng)驗(yàn)可知,空調(diào)外機(jī)故障主要是操作人員疏忽導(dǎo)致的各種管路接反異常,如表1所示。
表1 常見的空調(diào)外機(jī)故障
續(xù)表
空調(diào)外機(jī)每條管路都接有感溫包(溫度傳感器)。檢測(cè)過程中,管路接反故障主要通過與之匹配的感溫包的溫度數(shù)據(jù)體現(xiàn),如圖1所示。
圖1 高壓感溫包溫度曲線
感溫包采集的溫度數(shù)據(jù)會(huì)受環(huán)境溫度、自身數(shù)值波動(dòng)等情況影響,在提取特征前需進(jìn)行數(shù)據(jù)降噪。PCA具有理論完備、計(jì)算簡(jiǎn)單等特點(diǎn),能同時(shí)進(jìn)行降維、去噪以及特征向量提取,廣泛應(yīng)用于數(shù)據(jù)壓縮、數(shù)據(jù)降噪等領(lǐng)域。
式(1)利用平方和展開、矩陣轉(zhuǎn)置、合并同類項(xiàng)等方法進(jìn)行數(shù)學(xué)變換,可得
式(1)利用矩陣的跡相關(guān)知識(shí),可得
式(1)轉(zhuǎn)變?yōu)?/p>
利用最優(yōu)化方法,可得
復(fù)雜信號(hào)由簡(jiǎn)單信號(hào)疊加而成,利用PCA這個(gè)特點(diǎn),通過提取部分特征值的信號(hào)進(jìn)行疊加,可濾掉噪音信號(hào),進(jìn)一步提取數(shù)據(jù)特征用于分類識(shí)別。
對(duì)實(shí)際生產(chǎn)中的溫度曲線分析發(fā)現(xiàn),低壓管路的溫度曲線趨勢(shì)與高壓管路的溫度曲線趨勢(shì)明顯不同。電參數(shù)定點(diǎn)閾值法針對(duì)高壓溫度和低壓溫度分別設(shè)定閾值,若設(shè)定時(shí)刻的溫度符合閾值要求則視為正常,反之亦反;但若該時(shí)刻出現(xiàn)干擾可能影響電參數(shù)定點(diǎn)閾值法的判斷,造成誤判。
以低壓溫度與高壓溫度為例,嘗試不同的特征提取方法。
2)區(qū)域均值法,分別提取低壓溫度與高壓溫度某段的均值作為特征,如式(8)所示。
3)差值法,低壓溫度與高壓溫度分別根據(jù)式(9)進(jìn)行計(jì)算。
管路正常連接時(shí),溫度差值是低壓溫度值減去高壓溫度值;如果管路接反,溫度差值則是高壓溫度值減去低壓溫度值。
根據(jù)不同的故障種類提取不同時(shí)間區(qū)間的均值作為該故障類型的特征,如式(10)所示。
本文采用SVM、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)作為檢測(cè)模型進(jìn)行空調(diào)外機(jī)故障檢測(cè)研究。
SVM是由VAPNIK提出的一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法[10],在解決小樣本、非線性和高維模式識(shí)別問題時(shí)具有良好的性能。
CNN是近年來流行的深度神經(jīng)網(wǎng)絡(luò)之一,可自動(dòng)從大量數(shù)據(jù)中學(xué)習(xí)特征,并將結(jié)果向同類型數(shù)據(jù)泛化[11]。CNN架構(gòu)如圖2所示。
圖2 CNN架構(gòu)
本實(shí)驗(yàn)采用的數(shù)據(jù)來源于某公司產(chǎn)線,共采集9260臺(tái)空調(diào)外機(jī)的正常數(shù)據(jù),每組數(shù)據(jù)約450s,包括高壓接口溫度、低壓接口溫度、化霜接口溫度、汽分出管溫度、過冷器汽出溫度、過冷器液出溫度、換熱器汽出溫度、汽分進(jìn)管溫度。由于管路接反就是接口互換,即2個(gè)接口采集的溫度數(shù)據(jù)互換,因此可由9 260組正常數(shù)據(jù)模擬9 260組異常數(shù)據(jù)。
首先,利用PCA對(duì)空調(diào)外機(jī)數(shù)據(jù)去噪,結(jié)果如圖3所示。
圖3 去噪前后低壓接口溫度曲線
由圖3可知,PCA對(duì)空調(diào)外機(jī)數(shù)據(jù)去噪效果明顯。
然后,分別采用時(shí)差法、區(qū)域均值法和差值法提取數(shù)據(jù)特征,如圖4、圖5所示。
利用SVM對(duì)上述3種方法提取的特征分別進(jìn)行訓(xùn)練和測(cè)試,18 520組數(shù)據(jù)隨機(jī)打亂,60%用于訓(xùn)練,40%用于測(cè)試,得到的結(jié)果如表2所示。
圖4 低壓接口溫度值經(jīng)時(shí)差法處理
圖5 低壓接口與高壓接口溫度經(jīng)差值法處理
表2 時(shí)差法、區(qū)域均值法和差值法判斷準(zhǔn)確率對(duì)比
由表2可知,差值法的判斷準(zhǔn)確率高于其他2種方法。
利用差值法分別對(duì)不同種類的正常和故障數(shù)據(jù)提取特征,用SVM進(jìn)行訓(xùn)練和測(cè)試,得到如圖6所示部分測(cè)試結(jié)果。
由圖6可知,該方法故障判斷準(zhǔn)確率可達(dá)到99.986%,符合產(chǎn)品檢測(cè)要求。
為使檢測(cè)方法更加嚴(yán)謹(jǐn),利用CNN進(jìn)行對(duì)比實(shí)驗(yàn)。通過CNN對(duì)去噪后的空調(diào)外機(jī)數(shù)據(jù)進(jìn)行特征自動(dòng)提取及分類,并與差值法+SVM分類方法、電參數(shù)定點(diǎn)閾值法進(jìn)行對(duì)比,結(jié)果如表3所示。
表3 3種方法結(jié)果對(duì)比
由表3可知:差值法+SVM和CNN方法比電參數(shù)定點(diǎn)閾值法準(zhǔn)確率高;雖然CNN的準(zhǔn)確率略高于差值法+SVM,但所用時(shí)間大約是差值法+SVM的5倍??紤]到現(xiàn)場(chǎng)生產(chǎn)效率,選擇差值法+SVM進(jìn)行異常檢測(cè)。某臺(tái)空調(diào)外機(jī)的檢測(cè)結(jié)果如圖7所示。
圖7 某臺(tái)空調(diào)外機(jī)的檢測(cè)結(jié)果
經(jīng)人工查找該臺(tái)外機(jī)故障,的確存在過冷器液出與排汽感溫包接反、化霜與過冷器液出感溫包接反的情況。如此這般驗(yàn)證約1 000臺(tái)正常以及50臺(tái)異??照{(diào)外機(jī),全部可準(zhǔn)確識(shí)別,證實(shí)了基于支持向量機(jī)的空調(diào)外機(jī)故障檢測(cè)方法的有效性。
本文提出一種基于支持向量機(jī)的空調(diào)外機(jī)故障檢測(cè)方法。首先,用PCA對(duì)不同管路的溫度傳感信號(hào)進(jìn)行降噪處理;然后,對(duì)管路兩個(gè)接口的溫度數(shù)據(jù)做差值;最后,提取差值數(shù)據(jù)的區(qū)域特征,并將特征輸入檢測(cè)模型,實(shí)現(xiàn)故障檢測(cè)。對(duì)比研究SVM和CNN 2種檢測(cè)方法,檢測(cè)準(zhǔn)確率基本相同,但SVM用時(shí)更少、檢測(cè)速度更快。目前,該檢測(cè)方法已在某公司推廣應(yīng)用,取得較好效果。
[1] 朱德恒,談克雄.電氣設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)的現(xiàn)狀與展望[J].電力設(shè)備,2003,4(6):1-8.
[2] 劉潤東,劉成剛,李翠敏.故障診斷技術(shù)應(yīng)用于中央空調(diào)系統(tǒng)的研究進(jìn)展[J].建筑熱能通風(fēng)空調(diào),2016,35(10):41-46.
[3] 陸鳳玲.基于在線自適應(yīng)PCA的制冷系統(tǒng)故障診斷技術(shù)及應(yīng)用[D].重慶:重慶大學(xué),2015.
[4] 吳振,林堅(jiān)鋒,劉洋,等.專家系統(tǒng)在空調(diào)外機(jī)在線性能測(cè)試故障分析的應(yīng)用[J].日用電器,2019(6):48-52.
[5] 青島海爾空調(diào)器有限總公司.一種基于檢測(cè)工裝的變頻空調(diào)器故障診斷方法: CN110686358A[P]. 2020-01-14.
[6] 單彪,堵俊,商亮亮.基于改進(jìn)PCA空調(diào)系統(tǒng)傳感器故障檢測(cè)與診斷[J].控制工程,2020,27(4):765-770.
[7] 程煒為,劉芝庭,王宇華.深度學(xué)習(xí)在家用空調(diào)外機(jī)振動(dòng)檢測(cè)中的應(yīng)用[J].自動(dòng)化與信息工程,2021,42(3):40-43,49.
[8] 歐陽城添,袁瑾.基于學(xué)習(xí)矢量量化的空調(diào)壓縮機(jī)聲紋診斷方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2021,42(9):2634-2641.
[9] 鄭新.基于EMD與PCA分析的滾動(dòng)軸承故障特征研究[J]. 機(jī)械傳動(dòng),2016,40(1):54-58,63.
[10] VAPNIK V N. The nature of statistical learning theory[M]. Springer Verlag, New York, 1995.
[11] ZEILER M D, FERGUS R. Visualizing and understanding convolutional networks[C]. European Conference on Com- puter Vision. Springer International Publishing, 2013.
Fault Detection Method of External Air-conditioner Based on Support Vector Machine
Xu Qiang1Liang Zhihua1Zhou Songbin2
(1.Gree Electric Appliances, Inc. of Zhuhai, Zhuhai 519000, China 2.Institute of Intelligent Manufacturing, GDAS, Guangzhou 510070, China)
Aiming at the situation that the current air-conditioning detection mainly uses the threshold method for judgment and cannot achieve the best fault detection accuracy, a method based on support vector machine for air-conditioning fault detection is proposed. In this method, first, uses principal component analysis to denoise the electrical parameter time series, then obtain the D-value, extracts the regional features of the D-value, and finally inputs the extracted features into the support vector machine for classification. Using this method to detect actual data, and compare with the original method, this method is more effective. Applying this method to the air-conditioning inspection production line, effectively reduces the false detection rate and improves the quality of the product.
external air-conditioning; fault detection;support vector machine; principal component analysis
徐強(qiáng),男,1986年生,本科,工程師,主要研究方向:傳感與檢測(cè)技術(shù)。
梁治華(通信作者),男,1987年生,碩士,主要研究方向:基于模式識(shí)別的故障診斷。E-mail: jy02559957@163.com
基金項(xiàng)目:廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃項(xiàng)目(2019B010154002)
TP29
A
1674-2605(2021)05-0007-06
10.3969/j.issn.1674-2605.2021.05.007