冉均均，袁 磊

(成都理工大學(xué)工程技術(shù)學(xué)院，四川樂山 614000)

1 引言

多聯(lián)式空調(diào)是公共基礎(chǔ)設(shè)施中必不可少的設(shè)備，一般用于調(diào)節(jié)公寓、商場(chǎng)、寫字樓等公共場(chǎng)所的溫度。當(dāng)設(shè)備在不間斷使用的情況下，如果沒有及時(shí)進(jìn)行清理，制冷系統(tǒng)就會(huì)出現(xiàn)堵塞故障，該故障初始期表現(xiàn)為不同程度的部分堵塞，在檢修時(shí)很容易被忽略，時(shí)間久了就會(huì)導(dǎo)致堵塞面積擴(kuò)大，不僅會(huì)影響多聯(lián)式空調(diào)正常運(yùn)行，還有可能帶來嚴(yán)重的安全隱患[1]。因此，消除多聯(lián)式空調(diào)制冷系統(tǒng)的堵塞故障具有重要意義，需要對(duì)堵塞故障位置的辨識(shí)方法進(jìn)行深入研究。

王占偉[2]等人首先將DR機(jī)制融入貝葉斯網(wǎng)絡(luò)中，將制冷系統(tǒng)堵塞故障位置辨識(shí)轉(zhuǎn)化為一類劃分問題，然后通過小波變換法提取故障特征向量，并使用數(shù)據(jù)訓(xùn)練模型對(duì)其進(jìn)行分類，完成辨識(shí)。實(shí)驗(yàn)表明，該方法具有很高的辨識(shí)準(zhǔn)確率，但該方法在辨識(shí)之前沒有對(duì)相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，導(dǎo)致辨識(shí)過程中出現(xiàn)空值，誤報(bào)率過高。姜陳[3]等人采用BP神經(jīng)網(wǎng)絡(luò)算法建立室溫預(yù)測(cè)模型，并設(shè)置故障位置辨識(shí)閾值，以此構(gòu)建堵塞故障位置自動(dòng)辨識(shí)系統(tǒng)，實(shí)現(xiàn)制冷系統(tǒng)中堵塞故障位置的自動(dòng)辨識(shí)。但該方法沒有對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，導(dǎo)致需要辨識(shí)過程中所需的數(shù)據(jù)量龐大，召回率也低。黃倩云[4]等人利用支持向量機(jī)算法建立了制冷系統(tǒng)堵塞故障檢測(cè)與診斷模型，然后采用網(wǎng)格搜索和十折交叉驗(yàn)證方法優(yōu)化該模型，完成制冷系統(tǒng)堵塞故障位置辨識(shí)。但該方法未消除對(duì)堵塞故障位置辨識(shí)貢獻(xiàn)較低的數(shù)據(jù)，導(dǎo)致漏檢率過高，不能廣泛使用。

為了解決上述方法存在的問題，本文提出一種多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)方法。

2 基于時(shí)間序列的堵塞故障數(shù)據(jù)清洗方法

在多聯(lián)式空調(diào)制冷系統(tǒng)中，由于其實(shí)際運(yùn)行數(shù)據(jù)采樣間隔短、時(shí)間長(zhǎng)、測(cè)量點(diǎn)多，導(dǎo)致數(shù)據(jù)量過于龐。再加上在龐大的數(shù)據(jù)中，經(jīng)常會(huì)存在死值、空值等對(duì)堵塞故障位置辨識(shí)貢獻(xiàn)較低的數(shù)據(jù)，影響辨識(shí)的準(zhǔn)確率，因此，堵塞故障數(shù)據(jù)進(jìn)行預(yù)處理的環(huán)節(jié)非常重要[5]。

所提方法將待辨識(shí)的堵塞故障位置設(shè)為觀測(cè)點(diǎn)，利用迭代檢驗(yàn)方法對(duì)堵塞故障位置的時(shí)間序列進(jìn)行清洗[6]。具體方法共為六個(gè)步驟，如圖1所示。

圖1 數(shù)據(jù)清洗具體流程

1)計(jì)算初始?xì)埐?/p>

假設(shè)多聯(lián)式空調(diào)制冷系統(tǒng)運(yùn)行數(shù)據(jù)中不存在異常值，對(duì)觀測(cè)點(diǎn)序列Zt建立時(shí)間序列模型，計(jì)算初始?xì)埐頪7]。具體如式(1)所示

(1)

(2)

2)觀察擬合殘差序列

若從任意時(shí)間點(diǎn)開始，殘差序列呈現(xiàn)水平遷移，并且遠(yuǎn)遠(yuǎn)大于初始?xì)埐钪担苯犹敛襟E七，反之則進(jìn)入步驟三，開始循環(huán)計(jì)算。

3)外循環(huán)

計(jì)算1，2，…，n中每個(gè)觀測(cè)點(diǎn)的檢驗(yàn)統(tǒng)計(jì)量TtAO和TtIO。設(shè)最大發(fā)生時(shí)刻為λTmax，其表達(dá)式如下

λTmax=max{|TtAO|，|TtIO|}

(3)

式中，預(yù)先設(shè)定的常數(shù)為C，通常取3和4之間的值，當(dāng)λTmax>C時(shí)，表明存在異常數(shù)據(jù)，需要進(jìn)入下一步內(nèi)循環(huán)修正數(shù)據(jù)。

4)內(nèi)循環(huán)

(4)

修正后的時(shí)間序列如式(5)所示

(5)

修正后得到的新殘差如式(6)所示

(6)

通過上述計(jì)算可知，在修正后的殘差的基礎(chǔ)上，再次計(jì)算每個(gè)觀測(cè)點(diǎn)的檢驗(yàn)統(tǒng)計(jì)量Tt′IO和Tt′AO，并重復(fù)步驟四，直到辨識(shí)出所有的異常數(shù)據(jù)，當(dāng)λTmax

5)時(shí)間序列模型殘差

(7)

根據(jù)時(shí)間序列參數(shù)計(jì)算檢驗(yàn)統(tǒng)計(jì)量，當(dāng)λTmax

6)聯(lián)合估計(jì)

(8)

3 制冷系統(tǒng)的堵塞故障位置識(shí)辨識(shí)

為了消除多聯(lián)式空調(diào)制冷系統(tǒng)的堵塞故障，需要對(duì)其位置進(jìn)行辨識(shí)。首先將處理后的堵塞故障數(shù)據(jù)進(jìn)行局部均值分解(Local Mean Decomposition，簡(jiǎn)稱LMD)，得到若干個(gè)乘積函數(shù)(PF)分量，然后結(jié)合相關(guān)分析法選取有效PF分量，對(duì)其能量熵和近似熵兩個(gè)指標(biāo)的特征進(jìn)行提取，構(gòu)建分類特征集，通過基于交叉驗(yàn)證(CV)的SVM故障分類模型完成對(duì)堵塞故障位置的辨識(shí)。

3.1 基于LMD的堵塞故障特征融合提取

為了降低誤報(bào)率，利用LMD對(duì)堵塞故障數(shù)據(jù)特征進(jìn)行提取[8]。首先從含有堵塞故障的原始數(shù)據(jù)中，將正常數(shù)據(jù)ai(t)與故障數(shù)據(jù)si(t)分離，并將二者進(jìn)行相乘得到有物理意義的乘積函數(shù)(PF)，如式(9)所示：

PFi=ai(t)si(t)

(9)

1)能量熵

當(dāng)制冷系統(tǒng)中的某部分出現(xiàn)堵塞故障時(shí)，數(shù)據(jù)中的能量分布也會(huì)因此做出相應(yīng)的改變。所以需要在LMD分解的基礎(chǔ)上，通過計(jì)算各PF分量的能量分布來進(jìn)一步獲取信號(hào)能量熵特征，并以此構(gòu)建堵塞故障特征向量。

為了避免出現(xiàn)特征向量冗余的情況，所提方法利用相關(guān)分析法與能量分布法選取有效的PF分量。首先選取所占能量較多，且與原始信號(hào)相關(guān)度大于15%的分量計(jì)算能量熵，具體計(jì)算步驟如下所示：

①首先計(jì)算k個(gè)PF分量能量，并且將所有分量的能量相加得到總能量，如式(10)所示

(10)

②具有k個(gè)特征的PF分量在總能量中所占比重如式(11)所示

(11)

③則具有k個(gè)特征的PF分量能量熵的計(jì)算結(jié)果如式(12)所示

(12)

通過上述計(jì)算即可提取特征的PF分量的能量熵。

2)近似熵

如果僅用能量熵進(jìn)行特征提取，正常數(shù)據(jù)和堵塞故障數(shù)據(jù)的能量熵會(huì)出現(xiàn)部分重疊的現(xiàn)象，因此為了彌補(bǔ)能量熵提取方式的不足，所提方法以數(shù)據(jù)的隨機(jī)性特征為基礎(chǔ)，提取堵塞故障數(shù)據(jù)特征。

近似熵能夠檢測(cè)時(shí)間序列中新的子序列產(chǎn)生概率，所以近似熵的數(shù)值越大，數(shù)據(jù)的隨機(jī)程度越大。首先，設(shè)時(shí)間序列如式(13)所示

|X(i)，i=1，2，…，N|

(13)

設(shè)m為子序列維數(shù)，r為能量熵相似度，則近似熵值的計(jì)算方法如式(14)所示

(14)

通過上述計(jì)算，得到了有效分量的近似熵與能量熵，經(jīng)過分析表明二者為平行的特征，能夠共同構(gòu)成堵塞故障數(shù)據(jù)特征，得到特征集合。

3.2 基于SVM的堵塞故障位置辨識(shí)

當(dāng)獲取到優(yōu)質(zhì)的特征向量集合后，堵塞故障位置的辨識(shí)關(guān)鍵即變?yōu)檫x擇一個(gè)合適且高效的分類器進(jìn)行分類的問題。目前的故障辨識(shí)分類器有很多，在眾多的分類器中，SVM在解決小樣本辨識(shí)問題中表現(xiàn)最為突出，因此所提方法采用的故障分類模型是基于交叉驗(yàn)證的支持向量機(jī)(SVM)。它是一種適用于二分類的分類算法，即使在樣本數(shù)量較少的情況下也能夠獲得很好的分類結(jié)果。

首先給定一個(gè)訓(xùn)練集合，如下所示

G={xi，yii=1，2，…l}

(15)

其中，每個(gè)樣本xi∈Rd屬于一個(gè)分類，分類標(biāo)簽為d。設(shè)分類的曲線為y=w*x+b，分類函數(shù)如式(16)所示

f(x)=sgn(wx+b)

(16)

式中，權(quán)重向量為w，閾值為b。

獲取SVM的最優(yōu)分類平面，可以表示為優(yōu)化問題，如下所示

(17)

將上述問題轉(zhuǎn)化為對(duì)偶問題

(18)

則分類函數(shù)變?yōu)?/p>

(19)

若線性不可分，則轉(zhuǎn)換為高維問題，令Φ(x)為變換函數(shù)，K(x，y)為核函數(shù)，則

K(x，y)=Φ(x)Φ(y)

(20)

將核函數(shù)代替內(nèi)積運(yùn)算，最終的分類函數(shù)如式(21)所示

(21)

為了使分類辨識(shí)結(jié)果更為可靠、穩(wěn)定，引入K-CV方法，將數(shù)據(jù)均分為K組，每一組分別做一次測(cè)試組，其余作為訓(xùn)練組，由此就會(huì)獲得K個(gè)模型，SVM的分類指標(biāo)為此K個(gè)模型的最終分類準(zhǔn)確性所對(duì)應(yīng)的值，且K取10。

綜上所述，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)主要流程包括兩個(gè)方面：一是提取經(jīng)過預(yù)處理后數(shù)據(jù)的能量熵、近似熵特征，構(gòu)建堵塞故障數(shù)據(jù)特征集合，完成特征提取；二是在構(gòu)建的融合特征集的基礎(chǔ)上采用K-CV的方法優(yōu)化SVM分類器進(jìn)行制冷系統(tǒng)中堵塞故障位置的辨識(shí)。該方法的具體流程圖如圖2所示。

圖2 制冷系統(tǒng)堵塞故障位置辨識(shí)流程圖

4 實(shí)驗(yàn)與分析

為了驗(yàn)證所提的多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)方法的整體有效性，需要對(duì)其進(jìn)行測(cè)試。實(shí)驗(yàn)分別對(duì)文獻(xiàn)[3]方法、文獻(xiàn)[4]方法與所提方法的召回率、誤報(bào)率和漏檢率對(duì)比測(cè)試。實(shí)驗(yàn)參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)

4.1 召回率

召回率表示在所有故障樣本中，被正確辨識(shí)出故障類別的比例，圖3為不同方法的召回率對(duì)比結(jié)果。

圖3 不同方法的召回率對(duì)比結(jié)果

由圖3可知，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)方法的召回率最高，表明所提方法能夠有效對(duì)制冷系統(tǒng)中的堵塞故障位置進(jìn)行辨識(shí)。原因在于該方法在辨識(shí)前對(duì)觀測(cè)點(diǎn)的時(shí)間序列進(jìn)行了清洗，消除了死值、空值等對(duì)堵塞故障位置辨識(shí)貢獻(xiàn)較低的數(shù)據(jù)，進(jìn)而提高了該方法的召回率。

4.2 誤報(bào)率

誤報(bào)率表示在所有正常樣本中，被錯(cuò)誤辨識(shí)為故障類別的比例，圖4為不同方法的誤報(bào)率對(duì)比結(jié)果。

圖4 不同方法的誤報(bào)率對(duì)比結(jié)果

分析圖4的結(jié)果可知，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)方法的誤報(bào)率是三種方法中最低的。原因在于該方法對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理，并利用LMD對(duì)堵塞故障數(shù)據(jù)特征進(jìn)行了融合提取，選取了有效的PF分量，避免了特征向量冗余出現(xiàn)的情況，因此誤報(bào)率明顯下降。

4.3 漏檢率

漏檢率表示在所有故障樣本中，被錯(cuò)誤辨識(shí)為正常樣本的比例，圖5為不同方法的漏檢率對(duì)比結(jié)果。

圖5 不同方法的漏檢率對(duì)比結(jié)果

從圖5的對(duì)比結(jié)果可知，與文獻(xiàn)[3]方法、文獻(xiàn)[4]方法相比，多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)方法的漏檢率最低。原因在于該方法首先利用迭代檢驗(yàn)的方法對(duì)觀測(cè)點(diǎn)的時(shí)間序列進(jìn)行了清洗，然后引入了基于交叉驗(yàn)證的支持向量機(jī)的故障分類模型進(jìn)行故障位置辨識(shí)，即使出現(xiàn)樣本數(shù)量較少的情況，也能夠獲得較優(yōu)的分類辨識(shí)結(jié)果，所以漏檢率也是三種方法中最低的。

5 結(jié)束語(yǔ)

多聯(lián)式空調(diào)系統(tǒng)作為必不可少的公共基礎(chǔ)設(shè)施，對(duì)其進(jìn)行安全維護(hù)至關(guān)重要，而制冷系統(tǒng)中堵塞故障是維修中最棘手的問題之一，針對(duì)制冷系統(tǒng)出現(xiàn)堵塞故障導(dǎo)致設(shè)備無法正常運(yùn)行的問題，需要對(duì)堵塞故障位置辨識(shí)進(jìn)行深入研究。當(dāng)前方法在對(duì)堵塞故障位置進(jìn)行辨識(shí)時(shí)，存在召回率低、誤報(bào)率高和漏檢率高的問題，因此提出多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)方法。實(shí)驗(yàn)結(jié)果表明，該方法的召回率高、誤報(bào)率和漏檢率較低，充分解決了當(dāng)前方法中存在的問題，在接下來會(huì)進(jìn)一步結(jié)合相關(guān)應(yīng)用研究開銷更小的堵塞故障位置辨別方法。