楊思鈺，楊學(xué)賓，李鑫海，王 吉

(1.東華大學(xué) 環(huán)境科學(xué)與工程學(xué)院, 上海 201620;2.中國艦船研究設(shè)計(jì)中心 上海分部, 上海 201108)

暖通空調(diào)系統(tǒng)中25%～50%的能耗是由故障引起的,精確的故障檢測與診斷(fault detection diagnosis,FDD)技術(shù)可節(jié)省的能耗約為空調(diào)總能耗的10%～40%[1]。基于專家規(guī)則的故障檢測方法需要給定閾值,且過高的閾值可能延遲甚至無法檢測出故障,而過低的閾值則容易導(dǎo)致較高的故障誤報(bào)率。根據(jù)專家經(jīng)驗(yàn)選取的固定閾值,通常依賴專家的經(jīng)驗(yàn)判斷,針對新型或使用范圍較小而缺少專家經(jīng)驗(yàn)積累的空調(diào)系統(tǒng)可能并不適用。此外,隨著空調(diào)系統(tǒng)運(yùn)行時(shí)間的推移,基于專家經(jīng)驗(yàn)的判定閾值的故障檢測率也會(huì)隨之降低。在獲取運(yùn)行數(shù)據(jù)有限時(shí),根據(jù)專家經(jīng)驗(yàn)獲取閾值具備一定的優(yōu)勢,但是,隨著網(wǎng)絡(luò)技術(shù)和人工智能技術(shù)在空調(diào)系統(tǒng)中的應(yīng)用,實(shí)際系統(tǒng)采集和存儲(chǔ)的數(shù)據(jù)越來越多,采用數(shù)據(jù)挖掘的方法分析這些數(shù)據(jù),可以提取具體空調(diào)系統(tǒng)的運(yùn)行性能特征。例如,基于某種已有空調(diào)系統(tǒng)成功運(yùn)行的專家經(jīng)驗(yàn),采用專家規(guī)則檢測故障時(shí),可以分析無故障運(yùn)行數(shù)據(jù)獲取閾值,以提高基于規(guī)則的故障檢測方法的準(zhǔn)確性。

國內(nèi)外學(xué)者針對依據(jù)專家經(jīng)驗(yàn)的閾值進(jìn)行了大量的研究。House等[2]提出了用于空氣處理機(jī)組(air handling unit, AHU)故障檢測的專家規(guī)則集,通過咨詢暖通空調(diào)專家選取閾值,并使用現(xiàn)場數(shù)據(jù)與仿真技術(shù)驗(yàn)證規(guī)則的有效性及閾值的合理性。Schein等[3]提出AHU性能評(píng)估規(guī)則,通過啟發(fā)式的方法確定規(guī)則中的閾值。Wang等[4]提出26條空調(diào)系統(tǒng)性能及能量相關(guān)的專家規(guī)則,使用半年的無故障歷史運(yùn)行數(shù)據(jù)訓(xùn)練閾值,有效檢測出AHU的22種故障。Zhao等[5]采用貝葉斯網(wǎng)絡(luò)的方法診斷AHU故障,其中閾值的選取參考NIST 6964[6]。Dey等[7]開發(fā)一種基于貝葉斯信念網(wǎng)絡(luò)的故障診斷工具,模擬專家的診斷思路,其中規(guī)則中的閾值根據(jù)NIST[8]確定。部分空調(diào)FDD相關(guān)研究中的專家規(guī)則閾值統(tǒng)計(jì)如表1所示。

表1 部分研究中的專家規(guī)則閾值統(tǒng)計(jì)Table 1 Rule-based thresholds statistics in some studies

此外,在自適應(yīng)的動(dòng)態(tài)閾值方面也有學(xué)者做了大量的研究。Cui等[12]提出一種用于離心式冷水機(jī)組FDD的在線自適應(yīng)閾值策略,從樓宇管理系統(tǒng)的中央服務(wù)器中檢索空調(diào)冷卻器的運(yùn)行數(shù)據(jù),采用在線自適應(yīng)方案來確定故障檢測閾值。Wang等[13]將測量值和估計(jì)值之間的殘差與自適應(yīng)閾值比較,以檢測空調(diào)系統(tǒng)的異常。Wang等[14]通過局域網(wǎng)在線采集空調(diào)系統(tǒng)實(shí)時(shí)運(yùn)行數(shù)據(jù), 提出一種在線自適應(yīng)方法以估算隨系統(tǒng)變化的閾值。Gao等[15]采用在線自適應(yīng)閾值,來減輕參考模型的擬合不確定性及測量不確定性對閾值的影響。Zhou等[16]使用訓(xùn)練數(shù)據(jù)和監(jiān)測數(shù)據(jù)確定在線自適應(yīng)閾值,用以判斷性能指標(biāo)的估計(jì)值與計(jì)算值或監(jiān)測值之間的殘差是否在正常工作范圍內(nèi)。以上在線閾值估計(jì)方案需在特定操作條件下,利用性能指標(biāo)的數(shù)學(xué)公式評(píng)估建模誤差和測量誤差,進(jìn)而得出自適應(yīng)閾值。該方法在實(shí)際工程中實(shí)施較為困難,且在適用條件上也存在一定的局限性。因此需進(jìn)一步將數(shù)據(jù)挖掘應(yīng)用于閾值的確定上,空調(diào)系統(tǒng)只需要提供運(yùn)行數(shù)據(jù),即可訓(xùn)練出合適的閾值,這對于提高基于規(guī)則方法的故障檢測率,具有極其重要的研究意義。

本文采用一種變風(fēng)量空調(diào)在線閾值訓(xùn)練策略,以送風(fēng)機(jī)功率和冷凍水流量相關(guān)規(guī)則為例,訓(xùn)練3種置信度下基于規(guī)則的故障檢測用閾值,并將訓(xùn)練的閾值用于實(shí)際變風(fēng)量空調(diào)故障測試及無故障測試,對該閾值訓(xùn)練方法進(jìn)行驗(yàn)證。

1 在線訓(xùn)練策略

1.1 在線數(shù)據(jù)采集

在線數(shù)據(jù)采集流程如圖1所示。由圖1可知,傳感器測量空調(diào)設(shè)備的運(yùn)行數(shù)據(jù),通過控制器將信號(hào)傳輸?shù)轿锫?lián)網(wǎng)網(wǎng)關(guān),網(wǎng)關(guān)通過無線網(wǎng)絡(luò)將數(shù)據(jù)發(fā)送至云服務(wù)器,因此云服務(wù)器中存儲(chǔ)著大量實(shí)時(shí)運(yùn)行數(shù)據(jù)。云組態(tài)為工業(yè)物聯(lián)網(wǎng)平臺(tái)的數(shù)據(jù)展示終端形式之一,通過一種組態(tài)軟件,在線讀取云服務(wù)器中空調(diào)系統(tǒng)實(shí)時(shí)運(yùn)行的數(shù)據(jù)[17]。

圖1 變風(fēng)量空調(diào)系統(tǒng)在線數(shù)據(jù)采集流程Fig.1 Process of online data acquisition of variable-air-volume air conditioning systems

1.2 閾值訓(xùn)練方法

基于專家規(guī)則的故障檢測閾值訓(xùn)練步驟如圖2所示。由圖2可知,閾值訓(xùn)練方法包括擬合規(guī)則的變量參照值、計(jì)算測量值與參照值的殘差、設(shè)置置信度、劃分殘差樣本等步驟。

圖2 基于專家規(guī)則的故障檢測閾值訓(xùn)練步驟Fig.2 Steps of threshold training for the expert-rule-based fault detection

(1)

(2)

式中:i為采樣點(diǎn);xi為實(shí)測值與參照值之間的殘差值;n為樣本個(gè)數(shù)。

2 案例分析

選取送風(fēng)機(jī)功率和冷凍水流量相關(guān)規(guī)則開展研究,進(jìn)行在線閾值訓(xùn)練。具體規(guī)則如式(3)和(4)所示。

|Wsf-f(Fsa,psa)|≤εsf

(3)

|Fw-f(Nvlvcc)|≤εFw

(4)

式中:Wsf為送風(fēng)機(jī)功率,W;Fsa為送風(fēng)量,m3/h;psa為送風(fēng)壓力,Pa;f(Fsa,psa)表示送風(fēng)機(jī)功率參照值,W;εsf為送風(fēng)機(jī)功率閾值,W;Fw為冷凍水流量,m3/h;Nvlvcc為水閥開度,%;f(Nvlvcc)表示冷凍水流量參照值, m3/h;εFw為冷凍水流量閾值,m3/h。

2.1 空調(diào)系統(tǒng)

變風(fēng)量空調(diào)系統(tǒng)實(shí)現(xiàn)總風(fēng)量控制,該系統(tǒng)包括AHU及4個(gè)送風(fēng)末端。以送風(fēng)末端風(fēng)量需求值總和作為送風(fēng)量設(shè)定值,根據(jù)比例-積分-微分控制調(diào)節(jié)風(fēng)機(jī)頻率,以實(shí)現(xiàn)送風(fēng)量的調(diào)節(jié)。變風(fēng)量AHU共有4種工作模式[19]:模式一為加熱;模式二為室外新風(fēng)制冷;模式三為全新風(fēng)機(jī)械制冷;模式四為最小新風(fēng)機(jī)械制冷。通常在不同AHU的運(yùn)行模式下使用不同的規(guī)則進(jìn)行故障檢測。本文設(shè)定變風(fēng)量AHU的工作模式為最小新風(fēng)機(jī)械制冷。

2.2 數(shù)據(jù)采集

通過組態(tài)軟件,在線采集云服務(wù)器中空調(diào)系統(tǒng)不連續(xù)的9 d無故障運(yùn)行數(shù)據(jù),其中包含7-9月的數(shù)據(jù)。數(shù)據(jù)采集參數(shù)包括送風(fēng)機(jī)功率、送風(fēng)量、送風(fēng)壓力、水流量及水閥開度。采樣時(shí)間為9:00至17:00,采樣步長為1 min。

2.3 參照值擬合

建立數(shù)學(xué)關(guān)系以計(jì)算送風(fēng)機(jī)功率與冷凍水流量的參照值。送風(fēng)機(jī)功率與送風(fēng)量及送風(fēng)壓力有關(guān),冷凍水流量與水閥開度有關(guān)。將送風(fēng)量Fsa、送風(fēng)壓力psa和水閥開度Nvlvcc作為擬合自變量,采用二次多項(xiàng)式函數(shù)擬合9 d夏季無故障運(yùn)行數(shù)據(jù)。送風(fēng)機(jī)功率與水流量參照值的擬合如式(5)和(6)所示。

f(Fsa,psa)=2 842.069-0.255 642×Fsa+

0.536 347 2×psa+0.000 004 145 146×Fsa×

Fsa-0.001 048 41×psa×psa+

0.000 945 347 1×psa×Fsa

(5)

f(Nvlvcc)=-9.153 475+0.290 651 63×

Nvlvcc-0.001 342 662 4×Nvlvcc×Nvlvcc

(6)

送風(fēng)機(jī)功率參照值的擬合結(jié)果如圖3(a)所示,送風(fēng)機(jī)功率擬合值的標(biāo)準(zhǔn)差為228.055、相關(guān)系數(shù)為0.966、擬合優(yōu)度為0.934。冷凍水流量參照值的擬合結(jié)果如圖3(b)所示,冷凍水流量擬合值的標(biāo)準(zhǔn)差為0.175、相關(guān)系數(shù)為0.987、擬合優(yōu)度為0.974。由于圖3涵蓋多天的訓(xùn)練數(shù)據(jù),因此自變量(Fsa,psa,Nvlvcc)不連續(xù),導(dǎo)致圖3中的數(shù)據(jù)不連續(xù)。

圖3 送風(fēng)機(jī)功率與冷凍水流量參照值的擬合結(jié)果Fig.3 Fitting results of the reference value of supply fan power and chilled water flow

2.4 閾值訓(xùn)練

設(shè)置的置信度越高,顯著性水平則越低,因此置信度推薦設(shè)置為85%～95%。本文分別選取置信度推薦范圍的2個(gè)極端值(85%、95%)和中間值(90%)的置信度,劃分殘差樣本以確定閾值。閾值訓(xùn)練結(jié)果如圖4所示。由圖4(a)可知,3種置信度下,規(guī)則|Wsf-f(Fsa,psa)|≤εsf中的送風(fēng)機(jī)功率閾值的訓(xùn)練結(jié)果分別為240、300、380 W。由圖4(b)可知,3種置信度下,規(guī)則|Fw-f(Nvlvcc)|≤εFw中的冷凍水流量閾值訓(xùn)練結(jié)果分別為0.18、0.23、0.29 m3/h。

圖4 3種置信度下送風(fēng)機(jī)功率與冷凍水流量閾值的訓(xùn)練結(jié)果Fig.4 Training results of the threshold of supply fan power and chilled water flow under three confidence levels

7月25日室外溫度變化趨勢如圖5所示。由圖5可知,室外溫度變化導(dǎo)致負(fù)荷波動(dòng)較大。而數(shù)學(xué)擬合關(guān)系中,冷凍水流量參照值僅考慮了水閥開度的影響,未考慮負(fù)荷變化產(chǎn)生的影響,使得這天的實(shí)測值與參照值的殘差偏離較大,從而導(dǎo)致圖4(b)中前480個(gè)樣本的殘差明顯超出正常范圍。

圖5 7月25日室外氣溫變化趨勢Fig.5 Variation trend of outdoor temperature on July 25

3 驗(yàn)證與分析

利用人工故障和無故障的運(yùn)行數(shù)據(jù),分別進(jìn)行閥門卡死故障和無故障測試,以驗(yàn)證上述閾值訓(xùn)練策略的可靠性。故障檢測率為規(guī)定范圍內(nèi)變量實(shí)測值與參照值之間的殘差超出閾值的樣本數(shù)占總檢測樣本數(shù)的百分比。無故障檢測率為規(guī)定范圍內(nèi)未超出閾值的殘差樣本數(shù)占總檢測樣本數(shù)的百分?jǐn)?shù)。

3.1 故障測試

AHU新風(fēng)閥卡死故障會(huì)導(dǎo)致規(guī)則|Wsf-f(Fsa,psa)|≤εsf出現(xiàn)異常,冷凍水閥門卡死故障會(huì)導(dǎo)致規(guī)則|Fw-f(Nvlvcc)|≤εFw出現(xiàn)異常。利用手動(dòng)調(diào)節(jié)新風(fēng)閥及冷凍水閥閥位卡死在30%位置處,設(shè)置新風(fēng)閥、冷凍水閥卡死故障,分別采集故障運(yùn)行數(shù)據(jù)進(jìn)行閥門卡死故障測試。采集實(shí)際變風(fēng)量空調(diào)系統(tǒng)1 d的故障運(yùn)行數(shù)據(jù),計(jì)算故障狀態(tài)下變量實(shí)測值與參照值的殘差,在置信度分別設(shè)置為85%、90%、95%的訓(xùn)練閾值下,檢測變風(fēng)量空調(diào)AHU新風(fēng)閥卡死及冷凍水閥卡死故障,以驗(yàn)證基于訓(xùn)練閾值的專家規(guī)則故障檢測性能。3種置信度下閾值的故障測試結(jié)果如圖6所示。

圖6 3種置信度下AHU新風(fēng)閥卡死及冷凍水閥卡死的故障測試結(jié)果Fig.6 Test results of AHU fresh air damper stuck fault and chilled water valve stuck fault under three confidence levels

由圖6(a)可知,采用規(guī)則|Wsf-f(Fsa,psa)|≤εsf檢測AHU新風(fēng)閥卡死故障。當(dāng)置信度設(shè)置為85%時(shí),送風(fēng)機(jī)功率閾值訓(xùn)練結(jié)果為240 W,故障檢測率為96.8%;當(dāng)置信度為90%時(shí),送風(fēng)機(jī)功率閾值為300 W,故障檢測率為92.5%;當(dāng)置信度為95%時(shí),送風(fēng)機(jī)功率閾值為380 W,故障檢測率為82.5%。

由圖6(b)可知,采用規(guī)則|Fw-f(Nvlvcc)|≤εFw檢測AHU冷凍水閥卡死故障。在置信度分別為85%、90%、95%時(shí),訓(xùn)練的冷凍水流量閾值分別為0.18、0.23、0.29 m3/h,故障檢測率分別為99.3%、98.9%、98.6%,即分別表示99.3%、98.9%、98.6%的殘差樣本超出閾值。由此可知大部分殘差樣本明顯超過閾值,完成故障檢測,但也存在少部分樣本無法檢測出故障。

3.2 無故障測試

采集實(shí)際變風(fēng)量空調(diào)系統(tǒng)1 d的正常運(yùn)行數(shù)據(jù)進(jìn)行無故障測試(注:該天氣象平穩(wěn),室外負(fù)荷的變化規(guī)律符合當(dāng)前季節(jié)的特征,具有一定的代表性)。在3種置信度下,送風(fēng)機(jī)功率及冷凍水流量閾值的無故障測試結(jié)果如圖7所示。由圖7(a)可知,采用規(guī)則|Wsf-f(Fsa,psa)|≤εsf進(jìn)行無故障測試,當(dāng)置信度分別為85%、90%、95%時(shí),送風(fēng)機(jī)功率閾值訓(xùn)練結(jié)果分別為240、300、380 W,無故障檢測率均為100.0%,故障誤報(bào)警的概率為0。

圖7 3種置信度下送風(fēng)機(jī)功率及冷凍水流量閾值的無故障測試結(jié)果Fig.7 Fault-free test results of the threshold of supply fan power and chilled water flow under three confidence levels

由圖7(b)可知:當(dāng)置信度設(shè)置為 85%時(shí),冷凍水流量閾值的訓(xùn)練結(jié)果為0.18 m3/h,無故障檢測率為 77.0%,殘差樣本23.0%超出閾值,發(fā)生故障誤報(bào)警;置信度為90%時(shí),冷凍水流量閾值的訓(xùn)練結(jié)果為0.23 m3/h,無故障檢測率為 84.7%,殘差樣本15.30%超出閾值,發(fā)生故障誤報(bào);置信度為95%時(shí),冷凍水流量閾值為0.29 m3/h,無故障檢測率為100.0%,未發(fā)生故障誤報(bào)警。

3.3 結(jié)果分析

AHU閥門卡死故障測試及無故障測試結(jié)果匯總?cè)绫?所示。

表2 AHU閥門卡死故障測試及無故障測試結(jié)果Table 2 The results of testing for AHU damper and valve stuck faults and fault free

由表2可知,在置信度為85%、90%、95%時(shí),采用訓(xùn)練閾值進(jìn)行故障測試,閥門卡死的故障檢測率均大于80.0%,正常運(yùn)行的無故障檢測率均大于75.0%。無故障測試時(shí),送風(fēng)量及送風(fēng)壓力均在正常范圍內(nèi),送風(fēng)機(jī)功率測量值與參照值之間的殘差樣本分布較穩(wěn)定。由于圖4(a)訓(xùn)練閾值時(shí)采用10 d不連續(xù)的運(yùn)行數(shù)據(jù),而圖7(a)為訓(xùn)練閾值時(shí)采用1 d無故障數(shù)據(jù),因此圖7(a)中的數(shù)據(jù)波動(dòng)較不明顯。在3種置信度下,采用訓(xùn)練的送風(fēng)機(jī)功率閾值進(jìn)行無故障測試時(shí),無故障檢測率均為100.0%。采用訓(xùn)練的冷凍水流量閾值進(jìn)行無故障測試時(shí),無故障檢測率偏低,可能是由于室外溫度在不斷上升,水閥開度在不斷增大,但冷凍水流量并未立即增大。

由此可知,當(dāng)置信度為85%～95%時(shí),閾值訓(xùn)練輸入的置信度設(shè)置得越大,導(dǎo)致訓(xùn)練的送風(fēng)機(jī)功率閾值與水流量閾值越大,則故障檢測率越低,而無故障檢測率越高。實(shí)際測試過程中,外界的負(fù)荷變化及傳感器測量存在誤差且會(huì)影響運(yùn)行數(shù)據(jù),從而干擾閾值訓(xùn)練結(jié)果,這導(dǎo)致有些測試結(jié)果無法達(dá)到100.0%,但從故障檢測率與無故障檢測率的統(tǒng)計(jì)結(jié)果來看,不影響在線策略的實(shí)際應(yīng)用。根據(jù)故障檢測率和無故障檢測率以及用戶對于測試結(jié)果的可接受程度調(diào)整置信度。

4 結(jié) 論

本文采用一種在線閾值訓(xùn)練策略,通過控制器、物聯(lián)網(wǎng)網(wǎng)關(guān)、無線網(wǎng)絡(luò)等設(shè)備實(shí)現(xiàn)在線實(shí)時(shí)數(shù)據(jù)采集,并將置信度作為外部輸入,訓(xùn)練不同置信度下基于規(guī)則故障檢測方法的閾值。以總風(fēng)量法控制的變風(fēng)量AHU為例,將置信度分別設(shè)置為85%、90%、95%時(shí),送風(fēng)機(jī)功率閾值的訓(xùn)練結(jié)果分別為240、300、380 W,冷凍水流量閾值訓(xùn)練結(jié)果分別為0.18、0.23、0.29 m3/h。利用訓(xùn)練閾值進(jìn)行AHU閥門卡死故障測試與無故障測試,故障檢測率均大于82.0%,系統(tǒng)正常運(yùn)行時(shí)無故障檢測率大于77.0%。該策略將數(shù)據(jù)挖掘方法應(yīng)用于專家規(guī)則的閾值確定,若空調(diào)存在運(yùn)行數(shù)據(jù),則無需依靠專家經(jīng)驗(yàn)即可獲取合適的閾值,提高基于規(guī)則方法的故障檢測率。下一步會(huì)將該策略應(yīng)用到其他類型的空調(diào)系統(tǒng)中,測試更多的運(yùn)行數(shù)據(jù)進(jìn)一步驗(yàn)證該方法,也為動(dòng)態(tài)的調(diào)整歷史參照數(shù)據(jù)或在線更新閾值奠定了研究基礎(chǔ)。