基于順序集成方法的制冷系統(tǒng)故障檢測與診斷研究.pdf

1、鑒于制冷空調(diào)系統(tǒng)日益復雜，系統(tǒng)故障難以識別，且會導致能耗增加（多達30％），室內(nèi)外環(huán)境惡化，設(shè)備可靠性、安全性及運行經(jīng)濟性下降等諸多問題，有必要對故障檢測及診斷進行相關(guān)研究，以便及時排除故障，保證系統(tǒng)正常運行。本研究圍繞制冷系統(tǒng)故障檢測與診斷問題，從故障指示特征智能提取，到制冷系統(tǒng)單發(fā)及并發(fā)故障（多故障），順序遞進，集成故障診斷、數(shù)據(jù)挖掘及模式識別領(lǐng)域各種智能方法，實現(xiàn)檢測與所有故障確診一步完成，對輕微故障亦性能良好，診斷正確率高，虛警

2、率及診斷用時少;并基于混淆矩陣建立了故障診斷模型評價指標，探討了能較好表征典型故障的故障指示特征。
　　首先，對制冷系統(tǒng)及其典型漸變故障進行理論分析，初步了解征兆與故障（癥狀與原因）間的理論聯(lián)系，結(jié)合ASHRAE的制冷機組故障模擬實驗，探討制冷系統(tǒng)故障指示特征智能提取方法，以期找到能較好表征故障的參數(shù)（集），減輕乃至消除特征間相關(guān)度，去除信息冗余，使故障更加清晰地呈現(xiàn)，有利于模型對故障的分離和識別，縮短診斷時間，提高診斷準確率。分

3、別運用基于互信息(MI)的最大冗余最小相關(guān)過濾模型(MI-based mRMR filter)、基于遺傳算法的封裝模型(GA-LDA wrapper、 GA-SVMwrapper)進行特征選擇，運用主成分分析法(PCA)進行特征提取，得到不同的故障指示特征子集，并在后續(xù)章節(jié)的分析中逐步篩選出最佳子集。
　　其次，針對制冷系統(tǒng)中典型的單發(fā)故障，運用故障指示特征智能提取與一種基于結(jié)構(gòu)風險最小化的新型機器學習方法——支持向量機（SVM）

4、，相結(jié)合的順序集成模型，進行故障檢測與診斷，并基于混淆矩陣（Confusion matrix）建立以診斷正確率(CR)、命中率(HR)及虛警率（FAR）為核心的故障診斷模型評價體系，評價模型對于所有樣本的總體性能及對包括正常及各類故障的診斷效果（分布性能），命中及虛警情況。結(jié)果表明，SVM的故障檢測與診斷性能優(yōu)于故障診斷決策樹模型(C4.5)，CR達99％以上。GA-SVM封裝模型從64個原始特征中所選之8個故障指示特征較其他各種智能提

5、取模型所選特征子集更為突出，在SVM模型及C4.5模型中均表現(xiàn)優(yōu)良。對特征數(shù)的研究表明，不論原始特征抑或經(jīng)PCA提取的綜合特征，特征數(shù)越少，故障檢測與診斷模型的訓練及測試時間越短，但特征數(shù)與模型性能之間并非單調(diào)關(guān)系，特征太少可能造成信息缺失而降低診斷正確率，特征太多增加冗余信息而對故障診斷造成干擾，使模型魯棒性下降。通常，所選特征數(shù)應至少等于包含正常運行及所有故障在內(nèi)的獨立類別數(shù)?；赑CA的特征提取只有當所選主元累計方差貢獻率超過95

6、％時，效果好于不進行任何智能特征提取的64個原始特征，但亦不及大多特征選擇模型。冷凝器結(jié)垢、冷凝器水量不足、不凝性氣體及蒸發(fā)器水量不足四種故障較易被檢測與診斷，即使發(fā)生程度很輕微，而制冷劑泄漏及過量故障最難被命中，單純SVM模型對該兩類故障尤為難以識別，而GA-SVM模型則極大改善該性能。
　　第三，就多故障并發(fā)時的檢測與診斷，提出基于多標識(multi-label)數(shù)學解耦技術(shù)與SVM順序集成的模型，并以制冷系統(tǒng)冷凝器水量減少2

7、0％、蒸發(fā)器水量減少20％的并發(fā)故障為例，研究模型性能。發(fā)現(xiàn)該模型僅用正常及兩類單發(fā)故障數(shù)據(jù)而不用并發(fā)故障數(shù)據(jù)訓練，即可對并發(fā)故障加以檢測及診斷，效果良好，尤其在采用前文述及之8個最佳故障指示特征時。研究亦表明，盡管冷凝器側(cè)水流量及蒸發(fā)器水環(huán)路閥位兩個特征分別可獨立表征并發(fā)故障中的兩類單發(fā)故障（子故障），在并發(fā)故障的檢測與診斷中卻無能為力，必須借助其他參數(shù)的表征性能。另，提出采用一種較PCA有所改進的多變量統(tǒng)計分析法——指定元分析法(D

8、CA)，用于并發(fā)故障檢測與診斷，但對故障投影方向（指定元）的定義極大地依賴于專業(yè)經(jīng)驗及知識。
　　最后，以一臺額定制冷量16.8kW的風冷熱泵水機為受試對象，通過能量平衡并引入故障模擬管路及元件，建立了制冷系統(tǒng)故障診斷專用實驗臺，可以模擬包括制冷劑泄漏、充注過量、液體管路受阻、壓縮機吸排氣串通、蒸發(fā)器水量不足、冷凝器風量不足、冷凝器結(jié)垢、膨脹閥預緊力太大或太小等制冷系統(tǒng)典型故障，并進行了部分單發(fā)故障及雙故障、三故障并發(fā)的實驗模擬，

9、分析故障發(fā)生時，制冷系統(tǒng)關(guān)鍵參數(shù)的變化，并探討其可能的原因。對液體管路受阻、冷凝器結(jié)垢、蒸發(fā)器水量不足及其并發(fā)故障，運用前述智能集成模型，從44個原始特征中篩選出環(huán)境相對濕度或溫度、冷凝器進出風溫差、蒸發(fā)器進出水溫差及供水溫度四個特征，作為最佳故障指示特征，CR達99.58％。
　　總之，本文所提之智能集成模型，以及討論之故障指示特征，主要成果已在多個專業(yè)國際期刊上發(fā)表，在制冷系統(tǒng)故障智能檢測與診斷中，具有一定應用價值與意義，值得