基于順序集成方法的制冷系統(tǒng)故障檢測(cè)與診斷研究.pdf

1、鑒于制冷空調(diào)系統(tǒng)日益復(fù)雜，系統(tǒng)故障難以識(shí)別，且會(huì)導(dǎo)致能耗增加（多達(dá)30％），室內(nèi)外環(huán)境惡化，設(shè)備可靠性、安全性及運(yùn)行經(jīng)濟(jì)性下降等諸多問(wèn)題，有必要對(duì)故障檢測(cè)及診斷進(jìn)行相關(guān)研究，以便及時(shí)排除故障，保證系統(tǒng)正常運(yùn)行。本研究圍繞制冷系統(tǒng)故障檢測(cè)與診斷問(wèn)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(jìn)，集成故障診斷、數(shù)據(jù)挖掘及模式識(shí)別領(lǐng)域各種智能方法，實(shí)現(xiàn)檢測(cè)與所有故障確診一步完成，對(duì)輕微故障亦性能良好，診斷正確率高，虛警

2、率及診斷用時(shí)少;并基于混淆矩陣建立了故障診斷模型評(píng)價(jià)指標(biāo)，探討了能較好表征典型故障的故障指示特征。
　　首先，對(duì)制冷系統(tǒng)及其典型漸變故障進(jìn)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(jī)組故障模擬實(shí)驗(yàn)，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(duì)故障的分離和識(shí)別，縮短診斷時(shí)間，提高診斷準(zhǔn)確率。分

3、別運(yùn)用基于互信息(MI)的最大冗余最小相關(guān)過(guò)濾模型(MI-based mRMR filter)、基于遺傳算法的封裝模型(GA-LDA wrapper、 GA-SVMwrapper)進(jìn)行特征選擇，運(yùn)用主成分分析法(PCA)進(jìn)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(duì)制冷系統(tǒng)中典型的單發(fā)故障，運(yùn)用故障指示特征智能提取與一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的新型機(jī)器學(xué)習(xí)方法——支持向量機(jī)（SVM）

4、，相結(jié)合的順序集成模型，進(jìn)行故障檢測(cè)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(píng)價(jià)體系，評(píng)價(jià)模型對(duì)于所有樣本的總體性能及對(duì)包括正常及各類(lèi)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(cè)與診斷性能優(yōu)于故障診斷決策樹(shù)模型(C4.5)，CR達(dá)99％以上。GA-SVM封裝模型從64個(gè)原始特征中所選之8個(gè)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(duì)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(cè)與診斷模型的訓(xùn)練及測(cè)試時(shí)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(duì)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(yīng)至少等于包含正常運(yùn)行及所有故障在內(nèi)的獨(dú)立類(lèi)別數(shù)?；赑CA的特征提取只有當(dāng)所選主元累計(jì)方差貢獻(xiàn)率超過(guò)95

6、％時(shí)，效果好于不進(jìn)行任何智能特征提取的64個(gè)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(cè)與診斷，即使發(fā)生程度很輕微，而制冷劑泄漏及過(guò)量故障最難被命中，單純SVM模型對(duì)該兩類(lèi)故障尤為難以識(shí)別，而GA-SVM模型則極大改善該性能。
　　第三，就多故障并發(fā)時(shí)的檢測(cè)與診斷，提出基于多標(biāo)識(shí)(multi-label)數(shù)學(xué)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(lèi)單發(fā)故障數(shù)據(jù)而不用并發(fā)故障數(shù)據(jù)訓(xùn)練，即可對(duì)并發(fā)故障加以檢測(cè)及診斷，效果良好，尤其在采用前文述及之8個(gè)最佳故障指示特征時(shí)。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(gè)特征分別可獨(dú)立表征并發(fā)故障中的兩類(lèi)單發(fā)故障（子故障），在并發(fā)故障的檢測(cè)與診斷中卻無(wú)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(jìn)的多變量統(tǒng)計(jì)分析法——指定元分析法(D

8、CA)，用于并發(fā)故障檢測(cè)與診斷，但對(duì)故障投影方向（指定元）的定義極大地依賴(lài)于專(zhuān)業(yè)經(jīng)驗(yàn)及知識(shí)。
　　最后，以一臺(tái)額定制冷量16.8kW的風(fēng)冷熱泵水機(jī)為受試對(duì)象，通過(guò)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(zhuān)用實(shí)驗(yàn)臺(tái)，可以模擬包括制冷劑泄漏、充注過(guò)量、液體管路受阻、壓縮機(jī)吸排氣串通、蒸發(fā)器水量不足、冷凝器風(fēng)量不足、冷凝器結(jié)垢、膨脹閥預(yù)緊力太大或太小等制冷系統(tǒng)典型故障，并進(jìn)行了部分單發(fā)故障及雙故障、三故障并發(fā)的實(shí)驗(yàn)?zāi)M，

9、分析故障發(fā)生時(shí)，制冷系統(tǒng)關(guān)鍵參數(shù)的變化，并探討其可能的原因。對(duì)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(yùn)用前述智能集成模型，從44個(gè)原始特征中篩選出環(huán)境相對(duì)濕度或溫度、冷凝器進(jìn)出風(fēng)溫差、蒸發(fā)器進(jìn)出水溫差及供水溫度四個(gè)特征，作為最佳故障指示特征，CR達(dá)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(gè)專(zhuān)業(yè)國(guó)際期刊上發(fā)表，在制冷系統(tǒng)故障智能檢測(cè)與診斷中，具有一定應(yīng)用價(jià)值與意義，值得