人工神经网络应用于空调系统故障诊断的研究

1、人工神经网络应用于空调系统故障诊断的研究1 引言 随着经济的进展，空调系统得到了越来越广泛的应用，空调设备已成为重要的生活必备品之一。这就要求空调系统牢靠性高且功能齐全，而且在故障诊断修理服务方面达到一定的水平。国内目前的大部分空调系统中无故障诊断系统，当空调系统消失故障后，维保人员往往不能准时、精确地了解系统消失故障的缘由及相关信息，空调系统无法得到准时修复，这种状况急需得到改善。2 关于故障诊断技术 故障诊断FD(fault diagnosis)是一种了解和把握设备在使用过程中的技术，决定其整体或局部是否正常，早期发觉故障及其缘由并能预测故障进展趋势的技术。在诊断过程中，务必利用被诊断对象

2、表现出来的各种实用信息，经过适当地处理和分析，做出正确的诊断结论。在制冷暖通空调领域，1987年在彦启森教授的建议下，才开头了故障诊断专家系统在制冷暖通空调领域的研究应用1。3 人工神经网络用于空调系统故障诊断的基本原理 人工神经网络(Artificial Neural Network.简称ANN)正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于仿照大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量容易元件互相衔接而成的复杂网络，具有高度的非线性，能够举行复杂的规律操作和非线性关系实现的系统。 典型的神经网

3、络结构如图1所示。 在众多的人工神经网络模型中，最常用的是BP(Back Propagation)模型，即利用误差反向传扬算法求解的多层前向神经网络模型2。BP网络在故障诊断、模式识别、图像识别、管理系统等方面都得到了广泛的应用。本文争论利用神经网络中的BP模型举行空调系统的故障诊断。 首先需要举行学问的猎取。由专家供应关于各种空调系统故障现象(征兆集)及相应的故障缘由(故障集)实例作为学习样本。将数据分为两部分，一部分用于教育网络，另一部分用于测试。将教育网络的数据按一定挨次编码，分离赋给网络输入、输出节点，通过神经网络学习算法对样本举行学习，经过网络内部自适应算法不断修正权值，直到达到所要

4、求的学习精度为止。此时在大量神经元之间联结权值上就分布着专家学问和阅历。教育完毕后，再将测试网络的数据从初始状态动身，向前推理，将显示出的故障结果与实际的测试数据结果相比较，倘若误差很小，说明网络的权值建立正确；倘若误差较大，说明网络的权值建立有误，需要重新举行网络的教育。 将教育样本教育完毕后，即可举行空调系统的故障诊断。只要实际输入模式临近于某一个教育时的学习样本的输入模式，则可产生出临近学习样本的输出结果，也就是所谓的自联想功能。同时，因为网络计算上的大量并行性，当机器运行情况转变，消失网络学习未考虑的状况时，系统亦能给出正确分类结果。同时将新数据并入网络，实现系统的自适应。一般来说，学

5、习的故障实例样本越多，诊断结果的精确率越高。 4 BP学习算法 BP算法因其容易、易行、计算量小、并行性强等优点，是目前神经网络教育采用最多也是最成熟的教育算法之一。BP算法的实质是求解误差函数的最小值问题，因为它采用非线性计划中的梯度下降法（Gradient Descent），按误差函数的负梯度方向修正权值 3。其主要思路是倘若求出教育网络的指标函数误差： 一般的BP算法称为标准误差逆传扬算法，也就是对应每一次输入都校正一次权值。这种算法不是全局误差意义上的梯度下降计算。对各个神经元的输出求偏导数，那么就可以算出误差对全部衔接权值的偏导数，从而可以利用梯度下降法来修改各个衔接权值。真正的全局

6、误差意义上的梯度下降算法是在所有教育模式都学习完后才校正衔接权和阈值。其计算流程如图2所示： 5 故障诊断实例 5.1 空调系统故障诊断的BP网络建立 空调系统故障模式及故障机制分析4如表1所示 表1 空调系统故障模式及故障机制分析 表示 符号 故障模式 表示 符号 故障缘由 x1 房间温度均偏高 y1 y 2 y 3 y 4 y 5 y 6 1.冷冻机产冷量不足 2.喷水阻塞 3.通过空气处理设备的风量过大，热交换不良 4.回风量大于送风量 5.送风量不足（可能空气过滤气阻塞） 6.表冷器结霜，造成阻塞 x 2 相对湿度均偏低 y 7 7.室外空气未经加湿处理 x 3 系统实测风量大于设计风

7、量 y 8 y 9 8.系统的实际阻力小于设计阻力 9.设计时选用风机容量偏大 x 4 房间气流速度超过允许流速 y 10 y 11 y 12 10.送风口速度过大 11.总送风量过大 12.送风口的型式不适宜 5.2 网络输入输出向量及参数的选取 以故障模式X（x1，x2，x3，x4）输入，故障缘由Y（y1，y2，y3 y12）作为输出，以不同的故障缘由导致的故障模式为教育样本举行学习，从而建立故障模式与故障缘由之间的映射关系。x 1 ，x2 ，x 3， x 4分离代表故障房间温度均偏高、相对湿度均偏低、系统实测风量大于设计风量和房间气流速度超过允许流速的4种故障现象；y1，y2，y12分离

8、代表冷冻机产冷量不足；喷水阻塞送风口的型式不适宜等故障缘由。 5.3 网络结构及教育样本的选取 空调系统故障诊断的神经网络模型分为3层，分离为输入层、隐含层和输出层。输入层节点个数为4，对应于4个故障现象，输出层节点个数为12，对应于12个故障缘由。输出节点值的大小反映了故障消失的可能性。隐含层节点的个数可参照公式初步选取5：，其中M为输出节点数，N为输入节点数，为1至10的常数，在此，选取16个隐节点。 输入单元数为4个，输出单元数为12个。隐含层单元个数凭阅历选取，一般取45个隐含节点对应一个输入节点，这里选4个，则隐含层节点为个，网络共32个节点。各单元的输入与输出的特征函数采用Sigm

9、oid函数，即隐含层第j个神经元的输入为，输出为： 式中表示阈值，的作用是调整Sigmoid函数的样子。 取4个教育样本，详细如表2所示。（x1，x2，x3，x4）（1，0，0，0）表示房间温度均偏高的故障模式；（y1，y2，y3 y12）（1，1，1，1，1，1，0，0，）表示房间温度均偏高的故障缘由。 表2 BP网络的教育样本表 样本 序号 故障模式 故障缘由 x1 x2 x3 x4 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 1 2 3 4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0

10、 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 5.4 网络的教育与检验 我们以给定模式作为网络的输入，要求网络通过调整全部的衔接权系数和各神经元的阈值，使得在输出层神经元上得到抱负的结果；然后再给出另一个模式，要求网络连续完成对这对模式的学习。当系统的平均误差E满意下式即可完成教育： 式中：是对应于第k个样本、第t个输出节点的期待输出值，是第t个输出节点的实际输出值。按照程序框图及BP算法，运用Matlab神经网络工具箱举行样本教育。 计算程序如下： P=1 0 0 0;0 1 0 0;0 0 1

11、0;0 0 0 1; T=1 0 0 0;1 0 0 0;1 0 0 0;1 0 0 0; 1 0 0 0;1 0 0 0;0 1 0 0;0 0 1 0; 0 0 1 0;0 0 0 1;0 0 0 1;0 0 0 1 net=newff(minmax(P),16,12,'tansig','purelin','traingda'); net.trainParam.show=200; net.trainParam.lr=0.05;net.trainParam.epochs=2000; net.trainParam.goal=1e-5; net,t

12、r=train(net,P,T) 计算结束后，网络达到收敛，其教育收敛过程如下图所示： 图3 BP网络梯度下降法收敛图 最后用非教育样本测试网络的推断能力，测试结果如表3所示 表3 测试结果 样本序号 1 2 3 4 故障 模式 x1 x2 x3 x4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 故障 缘由 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 0.9997 -0.0000 -0.0003 0.0002 1.0026 0.0058 0.0022 -0.0069 1.0006 0.0013 0.0011 -0.0018 1.0005 0.0018 0.0016 -0.0021 0.9973 -0.0055 -0.0018 0.0067 0.9992 -0.0019 -0.0012 0.0023 -0.0001 0.9985 -0.0016 0.0016 -0.0007 -0.0018 1.0000 0.0020 0.0007 0.0025 1.0015 -0.0026 0.0009 0.0041 0.0029 0.9950 0.0037 0.0074 0.0023 0.9908 -0.0000 0.0028 0.0025 0.