基于神經網絡預測的中央空調故障診斷

劉德永

LIU De-yong

（濰坊科技學院，壽光 262700）

0 引言

隨著國內經濟的蓬勃發展，出現了越來越多的現代化高樓大廈，中央空調已成為高層建筑物不可缺少的重要設備。空調設備會隨著運轉時間的增加而逐漸老舊，故障發生的頻率和耗能也逐漸增加，因此對空調設備進行檢查、保養，以及在發生故障時進行及時的維修就顯得極為重要。

盡管目前制造技術的進步和自動監控設備的采用已經極大的降低了空調系統的機械損壞，但由于空調系統故障的原因相當多，如何利用人工智能、模糊理論等方法進行診斷故障，已經成為當前國際上的研究熱點與發展趨勢。

針對高層建筑中中央空調的故障診斷問題，本文提出一種基于三層反向傳播神經網絡的故障預測模型。1）針對空調系統及其相關附屬設施的故障診斷，收集各項技術文獻資料，以及各項故障類別與實際現象間的數據，歸納總結出中央空調系統的十種主要故障。2）利用反向傳播神經網絡建立了一個預測模型。將所有故障的發生情況與診斷的結果形成訓練中的正樣本，將正常樣本作為負樣本，共同采用最陡梯度下降算法來訓練網絡。在測試階段對未知的故障進行預測。將所設計的神經網絡預測系統應用在高層建筑中的中央空調故障診斷中，實驗結果顯示：利用該模型能夠快速準確的預測故障。

1 中央空調系統故障分析

在分析中央空調系統故障診斷之前，先介紹中央空調系統工作流程。中央空調系統是由一系列驅動流體流動的動件（如泵、風扇及壓縮機）、各種型式的熱交換器（如冷卻除濕盤管、蒸發器、冷凝器、散熱材）及連接各種裝置的“通道”（如風管、水管及冷媒管）組成。中央空調系統可分為下列五個循環[1～3]：1）室內空氣循環。2）冰水循環。3）冷媒循環。4）冷卻水循環。5）室外空氣循環。中央空調系統是由這五個循環相扣所形成的。整個空調系統熱交換的循環簡述如下。

1）制冷部分：室內空氣的熱負載經過空調箱內的冷卻盤管時，通過熱交換將熱傳至盤管內冰水中，使得由冰水機蒸發器出來的冰水溫度上升，再經過冰水泵的驅動，使冰水被載送回到冰水器，與低壓低溫的冷媒在冰水器內進行熱交換，溫度下降后的冰水再通過冰水管回到空調箱中，吸收室內空氣的熱負載產生冷氣，直接由送風機的驅動由風管送出冷氣。

2）散熱部分：冰水機內蒸發器的冷媒熱交換所得的熱負荷經過冷凝器時，通過熱交換將熱傳至冷卻水中，造成冷卻水由冷凝器出來時溫度上升。再通過冷卻水泵的驅動，使冷卻水被送到室外的冷卻水塔的散熱材中，與流經散熱材的空氣做熱交換，溫度下降后的冷卻水通過冷卻水管再回到冷凝器循環使用。

由上可知，構成空調系統的組件主要包括熱交換器與流體機械二種。表1總結歸納出兩部分組件中，中央空調系統常見的一些故障。

表1 中央空調系統常見的一些故障

2 神經網絡預測

人工神經網絡是一種包括軟件與硬件的計算模型或系統，它使用大量簡單的相連人工神經元來模仿生物神經網絡的并行處理能力。人工神經元是生物神經元的簡單模擬，它從外界環境或者其他人工神經元取得信息，并加以非常簡單的運算，并輸出其結果到外界環境或者其他人工神經元[4,5]。

圖1 三層BP神經網絡模型

反向傳播（Back Propagation,BP）神經網絡是由D.Rumelhart和McClelland于1985年提出的一種多層前饋神經網絡模型。典型的BP網絡是三層的前饋網絡，即：輸入層、隱含層(也稱中間層)、輸出層。圖1是一個典型的BP模型結構。BP神經網絡的傳遞函數經常使用的是Sigmoid對數函數。函數表達式為：

Sigmoid函數是一個輸出0到1之間的非線性函數，可以逼近非線性的輸入輸出關系[6,7]。在本文方法中，將各個故障監測項目的測量值進行編碼，得到神經網絡的輸入值，如表2所示。

表2 各個故障監測項目的測量編碼值

BP神經網絡預測中央空調系統故障的過程分為兩部分：訓練階段和測試階段。在訓練階段中，將所有故障發生時的故障監測項目測量值進行編碼，作為正樣本輸入網絡，令期望輸出為1；將所有部分未發生故障時的監測項目測量值進行編碼，作為負樣本輸入網絡，令期望輸出為0。采用兩類樣本訓練BP神經網絡，確定各個神經元的權值和偏重。在測試階段，將監測項目的測量值輸入網絡中，根據網絡的輸出對故障進行預測。

BP算法是有監督的學習算法：給定q個訓練樣例p1, p2, K , pq，以及其對應的期望輸出T1, T1, K , Tq。訓練的目的是使網絡的實際輸出A1, A1, K, Aq與期望輸出盡量接近。訓練算法的執行的步驟如下。

步驟1：隨機初始化網絡的權值、學習速率以及給定的容許誤差；

步驟2：輸入網絡一個樣本p；

步驟3：計算各層的實際輸出，計算實際輸出與期望輸出的誤差；

步驟4：判斷算法終止條件，如果誤差小于容許誤差，結束訓練過程，否則繼續；

步驟5：計算各層神經元參數的梯度；

步驟6：根據最陡梯度學習算法修改神經元的權值和偏重，轉到步驟2，重新計算實際輸出和誤差；

步驟7：訓練結束。

3 仿真實驗與結果

將訓練完成的BP神經網絡，進行中央空調的實際故障預測，其中網絡采用Matlab7.01中Toolbox中的BP算法進行訓練。網絡的輸入為10維的監測變量，輸出為故障標記變量{1,0}。建立模型的函數為newff，訓練使用的函數是trian，測試使用的函數是sim。訓練樣本通過采集5所辦公大樓的中央空調的50個故障案例和50個正常案例得到，測試樣本為1000個，其中500個故障案例，500個正常案例。考慮BP神經網絡初始化過程中的隨機性，我們重復測試10次獨立實驗，記錄得到的預測率的平均結果，如表3所示：

可以看出：在表3中本文提出的基于神經網絡的預測方法能夠獲得較高的檢測率，在檢測時間上也是可以容許的。

表3 BP神經網絡的訓練與測試結果

4 結束語

盡管制造技術的進步和自動監控設備的采用已經大大降低了空調系統的機械損壞，但由于空調系統故障的原因相當多，對故障準確及時的診斷仍然是目前研究的一個難題。針對高層建筑中中央空調的故障診斷問題，本文提出一種基于三層反向傳播神經網絡的故障預測模型。將所設計的神經網絡預測系統應用在高層建筑中的中央空調故障診斷，結果顯示：利用該模型能夠快速準確的預測故障。

[1]游立科. 中央空調故障診斷與節能運行系統[D]. 重慶大學, 2005, 5.

[2]陸亞俊. 暖通空調[M]. 北京: 中國建筑工業出版社, 2002.

[3]宋華. 模糊故障診斷技術研究[D]. 北京航空航天大學,2002, 9.

[4]涂序彥. 人工智能: 回顧與展望[M]. 北京科學出版社,2006.

[5]閻平凡, 張長水. 人工神經網絡與模擬進化計算[M]. 北京清華大學出版社, 2000.

[6]Dennis Olson, and Charles Mossman, Neural network forecasts of Canadian stock returns using accounting ratios[J].International Journal of Forecasting, 19(3), pp. 453-465, 2003.

[7]R. A. DeVore, K. I. Oskolkov, and P. P. Petrushev,Approximation by feed-forward neural networks[J]. Ann.Numer. Math., 4, pp.261-287,