基于神經(jīng)網(wǎng)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(jīng)濟的蓬勃發(fā)展，出現(xiàn)了越來越多的現(xiàn)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?？照{設備會隨著運轉時間的增加而逐漸老舊，故障發(fā)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(yǎng)，以及在發(fā)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(jiān)控設備的采用已經(jīng)極大的降低了空調系統(tǒng)的機械損壞，但由于空調系統(tǒng)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(jīng)成為當前國際上的研究熱點與發(fā)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(jīng)網(wǎng)絡的故障預測模型。1）針對空調系統(tǒng)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(xiàn)象間的數(shù)據(jù)，歸納總結出中央空調系統(tǒng)的十種主要故障。2）利用反向傳播神經(jīng)網(wǎng)絡建立了一個預測模型。將所有故障的發(fā)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(wǎng)絡。在測試階段對未知的故障進行預測。將所設計的神經(jīng)網(wǎng)絡預測系統(tǒng)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(tǒng)故障分析

在分析中央空調系統(tǒng)故障診斷之前，先介紹中央空調系統(tǒng)工作流程。中央空調系統(tǒng)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(fā)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(tǒng)可分為下列五個循環(huán)[1～3]：1）室內空氣循環(huán)。2）冰水循環(huán)。3）冷媒循環(huán)。4）冷卻水循環(huán)。5）室外空氣循環(huán)。中央空調系統(tǒng)是由這五個循環(huán)相扣所形成的。整個空調系統(tǒng)熱交換的循環(huán)簡述如下。

1）制冷部分：室內空氣的熱負載經(jīng)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(fā)器出來的冰水溫度上升，再經(jīng)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(chǎn)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(fā)器的冷媒熱交換所得的熱負荷經(jīng)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(jīng)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(huán)使用。

由上可知，構成空調系統(tǒng)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(tǒng)常見的一些故障。

表1 中央空調系統(tǒng)常見的一些故障

2 神經(jīng)網(wǎng)絡預測

人工神經(jīng)網(wǎng)絡是一種包括軟件與硬件的計算模型或系統(tǒng)，它使用大量簡單的相連人工神經(jīng)元來模仿生物神經(jīng)網(wǎng)絡的并行處理能力。人工神經(jīng)元是生物神經(jīng)元的簡單模擬，它從外界環(huán)境或者其他人工神經(jīng)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(huán)境或者其他人工神經(jīng)元[4,5]。

圖1 三層BP神經(jīng)網(wǎng)絡模型

反向傳播（Back Propagation,BP）神經(jīng)網(wǎng)絡是由D.Rumelhart和McClelland于1985年提出的一種多層前饋神經(jīng)網(wǎng)絡模型。典型的BP網(wǎng)絡是三層的前饋網(wǎng)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(jīng)網(wǎng)絡的傳遞函數(shù)經(jīng)常使用的是Sigmoid對數(shù)函數(shù)。函數(shù)表達式為：

Sigmoid函數(shù)是一個輸出0到1之間的非線性函數(shù)，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(jiān)測項目的測量值進行編碼，得到神經(jīng)網(wǎng)絡的輸入值，如表2所示。

表2 各個故障監(jiān)測項目的測量編碼值

BP神經(jīng)網(wǎng)絡預測中央空調系統(tǒng)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(fā)生時的故障監(jiān)測項目測量值進行編碼，作為正樣本輸入網(wǎng)絡，令期望輸出為1；將所有部分未發(fā)生故障時的監(jiān)測項目測量值進行編碼，作為負樣本輸入網(wǎng)絡，令期望輸出為0。采用兩類樣本訓練BP神經(jīng)網(wǎng)絡，確定各個神經(jīng)元的權值和偏重。在測試階段，將監(jiān)測項目的測量值輸入網(wǎng)絡中，根據(jù)網(wǎng)絡的輸出對故障進行預測。

BP算法是有監(jiān)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(wǎng)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(zhí)行的步驟如下。

步驟1：隨機初始化網(wǎng)絡的權值、學習速率以及給定的容許誤差；

步驟2：輸入網(wǎng)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(xù)；

步驟5：計算各層神經(jīng)元參數(shù)的梯度；

步驟6：根據(jù)最陡梯度學習算法修改神經(jīng)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(jīng)網(wǎng)絡，進行中央空調的實際故障預測，其中網(wǎng)絡采用Matlab7.01中Toolbox中的BP算法進行訓練。網(wǎng)絡的輸入為10維的監(jiān)測變量，輸出為故障標記變量{1,0}。建立模型的函數(shù)為newff，訓練使用的函數(shù)是trian，測試使用的函數(shù)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jiān)控設備的采用已經(jīng)大大降低了空調系統(tǒng)的機械損壞，但由于空調系統(tǒng)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(jīng)網(wǎng)絡的故障預測模型。將所設計的神經(jīng)網(wǎng)絡預測系統(tǒng)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(jié)能運行系統(tǒng)[D]. 重慶大學, 2005, 5.

[2]陸亞俊. 暖通空調[M]. 北京: 中國建筑工業(yè)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(jīng)網(wǎng)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,