基于BP神經網絡的熱泵機組故障診斷研究

摘 要：文章以熱泵機組為研究對象，從實驗測試的角度建立故障-征兆模型。采用BP神經網絡對熱泵機組進行故障診斷并利用Matlab仿真，仿真結果表明基于BP神經網絡的熱泵機組故障診斷實現簡單且效果較好。

關鍵詞：神經網絡；熱泵機組；Matlab

引言

空氣源熱泵系統的故障通常分為硬故障和軟故障。硬故障易于檢測和判斷，從而能及時排除；而軟故障通常較難發現，直到系統的性能下降到舒適性受到影響才引起用戶的注意，造成了大量不必要的能量損耗。因此，必須實時監控熱泵機組的運行狀態，加強熱泵機組軟故障的檢測，快速診斷軟故障發生的地點和部位，查找出軟故障發生的原因，及時排除故障，減少能量損耗。但是熱泵機組系統比較復雜，難以建立其數學模型，神經網絡的出現，為這些系統的故障診斷提供了新的解決方法。文章中采用BP網絡來進行故障診斷。

1 BP神經網絡對熱泵機組的故障診斷

BP神經網絡采用的是誤差反向傳播算法，首先采用訓練樣本訓練網絡，神經元的激活值一層一層向后傳播，從輸入層經由各隱含層再傳播到輸出層，輸出層的神經元就獲得輸出響應。然后為了減少實際輸出與目標輸出之間的均方誤差，將均方誤差反向傳播，逐層修正各連接權值和閾值，由輸出層經由各隱含層再回到輸入層。隨著這種修正的不斷進行，網絡實際輸出與目標輸出之間的誤差也越來越小。得到合適的網絡連接值后，便可對新樣本進行非線性映像。

利用神經網絡的故障診斷過程如下：第一步，為了得到期望的診斷網絡，我們采用一定數量的訓練樣本集組成“征兆-故障”數據集，來訓練神經網絡；第二步，采用測試樣本集作為輸入對當前診斷網絡進行診斷，這個過程即為利用神經網絡進行前向計算的過程。

2 BP神經網絡故障診斷的Matlab仿真

利用Matlab工具進行BP神經網絡故障診斷的具體步驟如下：

第一步，網絡的輸入樣本數據和目標輸出。對于熱泵機組來說，輸入為高壓p1、低壓p2、冷凝溫度p3、蒸發溫度p4、吸氣過熱溫度p5、液體過冷溫度p6、排氣溫度p7和通過冷凝器的水流溫差p88個特征量；輸出為無故障F1、制冷劑泄露F2、壓縮機排氣閥泄露F3、液體管受阻F4、冷凝器結垢F5和蒸發器結垢F6。表1為輸入樣本數據。表2為五種故障的期望輸出值。

第二步，確定網絡結構。由表1可以看出樣本數據有8個特征向量，因此神經網絡的輸入層節點數為n=8，從表2看出該樣本數據一共有6種故障類型，因此網絡的輸出層節點數為m=6。然后根據經驗公式h=■+a來確定隱含層的節點數。其中a=9.26（a為[1，10]之間的常數），因此h=13。最終確定BP神經網絡的結構為：8-13-6。設定目標輸出與實際輸出的誤差平方和為0.001，隱含層傳遞函數為tansig，輸出層傳遞函數為logsig，訓練函數為traingda，目標精度為0.001，最大訓練周期為1000。

第三步，訓練神經網絡。將表1的樣本數據和表2的目標輸出值用來訓練第二步確定的BP神經網絡，得出隱含層的網絡權值w1ij和閥值b1i以及輸出層的網絡權值w2ki和閥值b2k。

第四步，測試網絡并分析結果。為了檢驗本BP神經網絡的故障診斷能力和準確性，在MATLAB7.6環境下將一組測試樣本數據輸入到訓練好的BP神經網絡當中，對網絡進行仿真試驗。圖1為BP神經網絡對測試樣本進行測試的網絡訓練圖。

3 結束語

用BP神經網絡對熱泵機組進行故障診斷，大大簡化了故障診斷的方法，網絡的容錯性和穩定性較好，得到了比較滿意的效果。

參考文獻

[1]姜益強，姚楊，馬最良.空氣源熱泵冷水機組的故障診斷[J].制冷學報，2002，23（3）.

[2]傅薈璇，趙紅.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2010.

作者簡介：黃春香（1987-），女，江蘇南通，碩士，助教，主要從事電氣自動化方面的研究。