基于決策樹算法的多聯機氣液分離器插反故障診斷

劉佳慧劉江巖李紹斌胡文舉李炅陳煥新

(1華中科技大學能源與動力工程學院 武漢 430074;2珠海格力電器有限公司 珠海 519070;3北京建筑大學供熱供燃氣通風及空調工程北京市重點實驗室 北京 100044;4合肥通用機械研究院壓縮機技術國家重點實驗室 合肥 230031)

基于決策樹算法的多聯機氣液分離器插反故障診斷

劉佳慧1劉江巖1李紹斌2胡文舉3李炅4陳煥新1

(1華中科技大學能源與動力工程學院 武漢 430074;2珠海格力電器有限公司 珠海 519070;3北京建筑大學供熱供燃氣通風及空調工程北京市重點實驗室 北京 100044;4合肥通用機械研究院壓縮機技術國家重點實驗室 合肥 230031)

本文將決策樹算法應用于多聯機氣分插反故障診斷中，搭建了多聯機實驗平臺采集數據，根據專家知識及數據變化模型驗證選取了建模的特征變量，采用決策樹C5.0算法構建氣分插反故障診斷模型，進一步對由模型分類規則生成的最優變量即過冷器的EEV(電子膨脹閥)進行深入分析和驗證。結果表明:將決策樹算法應用于多聯機氣分插反故障診斷的方法，準確率為96%，此診斷方法能滿足多聯機故障診斷實際運用的需要，并可及時處理多聯機發生氣分插反故障時，系統過熱度降低，從而保證多聯機系統的制冷效果和能效比，可通過增大過冷器EEV開度調節。

決策樹算法;故障診斷;氣分插反;過冷器EEV;多聯式空調系統

AbstractThis paper presents a data-mining-based method with a decision tree algorithm to diagnose gas-liquid separator opposite-insertion faults for a variable refrigerant flow(VRF)system.First， the VRF experimental platform was established for data collection.Then， expert knowledge and verification methods for the data variation model were used to select appropriate model variables.The C5.0 decision tree algorithm was employed to develop a fault diagnosis model.Finally，the effect of the electronic expansion valve(EEV)of the subcooler was analyzed and validated;this effect was selected as the best variable on the basis of classification rules generated by the model.The results show that the fault diagnosis method based on the decision tree exhibits desirable effectiveness for diagnosing gas-liquid separator opposite-insertion faults， with which the fault diagnosis accuracy is up to 96%.Moreover， the proposed technique can meet the requirements for online application of fault diagnosis for VRF systems.This method incorporating a decision tree algorithm to diagnose gas-liquid separator opposite-insertion faults for a VRF system exhibits very high accuracy and reliability;therefore，the method can meet the actual demands of fault diagnosis for VRF systems.Because the occurrence of gas-liquid separator opposite-insertion faults corresponds to a reduction in the degree of superheating，increasing the opening of subcooler EEV can ensure the cooling effect and a good energy efficiency ratio.

Keywordsdecision tree algorithm;fault diagnosis;gas-liquid separator opposite-insertion;subcooler EEV;variable refrigerant flow system

氣液分離器[1]作為多聯機系統的組件之一，起到分離、儲存回液等重要作用。由于氣液分離器的入口端和出口端極其相似，在多聯機系統的組裝、維護、維修等過程中，工作人員易將氣液分離器插反，即造成氣分插反故障。氣液分離器(下文簡稱“氣分”)插反在一開始對機組運行性能影響不大，但在長期運行過程中，會導致壓縮機產生“液擊”現象，引起壓縮機異常運行、嚴重影響壓縮機壽命。在實際維修過程中，氣分插反故障的隱蔽性較高，容易被維修人員忽略。因此迫切需要通過系統的自動故障檢測與診斷技術來提升對該故障檢測和診斷的可靠性和準確性。

近年來，國內外許多專家學者已經針對空調系統的自動故障檢測與診斷技術作了深入研究。郝小禮等[2-3]提出了將主元分析法應用到空調系統傳感器故障檢測與診斷，構建基于小波分解的故障診斷;在主元分析方法檢測空調系統故障的研究上，采用小波濾波法過濾異常數據，提高故障檢測效率。胡云鵬[4]提出了主元分析法應用于冷水機組傳感器的故障檢測、診斷及重構，能明顯提高檢測效率。Li Guannan等[5]提出了一種基于使用PCA模型殘差數據的殘差空間的SVDD方法進行故障診斷，明顯改善了傳統的主元故障診斷方法。近年來，數據挖掘技術，如主元分析[6]、神經網絡[7]、支持向量機[8]、決策樹[9]等，已廣泛應用于空調系統的自動故障檢測與診斷技術中。當前的數據挖掘方法[10]主要包括據預測、分類、聚類、序列模式、回歸等，分類技術之一的決策樹算法具有計算量小、速度快、易理解等優點，在處理較大數據集時具有較好的優勢。因此，本文采用決策樹C5.0方法研究了多聯機氣分插反故障診斷，分析原理驗證故障診斷的準確性，對于多聯機系統的故障診斷具有一定的技術參考價值。

1 決策樹原理

分類技術是數據挖掘領域的重要技術之一，而基于規則的分類方法是目前重要的一種分類技術，已被廣泛應用。基于規則的分類方法是指通過給定的閾值，來提取規則用于分類[11]。基于規則的分類方法主要包括傳統的基于規則分類方法(比如決策樹)和關聯分類。作為典型的基于規則的分類方法——決策樹分類是典型的遞歸構造，建模結構簡潔且生成規則易于理解。

決策樹中每一個非葉結點(包括根結點)都對應訓練數據集中屬性的測試，每個分支代表屬性的測試結果，每個葉節點表示一種類別或類分布，從根節點到葉節點的一條分支表示一條分類規則，則整棵決策樹表示一組分類規則。決策樹采用自頂而下的遞歸方式，進行分類決策時，先從根結點開始，在非葉結點處進行屬性值的比較，并根據不同的屬性值判斷從此結點向下的分支，在葉結點處得出結論。

決策樹C5.0算法[12]是在ID3[13]算法、C4.5[14]算法等的基礎上改進的算法，采用信息增益率作為屬性選擇標準，信息增益率等于信息增益比上分割信息量的值。

C5.0算法的主要概念為:假設U為一個樣本集，共有n類樣本訓練集，其中每類樣本數為pi，i=1，2，…，n。假設屬性E作為決策樹的根屬性，屬性E取V個不同的值為{E1，E2，…，EV}，可以利用屬性E將樣本集U劃分為成V個子集{U1，U2，…，UV}，假設Ui中含有第j類樣本的個數為pij，其中j=1，2，…，n，那么子集Ui的熵[15]為:

屬性E的信息熵為:

將式(1)代入式(2)后可得:

一棵決策樹選擇出正確分類標準屬性的所需信息為:

信息增益:

分割信息量:

信息增益率:

決策樹C5.0算法選擇Gain-ratio(E)最大的屬性E作為最優分類屬性，具有處理連續型和離散型屬性、生成直觀、簡單的決策樹模型等優點，故將決策樹C5.0算法應用于多聯機氣分插反故障診斷。

2 多聯機氣分插反故障診斷模型

2.1 數據采集

本文在焓差實驗室搭建了多聯機系統實驗平臺進行數據采集。多聯機系統結構和主要控制點如圖1所示，實驗系統主要包括1個室外機和5個室內機，其中有兩個重要的設備:低壓側的氣液分離器和高壓側帶有電子膨脹閥(EEV)的過冷器。壓縮機吸氣端的回氣過熱度和過冷器的過冷液體溫度是由過冷器控制調節[16]。多聯機系統通過監測設置制冷循環系統不同位置的傳感器數據，根據運算模塊計算，從而轉化為過冷器EEV開度指令，指令通過輸出模塊來控制電子膨脹閥的開度。實驗均在制冷工況下進行。

實驗平臺按照如表1所示的工況進行運行，采集完整、清晰的實驗數據，to為室外溫度。其中全開為5臺室內機全部運行，單開為1臺室內機運行。

圖1 多聯式空調系統結構和主要控制點Fig.1 Construction of VRF system and main control points

表1 系統實驗不同運行工況Tab.1 Different operation conditions of system experiment

2.2 特征變量提取

以室外溫度為31℃單開實驗工況為例，進行數據分析，通過專家知識和構建數據變化模型驗證選取合適的建模特征變量。如圖2實驗變量變化所示，過冷器EEV開度等變量在系統故障后變化明顯，而壓縮機母線電壓等變量在系統故障后未發生明顯變化。系統正常運行時保持平穩，發生氣分插反故障后，過冷器EEV開度顯著變大，趨于穩定運行，而壓縮機母線電壓未有明顯變化。再結合多聯機系統相關的專家知識，提取出以下合適的特征變量為:冷凝溫度、蒸發溫度、壓縮機排氣溫度、壓縮機殼頂溫度、壓縮機模塊溫度、壓縮機電流、風機模塊溫度、過冷器氣出溫度、過冷器液出溫度、過冷器EEV開度、氣分出管溫度、氣分進管溫度等變量。

圖2 實驗變量變化Fig.2 Changes of experimental variables

2.3 構建診斷模型

本文將特征數據集隨機分為75%的訓練集和25%的測試集。通過訓練集構建決策樹模型，用測試集驗證決策樹的分類精度。基于決策樹構建氣分插反故障診斷模型的步驟如圖3所示。

圖3 構建氣分插反故障診斷模型的步驟Fig.3 Steps of establishing the accumulator oppositely insertion fault diagnosis model

其中用決策樹C5.0算法生成的決策樹模型如圖4所示。

決策樹算法中的cp，具體是指某個節點的復雜性參數，防止決策樹的過度擬合。由圖5可知，當cp=0.1時，決策樹的最優屬性是過冷器EEV開度;當cp=0.01時，模型的最優屬性是過冷器EEV開度;當cp=0.007，模型的最優屬性是過冷器EEV開度。不同cp時，決策樹的故障診斷準確率均在96%，說明過冷器EEV開度是模型故障診斷的最優屬性，且診斷準確率很高。另外，當cp=0.1時，可以診斷出故障的最優屬性，三棵決策樹均較好擬合。根據決策樹模型的分類規則評價，過冷器EEV開度為最優征變量屬性，能診斷出氣分插反故障的發生。

3 故障診斷結果

圖4 不同cp時氣分插反故障診斷決策樹Fig.4 The decision trees of the accumulator oppositely insertion fault diagnosis under different cp value

通過決策樹故障診斷，過冷器EEV開度作為最優屬性，能準確診斷出氣分插反故障。根據4種不同運行工況，分析原理驗證故障診斷的準確性。

1)to=31℃單開工況

采用箱線圖對系統正常和氣分插反故障下的各變量進行數據統計。由圖5可知，發生氣分插反故障后，氣分出管、進管溫度明顯下降，壓縮機的模塊溫度、殼頂溫度、排氣溫度降低，而過冷器的液出溫度、氣出溫度、過冷器EEV開度均增大，其中在系統發生氣分插反故障時過冷器EEV開度變化最為明顯。

2)to=31℃全開工況

圖5 to=31℃單開工況各個變量的變化Fig.5 Change of each variable under working condition of single open and to=31℃

圖6 to=31℃全開工況各個變量的變化Fig.6 Change of each variable under working condition of widely open and to=31℃

由圖6可知，系統發生氣分插反故障后，氣分出管溫度有所降低，氣分進管溫度無明顯變化，壓縮機的模塊溫度、殼頂溫度、排氣溫度明顯降低，而過冷器的液出溫度、氣出溫度升高很多，EEV開度增大，其中過冷器EEV開度變化最明顯。

3)to=40℃單開工況

由圖7可知，發生氣分插反故障后，氣分出管溫度稍有降低，氣分進管溫度明顯降低，壓縮機的模塊溫度、殼頂溫度、排氣溫度降低，而過冷器的液出溫度、氣出溫度、EEV開度增大，其中過冷器EEV開度變化的幅度最明顯。

4)to=40℃全開工況

由圖8可知，發生氣分插反故障后，氣分出管溫度和氣分進管溫度降低，壓縮機的模塊溫度有一定降低，而殼頂溫度、排氣溫度無直觀變化，過冷器的液出溫度、氣出溫度變化不明顯，EEV開度增大，其中過冷器EEV開度變化最明顯。

多聯機氣分插反時，氣分出管溫度會明顯降低，氣分進管溫度降低，壓縮機的模塊溫度、殼頂溫度、排氣溫度降低，過冷器的液出溫度、氣出溫度、EEV開度增大，其中過冷器EEV開度變化最明顯。系統按不同工況運行時，回氣溫度、回氣過熱度等降低，但運行工況不同時回氣溫度、回氣過熱度等變量變化情況不定，有些工況下無明顯變化，不能準確可靠地診斷故障的發生，故障診斷精度差。而過冷器EEV開度作為最優變量，在不同運行工況下，其變化最為明顯，是診斷氣分插反故障的最優變量。

圖7 to=40℃單開工況各個變量的變化Fig.7 Change of each variable under working condition of single open and to=40℃

圖8 to=40℃全開工況各個變量的變化Fig.8 Change of each variable under working condition of widely open and to=40℃

如圖1中過冷器EEV結構所示，壓縮機排出的高溫高壓氣體經過室外換熱器冷凝放熱后，分兩路進入過冷器:①路與過冷器的液管的進口端連接，②路經過冷器電子膨脹閥(EEV)節流降溫后進而與過冷器氣管的進氣端連通。過冷器氣管的出口段與四通方向閥A接口匯合后一同連接入氣液分離器的氣分進管端，而過冷器的液管的出口段與室內機管道連接，進入室內機蒸發換熱。在過冷器內部，液管與氣管中制冷劑進行換熱。

氣液分離器的氣分出管與壓縮機進氣端連通，氣分出管溫度降低，表明壓縮機吸氣溫度降低，制冷劑過熱度降低，根據制冷理論循環原理，壓縮機的排氣溫度、殼頂溫度、模塊溫度也隨之降低。多聯機系統發生氣分插反故障后，過冷器的制冷劑液出、氣出溫度降低，系統過熱度降低，壓縮機排氣溫度降低，系統過冷度發生變化，為提高制冷效果和能效比，需增大過冷器EEV開度。過冷器EEV開度增大，流經過冷器液管的制冷量減少，同時進入氣管的制冷量增大，導致膨脹閥節流效果變差，氣管中制冷劑溫度降低幅度變小，過冷器液出、氣出溫度提高，調節過熱度。系統氣分插反故障的發生，將影響制冷循環的過熱度，從而極大影響過冷器EEV開度變化。

4 結論

本文提出了一種將決策樹算法應用到多聯機氣分插反故障診斷的方法，搭建多聯機系統實驗平臺，采集實驗數據，根據專家知識及數據變化模型驗證方法選取了合適的建模特征變量，用C5.0算法構建多聯機氣分插反故障診斷模型，分析驗證準確率，對由模型分類規則生成的最優變量(過冷器EEV開度)進行深入分析和驗證，得到如下結論:

1)通過決策樹模型對氣分插反故障進行診斷，準確率高達96%，具有很高的準確性和可靠性，這種基于決策樹模型的故障診斷方法能滿足多聯機故障診斷實際運用的需要。

2)多聯機發生氣分插反故障，系統過熱度會降低，根據工作原理，系統通過增大過冷器EEV開度來保證多聯機系統的制冷效果和能效比。

本文受供熱供燃氣通風及空調工程北京市重點實驗室研究基金課題(NR2013K02)項目資助。(The project was supported by the 2013 Beijing Municipality Key Laboratory of HVAC&R(No.NR2013K02).)

符號說明

tqfc——氣液分離器出管溫度，℃

tqfj——氣液分離器進管溫度，℃

tmk——壓縮機模塊溫度，℃

tkd——壓縮機殼頂溫度，℃

tpq——壓縮機排氣溫度，℃

tyc——過冷器液出溫度，℃

tqc——過冷器氣出溫度，℃OEEV——過冷器EEV開度，脈沖

[1]鄭賢德.制冷原理與裝置[M].北京:機械工業出版社，2000.(ZHENG Xiande.Refrigeration principle and device[M].Beijing:China Machine Press，2000.)

[2]郝小禮.空調系統傳感器故障檢測與診斷方法研究[D].長沙:湖南大學，2003.(HAO Xiaoli.Approach research of sensor fault detection and diagnosis in HVAC system[D].Changsha:Hunan University，2003.)

[3]郝小禮，陳友明，張國強.小波濾波在小故障檢測中的應用[J].暖通空調，2005，35(8):138-140.(HAO Xiaoli， CHEN Youming， ZHANG Guoqiang.Application of wavelet filtering to small fault detection[J].Journal of HV&AC，2005，35(8):138-140.)

[4]胡云鵬.基于主元分析的冷水機組傳感器故障檢測效率研究[D].武漢:華中科技大學，2013.(HU Yunpeng.Study on the PCA-based sensor fault detection efficiency of the water-cooled chiller[D].Wuhan:Huazhong University of Science and Technology，2013.)

[5]LI Guannan， HU Yunpeng， CHEN Huanxin， et al.An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm[J].Energy and Buildings，2016，116:104-113.

[6]黃彬彬，谷波，任能.基于主元分析的制冷系統漸變故障檢測[J].制冷學報，2009，30(1):56-62.(HUANG Binbin， GU Bo， REN Neng.Gradual faults detection of refrigeration system based on principal component analysis[J].Journal of Refrigeration，2009，30(1):56-62.)

[7]石書彪，陳煥新，李冠男，等.基于小波去噪和神經網絡的冷水機組故障診斷[J].制冷學報，2016，37(1):12-17.(SHI Shubiao， CHEN Huanxin， LI Guannan， et al.Fault diagnosis of chillers based on neural network and wavelet denoising[J].Journal of Refrigeration，2016， 37(1):12-17.)

[8]SUN Kaizheng， LI Guannan， CHEN Huanxin， et al.A novel efficient SVM-based fault diagnosis method for multisplit air conditioning system′s refrigerant charge fault amount[J].Applied Thermal Engineering， 2016， 108:989-998.

[9]GERDES M.Decision trees and genetic algorithms for condition monitoring forecasting of aircraft air conditioning[J].Expert Systems with Applications， 2013， 40(12):5021-5026.

[10]張開.基于誤判成本的決策樹C5.0算法的優化分析[D].太原:山西大學，2014.(ZHANG Kai.The analysis and optimization of C5.0 algorithm of decision tree based on misclassification cost[D].Taiyuan:Shanxi University，2014.)

[11]陳煥新，孫劭波，劉江巖，等.數據挖掘技術在制冷空調行業的應用[J].暖通空調，2016，46(3):20-26.(CHEN Huanxin， SUN Shaobo， LIU Jiangyan， et al.Application of data mining technology to refrigeration and conditioning industry[J].Journal of HV&AC， 2016， 46(3):20-26.)

[12]汪雪軍.基于規則的分類方法研究[M].漳州:閩南師范大學，2013.(WANG Xuejun.The research on rulebased classification approach[M].Zhangzhou:Minnan Normal University，2013.)[13]毛國君，段立娟，王實，等.數據挖掘原理與算法[M].北京:清華大學出版社，2005.(MAO Guojun，DUAN Lijuan， WANG Shi， et al.Principle and algorithm of data mining[M].Beijing:Tsinghua University Press，2005.)

[14]BREIMAN L，FRIEDMAN J H，OLSHEN R A，et al.Classification and regression trees[M].Monterey，CA:Wadsorth International Group，1984.

[15]謝妞妞，劉於勛.決策樹屬性選擇標準的改進[J].計算機工程與應用，2010，46(34):115-118.(XIE Niuniu，LIU Yuxun.Improvement of attribute selection criterion of decision trees[J].Computer Engineering and Applications， 2010， 46(34):115-118.)

[16]LI Guannan， HU Yunpeng， CHEN Huanxin， et al.Extending the virtual refrigerant charge sensor(VRC)for variable refrigerant flow(VRF)air conditioning system using data-based analysis methods[J].Applied Thermal Engistate models for vapor-compression liquid chillers[J].Applied Thermal Engineering， 2003， 23(5):539-556.

[16]田柏秋，潘毅群，黃治鐘.離心式冷水機組經驗回歸模型的分析與評價[J].建筑節能，2014，42(2):15-20.(TIAN Baiqiu， PAN Yiqun， HUANG Zhizhong.Analysis and evaluation of empirically based steady-state models for centrifugal chillers[J].Building Energy Efficiency， 2014，42(2):15-20.)

[17]ASHRAE.ASHRAE Handbook-HVAC Applications[CP].Atlanta， USA，2011.neering， 2016， 93:908-919.

Opposite-insertion Fault Diagnosis for Gas-liquid Separator in Variable Refrigerant Flow(VRF)System based on Decision Tree Algorithm

Liu Jiahui1Liu Jiangyan1Li Shaobin2Hu Wenju3Li Jiong4Chen Huanxin1
(1.Department of Refrigeration&Cryogenics， Huazhong University of Science and Technology， Wuhan， 430074，China;2.Gree Electric Appliances， Inc.of Zhuhai， Zhuhai， 519070， China;3.Beijing University of Civil Engineering and Architecture， Beijing， 100044， China;4.State Key Laboratory of Compressor Technology， Hefei General Machinery Research Institute， Hefei， 230031， China)

TU831.3;TP306.3;TP311.13

A

國家自然科學基金(51576074&51328602)和2013年壓縮機技術國家重點實驗室開放基金(0214120035)資助項目。(The project was supported by the National Natural Science Foundation of China(No.51576074&No.51328602)and 2013 National Laboratory of Compressor Technology Open Fund Project(No.0214120035).)

2016年11月3日

0253-4339(2017)05-0001-07

10.3969/j.issn.0253-4339.2017.05.001

陳煥新，男，教授，華中科技大學能源與動力工程學院，(027)87558330，E-mail:chenhuanxin@tsinghua.org.cn。研究方向:制冷空調系統計算機模擬及優化，制冷空調設備開發及新技術，車輛制冷及其測控技術。

About the corresponding authorChen Huanxin， male， professor，Department of Refrigeration&Cryogenics， Huazhong University of Science and Technology， +86 27-87558330，E-mail:chenhuanxin@tsinghua.org.cn.Research fields:computer simulation and optimization of refrigeration and air conditioning system，development in the new technologies of refrigeration and air conditioning equipment，and measurement and control technology of vehicle refrigeration.