基于遺傳算法和BP神經網絡的多聯機閥類故障診斷

(1 華中科技大學能源與動力工程學院 武漢 430074； 2 空調設備及系統運行節能國家重點實驗室 珠海 517907； 3 珠海格力電器股份有限公司 珠海 517907)

多聯機具有節能高效、控制方便和安裝靈活等特點，被廣泛用于各種公共建筑物，其中多聯機的電子膨脹閥和四通閥在制冷劑流量調節和流向轉換上發揮著重要作用，一旦發生故障會導致舒適性降低，能耗增加。

神經網絡、主元分析及決策樹等算法[1-5]常用于故障診斷和檢測的研究中，神經網絡非線性映射能力較強，精度較高，適合求解多故障分類問題。結合相應的算法建模時，由于故障特征和故障類別的對應關系不清晰，一般采用大量原始故障特征進行建模，導致計算效率降低，嚴重時會降低診斷精度，所以需要對故障特征進行優化選擇。遺傳算法[6]是借鑒生物界自然選擇和進化的隨機化搜索算法，無需考慮函數的具體形式，非常適用于特征與參數的優化選擇。姚文俊[7]介紹了遺傳算法在故障診斷中搜索最優特征變量的應用。趙云等[8-9]利用遺傳算法進行特征選擇，從而大幅降低了分類系統的搜索空間。韓華等[10-11]利用遺傳算法針對冷水機組故障特征進行選擇，優化了特征空間，提高了故障診斷效率和正確率。段侯峰等[12-14]利用遺傳算法優化各種基于神經網絡的機械故障模型的結構參數，使模型更加精確。因此，本文利用遺傳算法在優化選擇上的優勢，在原始特征集中搜索最優特征子集，與帶參數優化的BP神經網絡相結合，建立多聯機閥類故障診斷模型，與基于原始特征集的神經網絡故障診斷模型相比，故障檢測及診斷正確率得到提高。

1 多聯機閥類數據來源

本文以一臺額定制冷量為45 kW，制冷劑為R410A的多聯機系統為研究對象，該多聯機實驗系統如圖1所示，共有5個室內機，編號為1、2、3、4、5，1個室外機，為保證多聯機的正常運行，多聯機上布有多個傳感器，分別用來測量溫度、壓力、閥門開度、壓縮機及風機頻率等，共41個參數。其中溫度測點與壓力測點已在圖上標出。首先，在制冷和制熱工況下分別正常運行多聯機系統，獲得該多聯機正常運行的數據。然后，進行閥類故障實驗，故障實驗分別為其中任意一個室內機電子膨脹閥卡死1(故障程度：卡在0開度)、電子膨脹閥泄漏、電子膨脹閥卡死2(故障程度：卡在最大開度)、四通閥故障，加上正常數據分別用標簽A1-A5表示。神經網絡輸出結果中，采用向量表示各故障類型，1表示運行狀況，越接近1，表示越接近運行狀態。如表1所示。

圖1 多聯機實驗系統Fig.1 The VRF experimental system

表1 閥類故障類型的向量表示

2 多聯機閥類故障診斷模型

多聯機閥類故障診斷模型利用遺傳算法對原始故障特征集進行優化選擇，結合BP神經網絡建模。

2.1 BP神經網絡算法

BP神經網絡[15]由于其函數信號正向傳遞，誤差信號反向傳播的特點，在神經網絡中最重要、應用最多。如圖2所示，BP神經網絡由輸入層、隱含層、輸出層組成，通過不斷調整權值、閾值達到期望輸出。數據經輸入層節點進入神經網絡模型，通過傳遞函數傳遞到隱含層，隱含層可以是單層或者多層，隱含層將變換處理過的數據通過傳遞函數傳遞到輸出層進行下一步處理。當實際輸出與期望輸出不符時，誤差信號將反向傳播，誤差通過輸出層，按誤差梯度下降的方式逐層修正各層權值、閾值，函數信號的正向傳遞和誤差信號的反向傳播將反復進行直到滿足期望輸出。利用神經網絡進行故障建模時，神經網絡的參數如傳遞函數、訓練函數、學習率以及隱含層節點數等直接影響故障分類的精度。

圖2 BP神經網絡結構Fig.2 BP neural network structure diagram

2.2 基于遺傳算法的故障特征選擇

故障診斷是針對診斷對象的故障模式進行分類和識別，或者根據專家經驗等方法推斷出故障所在部位和嚴重程度的過程，由于一種故障往往會伴隨著多種故障特征，多種故障也可能引起同一故障特征，故障特征和故障類別的對應關系不清晰。因此，人們往往提出大量原始特征進行故障識別，降低了故障診斷效率，嚴重時會影響故障診斷正確率。遺傳算法采用自選擇、交叉遺傳和變異等遺傳過程尋找最優的故障特征集，如圖3所示，具體步驟如下：

1)隨機初始化一定數量的特征集：隨機生成一定數量的二進制向量作為父代，每個向量代表一個隨機特征集，即原始特征集的一個子集，整個二進制編碼的長度為原始特征集中的特征數，1表示該特征存在，0表示特征不存在。

2)選擇一定數量的父代進行交叉和變異：利用適應度函數評估種群的個體，按適應度值進行錦標賽選擇，被選擇的父代按一定的比例進行兩點交叉和單點變異，生成子代。

圖3 遺傳算法特征選擇的流程Fig.3 The flow chart of feature extraction based on GA algorithm

3)采用精英保留策略優化子代：變異操作之后比較當前最優個體與歷史最優個體，并將最優個體直接復制替換最差個體，得到子代新種群。

4)找到滿足條件的特征集：當遺傳代數達到設定值，或者最佳適應度值基本不變時，繼續迭代結果無明顯改善，結束計算，否則回到2繼續計算。用于評估種群個體好壞的適應度函數Ffitness為：

Ffitness=100(1-σvalve)+1

(1)

式中：σvalve為多聯機閥類故障診斷的正確率。與神經網絡相結合時，σvalve為利用神經網絡進行故障分類的預測準確率。

優化特征變量是將某一特征是否參與建模為研究對象，每個特征變量只有存在和不存在兩種可能，為典型的離散型變量，遺傳過程針對二進制編碼后的向量進行操作。本文的遺傳代數設為100，群體規模為40，交叉概率為0.7，變異概率為0.017。

2.3 多聯機閥類故障診斷復合模型

多聯機的閥類故障診斷復合模型的執行流程如圖4所示。首先，輸入數據按比例隨機劃分為訓練集和測試集，均進行數據歸一化處理。然后，采用遺傳算法針對訓練集進行故障特征的選取和神經網絡模型的訓練，得到最優特征子集。同時對神經網絡的參數如傳遞函數、訓練函數、神經網絡隱含層節點數等進行優化選擇。最后，利用測試集對訓練好的的神經網絡模型進行測試，得到診斷結果。

2.4 多聯機閥類故障診斷復合模型評價準則

采用混淆矩陣[16]比較真實故障分類和模型預測結果。模型的整體診斷率和各故障檢測率分別為：

(2)

(3)

式中：σmodel為模型整體診斷正確率；σi為各故障檢測率；Ci為第i個故障預測正確的個數；N為測試集的樣本數；Ni為測試集中第i個故障的樣本數。

圖4 多聯機的閥類故障診斷復合模型流程圖Fig.4 The flow chart of the VRF valve fault diagnosis model

3 多聯機閥類診斷性能結果分析

將實驗穩態后的數據選取16 478個樣本，并隨機選取3/4的數據劃分為訓練集，1/4的數據劃分為測試集。

3.1 BP神經網絡參數優化選擇

為了消除量綱的影響，將基于BP神經網絡的多聯機故障診斷模型的輸入數據進行歸一化，由于歸一化的數據范圍均在[-1,1]之間，故采用tansig正切s型傳遞函數。神經網絡的輸入層節點數設為故障特征個數，隱含層節點數、學習率等參數采用經驗和試錯法進行優化。

BP神經網絡用于模式分類的常用訓練函數[17]為：′trainrp′，′traingdx′,′trainscg′,′trainoss′, ′trainbr′, ′trainlm′。針對多聯機閥類故障分類模型，采用建立不同訓練函數進行建模，圖5所示為不同的訓練函數對故障診斷效率和正確率的影響。可以看出，這些訓練函數相較于傳統的梯度下降訓練函數′traingd′，檢測時間從250 s降到60 s以內(檢測時間與電腦配置有關，為Intel(R)Pentium(R)CPU B940 (2.00 GHz),2.00 GB內存)，故障診斷正確率從70%提高到80%以上，訓練函數的選擇不同能顯著提高故障診斷正確率及效率。其中′trainrp′和′trainbr′訓練函數的檢測時間均較少，檢測正確率較高，達到95%，但′trainbr′(貝葉斯正則化算法)內存需求較大，故采用′trainrp′訓練函數進行BP神經網絡建模。

圖5 不同訓練函數對故障診斷效率和正確率的影響Fig.5 The influence of different training functions on the fault diagnosis accuracy and efficiency

3.2 采用原始特征集建立基于參數優化后的BP神經網絡的故障診斷結果

將41個原始特征數據輸入參數優化后的BP神經網絡建模，得到的混淆矩陣如表2所示。

由式(2)可得，采用原始特征建立的BP神經網絡的故障診斷正確率為：[741+463+585+1 031+1 038)/4 119]×100%=96.09%。

表2 基于原始特征集建模得的閥類故障混淆矩陣

由映射定理分析[18]可知，一個單層隱含層的BP神經網絡能夠以期望的精度逼近任意非線性函數，因而單層隱含層的BP神經網絡故障診斷模型能夠對多聯機進行閥類故障診斷。

采用原始特征建立的BP神經網絡故障診斷正確率為96.09%。由表2可知，電子膨脹閥故障的檢測結果相對較差，其中，A1故障中有87個樣本錯誤預測為A3故障，A2故障中有12個樣本錯誤預測為A1故障，A3故障中有62個樣本錯誤預測為A1故障。

3.3 基于GA優化后的BP神經網絡故障診斷結果

按照圖4流程所示建立基于遺傳算法和神經網絡的故障診斷模型，遺傳代數設為100。適應度值的變化隨著遺傳代數的變化如圖6所示。隨著遺傳代數的增加，適應度函數值先下降后保持不變，說明故障診斷率得到提高，并最終趨于穩定。

優化得到的模型診斷率由式(1)反推為：1-(1.728 3-1)/100=99.27%。優化后得到的故障混淆矩陣如表3所示。

對比采用原始特征集建立的BP神經網絡的故障診斷結果與采用遺傳算法優化特征集后的模型診斷結果，可以看出，相對于原始BP神經網絡，用遺傳優化得到最優特征子集后的神經網絡模型整體故障診斷率和故障檢測率均得到提高。

圖6 適應度值隨遺傳代數的變化Fig.6 The fitness function value changes with genetic algebra

表3 基于特征優化后得到的閥類故障混淆矩陣

3.4 優化前后各故障的檢測結果分析

優化前后各故障的檢測率如表4和圖7所示，only-BPNN為采用原始特征集建模檢測結果，GA-BPNN為優化特征集后建模的檢測結果。可以看出，采用原始特征集進行建模時，電子膨脹閥卡死1的故障檢測率為89.49%，電子膨脹閥泄漏的檢測率為97.47%，電子膨脹閥卡死2的故障檢測率為89.72%。利用遺傳算法優化后的電子膨脹閥的故障檢測率均得到提高，電子膨脹泄漏的故障檢測率達到100%，電子膨脹閥卡死1和電子膨脹閥卡死2的故障分別提高到98.21%和97.72%。本文利用遺傳算法對多聯機閥類故障的原始特征集進行選擇提取最優特征子集，利用特征子集作為模型輸入，降低了輸入數據的維度，故優化后模型的運行效率提高，測試集的診斷與檢測的耗時從23 s減至11 s，測試時間縮短了52.17%。

表4 兩類模型檢測正確率與耗時對比

圖7 優化前后各故障檢測率比較Fig.7 Comparison of fault detection rate before and after optimization

基于遺傳算法篩選出的最優特征變量集為：室外環境溫度、室內環境溫度1、室內環境溫度2、室內環境溫度3、室內環境溫度4、室內環境溫度5、過冷器EXV、壓縮機排氣溫度、模塊高壓、四通閥狀態、過冷器氣出溫度、入管溫度1、入管溫度2、入管溫度3、入管溫度4、入管溫度5、出管溫度2、出管溫度3，共18個特征變量(1、2、3、4、5代表對應室內機的編號)。結合專家經驗可知，由于多聯機的工作特性，每個室內機可以獨立開啟運行或關閉，通過室內環境溫度和室外環境的對比，可以判斷該室內機是否處于工作狀態。制冷(制熱)工況下，發生電子膨脹閥卡死1(卡在0開度)故障時，故障機的入管溫度升高(降低)，且接近室內環境溫度，其他室內機由于制冷劑流量變大導致出管溫度降低(升高)；發生電子膨脹閥卡死2(卡在最大開度)故障[4]時，故障機的入管溫度升高(降低)，其他室內機由于制冷劑流量變小導致出管溫度升高(降低)。故障機發生電子膨脹閥泄漏[19]時，即不參與工作的室內機的電子膨脹閥發生故障不能完全關上，制冷劑從故障機泄漏，此時電子膨脹閥前后壓差較大，節流孔徑很小，節流后制冷劑的溫度低，導致故障室內機的入管溫度較低，由于泄漏的部分制冷劑于與空氣進行自然對流換熱，自然對流換熱量很小，故壓縮機排氣溫度降低。多聯機的四通閥發生故障時，即在制熱模式下會發生轉向故障，低溫低壓的制冷劑仍流向室內機，此時模塊高壓降低，室內機進出管溫度降低。可以看出，各閥類故障發生時，導致多個故障特征異常發生，遺傳算法選出的特征變量子集能很好地表征故障發生后的異常變化。

4 結論

本文結合遺傳算法和BP神經網絡建立了一種針對多聯機閥類故障的檢測與診斷復合模型。該模型將多聯機閥類故障實驗得到的各閥類故障數據作為多聯機閥類故障的原始特征集，利用遺傳算法對特征集進行搜索，得到最優特征子集，以最優特征子集的數據作為參數優化后的BP神經網絡的輸入，從而診斷和檢測出多聯機的閥類故障。得到如下結論：

1)在建立基于BP神經網絡的多聯機閥類故障診斷模型的過程中，神經網絡參數的優化能直接改善診斷性能。神經網絡參數優化后，故障診斷正確率顯著提高。

2)利用遺傳算法對原始特征變量集進行優化選擇，從41個特征變量中選擇18個特征變量組成最優特征子集，相較于原始的特征變量集，利用最優特征集進行神經網絡的建模，故障診斷正確率從96.09%提高到99.27%，測試時間縮短了52.17%，提高了故障檢測及診斷正確率。

[1] 石書彪，陳煥新，李冠男，等.基于改進BP網絡的冷水機組故障診斷[J].制冷學報, 2015, 36(6):34-39.(SHI Shubiao, CHEN Huanxin, LI Guannan, et al. Research on fault diagnosis of chillers based on improved BP network[J]. Journal of Refrigeration, 2015, 36(6):34-39.)

[2] 王江宇，陳煥新，劉江巖，等. 基于PCA-DT的多聯機制冷劑充注量故障診斷[J]. 華中科技大學學報(自然科學版), 2016, 44(7):1-4.(WANG Jiangyu, CHEN Huanxin, LIU Jiangyan, et al. PCA-DT based refrigerant charge fault diagnosis for variable refrigerant flow system[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition), 2016, 44(7):1-4.)

[3] 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 network and wavelet denoising[J].Journal of Refrigeration, 2016, 37(1):12-17.)

[4] GUO Yabin, LI Guannan, CHEN Huanxin, et al. Modularized PCA method combined with expert-based multivariate decoupling for FDD in VRF systems including indoor unit faults[J]. Applied Thermal Engineering, 2017, 115:744-755.

[5] GUO Yabin, LI Guannan, CHEN Huanxin, et al. An enhanced PCA method with Savitzky-Golay method for VRF system sensor fault detection and diagnosis[J]. Energy & Buildings, 2017, 142:167-178.

[6] GOLDBERG D E. Genetic algorithms in search, optimization, and machine learning[M]. Addison-Wesley Publishing Companly, Inc., 1989.

[7] 姚文俊. 基于遺傳算法的故障診斷的研究[J]. 網絡新媒體技術, 2004, 25(3):85-87.(YAO Wenjun. The study of fault diagnosis based on genetic algorithm[J]. Microcomputer Applications, 2004, 25(3):85-87.)

[8] 趙云，劉惟一. 基于遺傳算法的特征選擇方法[J]. 計算機工程與應用, 2004, 40(15):52-54.(ZHAO Yun, LIU Weiyi. Research on feature selection using genetic algorithms[J].Computer Engineering and Applications, 2004, 40(15):52-54.)

[9] 王世卿，曹彥. 基于遺傳算法和支持向量機的特征選擇研究[J]. 計算機工程與設計, 2010, 31(18):4088-4092.(WANG Shiqing, CAO Yan. GA-SVM-based feature subset selection algorithm[J]. Computer Engineering and Design, 2010, 31(18):4088-4092.)

[10] 韓華, 谷波, 康嘉. 基于遺傳算法和支持矢量機參數優化的制冷機組故障檢測與診斷研究[J]. 機械工程學報, 2011, 47(16):120-126.(HAN Hua, GU Bo, KANG Jia. Chiller fault detection and diagnosis based on genetic algorithm and support vector machine with parameter tuning[J]. Journal of Mechanical Engineering, 2011, 47(16):120-126.)

[11] HAN Hua, GU Bo, HONG Yingchun, et al. Automated FDD of multiple-simultaneous faults (MSF) and the application to building chillers[J]. Energy & Buildings, 2011, 43(9):2524-2532.

[12] 段侯峰. 基于遺傳算法優化BP神經網絡的變壓器故障診斷[D].北京：北京交通大學, 2008.(DUAN Houfeng. Transformer fault diagnosis based on BP neural network optimized by genetic algorithm[D].Beijing: Beijing Jiaotong University, 2008.)

[13] 苗君明，佟剛，楊者青. 基于遺傳算法的神經網絡優化[J]. 沈陽航空航天大學學報, 2005, 22(3):30-32.(MIAO Junming, TONG Gang, YANG Zheqing. Artificial neural networks optimizing on genetic algorithm[J]. Journal of Shenyang Institute of Aeronautical Engineering, 2005, 22(3):30-32.)

[14] 袁圃，毛劍琳，向鳳紅，等. 改進的基于遺傳優化BP神經網絡的電網故障診斷[J]. 電力系統及其自動化學報, 2017, 29(1):118-122.(YUAN Pu, MAO Jianlin, XIANG Fenghong, et al. Grid fault diagnosis based on improved genetic optimization BP neural network[J]. Proceedings of the CSU-EPSA, 2017, 29(1):118-122.)

[15] 周開利. 神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社, 2005.(ZHOU Kaili. Design of neural network model and its MATLAB simulation program[M].Beijing:Tsinghua University Press, 2005.)

[16] ZHONG Qiu, YANG Liping, TAO Ye, et al. An optimized crossflow plate-fin membrane-based total heat exchanger[J]. Energy & Buildings, 2015, 86:550-556.

[17] 施彥，韓力群，廉小親. 神經網絡設計方法與實例分析[M].北京：北京郵電大學出版社, 2009.(SHI Yan, HAN Liqun, LIAN Xiaoqin. Neural network design method and case analysis[M].Beijing: Beijing University of Posts and Telecommunications Press, 2009.)

[18] 虞和濟，陳長征，張省. 基于神經網絡的智能診斷[J]. 振動工程學報, 2000, 13(2):202-209.(YU Heji, CHEN Changzheng, ZHANG Xing. Intelligent diagnosis based on neural networks[J]. Journal of Vibration Engineering, 2000, 13 (2):202-209.)

[19] 劉亞兵，朱偉，劉玉龍，等. 電子膨脹閥常見故障分析[J]. 制冷與空調(北京), 2013, 13(7):29-32.(LIU Yabing, ZHU Wei, LIU Yulong, et al. Common malfunction analysis of electronic expansion valve[J]. Refrigeration and Air-conditioning, 2013, 13 (7):29-32.)