基于支持向量機的空調外機故障檢測方法*

徐強　梁治華　周松斌

基于支持向量機的空調外機故障檢測方法*

徐強1梁治華1周松斌2

（1.珠海格力電器股份有限公司，廣東 珠海 519000 2.廣東省科學院智能制造研究所，廣東 廣州 510070）

針對目前空調外機檢測主要采用的電參數定點閾值法無法達到最佳故障檢測準確率的現狀，提出一種基于支持向量機的空調外機故障檢測方法。首先，利用主成分分析對時序列的電參數數據去噪；然后，采用差值法得到溫度參數差值，并提取差值的區域特征；最后，將提取的區域特征輸入支持向量機進行分類。該方法應用于空調外機的整機檢測產線，有效降低檢測誤判率，提升產品質量。

空調外機；故障檢測；支持向量機；主成分分析

0 引言

隨著空調應用逐漸廣泛，空調產量和類型也日益增加，這對空調質量提出更高的要求。相比于空調內機，空調外機結構更復雜，作用更重要。研究快速、準確、有效的空調外機故障檢測方法具有重要意義[1]。

空調質檢一般基于多種傳感信號（如壓力、溫度等）進行融合判斷。目前，相關研究主要集中于傳感信號的特征提取和分類，通過對信號特征的分析，實現實時檢測和診斷。劉潤東等對中央空調系統常見的故障診斷方法分類和研究進展進行較全面地綜述[2]。陸鳳玲采用在線自適應主成分分析（principal compo- nent analysis, PCA）算法對制冷系統進行故障診斷，具有自適應強、計算速度快等特點[3]。吳振等將專家系統引入空調外機的商檢測試系統，實現空調在線性能和故障自動判定，減少檢驗誤判次數[4]。呂興宇等提出一種基于檢測工裝的變頻空調器故障診斷方法，將檢測周期分為幾個保護周期，對每個保護周期采集的數據進行判斷，可降低誤判率[5]。單彪等為了解決傳統PCA方法應用于含有噪聲干擾數據時產生較高誤報率和漏報率的問題，提出一種基于函數型數據分析的暖通空調系統故障檢測與診斷方法[6]。程煒為等利用堆疊自動編碼器神經網絡、Softmax分類器對家用空調外機的振動測量信號進行檢測[7]。歐陽城添等提出一種基于學習矢量量化神經網絡的空調壓縮機聲紋識別模型用于空調壓縮機故障診斷，將聲紋識別技術引入壓縮機故障診斷[8]。

目前，空調外機檢測方法主要是電參數（如壓力、溫度、電壓、電流等）定點閾值法，即在某時刻設定一個標準值，當該時刻的實際值小于（或大于）該標準值時，則判斷參數值異常，報警并停檢。但該方法易受外界干擾，影響空調外機檢測準確率。

為提高空調外機故障檢測準確率，本文對時序列的電參數數據進行降噪，提取電參數特征，并使用支持向量機（support vector machines, SVM）進行訓練和識別。

1 空調外機質量特征提取

1.1 空調外機故障

由經驗可知，空調外機故障主要是操作人員疏忽導致的各種管路接反異常，如表1所示。

表1 常見的空調外機故障

續表

1.2 數據降噪

空調外機每條管路都接有感溫包（溫度傳感器）。檢測過程中，管路接反故障主要通過與之匹配的感溫包的溫度數據體現，如圖1所示。

圖1　高壓感溫包溫度曲線

感溫包采集的溫度數據會受環境溫度、自身數值波動等情況影響，在提取特征前需進行數據降噪。PCA具有理論完備、計算簡單等特點，能同時進行降維、去噪以及特征向量提取，廣泛應用于數據壓縮、數據降噪等領域。

式(1)利用平方和展開、矩陣轉置、合并同類項等方法進行數學變換，可得

式(1)利用矩陣的跡相關知識，可得

式(1)轉變為

利用最優化方法，可得

復雜信號由簡單信號疊加而成，利用PCA這個特點，通過提取部分特征值的信號進行疊加，可濾掉噪音信號，進一步提取數據特征用于分類識別。

1.3 特征提取

對實際生產中的溫度曲線分析發現，低壓管路的溫度曲線趨勢與高壓管路的溫度曲線趨勢明顯不同。電參數定點閾值法針對高壓溫度和低壓溫度分別設定閾值，若設定時刻的溫度符合閾值要求則視為正常，反之亦反；但若該時刻出現干擾可能影響電參數定點閾值法的判斷，造成誤判。

以低壓溫度與高壓溫度為例，嘗試不同的特征提取方法。

2）區域均值法，分別提取低壓溫度與高壓溫度某段的均值作為特征，如式(8)所示。

3）差值法，低壓溫度與高壓溫度分別根據式(9)進行計算。

管路正常連接時，溫度差值是低壓溫度值減去高壓溫度值；如果管路接反，溫度差值則是高壓溫度值減去低壓溫度值。

根據不同的故障種類提取不同時間區間的均值作為該故障類型的特征，如式(10)所示。

2 空調外機故障檢測模型

本文采用SVM、卷積神經網絡（convolutional neural networks，CNN）作為檢測模型進行空調外機故障檢測研究。

SVM是由VAPNIK提出的一種基于結構風險最小化的統計機器學習方法[10]，在解決小樣本、非線性和高維模式識別問題時具有良好的性能。

CNN是近年來流行的深度神經網絡之一，可自動從大量數據中學習特征，并將結果向同類型數據泛化[11]。CNN架構如圖2所示。

圖2 CNN架構

3 實驗及結果

3.1 實驗準備

本實驗采用的數據來源于某公司產線，共采集9260臺空調外機的正常數據，每組數據約450s，包括高壓接口溫度、低壓接口溫度、化霜接口溫度、汽分出管溫度、過冷器汽出溫度、過冷器液出溫度、換熱器汽出溫度、汽分進管溫度。由于管路接反就是接口互換，即2個接口采集的溫度數據互換，因此可由9 260組正常數據模擬9 260組異常數據。

3.2 實驗結果

首先，利用PCA對空調外機數據去噪，結果如圖3所示。

圖3 去噪前后低壓接口溫度曲線

由圖3可知，PCA對空調外機數據去噪效果明顯。

然后，分別采用時差法、區域均值法和差值法提取數據特征，如圖4、圖5所示。

利用SVM對上述3種方法提取的特征分別進行訓練和測試，18 520組數據隨機打亂，60%用于訓練，40%用于測試，得到的結果如表2所示。

圖4 低壓接口溫度值經時差法處理

圖5 低壓接口與高壓接口溫度經差值法處理

表2 時差法、區域均值法和差值法判斷準確率對比

由表2可知，差值法的判斷準確率高于其他2種方法。

利用差值法分別對不同種類的正常和故障數據提取特征，用SVM進行訓練和測試，得到如圖6所示部分測試結果。

由圖6可知，該方法故障判斷準確率可達到99.986%，符合產品檢測要求。

為使檢測方法更加嚴謹，利用CNN進行對比實驗。通過CNN對去噪后的空調外機數據進行特征自動提取及分類，并與差值法+SVM分類方法、電參數定點閾值法進行對比，結果如表3所示。

表3 3種方法結果對比

由表3可知：差值法+SVM和CNN方法比電參數定點閾值法準確率高；雖然CNN的準確率略高于差值法+SVM，但所用時間大約是差值法+SVM的5倍?？紤]到現場生產效率，選擇差值法+SVM進行異常檢測。某臺空調外機的檢測結果如圖7所示。

圖7 某臺空調外機的檢測結果

經人工查找該臺外機故障，的確存在過冷器液出與排汽感溫包接反、化霜與過冷器液出感溫包接反的情況。如此這般驗證約1 000臺正常以及50臺異常空調外機，全部可準確識別，證實了基于支持向量機的空調外機故障檢測方法的有效性。

4 結論

本文提出一種基于支持向量機的空調外機故障檢測方法。首先，用PCA對不同管路的溫度傳感信號進行降噪處理；然后，對管路兩個接口的溫度數據做差值；最后，提取差值數據的區域特征，并將特征輸入檢測模型，實現故障檢測。對比研究SVM和CNN 2種檢測方法，檢測準確率基本相同，但SVM用時更少、檢測速度更快。目前，該檢測方法已在某公司推廣應用，取得較好效果。

[1] 朱德恒,談克雄.電氣設備狀態監測與故障診斷技術的現狀與展望[J].電力設備,2003,4(6):1-8.

[2] 劉潤東,劉成剛,李翠敏.故障診斷技術應用于中央空調系統的研究進展[J].建筑熱能通風空調,2016,35(10):41-46.

[3] 陸鳳玲.基于在線自適應PCA的制冷系統故障診斷技術及應用[D].重慶:重慶大學,2015.

[4] 吳振,林堅鋒,劉洋,等.專家系統在空調外機在線性能測試故障分析的應用[J].日用電器,2019(6):48-52.

[5] 青島海爾空調器有限總公司.一種基于檢測工裝的變頻空調器故障診斷方法: CN110686358A[P]. 2020-01-14.

[6] 單彪,堵俊,商亮亮.基于改進PCA空調系統傳感器故障檢測與診斷[J].控制工程,2020,27(4):765-770.

[7] 程煒為,劉芝庭,王宇華.深度學習在家用空調外機振動檢測中的應用[J].自動化與信息工程,2021,42(3):40-43,49.

[8] 歐陽城添,袁瑾.基于學習矢量量化的空調壓縮機聲紋診斷方法[J].計算機工程與設計,2021,42(9):2634-2641.

[9] 鄭新.基于EMD與PCA分析的滾動軸承故障特征研究[J]. 機械傳動,2016,40(1):54-58,63.

[10] VAPNIK V N. The nature of statistical learning theory[M]. Springer Verlag, New York, 1995.

[11] ZEILER M D, FERGUS R. Visualizing and understanding convolutional networks[C]. European Conference on Com- puter Vision. Springer International Publishing, 2013.

Fault Detection Method of External Air-conditioner Based on Support Vector Machine

Xu Qiang1Liang Zhihua1Zhou Songbin2

(1.Gree Electric Appliances, Inc. of Zhuhai, Zhuhai 519000, China 2.Institute of Intelligent Manufacturing, GDAS, Guangzhou 510070, China)

Aiming at the situation that the current air-conditioning detection mainly uses the threshold method for judgment and cannot achieve the best fault detection accuracy, a method based on support vector machine for air-conditioning fault detection is proposed. In this method, first, uses principal component analysis to denoise the electrical parameter time series, then obtain the D-value, extracts the regional features of the D-value, and finally inputs the extracted features into the support vector machine for classification. Using this method to detect actual data, and compare with the original method, this method is more effective. Applying this method to the air-conditioning inspection production line, effectively reduces the false detection rate and improves the quality of the product.

external air-conditioning; fault detection;support vector machine; principal component analysis

徐強，男，1986年生，本科，工程師，主要研究方向：傳感與檢測技術。

梁治華（通信作者），男，1987年生，碩士，主要研究方向：基于模式識別的故障診斷。E-mail: jy02559957@163.com

基金項目：廣東省重點領域研發計劃項目（2019B010154002）

TP29

A

1674-2605(2021)05-0007-06

10.3969/j.issn.1674-2605.2021.05.007