多溫冷藏車導風槽故障的智能識別*

□ 許世諾,鄒毅峰,劉廣海,曹文怡,李洪躍

(廣州大學 管理學院，廣東 廣州 510006)

1 引言

多溫冷藏車作為一種冷鏈運輸工具，更適合短途分配性運輸，與傳統的單溫冷藏車相比，可以提高冷藏車的利用效率，更好地保證食品的品質和安全[1-2]。多溫冷藏車與單溫冷藏車之間的不同之處在于多溫冷藏車是在單溫車的基礎上使用隔板將車廂內空間分隔為冷凍區和冷藏區，而導風槽是這兩個溫區的唯一冷風通道。但在實際運行過程中，導風槽可能會因為風機故障或裝載原因而不能向冷藏區供冷或只能部分供冷，從而使冷藏區無法持續維持恒定低溫。因此，為了保障生鮮食品品質，必須對導風槽的工作狀態進行準確監控。

目前，多溫冷藏車廂內一般布局2個無線溫度傳感器，分別監測冷藏區和冷凍區的環境溫度，另外還有1個監測外界氣溫的傳感器。但是這些傳感器并不能直接檢測出導風槽的故障，而且在冷藏車運行過程中也很難進行人工檢查。智能故障識別具備傳統識別方法無可比擬的優越性，可處理傳統故障識別方法不能解決的問題[3]。導風槽故障與溫度傳感器數據間存在相關性，因此理論上可以通過冷藏車運行過程中的溫度數據，借助智能識別技術和方法，對溫度數據進行機器學習，識別導風槽故障。當前冷鏈物流溫度數據收集技術已經較為成熟，為本研究的數據采集試驗設計提供了理論基礎，不過針對冷藏車制冷系統故障的研究更多聚焦于故障原因分析，對故障采用機械和人工識別方法[4-5]，尚未見運用人工神經網絡對多溫冷藏車故障進行智能識別。

本文采用MATLAB軟件對試驗數據進行機器學習，構建導風槽故障智能識別模型，提出構建導風槽故障識別系統的建議，在盡量不增加傳感器的條件下，通過實時的溫度數據監控導風槽的工作狀態。

2 數據采集試驗

為了獲取訓練數據，設計多溫冷藏車滿載配送實驗。采用自主設計的機械制冷和蓄冷雙模式的多溫冷藏車(圖1)，冷藏車尺寸參數：5m*2.04m*2m；實驗開始前，用內隔板把冷藏車廂分隔為冷凍區和冷藏區，空間比例為1∶1。目前，我國冷藏車基本采用機械制冷系統，因此本試驗也采用機械制冷系統，制冷機出風速度設置為6m/s。傳感器采用32個RC-5型溫濕度傳感器，精度為±0.2。在實驗開始前，對溫度傳感器進行了校準和時滯測試，數據采集間隔時間為10s。車廂內環境溫度傳感器布局如圖2所示，將冷藏車均分為6個截面，每一截面布置5個溫度傳感器，傳感器距離廂體10cm左右。

圖1 多溫冷藏車結構圖

圖2 車廂內溫度傳感器的布局

多溫冷藏車裝載情況如圖3所示，其中，冷凍區裝載4個托盤，每個托盤放入玉米粒(瓦楞紙紙箱裝，適宜儲存溫度：-18℃)；冷藏區也裝載4個托盤，每個托盤放入4層柑橘、一層6箱，一個托盤共24箱柑橘(瓦楞紙紙箱裝，適宜儲存溫度：3℃-8℃)。

圖3 多溫冷藏車裝載圖

在試驗開始前，開啟冷藏車溫控風機和導風槽，進行車廂預冷，冷凍室預冷溫度為-18℃，冷藏室為5℃，然后模擬多溫冷藏車滿載運輸條件，采集導風槽三種故障模式(回風槽堵塞、送風槽堵塞、導風槽風機關閉)下的溫度數據。首先是導風槽正常工作時的試驗，持續15h；導風槽正常狀態下的試驗結束后，進行回風槽50%堵塞的導風槽故障試驗，持續5h；回風槽堵塞狀態下的試驗結束后，先進行了20分鐘左右的正常制冷操作，使廂內溫度回歸導風槽正常狀態下的溫度，再進行送風槽50%堵塞的導風槽故障試驗，持續5h；送風槽堵塞狀態下的試驗結束后，先進行了60分鐘左右的正常制冷操作，廂內溫度回歸正常狀態，再進行風機故障試驗，持續5h。最后對試驗所采集的溫度數據進行數據清洗、異常數據剔除，整個試驗過程中，每個傳感器采集了11524條有效溫度記錄，把溫度數據按照時間序列進行整理排列，并根據試驗操作給數據進行分類標簽。標簽“1”代表冷藏車導風槽正常運行、標簽“2”代表導風槽的回風槽堵塞、標簽“3”代表導風槽的送風槽堵塞；標簽“4”代表導風槽的風機停止工作。

3 學習算法選擇

機器學習是一類算法的總稱，而這些算法能從大量歷史數據中挖掘其中隱含的規則，從而對新的數據做決策[6]。本次研究運用的是監督學習算法，監督學習主要有四個流程：選擇合適的模型、提供訓練數據、訓練出方法論、在新數據上使用方法論。而監督主要體現在了提供訓練數據這一流程，即直接提供已經分類好的數據。進行監督學習的步驟有：①構建問題，選擇模型；②收集已知數據，這時候會把數據分為訓練集和測試集，一部分用來訓練，另一部分用來測試和驗證；③訓練出理想模型；④對新樣本進行預測或是分類[7～8]。

在對所采集到的溫度數據進行處理時，使用的是MATLAB工具箱中的Classification Learner。機器學習也存在著許多不同的算法模型，本研究首先使用常用的決策樹、貝葉斯和K鄰近算法模型對試驗數據進行訓練，然后選擇具有分類準確度最高的算法作為學習算法。表1是采用冷藏區中1個環境溫度傳感器(A1)數據得到的識別準確度。

表1 不同模型對試驗數據訓練記錄

從表1可以看出，在采用1個溫度傳感器數據作為輸入時，精細樹算法的分類準確度是高的，達到69.20%，在普通筆記本電腦中也僅耗時1.55秒。因此，我們最終選用精細樹算法進行分類訓練。

決策樹是一種簡單但廣泛使用的分類器，它通過訓練數據構建決策樹，對未知的數據進行分類[9]。該樹的每個分支對應一個判斷條件，用決策樹分類，從樹的根節點出發，通過一層又一層的分支進行判斷，最終行進到葉子節點，該葉子節點對應分類結果，具體可見圖4。

圖4 決策樹分類原理圖

4 數據分析

分別用1個、2個廂內溫度傳感器的數據進行訓練，得到分類準確度如圖5和圖6所示。由圖5可知，當只輸入單個溫度點數據時，數據標簽被識別的準確率最高是B3列的69.6%，相當于現實生活中如果冷藏車的導風槽發生故障，在只有一個溫度傳感器存在的情況下，故障被準確識別的概率只有69.6%，而且這一個溫度傳感器只有在B3的位置(即冷藏區中間截面的左下方)上所采集的溫度數據才能帶來較高的準確率。因此，僅用1個廂內溫度傳感器，即使借助機器學習也不能對導風槽故障進行準確識別。

圖5 單個溫度點數據輸入的訓練準確度

圖6 兩個溫度點組合的訓練準確度

由圖6可知，當輸入兩個溫度點數據時，數據標簽被識別的準確率最高達到了92.2%，也就是說，假如冷藏區中配備了兩個溫度傳感器，導風槽不同類型的故障能有92.2%的概率通過精細樹算法被識別出來，但也只有當兩個溫度傳感器的位置在B2(冷藏區中間截面的右上方)和C4(內隔板右下方)所在的位置上才能達到該準確率。

另外，這只是所有數據標簽能被識別的平均準確度。由圖7混淆矩陣可以看出，在平均準確率已經達到了92.2%時，標簽“2”(回風槽故障)被識別的準確度只有79.2%，誤判率偏高。為了提高不同標簽類的識別準確率，我們進行了以下改進。

圖7 兩個溫度點組合訓練后的混淆矩陣

4.1 考慮時延因素

這里的時延因素主要是考慮到在滿載條件下，車廂內除了制冷系統提供冷源之外，預冷后的貨物也具有一定的冷量，而且冷氣循環本身也需要時間。因此，當導風槽發生故障時，車內各點溫度并不會立刻跟隨變化，可能存在一定的時間延遲。通過對比圖8和圖7，可以明顯地看到數據在進行30min時延處理后，三種故障模式識別準確度都達到了90%以上，整體平均準確度更是達到了97.9%。

圖8 考慮時延后的混淆矩陣(30min)

4.2 考慮外界溫度

當外界溫度變化大時，會在一定程度上會影響車廂內的溫度場。而且，冷藏車一般都配置監測外界溫度的傳感器，故障識別融合外界溫度并不增加傳感器的配備。分析表明，考慮外界環境溫度是必要的。由圖9可以看出，加入外界環境溫度數據一起訓練后的數據識別率都有一定的提高，整體準確率已經達到了99.9%，其中對于導風槽故障狀態和正常運作狀態已經可以達到100%的智能識別，而且對于其他導風槽故障類型也有較高的識別準確度。

圖9 兩個溫度點加入外界溫度后的混淆矩陣

5 結論

本文以多溫蓄冷車為研究對象，在車廂滿載的條件下設計導風槽故障實驗方案并收集實驗相關數據，采用精細樹算法對多溫冷藏車廂內部溫度數據進行模型訓練，得到較好的導風槽故障類型識別模型、最佳的溫度傳感器布點和具有較高的識別準確度。主要結論如下：

①進行導風槽故障智能識別，溫度傳感器布局方案為：在冷藏區布置2個溫度傳感器，其中一個布置在內隔板右上方，另一個在冷藏區中間截面的左上方，如圖10所示。另外，還要將外界溫度數據與廂內溫度數據融合，此時總體識別準確率最高可以達到99%，回風槽堵塞、送風槽堵塞和風機關閉的識別準確率分別為99.6%、99.7%、100%。

圖10 導風槽故障識別最佳的溫度傳感器布局

②考慮時延因素能夠顯著提高導風槽故障識別準確率，本研究提高了5%以上。

③溫度數據和機器學習相結合，可以在盡量利用冷藏車現有溫度傳感器的基礎上，借助云平臺和大數據分析技術，構建一個導風槽故障識別系統，有效監控多溫冷藏車運行過程中導風槽的工作狀態，保障食品品質和安全。