變風量空調閥門卡死故障檢測閾值在線訓練策略

楊思鈺，楊學賓，李鑫海，王 吉

(1.東華大學 環境科學與工程學院, 上海 201620;2.中國艦船研究設計中心 上海分部, 上海 201108)

暖通空調系統中25%～50%的能耗是由故障引起的,精確的故障檢測與診斷(fault detection diagnosis,FDD)技術可節省的能耗約為空調總能耗的10%～40%[1]。基于專家規則的故障檢測方法需要給定閾值,且過高的閾值可能延遲甚至無法檢測出故障,而過低的閾值則容易導致較高的故障誤報率。根據專家經驗選取的固定閾值,通常依賴專家的經驗判斷,針對新型或使用范圍較小而缺少專家經驗積累的空調系統可能并不適用。此外,隨著空調系統運行時間的推移,基于專家經驗的判定閾值的故障檢測率也會隨之降低。在獲取運行數據有限時,根據專家經驗獲取閾值具備一定的優勢,但是,隨著網絡技術和人工智能技術在空調系統中的應用,實際系統采集和存儲的數據越來越多,采用數據挖掘的方法分析這些數據,可以提取具體空調系統的運行性能特征。例如,基于某種已有空調系統成功運行的專家經驗,采用專家規則檢測故障時,可以分析無故障運行數據獲取閾值,以提高基于規則的故障檢測方法的準確性。

國內外學者針對依據專家經驗的閾值進行了大量的研究。House等[2]提出了用于空氣處理機組(air handling unit, AHU)故障檢測的專家規則集,通過咨詢暖通空調專家選取閾值,并使用現場數據與仿真技術驗證規則的有效性及閾值的合理性。Schein等[3]提出AHU性能評估規則,通過啟發式的方法確定規則中的閾值。Wang等[4]提出26條空調系統性能及能量相關的專家規則,使用半年的無故障歷史運行數據訓練閾值,有效檢測出AHU的22種故障。Zhao等[5]采用貝葉斯網絡的方法診斷AHU故障,其中閾值的選取參考NIST 6964[6]。Dey等[7]開發一種基于貝葉斯信念網絡的故障診斷工具,模擬專家的診斷思路,其中規則中的閾值根據NIST[8]確定。部分空調FDD相關研究中的專家規則閾值統計如表1所示。

表1 部分研究中的專家規則閾值統計Table 1 Rule-based thresholds statistics in some studies

此外,在自適應的動態閾值方面也有學者做了大量的研究。Cui等[12]提出一種用于離心式冷水機組FDD的在線自適應閾值策略,從樓宇管理系統的中央服務器中檢索空調冷卻器的運行數據,采用在線自適應方案來確定故障檢測閾值。Wang等[13]將測量值和估計值之間的殘差與自適應閾值比較,以檢測空調系統的異常。Wang等[14]通過局域網在線采集空調系統實時運行數據, 提出一種在線自適應方法以估算隨系統變化的閾值。Gao等[15]采用在線自適應閾值,來減輕參考模型的擬合不確定性及測量不確定性對閾值的影響。Zhou等[16]使用訓練數據和監測數據確定在線自適應閾值,用以判斷性能指標的估計值與計算值或監測值之間的殘差是否在正常工作范圍內。以上在線閾值估計方案需在特定操作條件下,利用性能指標的數學公式評估建模誤差和測量誤差,進而得出自適應閾值。該方法在實際工程中實施較為困難,且在適用條件上也存在一定的局限性。因此需進一步將數據挖掘應用于閾值的確定上,空調系統只需要提供運行數據,即可訓練出合適的閾值,這對于提高基于規則方法的故障檢測率,具有極其重要的研究意義。

本文采用一種變風量空調在線閾值訓練策略,以送風機功率和冷凍水流量相關規則為例,訓練3種置信度下基于規則的故障檢測用閾值,并將訓練的閾值用于實際變風量空調故障測試及無故障測試,對該閾值訓練方法進行驗證。

1 在線訓練策略

1.1 在線數據采集

在線數據采集流程如圖1所示。由圖1可知,傳感器測量空調設備的運行數據,通過控制器將信號傳輸到物聯網網關,網關通過無線網絡將數據發送至云服務器,因此云服務器中存儲著大量實時運行數據。云組態為工業物聯網平臺的數據展示終端形式之一,通過一種組態軟件,在線讀取云服務器中空調系統實時運行的數據[17]。

圖1 變風量空調系統在線數據采集流程Fig.1 Process of online data acquisition of variable-air-volume air conditioning systems

1.2 閾值訓練方法

基于專家規則的故障檢測閾值訓練步驟如圖2所示。由圖2可知,閾值訓練方法包括擬合規則的變量參照值、計算測量值與參照值的殘差、設置置信度、劃分殘差樣本等步驟。

圖2 基于專家規則的故障檢測閾值訓練步驟Fig.2 Steps of threshold training for the expert-rule-based fault detection

(1)

(2)

式中:i為采樣點;xi為實測值與參照值之間的殘差值;n為樣本個數。

2 案例分析

選取送風機功率和冷凍水流量相關規則開展研究,進行在線閾值訓練。具體規則如式(3)和(4)所示。

|Wsf-f(Fsa,psa)|≤εsf

(3)

|Fw-f(Nvlvcc)|≤εFw

(4)

式中:Wsf為送風機功率,W;Fsa為送風量,m3/h;psa為送風壓力,Pa;f(Fsa,psa)表示送風機功率參照值,W;εsf為送風機功率閾值,W;Fw為冷凍水流量,m3/h;Nvlvcc為水閥開度,%;f(Nvlvcc)表示冷凍水流量參照值, m3/h;εFw為冷凍水流量閾值,m3/h。

2.1 空調系統

變風量空調系統實現總風量控制,該系統包括AHU及4個送風末端。以送風末端風量需求值總和作為送風量設定值,根據比例-積分-微分控制調節風機頻率,以實現送風量的調節。變風量AHU共有4種工作模式[19]:模式一為加熱;模式二為室外新風制冷;模式三為全新風機械制冷;模式四為最小新風機械制冷。通常在不同AHU的運行模式下使用不同的規則進行故障檢測。本文設定變風量AHU的工作模式為最小新風機械制冷。

2.2 數據采集

通過組態軟件,在線采集云服務器中空調系統不連續的9 d無故障運行數據,其中包含7-9月的數據。數據采集參數包括送風機功率、送風量、送風壓力、水流量及水閥開度。采樣時間為9:00至17:00,采樣步長為1 min。

2.3 參照值擬合

建立數學關系以計算送風機功率與冷凍水流量的參照值。送風機功率與送風量及送風壓力有關,冷凍水流量與水閥開度有關。將送風量Fsa、送風壓力psa和水閥開度Nvlvcc作為擬合自變量,采用二次多項式函數擬合9 d夏季無故障運行數據。送風機功率與水流量參照值的擬合如式(5)和(6)所示。

f(Fsa,psa)=2 842.069-0.255 642×Fsa+

0.536 347 2×psa+0.000 004 145 146×Fsa×

Fsa-0.001 048 41×psa×psa+

0.000 945 347 1×psa×Fsa

(5)

f(Nvlvcc)=-9.153 475+0.290 651 63×

Nvlvcc-0.001 342 662 4×Nvlvcc×Nvlvcc

(6)

送風機功率參照值的擬合結果如圖3(a)所示,送風機功率擬合值的標準差為228.055、相關系數為0.966、擬合優度為0.934。冷凍水流量參照值的擬合結果如圖3(b)所示,冷凍水流量擬合值的標準差為0.175、相關系數為0.987、擬合優度為0.974。由于圖3涵蓋多天的訓練數據,因此自變量(Fsa,psa,Nvlvcc)不連續,導致圖3中的數據不連續。

圖3 送風機功率與冷凍水流量參照值的擬合結果Fig.3 Fitting results of the reference value of supply fan power and chilled water flow

2.4 閾值訓練

設置的置信度越高,顯著性水平則越低,因此置信度推薦設置為85%～95%。本文分別選取置信度推薦范圍的2個極端值(85%、95%)和中間值(90%)的置信度,劃分殘差樣本以確定閾值。閾值訓練結果如圖4所示。由圖4(a)可知,3種置信度下,規則|Wsf-f(Fsa,psa)|≤εsf中的送風機功率閾值的訓練結果分別為240、300、380 W。由圖4(b)可知,3種置信度下,規則|Fw-f(Nvlvcc)|≤εFw中的冷凍水流量閾值訓練結果分別為0.18、0.23、0.29 m3/h。

圖4 3種置信度下送風機功率與冷凍水流量閾值的訓練結果Fig.4 Training results of the threshold of supply fan power and chilled water flow under three confidence levels

7月25日室外溫度變化趨勢如圖5所示。由圖5可知,室外溫度變化導致負荷波動較大。而數學擬合關系中,冷凍水流量參照值僅考慮了水閥開度的影響,未考慮負荷變化產生的影響,使得這天的實測值與參照值的殘差偏離較大,從而導致圖4(b)中前480個樣本的殘差明顯超出正常范圍。

圖5 7月25日室外氣溫變化趨勢Fig.5 Variation trend of outdoor temperature on July 25

3 驗證與分析

利用人工故障和無故障的運行數據,分別進行閥門卡死故障和無故障測試,以驗證上述閾值訓練策略的可靠性。故障檢測率為規定范圍內變量實測值與參照值之間的殘差超出閾值的樣本數占總檢測樣本數的百分比。無故障檢測率為規定范圍內未超出閾值的殘差樣本數占總檢測樣本數的百分數。

3.1 故障測試

AHU新風閥卡死故障會導致規則|Wsf-f(Fsa,psa)|≤εsf出現異常,冷凍水閥門卡死故障會導致規則|Fw-f(Nvlvcc)|≤εFw出現異常。利用手動調節新風閥及冷凍水閥閥位卡死在30%位置處,設置新風閥、冷凍水閥卡死故障,分別采集故障運行數據進行閥門卡死故障測試。采集實際變風量空調系統1 d的故障運行數據,計算故障狀態下變量實測值與參照值的殘差,在置信度分別設置為85%、90%、95%的訓練閾值下,檢測變風量空調AHU新風閥卡死及冷凍水閥卡死故障,以驗證基于訓練閾值的專家規則故障檢測性能。3種置信度下閾值的故障測試結果如圖6所示。

圖6 3種置信度下AHU新風閥卡死及冷凍水閥卡死的故障測試結果Fig.6 Test results of AHU fresh air damper stuck fault and chilled water valve stuck fault under three confidence levels

由圖6(a)可知,采用規則|Wsf-f(Fsa,psa)|≤εsf檢測AHU新風閥卡死故障。當置信度設置為85%時,送風機功率閾值訓練結果為240 W,故障檢測率為96.8%;當置信度為90%時,送風機功率閾值為300 W,故障檢測率為92.5%;當置信度為95%時,送風機功率閾值為380 W,故障檢測率為82.5%。

由圖6(b)可知,采用規則|Fw-f(Nvlvcc)|≤εFw檢測AHU冷凍水閥卡死故障。在置信度分別為85%、90%、95%時,訓練的冷凍水流量閾值分別為0.18、0.23、0.29 m3/h,故障檢測率分別為99.3%、98.9%、98.6%,即分別表示99.3%、98.9%、98.6%的殘差樣本超出閾值。由此可知大部分殘差樣本明顯超過閾值,完成故障檢測,但也存在少部分樣本無法檢測出故障。

3.2 無故障測試

采集實際變風量空調系統1 d的正常運行數據進行無故障測試(注:該天氣象平穩,室外負荷的變化規律符合當前季節的特征,具有一定的代表性)。在3種置信度下,送風機功率及冷凍水流量閾值的無故障測試結果如圖7所示。由圖7(a)可知,采用規則|Wsf-f(Fsa,psa)|≤εsf進行無故障測試,當置信度分別為85%、90%、95%時,送風機功率閾值訓練結果分別為240、300、380 W,無故障檢測率均為100.0%,故障誤報警的概率為0。

圖7 3種置信度下送風機功率及冷凍水流量閾值的無故障測試結果Fig.7 Fault-free test results of the threshold of supply fan power and chilled water flow under three confidence levels

由圖7(b)可知:當置信度設置為 85%時,冷凍水流量閾值的訓練結果為0.18 m3/h,無故障檢測率為 77.0%,殘差樣本23.0%超出閾值,發生故障誤報警;置信度為90%時,冷凍水流量閾值的訓練結果為0.23 m3/h,無故障檢測率為 84.7%,殘差樣本15.30%超出閾值,發生故障誤報;置信度為95%時,冷凍水流量閾值為0.29 m3/h,無故障檢測率為100.0%,未發生故障誤報警。

3.3 結果分析

AHU閥門卡死故障測試及無故障測試結果匯總如表2所示。

表2 AHU閥門卡死故障測試及無故障測試結果Table 2 The results of testing for AHU damper and valve stuck faults and fault free

由表2可知,在置信度為85%、90%、95%時,采用訓練閾值進行故障測試,閥門卡死的故障檢測率均大于80.0%,正常運行的無故障檢測率均大于75.0%。無故障測試時,送風量及送風壓力均在正常范圍內,送風機功率測量值與參照值之間的殘差樣本分布較穩定。由于圖4(a)訓練閾值時采用10 d不連續的運行數據,而圖7(a)為訓練閾值時采用1 d無故障數據,因此圖7(a)中的數據波動較不明顯。在3種置信度下,采用訓練的送風機功率閾值進行無故障測試時,無故障檢測率均為100.0%。采用訓練的冷凍水流量閾值進行無故障測試時,無故障檢測率偏低,可能是由于室外溫度在不斷上升,水閥開度在不斷增大,但冷凍水流量并未立即增大。

由此可知,當置信度為85%～95%時,閾值訓練輸入的置信度設置得越大,導致訓練的送風機功率閾值與水流量閾值越大,則故障檢測率越低,而無故障檢測率越高。實際測試過程中,外界的負荷變化及傳感器測量存在誤差且會影響運行數據,從而干擾閾值訓練結果,這導致有些測試結果無法達到100.0%,但從故障檢測率與無故障檢測率的統計結果來看,不影響在線策略的實際應用。根據故障檢測率和無故障檢測率以及用戶對于測試結果的可接受程度調整置信度。

4 結 論

本文采用一種在線閾值訓練策略,通過控制器、物聯網網關、無線網絡等設備實現在線實時數據采集,并將置信度作為外部輸入,訓練不同置信度下基于規則故障檢測方法的閾值。以總風量法控制的變風量AHU為例,將置信度分別設置為85%、90%、95%時,送風機功率閾值的訓練結果分別為240、300、380 W,冷凍水流量閾值訓練結果分別為0.18、0.23、0.29 m3/h。利用訓練閾值進行AHU閥門卡死故障測試與無故障測試,故障檢測率均大于82.0%,系統正常運行時無故障檢測率大于77.0%。該策略將數據挖掘方法應用于專家規則的閾值確定,若空調存在運行數據,則無需依靠專家經驗即可獲取合適的閾值,提高基于規則方法的故障檢測率。下一步會將該策略應用到其他類型的空調系統中,測試更多的運行數據進一步驗證該方法,也為動態的調整歷史參照數據或在線更新閾值奠定了研究基礎。