基于模糊神經網絡的中央空調智能故障診斷研究

張定波

（延安大學附屬醫(yī)院，陜西 延安 716000）

隨著智能化技術的快速發(fā)展，中央空調在群體生活和社會生產中扮演了越來越重要的角色。由于建筑物本身具有復雜性和多樣性，因此導致中央空調系統(tǒng)的故障診斷與處理工作難度較大。

在傳統(tǒng)的設備管理模式中，當設備出現明顯的故障時，終端將發(fā)出維修與故障信號，與此同時，技術人員需要根據設備故障實際情況，決定是否需要對設備進行維修。在這種情況下，不但設備需要被停用，甚至在嚴重情況下還需要調配專家或異地廠家負責人進行設備的排查與更換維修。總之，傳統(tǒng)的方法存在維護費用高、勞動強度大等不足。為解決傳統(tǒng)方法的不足，根據工作的具體需求，將模糊神經網絡作為基礎，進行中央空調智能故障診斷的研究，以此實現對故障的精準、快速排查，提高中央空調運行的可靠性。

1 基于模糊神經網絡的中央空調智能故障診斷方法設計

1.1 建立基本模糊神經元

對中央空調進行智能故障診斷，將模糊神經網絡引入到診斷過程中，確定模糊神經網絡中的基本結構單元——基本模糊神經元[1]。圖1 為神經元模型結構。

圖1 神經元模型結構

把神經元看成是一種簡單的生物細胞，一般都是使用MP 型的，其主要特征有：一是MP 型神經元是多個輸入和輸出的信息處理結構[2]；二是可以用一定的功能來表達神經元的內在狀態(tài)；三是神經元只受其內在狀態(tài)的影響。其中，神經元內在狀態(tài)的功能的表達式為

式中：μi為神經元的內在狀態(tài)；xj為神經元的輸入；wij為第j 個神經元的連通性；θi為初始階段設定的神經元閾值。

神經元只受其內在狀態(tài)的影響的關系函數為

式中：h 為常量，其計算公式為

為實現對神經元的直觀測定或量化，對具備上述特點的神經元進行模糊化處理[3]。利用基本模糊神經元接收離散、連續(xù)、確定或模糊的單位輸入，同時輸出被一個系統(tǒng)模糊變量基礎狀態(tài)從屬函數所決定的規(guī)范化數值[4]。采用單輸入和單輸出的形式，二者之間存在關系式為

式中：Xi為輸入；Yi為輸出。將上述經過模糊化處理的神經元作為后續(xù)中央空調智能故障診斷的基本單元。

1.2 構建中央空調智能故障模糊診斷數學模型

基于中央空調的運行特點，構建其故障特征集合（即中央空調可能出現的所有故障特征集合）為

式中：G 為中央空調故障特征集合，集合中的元素g 為各種可能出現的故障現象[5]。再構建故障原因集合（即中央空調所有可能出現的故障原因集合）為

式中：H 為中央空調故障原因集合，集合中的元素h 為各種可能出現的故障原因[6]。將故障特征向量與故障原因向量之間存在的模糊關系構建的矩陣作為中央空調智能故障模糊診斷數學模型，可寫作

式中：R 為故障特征向量和故障原因向量之間的關系。式（7）中，rij的取值為rij∈[0，1]，i 的取值為i∈[1，m]，j 的取值為j∈[1，n]。利用上述構建的矩陣可以實現對某一故障現象G 到故障原因H上的模糊關系。通過rij實現故障現象和故障原因的映射，相關程度的量化模糊值愈大，說明其對失效現象的影響愈大；相反，相關程度的量化模糊值愈小，說明其對失效現象的影響愈小[7]。同時，rij數值的可信度也是影響最后診斷結果是否可靠的重要因素，其初始值應結合經驗和專家的統(tǒng)計分析等因素來確定。同時，利用學習機制對上述構建的中央空調智能故障模糊診斷數學模型進行訓練。

1.3 模糊診斷智能推理

中央空調系統(tǒng)的故障特征向量和故障原因向量的關系，用模糊矩陣進行分析，得到各種故障原因的從屬程度[8]。假設某一被診斷的中央空調可能表現出的故障特征有m 種，故障特征集為A={a1，a2，…，am}，可能出現的故障原因有n 種，故障原因集為B={b1，b2，…，bn}，則故障特征模糊向量為

式中：μa為診斷對象具有某一故障時的隸屬度。進一步分析得出，故障特征模糊向量與模糊算子具有模糊關系為

2 故障診斷實例

2.1 基本情況

本次研究以某地區(qū)制藥生產單位為例，對此單位的中央空調系統(tǒng)基本參數進行描述分析，見表1。

表1 中央空調系統(tǒng)基本參數

2.2 故障分析

在故障診斷中，將故障信號（即從中央空調作業(yè)現場獲取的異常信號）進行偏差分析，根據故障分析結果，判斷中央空調當前出現的故障類型。

并非所有故障信號在設備運行中都可以呈現出對應的運行異常，比如中央空調某個指標在運行中高于預設閾值，此時中央空調運行將出現明顯的故障行為，對應的現象就會被視為存在故障或異常現象；反之，中央空調某個指標在運行中低于預設閾值，此時中央空調無明顯的故障行為，即沒有顯著的癥狀，但并不代表此時中央空調無故障。為實現對多種不同類型故障的精準識別，最好的方法是選擇合適的隸屬度函數，對故障現象與行為進行模糊處理，并根據故障的隸屬程度，反映各類故障形式的傾向性。參照上述內容，設定中央空調的多種故障形式與正常運行范圍，見表2。

表2 中央空調的多種故障形式與正常運行范圍

在此基礎上，根據中央空調在真實條件中的運行情況，設計其運行過程中的監(jiān)控方案，以此實現對中央空調的智能監(jiān)控，見圖2。

圖2 中央空調智能監(jiān)控方案

按照上述方式，采集中央空調作業(yè)數據，使用模糊神經網絡，進行采集到的作業(yè)數據的誤差訓練，模糊神經網絡對中央空調作業(yè)數據的誤差訓練結果見圖3。

圖3 模糊神經網絡對中央空調作業(yè)數據的誤差訓練結果

從圖3 可以看出，訓練次數達到600 次后，誤差為0。

按照上述方法，進行中央空調運行中故障的智能診斷。根據該中央空調存在的風機調速器故障、加濕器故障、回水閥故障等故障，在此基礎上，從多種渠道采集中央空調運行數據，進行故障診斷。在故障診斷過程中，將運行數據在模糊神經網絡前端輸入，根據輸出值，進行其故障診斷。當輸出值在0～0.4 范圍內時，證明中央空調的該部件無故障；當輸出值在0.4～0.6 范圍內時，證明中央空調的該部件存在故障，但故障并未對中央空調的運行直接造成影響；當輸出值＞0.6 時，說明中央空調的該部件存在故障，且故障已經對中央空調的運行造成了影響。按照上述方式進行中央空調故障智能診斷，其結果見表3。

表3 中央空調故障智能診斷結果

3 結論

根據上述內容，得到如下結論。

1）參照表3 內容可以看出，本文使用基于模糊神經網絡的故障診斷方法，對GMV-NHDR36P/A變頻中央空調進行故障診斷，根據故障智能診斷輸出值，識別到該中央空調存在風機調速器故障、加濕器故障、回水閥故障，與已知的故障情況一致，由此表明本文設計的故障診斷方法可以實現對中央空調在運行中故障的精準診斷。

2）在上述結果的基礎上，進行表3 內容的進一步分析，分析后發(fā)現，風機調速器故障輸出值、回水閥故障輸出值＞0.6，加濕器故障值在0.4～0.6之間，說明風機調速器故障輸出值、回水閥故障已經對中央空調運行造成了一定的影響，屬于顯性故障；而加濕器故障并未對空調運行造成影響，屬于隱性故障。綜合上述分析可以證明，本文設計的方法不僅可以實現對中央空調故障的排查，還能對中央空調運行過程中存在安全隱患的部件進行排查，以此種方式，為中央空調的安全、穩(wěn)定、可靠運行提供進一步的技術支持與保障。