車載空調制冷系統故障診斷研究

翟晨旭, 江 斌, 孫東方, 張弘強, 唐海波, 張 銳

(1.合肥工業大學 汽車與交通工程學院,安徽 合肥 230009; 2.合肥安信瑞德精密制造有限公司,安徽 合肥 230061)

0 引 言

車載空調系統為乘客創造了良好的乘坐環境,但由于空調制冷系統長時間運行,經常會出現各種故障,而目前對空調系統的檢修通常是在出現故障或進入維修周期時才會進行,這就意味著浪費了時間,縮短了車輛服務周期,加大了維修成本。為解決上述問題,本文通過引入智能故障診斷方法有效診斷出空調系統可能出現的故障類型,延長車輛服務周期。

國內外學者針對故障診斷做了大量理論和實驗研究,使其應用領域從傳統的機械擴大到航空航天、化工、核電站及醫學等眾多領域。文獻[1]借助故障樹分析法(fault tree analysis,FTA)對北斗系統裝備定位異常進行研究,分析各個故障之間的關系,使用與門、或門繪制出北斗系統定位異常的故障樹,借助布爾運算法則對繪制的故障樹進行定性分析,為北斗系統改進和維修提供意見;文獻[2]對數控機床的機械故障信號進行分析,提出一種固定結構快速傅里葉變換(fast Fourier transform,FFT)改進算法,簡化了運行步驟,提高了運算效率;文獻[3]針對電力變壓器故障識別問題引入決策樹算法,實現了對電力變壓器低溫過熱、高能放電等5種故障狀態的識別,比其他方法速度快、準確率高;文獻[4]研究了光伏發電故障診斷,引入反向傳播(back-propagation,BP)神經網絡和L-M(Levenberg-Marquardt)算法,實現了對光伏發電開路、異常老化等5種故障狀態的識別;文獻[5]在電機軸承故障中引入支持向量機(support vector machine,SVM),通過對比二分類與多分類的方式診斷準確率,并在不同方式下采用不同核函數,以確定最優的分類方式;文獻[6]因徑向基函數(radial basis function,RBF)神經網絡泛化能力較差而采用決策樹算法來確定網絡中心,并且設計出一種新的自適應觀測器,可以更好地適應非線性系統,實現故障的檢測和診斷。

本文針對車載空調制冷系統建立一維仿真結果模型,通過仿真得出機組各種故障數據;借助MATLAB平臺搭建出BP神經網絡故障診斷模型和決策樹故障診斷模型,并通過對比2種不同故障診斷模型的準確率來確定最優的診斷策略,從而為空調制冷系統的故障診斷提供精確的診斷策略。

1 系統仿真模型搭建與分析

1.1 車載空調制冷系統仿真模型

車載空調制冷系統是由壓縮機、冷凝器、蒸發器、熱力膨脹閥及一些輔助設備構成。通過調用仿真軟件空調系統元件庫中相應的各部分組件,把各個組件按照相應的順序連接起來,得到的車載空調制冷系統模型如圖1所示。

圖1 空調系統模型

1.2 故障仿真分析

借助控制器,通過控制的方式仿真空調系統中壓縮機轉速降低、制冷劑泄漏、蒸發器風量降低、冷凝器風量降低4種故障。對冷凝器風量降低故障的研究發現,當冷凝器風量降低時會引起壓縮機排氣溫度和排氣壓力、空調系統制冷量和性能系數(coefficient of performance,COP)呈現出顯著的變化趨勢。

影響冷凝器風量的因素有:

1) 當過濾網臟堵嚴重時,空氣在流動過程中受到的阻力加大,導致冷凝器風量降低。

2) 當冷凝風機電機故障時,如轉速降低,也會導致風量減少。

冷凝器風量降低時,壓縮機排氣溫度和排氣壓力、空調系統制冷量和COP隨冷凝器風量的變化規律如圖2所示。

圖2 壓縮機排氣溫度和排氣壓力、空調系統制冷量和COP隨冷凝器風量變化的規律

從圖2a可以看出,當冷凝器風量降低時,壓縮機排氣溫度呈現上升的趨勢。如果排氣溫度過高,會導致潤滑油的黏度降低、性能下降;當溫度超過潤滑油工作的最高溫度會導致潤滑油分解,從而使壓縮機軸承潤滑失效及密封效果變差。

從圖2b可以看出,當冷凝器風量降低時,壓縮機排氣壓力呈現顯著上升的趨勢。若壓縮機排氣壓力過高,則導致油壓過高、密封性能變差,從而引起機油與制冷劑的泄漏,縮短壓縮機的使用壽命[7]。因此,為了避免故障引起更加嚴重的系統部件損壞,在空調系統發生故障時要快速發現故障并判別故障發生的位置,以方便迅速檢修。

從圖2c、圖2d可以看出,空調系統的制冷量和COP均隨著冷凝器風量下降而下降。若不及時進行維修,在空調系統工作環境較惡劣、車內人員較多時,乘坐環境的舒適度則會變得非常差。因此,為了給乘客創造良好的乘坐環境,應及時發現空調系統故障并進行維修。

2 應用BP神經網絡故障診斷

2.1 BP神經網絡理論

由于線性神經網絡不能解決線性不可分問題,于是Parallel distributed procession小組提出反向傳播誤差的方法,即BP神經網絡,它是由多層網絡構成,不同層神經元之間通過傳遞函數連接,同一層神經元之間無連接[8]。空調系統故障受很多因素影響,這些因素之間具有一定的關系,而BP神經網絡具有良好的非線性映射能力與泛化能力,能夠通過學習很好地解決空調系統故障診斷問題。BP神經網絡結構如圖3所示。

圖3 BP神經網絡結構示意圖

2.2 BP神經網絡設計

BP神經網絡故障診斷模型設計主要是針對網絡層數和每一層節點的個數。BP神經網絡設計原則如下。

1) BP神經網絡層數。神經網絡層數設計的首要問題是確定隱含層層數的數量,大多數情況下1層隱含層已經可以滿足要求,因此本文選取單層隱含層,輸入層、輸出層均為1層。

使用STLINK 作為仿真器，當LDC1000 檢測到存在金屬或硬幣時，它會比較檢測到的數據。然后，在軟件中設置改變閾值以區分和識別導線和硬幣的閾值，并且設置硬幣閾值是700。

2) 節點數目。輸入層節點數應根據空調制冷系統故障發生時所選的特征參數維數來確定;輸出層節點數根據需要的目標結果來確定,通常在故障診斷中將所研究故障類型的數目作為輸出層節點數目。隱含層節點數對BP神經網絡性能有很大的影響,一般來說隱含層節點數目越多越好,但是節點數目過多會導致網絡訓練時間過長,而節點數目過少有可能導致訓練精度不能滿足要求,因此應恰當選擇隱含層節點數目。目前,關于隱含層節點數的確定沒有精確的計算公式,通常采用經驗公式,本文選用的經驗公式[9]如下:

(1)

其中:m為輸入層節點個數;n為輸出層節點個數;a為[0,10]區間中的一個常數;M為隱含層節點個數。

本文選擇空調制冷系統發生故障時壓縮機進出口壓力、溫度等9個特征參數作為輸入向量;壓縮機轉速降低、制冷劑泄漏、蒸發器風量降低和冷凝器風量降低4種故障作為輸出的目標結果。因此,車載空調制冷系統BP神經網絡故障診斷模型的層數和每層節點個數見表1所列,輸出層定義和故障類型對應的編號見表2所列。

表1 車載空調制冷系統故障診斷的BP神經網絡結構

表2 BP神經網絡輸出層設計和故障類型編號

2.3 BP神經網絡故障診斷結果

BP神經網絡空調制冷系統故障診斷流程為:① 結合空調系統故障數據和故障類型設計網絡;② 選取測試數據測試BP神經網絡性能。BP神經網絡訓練數據是在每種故障的樣本數據中選取10組數據,共40組數據樣本,另外選取測試數據樣本40組。在MATLAB軟件中構建空調制冷系統BP神經網絡故障診斷模型,并對構建的神經網絡模型進行測試。BP神經網絡故障診斷結果如圖4所示。

圖4 BP神經網絡故障診斷結果

圖4中,“○”與“+”兩者重合表示故障診斷正確,兩者不重合表示故障診斷錯誤。由圖4可知,測試結束后共計3個樣本的實際樣本故障類型與仿真樣本故障類型不一致,因此采用BP神經網絡進行車載空調制冷系統故障診斷的準確率為92.5%。

3 應用決策樹故障診斷

3.1 決策樹理論

決策樹學習是從一組雜亂無章無規則的數據中推理出數據之間相應關系的一種算法。決策樹學習是根據屬性值的不同,從最上部根節點開始,根據屬性值向下排列到某一個葉子節點進行分類[10]。決策樹的結構如圖5所示。

圖5 決策樹結構示意圖

目前,決策樹算法由最初的ID3算法不斷改進發展為C4.5、CART算法,本文采用CART算法。CART算法又被稱為CART決策樹算法,可以對連續屬性和離散屬性很好地劃分,常被用在分類領域。與ID3、C4.5不同的是,CART決策樹算法采用基尼指數來求解根節點的屬性值,然后可從根節點向下構建決策樹模型[11]。GINI指標用來衡量所要度量的雜質度,其計算公式[12]如下:

(2)

其中:N為分類標簽的數目;pk為類別k在樣本集合A中出現的概率;IGINI為基尼指數,其值越小,說明樣本越純凈。

3.2 決策樹故障診斷結果

決策樹故障診斷流程為根據數據創建空調系統決策樹分類規則和測試決策樹性能。選取的訓練數據、測試數據與BP神經網絡所選擇的數據相同。在MATLAB軟件中創建決策樹模型,空調故障類型所對應的編號與BP神經網絡相同。采用決策樹方法構建的車載空調制冷系統決策樹結構如圖6所示,診斷結果如圖7所示。

圖6 車載空調制冷系統故障診斷的決策樹結構

由圖6可知,空調制冷系統故障診斷的決策樹結構從決策樹根節點開始,可以得到以下6條分類規則:① 若x4≥16.067 1,則故障類型為冷凝器風量降低; ② 若x4<16.067 1、x3≥2.246 4且x5≥50.637 6,則故障類型為制冷劑泄漏; ③ 若x2<16.067 1、x3≥2.246 4且x5<50.637 6,則故障類型為壓縮機轉速降低; ④ 若x4<16.067 1、x3<2.246 4且x5≥49.986 4,則故障類型為制冷劑泄漏; ⑤ 若x4<16.067 1、x3<2.246 4、x5<49.986 4且x4<15.560 5,則故障類型為制冷劑泄漏; ⑥ 若x4<16.067 1、x3<2.246 4、x5<49.986 4且x4≥15.560 5,則故障類型為蒸發器風量降低。

圖7中,“○”和“+”所代表的意義與圖4相同。由圖7可知,每種故障選取的測試數據為10組,共40組測試數據樣本,在采用決策樹方法進行空調制冷系統故障診斷的結果中共有8個樣本的實際樣本故障類型與仿真樣本故障類型不同,因此,采用決策樹方法進行車載空調制冷系統故障診斷的準確率為80.0%。

3.3 診斷結果

針對空調制冷系統常見的4種故障,分別采用BP神經網絡和決策樹2種模型進行故障診斷。診斷結果表明:采用BP神經網絡進行空調制冷系統故障診斷準確率為92.5%;采用決策樹進行空調制冷系統故障診斷準確率為80.0%。

4 結 論

本文針對車載空調制冷系統常見的4種故障類型,建立了空調制冷系統一維仿真模型及故障診斷模型,得出如下結論。

1) 當冷凝器風量降低時會導致壓縮機排氣溫度和排氣壓力上升、系統制冷量和COP下降。排氣溫度過高會導致潤滑油黏度降低,使得壓縮機軸承潤滑失效及密封性能變差,縮短壓縮機的使用年限。

2) 車載空調制冷系統故障診斷采用BP神經網絡模型準確率為92.5%,而采用決策樹模型進行故障診斷的準確率為80.0%,因此BP神經網絡模型更適用于車載空調系統的故障診斷。