基于模糊識別的制冷系統故障診斷研究*

楊 超

（百色職業學院，廣西 百色 533000）

隨著社會的發展，各類制冷設備的使用量越來越大，設備故障不可避免地也越來越頻繁[1]。制冷系統故障會直接導致制冷效果下降，影響食品及藥品的保存，給人們的生活帶來不便。傳統的制冷系統故障診斷主要依賴維修人員的經驗判斷，效率比較低下，無法快速找出故障原因，針對此問題，開發自動化的制冷系統故障診斷與預測方法勢在必行。基于模糊識別理論的故障診斷方法憑借其對不確定性知識的表示能力，在制冷系統故障診斷領域顯示出巨大應用潛力。本研究以典型壓縮式制冷系統為研究對象，通過提取關鍵故障特征，構建模糊推理規則庫，設計模糊識別診斷算法，建立制冷系統故障診斷模型，并進行實驗驗證，以期為制冷系統的狀態監測與故障預測提供理論支持與技術參考。

1 制冷系統故障診斷基本概述

1.1 制冷系統故障的分類和特點

制冷系統中的典型故障可分為機械故障、電氣故障、控制故障及綜合故障四大類[2]。機械故障多發生在壓縮機、蒸發器、凝結器等機械部件，常見故障有軸承磨損、閥門失靈、管路疲勞破裂等。電氣故障主要表現為電機繞組燒毀、電控元件損壞、供電電壓不穩定等。控制故障則多由傳感器失靈、反饋信號誤差大、控制器參數設定不當等導致。上述三類故障的綜合故障也較為常見，例如壓縮機軸承磨損導致機械異常振動，擾動傳感器測量，引起控制異常。

制冷系統故障擴散迅速，影響廣泛[3]。據統計，60%的系統故障能在3 天內導致完全失效。故障往往伴有高達20%的制冷量損失和40%的能效降低。船用低溫制冷系統故障率可達13%，美國制冷運輸車輛的故障率也有10%左右，我國城市地鐵空調制冷系統的故障率為5%～8%，除直接經濟損失外，部分故障還會產生嚴重環境后果，例如制冷劑泄漏造成的臭氧層破壞。因此，對各類制冷系統進行自動化的狀態監測與故障預警診斷，對防止故障蔓延、減少損失具有重要意義，主要故障類型識別難易程度比較如表1所示。

表1 主要故障類型識別難易程度比較

1.2 模糊識別在制冷系統故障診斷中的應用原理

制冷系統故障診斷存在諸多不確定性，例如故障機理復雜多變、故障特征難以準確獲取、系統參數難以建立精確數學模型等[4]。而模糊識別理論具有使用語言信息處理不確定知識的特點，能有效解析制冷系統這類難以準確描述的復雜對象，因而在制冷系統故障診斷中展現出巨大應用前景。模糊識別診斷方法的基本思路是：根據專家經驗與歷史數據，確定各種典型故障的語言描述，建立“如果—則”類型的模糊規則庫。收集運行狀態的各種模糊輸入信息，按照規則推理，得到不同故障的可能性分析結果。信息粒化處理是關鍵環節，需要確定輸入變量的語言詞集及其隸屬度函數，以便將運行狀態的各種模糊輸入信息轉化為可處理的形式。信息匹配采用模糊矩陣計算的最大最小法則，并設定診斷閾值判定故障類型。相較于傳統數學模型方法，模糊識別診斷不需要建立精確模型，能快速應用于不同類型的制冷系統，實現在線監測與故障預測。

1.3 制冷系統故障診斷的關鍵技術及其特點

制冷系統故障診斷的關鍵技術主要包括故障特征提取、故障識別與分類。針對不同類型制冷系統，需要采集包含狀態信息的各類信號，并使用數字信號處理技術提取得到故障特征。例如采集壓縮機聲頻信號，通過小波變換、包絡分析等方法提取異響特征，也可以安裝振動加速度傳感器，監測壓縮機密封件或軸承的振動信號，獲得特定頻率分量作為特征。除聲音、振動信號外，還可分析工作參數信號，如壓力、溫度、流量的變化趨勢，識別參數偏差型故障[5]。獲取到故障特征后，需要進行模式識別，確定故障類型。常用方法有基于正態分布數據的貝葉斯分類、支持向量機分類、基于神經網絡的深度學習分類等，這需要大量歷史故障數據進行模型訓練。也可采用模糊規則推理的識別方法，利用語言描述的專家經驗判斷故障類型。制冷系統故障診斷的關鍵技術特點如表2 所示，上述關鍵技術需要結合不同制冷工況的工作參數范圍設計。例如低溫冷庫制冷系統，需要關注溫度波動信號；車載空調系統，需要考慮發動機振動對信號的影響，還需設計不同類型故障的診斷閾值，防止誤報警。因此，采用數字信號處理與AI 技術進行多源異構數據融合與故障識別，是實現制冷系統智能化診斷與預測的核心方向。

表2 制冷系統故障診斷的關鍵技術特點

2 基于模糊識別的制冷系統故障診斷模型構建

2.1 故障特征提取方法

本研究以典型的制冷壓縮機為例，采集壓縮機運行時的振動噪聲信號作為故障特征提取的原始數據。信號通過設置在壓縮機殼體上的加速度傳感器采集獲得。考慮到壓縮機的工頻振動對特征的影響，選擇采樣頻率50 kHz，采樣時間20 s，并通過低通濾波去除工頻成分[6]。在獲取振動噪聲原始信號后，使用小波變換進行預處理。采用db5 小波基對信號進行5 層分解，提取含有豐富狀態特征的低頻分量，然后計算每個細尺度信號包絡，分析信號幅值特征。通過快速傅里葉變換可獲得各細尺度的頻譜信息。綜合時域、頻域特征，可以檢測出壓縮機存在的異常成分。此外，本研究還額外安裝了壓縮機出口溫度傳感器，獲取壓縮機運行過程中的溫度序列數據。統計壓縮機啟動時溫度上升的斜率、動態壓縮比等參數，可以有效反映制冷劑流量不均勻、潤滑不良等故障狀態。通過對振動噪聲和溫度兩個方面特征的提取與融合，能夠全面獲得各類機械故障的狀態信息，這為后續基于深度學習的故障模式識別算法奠定了數據基礎。

2.2 模糊推理規則的構建

本研究基于對壓縮機常見故障模式的分析，提取了4 類主要機械故障：潤滑不良、制冷劑流量不均、壓縮機過載、連接松動。這些故障的主要特征可由壓縮機振動噪聲信號反映，但特征與特定故障對應的關系難以準確表達。為建立模糊推理識別模型，需要構建“如果—則”形式的規則庫。定義輸入變量“噪聲強度”的語言集為{極弱，弱，中，強，極強}，“異常噪聲頻率”的語言集為{極低，低，中，高，極高}。輸出變量“故障模式”的語言集為上述4 類故障[7]。根據專家經驗歸納出若干條規則，例如：如果噪聲強度是強，并且異常噪聲頻率是中，則故障模式是潤滑不良；如果噪聲強度是中，并且異常噪聲頻率是高，則故障模式是制冷劑流量不均。對每個輸入變量設置對應的隸屬度函數，根據規則匹配當前輸入的隸屬度，可得出各故障模式的可能性大小。設置匹配閾值，即可實現對壓縮機故障類型的模糊推理識別[8]，模糊推理規則構建變量設定如表3 所示。這種方法無需建立精確數學模型，就能處理特征與故障對應關系的不確定性。通過收集更多歷史運行數據、優化規則庫，模糊推理診斷的準確性可逐步提升，為壓縮機故障預測提供低成本、可解釋的解決方案。

表3 模糊推理規則構建變量設定

2.3 模糊識別算法的選擇與設計

在構建了輸入輸出變量的語言詞集和模糊規則庫之后，需要設計識別模型的核心算法模塊，本研究選擇采用模糊矩陣最大最小匹配方法計算故障的可能性。首先，根據語言詞集的個數構建輸入、輸出變量的模糊矩陣[9]。以兩個輸入變量為例，若每個變量詞集包含5個語言值，則構建兩個5×5的輸入模糊矩陣；輸出變量有4 種故障模式，構建一個4×4 的輸出模糊矩陣，矩陣元素表示變量取對應語言值的隸屬度。然后，讀取實時采集的特征數據，計算所對應的語言隸屬度，生成輸入隸屬度向量。根據建立的規則庫，可以得到一個輸出模糊矩陣。依據最大最小原理，計算輸入向量與輸出矩陣的匹配值，獲得每個故障的可能性大小。最后，設置合適的閾值，當一種故障模式的可能性超過閾值時，確認診斷結果；如果所有故障模式可能性測量值都低于閾值，則判定為無故障，該算法結構簡單，計算量小，易于實現在線監測與故障診斷。本研究還將優化算法，通過引入權重矩陣調整每個規則的重要性，并采用中心平均法進行清晰化處理，綜合各規則輸出，提高診斷的準確率與可解釋性。相比于黑盒式的深度學習方法，這種模糊識別算法更適合解釋性強、可靠性要求高的制冷系統故障預測。

3 實驗設計與結果分析

3.1 實驗設置和數據采集

為驗證所設計的基于模糊識別的制冷系統故障診斷方法的可行性，本研究搭建了壓縮機試驗平臺進行實驗。以螺桿壓縮機為研究對象，壓縮機額定工況為：制冷量3 萬kcal/h，耗電量30 kW，壓縮比為8。平臺配備有制冷劑流量調節閥、電加熱器、冷凝器、過濾器等組件。振動信號通過安裝在壓縮機殼體三個直角方向的703 型壓電加速度傳感器采集，傳感器量程為50g，頻響范圍為0.7 Hz～10 kHz。信號采集卡選用NI 公司的USB-4431，采樣頻率設為50 kHz。溫度信號通過PT100 電阻溫度探頭測量，信號采用NI-9211 模塊采集。所有信號經過前置增益放大后輸入計算機進行處理[10]。

研究收集壓縮機正常工作時的振動噪聲信號和溫度信號作為訓練樣本。通過改變制冷劑流量、潤滑情況等方式，模擬多種典型故障狀態運行獲得對應樣本數據。所有樣本數據集均經過標定、劃分，以訓練模糊識別模型及評估診斷性能。所收集的運行數據集為后續故障檢測與預測算法提供了可靠的基礎。

3.2 模擬故障注入與系統響應

在獲取足夠的正常工作狀態數據后，為了收集制冷系統各種故障狀態下的特征樣本，本研究采用了模擬故障注入的方法。主要準備了4 類常見故障的模擬實驗：

1）潤滑不良故障。通過調節潤滑油流量，使壓縮機潤滑狀態惡化，記錄不同程度潤滑不良狀態下的特征響應。

2）制冷劑流量不均故障。通過調節電子膨脹閥開度，引入制冷劑流量脈動，記錄壓縮機在制冷劑流量波動時的噪聲與振動。

3）過載故障。通過減小冷凝器風扇轉速，增加壓縮機負荷，使其進入過載狀態，記錄過載時的溫度上升特征。

4）連接松動故障。對壓縮機進出口管路進行微小松動，模擬管路連接故障，記錄振動噪聲變化。

通過參數控制精細地引入不同程度、不同類型的故障，收集壓縮機在故障狀態下的運行數據，并與正常狀態數據進行對比，可以發現不同故障對應的特征變化規律，為構建模糊識別模型的規則庫提供依據，模擬故障注入實驗設置如表4 所示。該故障注入實驗方法有效擴充了故障樣本數據，提高了模型的泛化能力。

表4 模擬故障注入實驗設置

3.3 故障診斷結果分析與評估

基于收集的正常與故障狀態樣本數據，本研究利用80%數據訓練模糊識別診斷模型，余下20%數據用于測試。訓練過程根據輸入特征自動優化了語言詞集劃分、隸屬度函數參數及規則權重，使模型可以準確識別4 類故障。在測試樣本上評估模型的診斷性能，結果如表5 所示。潤滑故障、流量故障的識別準確率可達90%以上，連接故障和過載故障的識別準確率也在80%左右，達到了較好的診斷效果。從預測的誤差分布可以看出，不同故障模式有一定的判別困難，這與實際情況基本吻合。

表5 模糊識別模型診斷性能

模型預測結果還進行了時間序列分析。結果顯示，該方法可以提前5～10個工作周期檢測到故障發生，實現了對系統損傷模式的有效預測。綜上所述，本研究所提出的基于模糊識別理論的制冷系統故障診斷方法，能夠實現對主要故障模式的準確檢測與早期預警。

4 結語

本研究提出的基于模糊識別理論的制冷系統故障診斷方法，通過模擬故障注入實驗收集了豐富的故障樣本數據，構建了輸入特征的語言信息粒化接口，并根據專家經驗建立了模糊規則庫。模糊矩陣計算算法無需精確的數學模型，能快速實時識別壓縮機的主要機械故障。該方法充分利用了模糊理論處理不確定信息的優勢，實現了對復雜制冷系統故障的有效檢測與預測。本研究方法可以解釋推理過程，結果更加可靠，可為后續維修提供參考，而依賴大數據訓練的黑盒式深度學習模型，則難以對故障原因進行解析，本研究為模糊識別理論在制冷系統故障監測領域的應用提供了成功范例。但是，當前規則庫覆蓋的故障類型還有限，需擴充模糊規則，進一步提升診斷能力。此外，也可嘗試融合統計學習與模糊識別算法，利用數據優化規則，形成混合智能診斷模型。未來還需要開展更多實際工程驗證，最后形成可工程化實現的在線制冷系統故障監測與預警系統。