石书彪 陈焕新 李冠男 胡云鹏 黎浩荣 胡文举 李 炅

(1 华中科技大学制冷与低温实验室 武汉 430074；2 University of Nebraska-Lincoln 内布拉斯加 68410；3 北京建筑大学供热供燃气通风及空调工程北京市重点实验室 北京 100044；4 压缩机技术国家重点实验室 合肥 230031)

基于改进BP网络的冷水机组故障诊断

石书彪1陈焕新1李冠男1胡云鹏1黎浩荣2胡文举3李 炅4

(1 华中科技大学制冷与低温实验室 武汉 430074；2 University of Nebraska-Lincoln 内布拉斯加 68410；3 北京建筑大学供热供燃气通风及空调工程北京市重点实验室 北京 100044；4 压缩机技术国家重点实验室 合肥 230031)

采用常规神经网络进行冷水机组的故障检测与诊断，存在整体检测率低或完全无法检测的现象。为了提高冷水机组故障检测效率及诊断精度，本文提出了一种基于贝叶斯正则化的改进神经网络故障检测策略。由于BP神经网络存在泛化能力差的缺陷，对神经网络进行贝叶斯正则化，从而提高模型的检测效率。贝叶斯算法通过限制神经网络权值，使网络反应更加光滑，模型更精确。通过利用ASHRAE Project提供的数据对FDD (fault detection and diagnosis) 策略进行验证，检测率明显提高。

冷水机组；故障检测与诊断；神经网络；贝叶斯正则化

冷水机组作为空调系统中的主要冷热交换设备，也是最主要的能耗设备[1]。冷水机组长时间运行不可避免会出现各种故障，这些故障若不及时排除，会导致系统能耗增加，缩短设备的使用寿命，同时也会给室内人员带来不舒适感，影响工作及生活质量。

冷水机组的故障检测与诊断(fault detection and diagnosis，FDD)是近年来制冷空调系统的研究热点之一，其中基于运行过程数据进行相关分析方法应用越来越广泛[2]。不少学者采用主元分析(principal component analysis，PCA)[3-4]、支持向量数据描述(support vector data description，SVDD)[5-6]、支持向量机(support vector machine，SVD)等[7]方法进行故障检测和诊断的研究工作。神经网络作为一种FDD的方法也受到了广泛的应用。韩玲[8]利用正交实验的方法寻求神经网络的最佳网络模型，编出故障诊断程序进行故障诊断，实验结果表明能够准确判断出故障；张婷[9]利用模糊推理和模糊神经网络结合对离心式冷水机组进行故障诊断，此方法结合了模糊数学和神经网络各自的优点，实现了离心式冷水机组的故障诊断系统。神经网络相对于PCA、SVDD以及SVD而言，具有较强的非线性映射能力且能保持足够的精度[10]，其特别适合于求解多故障分类问题。但是，BP神经网络结构选择存在多个局部极小值以及BP神经网络的训练对网络结构的初始值依赖比较大[11]，而且存在网络结构的不确定性等缺陷，使得BP神经网络的泛化能力不强。为了改善BP神经网络的泛化能力，本文建立了一种基于BP神经网络改进的预测模型，相对于BP神经网络而言，它能保证网络拟合精度的前提下，删去冗余的连接权和神经元，降低其复杂性，有效改善网络结构，从而限制过拟合现象，并在一定程度上提高网络的精度和泛化能力。

1 故障诊断模型输入、输出变量

根据Comstock and Braun对冷水机组的故障调查报告，冷水机组常发生7种故障：冷凝器结垢(ConFoul)、制冷剂过量(RefOver)、制冷剂泄露(RefLeak)、有不凝性气体(NonCon)、冷冻水流量减少(RefuEF)、冷却水流量减少(ReduCF)、油过量(ExcsOil)。每种故障都会对制冷机组的制冷效率产生一定的不良影响。例如，冷凝器表面的污垢会使换热器传热管管壁热阻增加，从而导致机组的制冷效率降低，结垢严重时还会使冷却管堵塞，减少水流通截面积，增大水流阻力，增加循环水泵运行费用。因而及时对机组进行故障检测和诊断可以避免由于故障产生的能耗浪费。冷水机组故障产生的原因错综复杂，在这篇文章中采用采用文献[5]中的8个特征向量(表1)进行故障诊断。

表1 8个故障指示特征Tab.1 Description of eight fault indicative features

2 基于改进的BP网络模型

2.1 BP神经网络

在神经网络的实际应用中，BP网络应用最为广泛，80%～90%的神经网络模型是采用BP网络或其变化形式，它也是前馈网络的核心部分，体现了神经网络最精华的部分[12]。BP(Back-Propagation)算法是函数信号的正向传递和误差信号的反向传播。在正向传递过程中，输入信息从输入层经隐含层逐层计算传向输出层，输出层没有得到期望的输出，则计算输出层的误差值，转向反向传播，通过网络将误差信号沿原来的连接通路反传回来得到每层的误差信号，用来修改各层神经元的权值和阈值直至达到日标，使得误差满足设定的精度。用模型进行预测时，将用来预测的输入信号送入训练好的神经网络模型，该模型就能输出相应的结果。将输出结果和期望值对比进行故障诊断[13]。

2.2 网络结构的选择

根据上一节选择的8个特征变量，确定BP神经网络输入层有8个节点数；隐含层需要确定隐含层的层数和隐含层的节点数这两个参数，隐含层的层数由映射定理分析可知[14]，一个S型隐含层的BP神经网络能够以期望的精度逼近任意非线性函数，因而一个S型隐含层能够对冷水机组进行故障诊断。隐含层节点数的确定目前采用试凑法，根据经验公式初步确定隐层神经元节点数的大概范围，以评估神经网络检测率的高低来选出最佳隐含层节点数。公式如下：

(1)

式中：M为输入层神经元的个数；L为输出层神经元的个数；K取3～5，ΔA取4～10。

对神经网络进行模拟仿真，根据仿真的结果可得知，隐含层的节点数18时，神经网络的检测率最高。输出层节点数和网络输出的运行状态有关，上一节中冷水机组常发生7个故障，1个正常运行状态，共有8类标签，即输出层有8个节点数。从而可以确定BP神经网络的拓扑结构为8-18-8的三层BP神经网络。

2.3 网络结构的分析

根据BP神经网络的拓扑结构确定BP神经网络结构图，如图1所示。图1中，输入层编号1～8对应表1的特征变量，对输出层采用Normal、ConFoul、ExcsOil、RefLeak、NonCon、RefuEF、ReduCF、RefOver作为8个输出神经元，分别对应编号A1～A8，表示制冷机组的运行状态，A1表示正常运行工况，A2～A8表示故障。表2为故障编号所对应的神经网络输出，1代表运行状态，越接近于1，表示越接近该运行状态。例如：(1 0 0 0 0 0 0 0)表示正常运行，(0 1 0 0 0 0 0 0)表示发生ConFoul故障。

图1 BP神经网络结构Fig.1 BP neural network structure diagram

故障编号神经网络输出A1(正常)(10000000)A2(冷凝器结垢)(01000000)A3(油过量)(00100000)A4(制冷剂泄露)(00010000)A5(有不凝性气体)(00001000)A6(冷冻水流量减少)(00000100)A7(冷却水流量减少)(00000010)A8(制冷剂过量)(00000001)

2.4 基于贝叶斯正则化的BP网络泛化能力改进

由于标准的BP神经网络存在泛化能力差(泛化能力是指训练后网络对于来自同一样本集中的非训练样本给出正确的输入输出关系的能力[15])等缺点，因而为了提高BP神经网络的泛化能力，在算法中引入贝叶斯正则化方法，所谓贝叶斯正则化(Bayesian-Regularization，BR)是指通过修正神经网络的性能函数来提高其推广能力的过程[16]，利用均方误差与权值的线性组合值做网络性能评价函数，即：

(2)

式中：yi为为网络预测向量；ti为为网络目标向量；γ为比例系数。

可见，贝叶斯正则化能够自动限制网络权值的规模，避免节点数过多造成对训练数据过拟合，增强神经网络的泛化能力[17]。

3 故障诊断流程图

贝叶斯正则化BP神经网络故障结构框图如图2所示。分成三个步骤：1)从数据库中选取初始数据(包括正常运行和故障状态)，把数据分成两份，一份用来训练，一份用来预测；2)初始化神经网络，用训练数据来对BP神经网络进行训练，用贝叶斯归一化法进行优化，获得收敛的贝叶斯正则化的BP神经网络。3)利用训练好的神经网络来对预测数据进行故障识别。

图2 贝叶斯正则化化的BP神经网络Fig.2 The BP neural network of Bayesian regularization

4 仿真结果与分析

4.1 数据来源及处理

采用ASHRAE 1043-RP提供的数据验证贝叶斯正则化算法的优化性能。利用8个特征变量作为8个故障的影响因素，由于8个特征变量的参数单位不同，直接将原始数据输入BP神经网络进行训练使得网络的性能和收敛性变差，本文设计的激励函数采用的是S函数，输出设定在(-1，1)或(0，1)[18]之间。所以必须先对神经网络输入数据进行归一化处理。输出数据本身处于(0，1)中，不需要进行归一化。

4.2 数据应用以及仿真结果

ASHRAE 1043-RP提供的数据有4个故障水平(表3为冷凝器结垢水平对应的结垢管数)，每个故障水平有7个故障，每个故障水平的故障类别共有433组数据，取其中的333组数据来进行训练，利用100组数据来进行预测。通过利用以学习率可变的动量BP算法，训练函数和贝叶斯归一化法训练函数在预测误差及检测率这两个方面进行对比，验证贝叶斯正则化能够提高BP神经网络的泛化能力，图3所示为利用训练好的以学习率可变的动量BP算法训练函数的BP神经网络(BPNN)对机组故障水平4的运行状态进行预报的网络预测误差图，图4所示为利用训练好的贝叶斯正则化的BP神经网络(BPNN-BR)对机组故障水平4的运行状态进行预报的网络预测误差图。图5～图8所示为BPNN和BPNN-BR的检测率(检测率表示正确检测出来的故障样本数与总样本个数的比值)。检测率的具体值请见表4。

图3 BPNN的预测误差图Fig.3 The predictive error graph of BPNN

图4 BPNN-BR的预测误差图Fig.4 The predictive error graph of BPNN-BR

故障水平预期运行状况实际运行状况正常运行164根未结垢的管道未结垢管故障水平1减少12%的管道20管道结垢故障水平2减少20%的管道33管道结垢故障水平3减少30%的管道49管道结垢故障水平4减少45%的管道74管道结垢

表4 两种方法的故障检测率Tab.4 The fault detection rate of two methods

4.3 结果分析

从表4以及图5～图8中可以看出，随着制冷机组发生的故障进一步恶化，神经网络的整体检测率都有提高。但是BPNN和BPNN-BR对机组的故障检测率有很大的差别，例如BPNN-BR相对于BPNN具有更高的整体检测率，能够更加准确的识别机组的运行状态；BPNN-BR对机组的故障检测率随着故障水平的严重程度呈现规律性的提高，BPNN则没有这种规律性。对于每个故障水平而言，BPNN-BR对机组的故障检测率整体都比较高，相反BPNN存在盲区，即检测率接近于零，从而对这种故障无法检测出来，这对于机组的故障诊断具有致命的影响。从上面的结果分析可以得出：贝叶斯正则化后的神经网络对测试样本具有较好的预测能力，即具有较强的泛化能力，有利于对机组的运行状态进行准确的预测，从而减少故障对机组的进一步损坏。

图5 故障水平一的检测率Fig.5 Detection rate of the first fault level

图6 故障水平二的检测率Fig.6 Detection rate of the second fault level

图7 故障水平三的检测率Fig.7 Detection rate of the third fault level

图8 故障水平四的检测率Fig.8 Detection rate of the fourth fault level

5 结论

根据以上分析，选取8个特征向量作为影响七个故障发生量的主要因素，然后利用BP神经网络进行建模，采用贝叶斯正则化算法来提高网络的泛化能力，预测未来不同时间段的故障发生量。通过利用ASHRAE Project提供的数据实现了对故障发生的实时监控和准确预测，验证了BP神经网络预测模型的正确性和泛化能力，为故障检测和诊断提供技术支持和参考依据，对降低能源消耗、提高系统的可靠性以及保证室内舒适性具有重要的意义。

本文受2013年压缩机技术国家重点实验室开放基金项目(230031)和供热供燃气通风及空调工程北京市重点实验室研究基金资助课题(NR2016K02 ) 项目资助。(The project was supported by the 2013 State Key Laboratory of Compressor Technology (No. 230031)and Beijing Key Lab of Heating and Gas Supply, Ventilating and Air Conditioning Engineering (No. NR2013K02).)

[1] 江亿. 我国建筑耗能状况及有效的节能途径[J].暖通空调, 2005, 35(5): 30-40. (Jiang Yi. Current building energy consumption in China and effective energy efficiency measures[J]. Journal of HV & AC, 2005, 35(5): 30-40.)

[2] 胡云鹏, 陈焕新, 周诚, 等. 基于小波去噪的冷水机组传感器故障检测[J]. 华中科技大学学报(自然科学版), 2013, 41(3): 16-19.(Hu Yunpeng, Chen Huanxin, Zhou Cheng, et al. Chiller sensor fault detection using wavelet de-noising[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2013, 41(3): 16-19.)

[3] Hu Y P, Chen H X, Xie J L, et al. Chiller sensor fault detection using a self-adaptive principal component analysis method[J]. Energy and Building, 2012, 54: 252-258.

[4] 康嘉. 主元分析在制冷故障检测与诊断中的应用研究[D]. 上海: 上海交通大学, 2011.

[5] 李冠男, 胡云鹏, 陈焕新, 等. 基于SVDD的冷水机组传感器故障检测及效率分析[J]. 化工学报, 2015, 66(5): 1815-1820. (Li Guannan, Hu Yunpeng, Chen Huanxin, et al. SVDD-based chiller sensor fault detection method and its detection efficiency[J]. CIESC Journal, 2015, 66(5): 1815-1820.)

[6] Zhao Y, Wang S W, Xiao F. Pattern recognition based chillers fault detection method using support vector data description (SVDD) [J]. Applied Energy, 2013, 112: 1041-1048.

[7] 谷波, 韩华, 洪迎春, 等. 基于SVM的制冷系统多故障并发检测与诊断[J]. 化工学报, 2011, 62(Suppl.2): 112-119. (Gu Bo, Han Hua, Hong Yingchun, et al. SVM-based FDD of multiple-simultaneous fault for chillers[J]. CIESC Journal, 2011，62(Suppl.2): 112-119.)

[8] 韩玲. 基于人工神经网络模型的螺杆式冷水机组故障诊断研究[D]. 重庆: 重庆大学, 2005.

[9] 张婷. 模糊神经网络在冷水机组故障诊断中的应用研究[D]. 天津: 天津大学, 2009.

[10] Sim J J, Tan G W H, Wong J C J, et al. Understanding and predicting the motivators of mobile music acceptance—A multi-stage MRA-artificial neural network approach[J]. Telematics and Informatics, 2014, 31(4): 569-584.

[11] Jiang W, Lu J. Frequency estimation in wind farm integrated systems using artificial neural network[J]. International Journal of Electrical Power & Energy Systems, 2014, 62: 72-79.

[12] 康耀红, 周开利. 神经网络模型及其MATLAB仿真程序设计[M]. 北京: 清华出版社, 2005: 75.

[13] Du Z, Jin X, Yang Y. Wavelet neural network-based fault diagnosis in air-handling units[J]. HVAC & Research, 2008, 14(6): 959-973.

[14] 虞和济, 陈长征. 基于神经网络的智能诊断[J].振动工程学报, 2000, 13(2): 202-209. (Yu Heji, Chen Changzheng. Intelligent diagnosis based on neural networks[J]. Journal of Vibration Engineering, 2000, 13(2): 202-209.)

[15] 肖冬峰, 杨春节, 宋执环. 基于改进BP网络的高炉煤气发生量预测模型[J]. 浙江大学学报(工学版), 2012, 46(11): 2103-2108. (Xiao Dongfeng, Yang Chunjie, Song Zhihuan. The forecasting model of blast furnace gas output based on improved BP network[J]. Journal of Zhejiang University (Engineering and Technology Edition), 2012, 46(11): 2103-2108.)

[16] 吴启勋, 胡树青. 贝叶斯正则化神经网络预测金属晶体结合能的研究[J]. 计算机与应用化学, 2004, 21(4): 604-608. (Wu Qixun, Hu Shuqing. The application of bayesian-regularization neural network in prediction of the cohesive energy of metallic crystalloid[J]. Computers and Applied Chemistry, 2004, 21(4): 604-608.)

[17] 曹家兴, 陆建平. 遗传算法-贝叶斯正则化BP神经网络拟合滴定糖蜜中有机酸[J]. 分析化学, 2011, 39 (5): 743-747. (Cao Jiaxing, Lu Jianping. Titration analysis of multi-organic acids in sugarcane molasses by back-propagation neural network integrated with bayesian regularization and genetic algorithm[J]. Chinese Journal of Analytical Chemistry, 39(5): 743-747.)

[18] 陈昌松, 段善旭, 殷进军. 基于神经网络的光伏阵列发电预测模型的设计[J]. 电工技术学报, 2009, 24(9): 153-158. (Chen Changsong, Duan Shanxu, Yin Jinjun. Design of photovoltaic array power forecasting model based on neutral network[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.)

About the corresponding author

Chen Huanxin, male, professor, Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, +86 27-87558330, E-mail: chenhuanxin@tsinghua.org.cn. Research fields: computer simulation and optimization of refrigeration and air conditioning system, refrigeration and air conditioning equipment development and new technology research, vehicle refrigeration and its control technology.

Research on Fault Diagnosis of Chillers Based on Improved BP Network

Shi Shubiao1Chen Huanxin1Li Guannan1Hu Yunpeng1Li Haorong2Hu Wenju3Li Jiong4

(1. Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, Wuhan, 430074, China; 2. University of Nebraska-Lincoln, Nebraska, 68410, USA; 3. Beijing University of Civil Engineering and Architecture, Beijing, 100044, China; 4. State Key Laboratory of Compressor Technology, Hefei, 230031, China)

The overall detection rate using conventional neural networks to detect and diagnose the chillers’ fault is low, even this method can’t detect the fault completely. In order to improve the fault detection and diagnostic accuracy of chiller, an improved neural network fault detection strategy based on Bayesian regularization is proposed. Due to the defects of poor generalization ability of BP neural network, the neural network based on Bayesian regularization can improve the detection efficiency of the model. Bayesian algorithm by limiting the weights of the neural network makes the network more smooth, which make the model more precise. Validation of FDD (fault detection and diagnosis) strategy through using ASHRAE Project data shows that the detection rate is improved obviously.

chiller; fault detection and diagnosis; BP neural network; bayesian regularization

国家自然科学基金项目(51328602)。(The project was supported by the National Natural Science Foundation of China(No.51328602).)

2014年11月11日

0253- 4339(2015) 06- 0034- 06

10.3969/j.issn.0253- 4339.2015.06.034

TU831.4；TP183

A

陈焕新，男，教授，华中科技大学制冷与低温实验室，(027) 87558330，E-mail: chenhuanxin@tsinghua.org.cn。研究方向：制冷空调系统计算机模拟及优化，制冷空调设备开发及新技术研究，车辆制冷及其测控技术。