冷水机组是制冷空调系统的核心设备,冷水机组传感器的故障检测及诊断对于保证制冷空调系统正常运行具有重要意义。近些年,学者们针对空调传感器的故障检测及诊断问题进行了诸多研究。
文献[1]提出采用主元分析法(Principal Component Analysis, PCA)对空调传感器进行故障诊断,通过对温度、湿度传感器的偏差故障进行仿真,证明了所提方法具有很好的诊断效果。但PCA应用的前提是假设过程为线性的,而空调系统多变量数据间具有非线性关系,使得PCA在处理空调传感器故障问题上受到了限制。
针对PCA存在的问题,文献[2]提出采用核主元分析法(Kernel Principal Component Analysis, KPCA)解决空调传感器的故障诊断问题,并证明KPCA取得的效果优于PCA。文献[3-4]分别利用位域运动误差观测器和解析冗余的方法进行齿轮断齿故障诊断和整流器传感器故障诊断。
在KPCA的基础上,文献[5]提出采用二分法进行核参数优化,进而解决核函数参数选择主观性较大的问题,从而获得了改进KPCA的故障检测方法。文献[6]发现,基于PCA的空调传感器故障诊断效率与测得的数据质量有关,对此,文献[7-8]分别提出采用小波变换法和自适应主元分析法剔除训练矩阵中的异常数,提高数据质量,并分别取得了优于PCA的效果。
然而PCA以及改进的PCA在用于空调传感器故障诊断中存在以下不足:
长短期记忆网络(Long Short-Term Memory,LSTM)是由SeppHochreiter和JürgenSchmidhuber于1997年针对循环神经网络(Recurrent Neural Network, RNN)在处理非线性时间问题上存在梯度爆炸和梯度消失的问题[9]提出的一种时间递归神经网络,由于网络自身结构的特点,被广泛应用于处理和预测高度时间相关、强耦合的事件。
文献[10]将LSTM用于非结构化文本的故障分类。文献[11]利用LSTM进行航空发动机的故障检测,从而保证发动机正常运行。针对游客出行,为了使其制定适当的出行路线,文献[12]提出采用LSTM进行短期交通状况预测。文献[13]利用LSTM进行风电场发电功率的超短期预测,并证明预测精度高于人工神经网络。
结合LSTM的特点以及冷水机组传感器读数的规律,本文提出一种改进LSTM的深度学习方法用于冷水机组传感器偏差故障诊断。该方法将传感器故障检测看作分类问题,不同故障传感器对应于不同的类别,并将传感器故障检测、诊断合二为一,可以直接定位故障传感器。最后利用风冷冷水机组实验平台采集数据,通过实验,证明本文所提方法的有效性。
图5 压缩式制冷系统耦合特性
图6 故障诊断流程
图7 风冷冷水机组实验平台
为了提高冷水机组传感器偏差故障的检测效率,本文结合LSTM在处理强耦合、高度时间相关性数据的优势,提出一种改进的LSTM,用于冷水机组传感器偏差故障的检测,并通过采集数据进行实验分析,最后将本文所提方法的检测结果与自动编码器、PCA、标准的LSTM三种方法的检测结果进行比较,得出以下结论:
综上所述,本文将冷水机组传感器故障检测问题当作分类问题处理,取得了较理想的效果,为今后传感器故障的诊断与重构的研究提供了新思路。但本文在搭建LSTM选取参数时,采取手动遍历的方式,缺少理论依据,并且浪费时间。后续可以进一步研究如何更有效、更有依据地选取LSTM全连接层数以及相关的参数,解决本文所提的问题。