基于神经网络预测的中央空调故障诊断

刘德永

LIU De-yong

（潍坊科技学院，寿光 262700）

0 引言

随着国内经济的蓬勃发展，出现了越来越多的现代化高楼大厦，中央空调已成为高层建筑物不可缺少的重要设备。空调设备会随着运转时间的增加而逐渐老旧，故障发生的频率和耗能也逐渐增加，因此对空调设备进行检查、保养，以及在发生故障时进行及时的维修就显得极为重要。

尽管目前制造技术的进步和自动监控设备的采用已经极大的降低了空调系统的机械损坏，但由于空调系统故障的原因相当多，如何利用人工智能、模糊理论等方法进行诊断故障，已经成为当前国际上的研究热点与发展趋势。

针对高层建筑中中央空调的故障诊断问题，本文提出一种基于三层反向传播神经网络的故障预测模型。1）针对空调系统及其相关附属设施的故障诊断，收集各项技术文献资料，以及各项故障类别与实际现象间的数据，归纳总结出中央空调系统的十种主要故障。2）利用反向传播神经网络建立了一个预测模型。将所有故障的发生情况与诊断的结果形成训练中的正样本，将正常样本作为负样本，共同采用最陡梯度下降算法来训练网络。在测试阶段对未知的故障进行预测。将所设计的神经网络预测系统应用在高层建筑中的中央空调故障诊断中，实验结果显示：利用该模型能够快速准确的预测故障。

1 中央空调系统故障分析

在分析中央空调系统故障诊断之前，先介绍中央空调系统工作流程。中央空调系统是由一系列驱动流体流动的动件（如泵、风扇及压缩机）、各种型式的热交换器（如冷却除湿盘管、蒸发器、冷凝器、散热材）及连接各种装置的“通道”（如风管、水管及冷媒管）组成。中央空调系统可分为下列五个循环[1～3]：1）室内空气循环。2）冰水循环。3）冷媒循环。4）冷却水循环。5）室外空气循环。中央空调系统是由这五个循环相扣所形成的。整个空调系统热交换的循环简述如下。

1）制冷部分：室内空气的热负载经过空调箱内的冷却盘管时，通过热交换将热传至盘管内冰水中，使得由冰水机蒸发器出来的冰水温度上升，再经过冰水泵的驱动，使冰水被载送回到冰水器，与低压低温的冷媒在冰水器内进行热交换，温度下降后的冰水再通过冰水管回到空调箱中，吸收室内空气的热负载产生冷气，直接由送风机的驱动由风管送出冷气。

2）散热部分：冰水机内蒸发器的冷媒热交换所得的热负荷经过冷凝器时，通过热交换将热传至冷却水中，造成冷却水由冷凝器出来时温度上升。再通过冷却水泵的驱动，使冷却水被送到室外的冷却水塔的散热材中，与流经散热材的空气做热交换，温度下降后的冷却水通过冷却水管再回到冷凝器循环使用。

由上可知，构成空调系统的组件主要包括热交换器与流体机械二种。表1总结归纳出两部分组件中，中央空调系统常见的一些故障。

表1 中央空调系统常见的一些故障

2 神经网络预测

人工神经网络是一种包括软件与硬件的计算模型或系统，它使用大量简单的相连人工神经元来模仿生物神经网络的并行处理能力。人工神经元是生物神经元的简单模拟，它从外界环境或者其他人工神经元取得信息，并加以非常简单的运算，并输出其结果到外界环境或者其他人工神经元[4,5]。

图1 三层BP神经网络模型

反向传播（Back Propagation,BP）神经网络是由D.Rumelhart和McClelland于1985年提出的一种多层前馈神经网络模型。典型的BP网络是三层的前馈网络，即：输入层、隐含层(也称中间层)、输出层。图1是一个典型的BP模型结构。BP神经网络的传递函数经常使用的是Sigmoid对数函数。函数表达式为：

Sigmoid函数是一个输出0到1之间的非线性函数，可以逼近非线性的输入输出关系[6,7]。在本文方法中，将各个故障监测项目的测量值进行编码，得到神经网络的输入值，如表2所示。

表2 各个故障监测项目的测量编码值

BP神经网络预测中央空调系统故障的过程分为两部分：训练阶段和测试阶段。在训练阶段中，将所有故障发生时的故障监测项目测量值进行编码，作为正样本输入网络，令期望输出为1；将所有部分未发生故障时的监测项目测量值进行编码，作为负样本输入网络，令期望输出为0。采用两类样本训练BP神经网络，确定各个神经元的权值和偏重。在测试阶段，将监测项目的测量值输入网络中，根据网络的输出对故障进行预测。

BP算法是有监督的学习算法：给定q个训练样例p1, p2, K , pq，以及其对应的期望输出T1, T1, K , Tq。训练的目的是使网络的实际输出A1, A1, K, Aq与期望输出尽量接近。训练算法的执行的步骤如下。

步骤1：随机初始化网络的权值、学习速率以及给定的容许误差；

步骤2：输入网络一个样本p；

步骤3：计算各层的实际输出，计算实际输出与期望输出的误差；

步骤4：判断算法终止条件，如果误差小于容许误差，结束训练过程，否则继续；

步骤5：计算各层神经元参数的梯度；

步骤6：根据最陡梯度学习算法修改神经元的权值和偏重，转到步骤2，重新计算实际输出和误差；

步骤7：训练结束。

3 仿真实验与结果

将训练完成的BP神经网络，进行中央空调的实际故障预测，其中网络采用Matlab7.01中Toolbox中的BP算法进行训练。网络的输入为10维的监测变量，输出为故障标记变量{1,0}。建立模型的函数为newff，训练使用的函数是trian，测试使用的函数是sim。训练样本通过采集5所办公大楼的中央空调的50个故障案例和50个正常案例得到，测试样本为1000个，其中500个故障案例，500个正常案例。考虑BP神经网络初始化过程中的随机性，我们重复测试10次独立实验，记录得到的预测率的平均结果，如表3所示：

可以看出：在表3中本文提出的基于神经网络的预测方法能够获得较高的检测率，在检测时间上也是可以容许的。

表3 BP神经网络的训练与测试结果

4 结束语

尽管制造技术的进步和自动监控设备的采用已经大大降低了空调系统的机械损坏，但由于空调系统故障的原因相当多，对故障准确及时的诊断仍然是目前研究的一个难题。针对高层建筑中中央空调的故障诊断问题，本文提出一种基于三层反向传播神经网络的故障预测模型。将所设计的神经网络预测系统应用在高层建筑中的中央空调故障诊断，结果显示：利用该模型能够快速准确的预测故障。

[1]游立科. 中央空调故障诊断与节能运行系统[D]. 重庆大学, 2005, 5.

[2]陆亚俊. 暖通空调[M]. 北京: 中国建筑工业出版社, 2002.

[3]宋华. 模糊故障诊断技术研究[D]. 北京航空航天大学,2002, 9.

[4]涂序彦. 人工智能: 回顾与展望[M]. 北京科学出版社,2006.

[5]阎平凡, 张长水. 人工神经网络与模拟进化计算[M]. 北京清华大学出版社, 2000.

[6]Dennis Olson, and Charles Mossman, Neural network forecasts of Canadian stock returns using accounting ratios[J].International Journal of Forecasting, 19(3), pp. 453-465, 2003.

[7]R. A. DeVore, K. I. Oskolkov, and P. P. Petrushev,Approximation by feed-forward neural networks[J]. Ann.Numer. Math., 4, pp.261-287,