基于BP神经网络的热泵机组故障诊断研究

摘 要：文章以热泵机组为研究对象，从实验测试的角度建立故障-征兆模型。采用BP神经网络对热泵机组进行故障诊断并利用Matlab仿真，仿真结果表明基于BP神经网络的热泵机组故障诊断实现简单且效果较好。

关键词：神经网络；热泵机组；Matlab

引言

空气源热泵系统的故障通常分为硬故障和软故障。硬故障易于检测和判断，从而能及时排除；而软故障通常较难发现，直到系统的性能下降到舒适性受到影响才引起用户的注意，造成了大量不必要的能量损耗。因此，必须实时监控热泵机组的运行状态，加强热泵机组软故障的检测，快速诊断软故障发生的地点和部位，查找出软故障发生的原因，及时排除故障，减少能量损耗。但是热泵机组系统比较复杂，难以建立其数学模型，神经网络的出现，为这些系统的故障诊断提供了新的解决方法。文章中采用BP网络来进行故障诊断。

1 BP神经网络对热泵机组的故障诊断

BP神经网络采用的是误差反向传播算法，首先采用训练样本训练网络，神经元的激活值一层一层向后传播，从输入层经由各隐含层再传播到输出层，输出层的神经元就获得输出响应。然后为了减少实际输出与目标输出之间的均方误差，将均方误差反向传播，逐层修正各连接权值和阈值，由输出层经由各隐含层再回到输入层。随着这种修正的不断进行，网络实际输出与目标输出之间的误差也越来越小。得到合适的网络连接值后，便可对新样本进行非线性映像。

利用神经网络的故障诊断过程如下：第一步，为了得到期望的诊断网络，我们采用一定数量的训练样本集组成“征兆-故障”数据集，来训练神经网络；第二步，采用测试样本集作为输入对当前诊断网络进行诊断，这个过程即为利用神经网络进行前向计算的过程。

2 BP神经网络故障诊断的Matlab仿真

利用Matlab工具进行BP神经网络故障诊断的具体步骤如下：

第一步，网络的输入样本数据和目标输出。对于热泵机组来说，输入为高压p1、低压p2、冷凝温度p3、蒸发温度p4、吸气过热温度p5、液体过冷温度p6、排气温度p7和通过冷凝器的水流温差p88个特征量；输出为无故障F1、制冷剂泄露F2、压缩机排气阀泄露F3、液体管受阻F4、冷凝器结垢F5和蒸发器结垢F6。表1为输入样本数据。表2为五种故障的期望输出值。

第二步，确定网络结构。由表1可以看出样本数据有8个特征向量，因此神经网络的输入层节点数为n=8，从表2看出该样本数据一共有6种故障类型，因此网络的输出层节点数为m=6。然后根据经验公式h=■+a来确定隐含层的节点数。其中a=9.26（a为[1，10]之间的常数），因此h=13。最終确定BP神经网络的结构为：8-13-6。设定目标输出与实际输出的误差平方和为0.001，隐含层传递函数为tansig，输出层传递函数为logsig，训练函数为traingda，目标精度为0.001，最大训练周期为1000。

第三步，训练神经网络。将表1的样本数据和表2的目标输出值用来训练第二步确定的BP神经网络，得出隐含层的网络权值w1ij和阀值b1i以及输出层的网络权值w2ki和阀值b2k。

第四步，测试网络并分析结果。为了检验本BP神经网络的故障诊断能力和准确性，在MATLAB7.6环境下将一组测试样本数据输入到训练好的BP神经网络当中，对网络进行仿真试验。图1为BP神经网络对测试样本进行测试的网络训练图。

3 结束语

用BP神经网络对热泵机组进行故障诊断，大大简化了故障诊断的方法，网络的容错性和稳定性较好，得到了比较满意的效果。

参考文献

[1]姜益强，姚杨，马最良.空气源热泵冷水机组的故障诊断[J].制冷学报，2002，23（3）.

[2]傅荟璇，赵红.MATLAB神经网络应用设计[M].北京：机械工业出版社，2010.

作者简介：黄春香（1987-），女，江苏南通，硕士，助教，主要从事电气自动化方面的研究。