基于复回归验证模式对离心式冷水机故障检测与诊断技术

曾国安,庄友明

(1.厦门海洋职业技术学院 机电学院,福建 厦门 361000;2.集美大学 机械与能源工程学院,福建 惠安 361000)

0 引 言

离心式冷水机组典型故障分为8类：冷却水减少、冷冻水减少、制冷剂充注过量、制冷剂泄漏、冷凝器结垢、润滑油过多、先导阀故障和不凝性气体.由此引起的冷水机复性能降低和能源消耗，造成无法估计的损失，胡云鹏[1]考虑到冷水机组的复杂性，运用主元分析法(PCA)检测故障，假设PCA变量具线性关系，制冷系统为高耦合、多工况与多变量系统，其数据具非高斯、非线性特点，导致PCA的检测效果不理想，且不满足复杂性.赵云峰[2]将回归模型用于离心制冷主机的故障诊断，对机组6个参数进行检测并对机组的运行状况进行分析，获得6个参数基准值和计算值间的阈值和残差，若参数超出相应阈值，则机组被判断出故障.韩华[3]在平台实验上模拟典型的几种故障和一种并发故障机组共1万多个样本和60多个参数，应用互信息(MI-based)和遗传算法(GA-based)模型选择出特征故障，然后用PCA提取特征故障，最终选出8个参数作为故障特征参数.用支持向量机(SVM)和智能特征提取两者结合来诊断单发故障，并以顺序集成的SVM与数学解耦标识技术诊断多发故障，对模型试验以减少20%的故障冷却水和冷冻水水量所发生的故障，作为人工智能的研究热点在多个领域受欢迎.不足的是，如易知识组合爆炸即知识获取出现“瓶颈”问题，知识库较大时容易使维护困难和推理系统速度慢等.而复回归验证模式完成知识库的组建、网络推理的过程实际上是网络的数学计算过程，因此，复回归验证模式比其他诊断系统更智能.本研究选用冷水机验证模式中最具代表性的复回归验证模式，探究如何将复回归验证模式用于离心式冷水机组的故障诊断，利用冷水机运转复性能验证出冷水机组故障检测率高且适用复回归模式，以确认冷水机组运行性能，让冷水机达到最佳的运转点及最低的耗能.

1 离心式冷水机系统原理

离心式冷水机组系统结构图如图1所示.

图1 离心式冷水机系统图

图1中为系统运转时，水侧及冷媒侧的相关参数，包括蒸发器进出水温、制冷能力，冷凝器进出水温、散热能力及压缩机的用电量等，各运转数值的状况可代表冷水机复性能关系参数.离心式冷水机组的压缩机制冷压缩有单级、多级之分，叶轮单级压力和角速度决定制冷剂分子质量，单级压缩的压力比可达3～4，当高温热源和低温热汇间压力比超出单级压缩比时，即可使用分级压缩、中间冷却.

2 冷水主机故障检测与诊断FDD 策略分析

故障检测基准值是基于可靠操作条件以及信赖区间之下的[4]，利用复性能指标预测基准值与复性能指标实际测量值之间的差异，残差控制方程如下：

(1)

UCL=CL+3RMSE

(2)

CL=e=0

(3)

LCL=CL-3RMSL

(4)

3 复回归验证模式和复回归分析

将建立冷水主机模式撰写成程序，通过复性能回归验证模式回归分析，得到一组拥有最佳拟合系数的回归方程.在故障检测部分，将监控值代入经过回归分析得到有最佳拟合系数的回归方程式，即可得到一组与监控值相同条件下的基准值，判断此值与监控值的偏差是否超出设定门槛，当此偏差超出设定门槛时，则判断此系统发生故障.

如影响变量y的因子有x1、x2、x3、x44个独立变量，故上述因变量与自变量的关系可用数学模型表示，

yi=β0+β1x1+β2x2+…+βkxk+εii=1，2，…，n

(5)

式中，βk为截距，εi为回归系数.其矩阵表示式为，

(6)

将n个观察值合并成一矩阵方程式为,

(7)

复回归模式其回归方程式的预测误差越小越好,即残差越小越好.预测误差的标准差称为预测标准误差(Standard Error of Prediction).从定义上来看,预测标准误差就是残差的标准差,也就是残差值均方的平方根.

在建立各种冷水机复性能回归验证模式之后，为了得知模式预测能力的高低，本研究采用下列方程式来评估各项模式中预测能力的精确度与误差范围，其方程式如下，

(8)

式中，Yi为第i组预测数据样本值，Ti为第i组训练数据样本值，n为样本数量.

1)均方根误差(Root Mean Squared Error，RMSE)为预估预测数据样本值与实际数据样本值的误差大小，误差越小，代表回归模式预测越好.

2)变异均方根误差(coefficient variation of root-mean-square error,CVRMSE),作为估计预测数据样本值与训练样本值之平均误差百分比，其值越小越好.

(9)

4 实验数据分析

4.1 实验系统与设备

4.1.1 实验系统

离心式冷水机组故障诊断系统由以下软件组成：Windows XP作操作系统，用 MATLAB 6.5软件编制诊断故障程序，用 VisualBasic6.0软件设计界面.

4.1.2 实验设备和环境

本研究的节能效果分析主要选用ASHRAE RP-1043 90RT水冷离心式冷水机，其满负荷制冷量为2 109 kW(600TR)，冷冻水温为7～12 ℃，冷却水温为32～37 ℃，蒸发器污垢系数为0.0176 m2·℃/kW,故障仿真实验数据，其冷媒使用为 R-134a，冷水机组运转于27种不同工况和负载条件下，每间隔10 s收集稳态运转的物理参数[5]，包括冷水入出水温度、冷却水入出水温度、冷水流量、冷却水流量、蒸发压力、冷凝压力、压缩机出入口温度、压缩机出入口过热度、冷凝器过冷度及压缩机耗电量，并计算出制冷能力、冷凝能力，详细分析实验测量的各项物理量.

4.2 实验内容

实验内容除了获得正常数据外，主要有离心式冷水机运转过程中最常见的渐变故障数据，其中包括：冷却水流量减少、冷水流量减少、冷媒泄漏、冷媒充填过多、冷凝器结垢、系统中有不凝结气体及冷冻油充填过多，具体如图2所示.

图2 离心式冷水机运转中常见渐变故障示意图

离心式冷水机渐变故障模拟实验依故障的严重程度区分成4个等级，分别为故障等级一(LV1)、故障等级二(LV2)、故障等级三(LV3)及故障等级四(LV4).以下为针对如何设计模拟此离心式冷水机7种渐变故障实验.

1)冷却水流量减少(F1).使用电磁阀串联于冷却水回路上，改变流过水泵的压差，使水泵降低流量，以达到模拟冷却水量减少目的，基准冷却水量为 818 lpm，并依照不同故障程度，对应1个减少10%的基准水量故障等级.

2)冷水流量减少(F2).使用电磁阀串联于冷水回路上[6]，改变流过水泵的压差，使水泵降低流量，以达到模拟冷水量减少的目的，基准冷水量为1 022 lpm，并依照不同故障程度，对应1个减少10%的基准水量故障等级.

3)冷媒泄漏(F3).减少系统中冷媒含量达到仿真冷媒泄漏的目标，基准冷媒量136 kg，并依照不同故障程度，对应1个减少10%的基准冷媒量故障等级.

4)冷媒充填过多(F4).增加系统中冷媒含量达到模拟冷媒充填过多的目的，基准冷媒量为136 kg，并依照不同故障程度，对应1个增加10%的基准冷媒量故障等级.

5)冷凝器结垢(F5).实验将减少冷凝器内热交换器的铜管数，达到模拟冷凝器结垢的目的，标准管数为 164 支，并依照不同故障程度，对应1个减少6%的基准冷凝器内管数故障等级.

6)系统中有不凝结气体(F6).为了消除系统中的不凝结气体，本实验将添加氮气于冷水机中，并依照不同故障程度，氮用气量为1%～5%.

7)冷冻油充填过多(F7).增加系统中冷冻油含量达到模拟冷冻油充填过多的目的，基准冷冻油量为10 kg，并依照不同故障程度，冷冻油含量为32%～73%.

5 复性能回归模式预测准确性的评估

复性能回归验证模式的适用性分析，针对多种复性能指标，由统计学中预测质量判定准则进行验证.在此取 F4 LV3 数据对于复性能回归模式的复性能指标冷凝器趋近温度(ΔTcapp)及蒸发器对数平均温度差(Logarithm mean temperaturedifference of evaporator，LMTDe)的图解为例.利用复性能回归模式，针对复性能指标ΔTcapp进行预测质量验证[7]，其所得到的ΔTcapp预测值与训练值分布情形如图3所示.

图3 复回归于F4 LV3时ΔTcapp 预测值与训练值分布图

横轴为数据经过训练所得ΔTcapp值，纵轴为使用复性能回归验证模式预测所得ΔTcapp值，图中圆点表示为训练值与预测值所配置出来的点，当圆点越接近标准配适线(中间黑色实线)时，表示预测质量越好；标准配适线两端虚线所包围的区间，即为信赖区间，此区间越窄代表其预测质量越好.由图3观察可知，其圆点与标准配适线的偏移程度较小[8]，信赖区间较为狭窄，CVRMSE值较低，为3.992%，故其预测能力较好.

利用复性能回归模式针对复性能指标LMTDe进行预测质量验证，其所得到的LMTDe预测值与训练值分布情形如图4所示.

图4 复回归于F4 LV3时LMTDe预测值与训练值分布图

由图4可以看出，其圆点与标准配适线的偏移程度比图3更小，信赖区间更为狭窄，CVRMSE值较低，为2.915%，故其预测能力较好.

由上可知，当预测值与训练值越接近时，图中圆点将越接近标准配适线，而信赖区间所包围的区域越小，且CVRMSE值也相对偏低，表示其复性能回归验证模式预测能力越好.由于利用图解或数值分析皆可获得相同结果[9]，因此，后面也将以CVRMSE值做为适用性评估的准则，对复性能回归验证模式进行数值分析.

离心式冷水机正常运转数据及故障运转数据，利用复性能回归验证模式进行预测，并用CVRMSE值进行数值分析呈现.综合分析多种冷水机复性能回归验证模式发现，当冷水机在正常运转时，对于多种复性能指标的预测准确性高，CVRMSE平均值为2.0749%；当冷水机在故障运转时，复回归对于多种复性能指标预测准确性仍然较高，CVRMSE平均值为2.0195%.因复回归所具有的回归函数为3项，因为此种回归模式须通过8～10个拟合系数修正，方可呈现较准确的预测能力.综上所述，发现复性能回归验证模式中所具有的回归函数与拟合系数多少，均可影响准确性预测.回归模式CVRMSE值为 3～5%以内为可被接受的程度，所使用的复性能回归验证模式，对于多种复性能指标平均CVRMSE值皆在5%标准内[10].复回归对于多种复性能指标的预测准确性较高[11]，CVRMSE总平均值皆为2.03%，故复回归预测准确性较简单线性回归高 72.93%.

表1 复回归验证模式CVRMSE综合表

6 结 论

本研究主要探讨了离心式冷水机故障检测与诊断策略中，复回归验证模式的预测准确性对于故障检测率与故障诊断率的影响.复回归验证模式，在离心式冷水机故障检测与诊断率上表现较好，为具有较高预测准确性复性能回归验证模式[12].因此，评估结果显示，复回归为适用于离心式冷水机故障检测与诊断策略的复性能回归验证模式.将本方法应用于 ASHRAE RP1043 离心式冷水机组[13]进行故障检测，验证了该方法的有效性.调速变频冷水机组可提高节能效率.在对离心式冷水机组变频改造时，要计算精确、合理科学地确定定频和变频离心式冷水机组数量.实际运行时，需依工况不同配置不同运行负荷，最大程度地实现节能效果[14].未来的研究方向可采用深度复回归学习中的时间序列建模[15]，以保证网络的泛化能力，使诊断具有较高的经济价值和节能环保意义.