基于模糊神经网络的中央空调智能故障诊断研究

张定波

（延安大学附属医院，陕西 延安 716000）

随着智能化技术的快速发展，中央空调在群体生活和社会生产中扮演了越来越重要的角色。由于建筑物本身具有复杂性和多样性，因此导致中央空调系统的故障诊断与处理工作难度较大。

在传统的设备管理模式中，当设备出现明显的故障时，终端将发出维修与故障信号，与此同时，技术人员需要根据设备故障实际情况，决定是否需要对设备进行维修。在这种情况下，不但设备需要被停用，甚至在严重情况下还需要调配专家或异地厂家负责人进行设备的排查与更换维修。总之，传统的方法存在维护费用高、劳动强度大等不足。为解决传统方法的不足，根据工作的具体需求，将模糊神经网络作为基础，进行中央空调智能故障诊断的研究，以此实现对故障的精准、快速排查，提高中央空调运行的可靠性。

1 基于模糊神经网络的中央空调智能故障诊断方法设计

1.1 建立基本模糊神经元

对中央空调进行智能故障诊断，将模糊神经网络引入到诊断过程中，确定模糊神经网络中的基本结构单元——基本模糊神经元[1]。图1 为神经元模型结构。

图1 神经元模型结构

把神经元看成是一种简单的生物细胞，一般都是使用MP 型的，其主要特征有：一是MP 型神经元是多个输入和输出的信息处理结构[2]；二是可以用一定的功能来表达神经元的内在状态；三是神经元只受其内在状态的影响。其中，神经元内在状态的功能的表达式为

式中：μi为神经元的内在状态；xj为神经元的输入；wij为第j 个神经元的连通性；θi为初始阶段设定的神经元阈值。

神经元只受其内在状态的影响的关系函数为

式中：h 为常量，其计算公式为

为实现对神经元的直观测定或量化，对具备上述特点的神经元进行模糊化处理[3]。利用基本模糊神经元接收离散、连续、确定或模糊的单位输入，同时输出被一个系统模糊变量基础状态从属函数所决定的规范化数值[4]。采用单输入和单输出的形式，二者之间存在关系式为

式中：Xi为输入；Yi为输出。将上述经过模糊化处理的神经元作为后续中央空调智能故障诊断的基本单元。

1.2 构建中央空调智能故障模糊诊断数学模型

基于中央空调的运行特点，构建其故障特征集合（即中央空调可能出现的所有故障特征集合）为

式中：G 为中央空调故障特征集合，集合中的元素g 为各种可能出现的故障现象[5]。再构建故障原因集合（即中央空调所有可能出现的故障原因集合）为

式中：H 为中央空调故障原因集合，集合中的元素h 为各种可能出现的故障原因[6]。将故障特征向量与故障原因向量之间存在的模糊关系构建的矩阵作为中央空调智能故障模糊诊断数学模型，可写作

式中：R 为故障特征向量和故障原因向量之间的关系。式（7）中，rij的取值为rij∈[0，1]，i 的取值为i∈[1，m]，j 的取值为j∈[1，n]。利用上述构建的矩阵可以实现对某一故障现象G 到故障原因H上的模糊关系。通过rij实现故障现象和故障原因的映射，相关程度的量化模糊值愈大，说明其对失效现象的影响愈大；相反，相关程度的量化模糊值愈小，说明其对失效现象的影响愈小[7]。同时，rij数值的可信度也是影响最后诊断结果是否可靠的重要因素，其初始值应结合经验和专家的统计分析等因素来确定。同时，利用学习机制对上述构建的中央空调智能故障模糊诊断数学模型进行训练。

1.3 模糊诊断智能推理

中央空调系统的故障特征向量和故障原因向量的关系，用模糊矩阵进行分析，得到各种故障原因的从属程度[8]。假设某一被诊断的中央空调可能表现出的故障特征有m 种，故障特征集为A={a1，a2，…，am}，可能出现的故障原因有n 种，故障原因集为B={b1，b2，…，bn}，则故障特征模糊向量为

式中：μa为诊断对象具有某一故障时的隶属度。进一步分析得出，故障特征模糊向量与模糊算子具有模糊关系为

2 故障诊断实例

2.1 基本情况

本次研究以某地区制药生产单位为例，对此单位的中央空调系统基本参数进行描述分析，见表1。

表1 中央空调系统基本参数

2.2 故障分析

在故障诊断中，将故障信号（即从中央空调作业现场获取的异常信号）进行偏差分析，根据故障分析结果，判断中央空调当前出现的故障类型。

并非所有故障信号在设备运行中都可以呈现出对应的运行异常，比如中央空调某个指标在运行中高于预设阈值，此时中央空调运行将出现明显的故障行为，对应的现象就会被视为存在故障或异常现象；反之，中央空调某个指标在运行中低于预设阈值，此时中央空调无明显的故障行为，即没有显著的症状，但并不代表此时中央空调无故障。为实现对多种不同类型故障的精准识别，最好的方法是选择合适的隶属度函数，对故障现象与行为进行模糊处理，并根据故障的隶属程度，反映各类故障形式的倾向性。参照上述内容，设定中央空调的多种故障形式与正常运行范围，见表2。

表2 中央空调的多种故障形式与正常运行范围

在此基础上，根据中央空调在真实条件中的运行情况，设计其运行过程中的监控方案，以此实现对中央空调的智能监控，见图2。

图2 中央空调智能监控方案

按照上述方式，采集中央空调作业数据，使用模糊神经网络，进行采集到的作业数据的误差训练，模糊神经网络对中央空调作业数据的误差训练结果见图3。

图3 模糊神经网络对中央空调作业数据的误差训练结果

从图3 可以看出，训练次数达到600 次后，误差为0。

按照上述方法，进行中央空调运行中故障的智能诊断。根据该中央空调存在的风机调速器故障、加湿器故障、回水阀故障等故障，在此基础上，从多种渠道采集中央空调运行数据，进行故障诊断。在故障诊断过程中，将运行数据在模糊神经网络前端输入，根据输出值，进行其故障诊断。当输出值在0～0.4 范围内时，证明中央空调的该部件无故障；当输出值在0.4～0.6 范围内时，证明中央空调的该部件存在故障，但故障并未对中央空调的运行直接造成影响；当输出值＞0.6 时，说明中央空调的该部件存在故障，且故障已经对中央空调的运行造成了影响。按照上述方式进行中央空调故障智能诊断，其结果见表3。

表3 中央空调故障智能诊断结果

3 结论

根据上述内容，得到如下结论。

1）参照表3 内容可以看出，本文使用基于模糊神经网络的故障诊断方法，对GMV-NHDR36P/A变频中央空调进行故障诊断，根据故障智能诊断输出值，识别到该中央空调存在风机调速器故障、加湿器故障、回水阀故障，与已知的故障情况一致，由此表明本文设计的故障诊断方法可以实现对中央空调在运行中故障的精准诊断。

2）在上述结果的基础上，进行表3 内容的进一步分析，分析后发现，风机调速器故障输出值、回水阀故障输出值＞0.6，加湿器故障值在0.4～0.6之间，说明风机调速器故障输出值、回水阀故障已经对中央空调运行造成了一定的影响，属于显性故障；而加湿器故障并未对空调运行造成影响，属于隐性故障。综合上述分析可以证明，本文设计的方法不仅可以实现对中央空调故障的排查，还能对中央空调运行过程中存在安全隐患的部件进行排查，以此种方式，为中央空调的安全、稳定、可靠运行提供进一步的技术支持与保障。