空調(diào)系統(tǒng)傳感器故障診斷方法

摘要 針對(duì)空調(diào)系統(tǒng)中常見(jiàn)的傳感器故障問(wèn)題，提出了基于小波神經(jīng)網(wǎng)絡(luò)(WNN)故障診斷策略。在分析空調(diào)系統(tǒng)中傳感器主要故障的基礎(chǔ)上，建立了傳感器故障診斷系統(tǒng)。通過(guò)傳感器的真實(shí)測(cè)量值與預(yù)測(cè)值的殘差比較。驗(yàn)證了基于WNN的故障診斷能力，分析了基于WNN與BP神經(jīng)網(wǎng)絡(luò)故障診斷的殘差比結(jié)果。仿真實(shí)驗(yàn)表明，基于WNN的故障診斷系統(tǒng)具有結(jié)構(gòu)簡(jiǎn)單、收斂速度快、診斷結(jié)果準(zhǔn)確、精度高的特點(diǎn)。
關(guān)鍵詞 小波神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；傳感器；故障診斷；殘差比

隨著空調(diào)系統(tǒng)發(fā)展越來(lái)越復(fù)雜，傳感器的數(shù)量也隨之增多。傳感器故障是供熱、通風(fēng)、空氣調(diào)節(jié)系統(tǒng)(HVAC)中典型故障之一。傳感器發(fā)生故障，則會(huì)導(dǎo)致控制系統(tǒng)得到錯(cuò)誤的信號(hào)，使得控制系統(tǒng)做出不準(zhǔn)確的調(diào)節(jié)。空調(diào)系統(tǒng)是高度復(fù)雜的系統(tǒng)，如果能及時(shí)地檢測(cè)、診斷系統(tǒng)中出現(xiàn)的各種傳感器故障，對(duì)降低能耗，保持室內(nèi)環(huán)境的舒適性和提高室內(nèi)空氣質(zhì)量，具有重要意義。
目前，對(duì)傳感器故障診斷的方法主要有基于數(shù)學(xué)模型和基于非數(shù)學(xué)模型方法。基于數(shù)學(xué)模型的方法就是對(duì)整個(gè)系統(tǒng)能夠得到精確的數(shù)學(xué)模型。在這方面，基于解析模型的方法是最直接有效的方法，它又可分為觀測(cè)器方法、等價(jià)空間法和參數(shù)估計(jì)法。
但是，空調(diào)系統(tǒng)本身是一個(gè)復(fù)雜的非線性系統(tǒng)，無(wú)法得到精確的數(shù)學(xué)模型。所以此方法在實(shí)際應(yīng)用中受到了較大的限制。另一方面，基于非數(shù)學(xué)模型的方法主要有：基于信號(hào)處理的方法和基于知識(shí)的方法。在這兩種方法中，后者克服了前者沒(méi)有引入被控對(duì)象的相關(guān)信息以及忽略了系統(tǒng)內(nèi)部深層知識(shí)等缺點(diǎn)。因此，它成為了一類常用的故障診斷方法。
近年來(lái)，基于神經(jīng)網(wǎng)絡(luò)的方法引起人們的高度重視，并被應(yīng)用于傳感器故障診斷領(lǐng)域。神經(jīng)網(wǎng)絡(luò)具有無(wú)需建立精確的數(shù)學(xué)模型，以及容錯(cuò)性、學(xué)習(xí)、自適應(yīng)能力和非線性映射能力。因此，在空調(diào)系統(tǒng)故障診斷領(lǐng)域的應(yīng)用中有較大潛力。由于小波函數(shù)具有快速衰減性，局部收斂較快等優(yōu)點(diǎn)，本文把小波與神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，提出小波神經(jīng)網(wǎng)絡(luò)(WNN)的傳感器故障診斷策略，用小波分析提取數(shù)據(jù)的頻域特征，再使用神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)的頻域特征數(shù)據(jù)做故障診斷。

1 小波神經(jīng)網(wǎng)絡(luò)模型
小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點(diǎn)的傳遞函數(shù)，信號(hào)前向傳播的同時(shí)誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)模型的建立有兩種：一種是用小波函數(shù)的尺度和平移參數(shù)代替神經(jīng)網(wǎng)絡(luò)隱含層的權(quán)值和閾值；另一種是將小波分析作為神經(jīng)網(wǎng)絡(luò)的前置處理，為神經(jīng)網(wǎng)絡(luò)提供輸入特征向量。WNN與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似，由輸入層、隱含層和輸出層組成，不同的是隱含層激勵(lì)函數(shù)為小波基函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖1所示。

假設(shè)X1，X2，…，XK是小波神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，Y1，Y2，…，Yk是小波神經(jīng)網(wǎng)絡(luò)的輸出，ωij和ωjk為小波神經(jīng)網(wǎng)絡(luò)的權(quán)值。在輸入信號(hào)為xi(i=1，2，…，k)時(shí)，隱含層的計(jì)算公式為

其中，ωij為輸入層與隱含層的連接權(quán)值；gj為小波基函數(shù)；g(J)為隱含層第j個(gè)節(jié)點(diǎn)輸出值；ai為小波基函數(shù)gi的伸縮因子；bi為小波基函數(shù)gi的平移因子。
輸出層第k個(gè)節(jié)點(diǎn)的總輸出

式中，g(i)為隱含層第i個(gè)節(jié)點(diǎn)輸出值；ωik為隱含層與輸出層的連接權(quán)值；m為輸出層節(jié)點(diǎn)數(shù)；l為隱含層節(jié)點(diǎn)數(shù)。
小波神經(jīng)網(wǎng)絡(luò)的權(quán)值修正算法和BP神經(jīng)網(wǎng)絡(luò)權(quán)值修正算法相似，采用梯度修正算法修正網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)參數(shù)。但是，梯度下降法固有的特點(diǎn)使得WNN的訓(xùn)練過(guò)程和BP網(wǎng)絡(luò)訓(xùn)練過(guò)程一樣，存在著收斂速度慢、容易陷入局部極小值和容易引起振蕩效應(yīng)幾個(gè)缺點(diǎn)。所以，需要對(duì)其修正算法進(jìn)行改進(jìn)，標(biāo)準(zhǔn)BP算法的改進(jìn)主要有兩種：(1)增加動(dòng)量項(xiàng)。當(dāng)誤差曲面出現(xiàn)驟然起伏時(shí)，增加動(dòng)量項(xiàng)可以減少振蕩趨勢(shì)，加快訓(xùn)練速度。(2)自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率。從誤差曲面上分析，在平坦區(qū)域內(nèi)學(xué)習(xí)速率η太小會(huì)使訓(xùn)練次數(shù)增加，因而希望增大η值，而在誤差變化劇烈的區(qū)域，η太大會(huì)因調(diào)整量過(guò)大而使訓(xùn)練出現(xiàn)振蕩，迭代次數(shù)增加。自適應(yīng)的改變學(xué)習(xí)速率，可以減少迭代次數(shù)，提高訓(xùn)練速度。因此，采用采取如下方式調(diào)節(jié)學(xué)習(xí)速率，即

式中，△η(t)為速率變化率；λ為學(xué)習(xí)因子；k為變量因子，一般取值在[0，1]。