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)??照{(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?;跀?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(xiàn)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(lèi)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(xiàn)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]。
評(píng)論