空調系統傳感器故障診斷方法

摘要 針對空調系統中常見(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。在分析空調系統中傳感器主要故障的基礎上，建立了傳感器故障診斷系統。通過(guò)傳感器的真實(shí)測量值與預測值的殘差比較。驗證了基于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果。仿真實(shí)驗表明，基于WNN的故障診斷系統具有結構簡(jiǎn)單、收斂速度快、診斷結果準確、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(zhù)空調系統發(fā)展越來(lái)越復雜，傳感器的數量也隨之增多。傳感器故障是供熱、通風(fēng)、空氣調節系統(HVAC)中典型故障之一。傳感器發(fā)生故障，則會(huì )導致控制系統得到錯誤的信號，使得控制系統做出不準確的調節?？照{系統是高度復雜的系統，如果能及時(shí)地檢測、診斷系統中出現的各種傳感器故障，對降低能耗，保持室內環(huán)境的舒適性和提高室內空氣質(zhì)量，具有重要意義。
目前，對傳感器故障診斷的方法主要有基于數學(xué)模型和基于非數學(xué)模型方法?；跀祵W(xué)模型的方法就是對整個(gè)系統能夠得到精確的數學(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(guān)測器方法、等價(jià)空間法和參數估計法。
但是，空調系統本身是一個(gè)復雜的非線(xiàn)性系統，無(wú)法得到精確的數學(xué)模型。所以此方法在實(shí)際應用中受到了較大的限制。另一方面，基于非數學(xué)模型的方法主要有：基于信號處理的方法和基于知識的方法。在這兩種方法中，后者克服了前者沒(méi)有引入被控對象的相關(guān)信息以及忽略了系統內部深層知識等缺點(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)需建立精確的數學(xué)模型，以及容錯性、學(xué)習、自適應能力和非線(xiàn)性映射能力。因此，在空調系統故障診斷領(lǐng)域的應用中有較大潛力。由于小波函數具有快速衰減性，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，用小波分析提取數據的頻域特征，再使用神經(jīng)網(wǎng)絡(luò )對信號的頻域特征數據做故障診斷。

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 )拓撲結構為基礎，把小波基函數作為隱含層節點(diǎn)的傳遞函數，信號前向傳播的同時(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：一種是用小波函數的尺度和平移參數代替神經(jīng)網(wǎng)絡(luò )隱含層的權值和閾值；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與傳統的BP神經(jīng)網(wǎng)絡(luò )結構相似，由輸入層、隱含層和輸出層組成，不同的是隱含層激勵函數為小波基函數，其拓撲結構如圖1所示。

假設X1，X2，…，XK是小波神經(jīng)網(wǎng)絡(luò )的輸入參數，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 )的權值。在輸入信號為xi(i=1，2，…，k)時(shí)，隱含層的計算公式為

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

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

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