基于知識(shí)數(shù)據(jù)化表達(dá)的制冷空調(diào)系統(tǒng)故障診斷方法

隨著近年來(lái)能源與碳排放問(wèn)題的突顯，世界各國(guó)紛紛制定自己的能源戰(zhàn)略，我國(guó)也將能源戰(zhàn)略放在了突出的位置，提出了“碳達(dá)峰·碳中和”的戰(zhàn)略目標(biāo)[1]。制冷空調(diào)系統(tǒng)主要用于建筑的環(huán)境調(diào)節(jié)，也可用于工業(yè)環(huán)境控制，其能耗已成為建筑能耗的重要組成部分，約占社會(huì)能耗總量的20% [2]。由于制冷空調(diào)系統(tǒng)結(jié)構(gòu)復(fù)雜、設(shè)備種類(lèi)繁多，存在多種熱質(zhì)交換和功熱轉(zhuǎn)換形式，在運(yùn)行過(guò)程中不可避免會(huì)發(fā)生各類(lèi)故障。相關(guān)研究表明，制冷空調(diào)系統(tǒng)故障運(yùn)行會(huì)造成15%~20%的能耗增加[3]。

長(zhǎng)期以來(lái)，空調(diào)系統(tǒng)的運(yùn)行維護(hù)管理以“定期檢修+報(bào)警搶修”模式為主，盲目性高且難以發(fā)現(xiàn)隱性故障。通過(guò)人工智能的方式可極大提高故障特征的自主辨識(shí)，實(shí)現(xiàn)全時(shí)段智能監(jiān)控，降低對(duì)運(yùn)維人員專(zhuān)業(yè)素養(yǎng)的依賴[4]。制冷空調(diào)系統(tǒng)是一類(lèi)復(fù)雜的熱力系統(tǒng)，故障狀態(tài)下系統(tǒng)的熱力參數(shù)會(huì)較原狀態(tài)產(chǎn)生偏離，即故障的熱力學(xué)征兆，如溫度升高、壓力降低等。偏離后的熱力參數(shù)值不僅與故障狀態(tài)有關(guān)，同時(shí)受環(huán)境、負(fù)荷、工況等諸多因素影響，使得故障和征兆之間的關(guān)系不僅復(fù)雜而且存在不確定性。這種故障-征兆的復(fù)雜映射關(guān)系給故障診斷規(guī)則制定帶來(lái)極大挑戰(zhàn)，使得基于規(guī)則的故障診斷方法難以保證精度。以深度學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動(dòng)方法憑借其強(qiáng)大的特征提取能力，可以較好地解決復(fù)雜熱力系統(tǒng)的診斷難題。Sun等[5-6]針對(duì)熱泵空調(diào)系統(tǒng)的深度學(xué)習(xí)故障診斷方法展開(kāi)研究，提出一種基準(zhǔn)模型+深度卷積網(wǎng)絡(luò)的診斷框架，實(shí)現(xiàn)了系統(tǒng)偏離特性的高效提取，很好地提升了復(fù)雜熱力系統(tǒng)的診斷精度。Wang等[7]面向現(xiàn)場(chǎng)應(yīng)用場(chǎng)景展開(kāi)診斷方法研究，利用貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)特征高效篩選，解決了現(xiàn)場(chǎng)診斷傳感器數(shù)量少、成本受限等實(shí)際問(wèn)題。van de Sand等[8]針對(duì)冷水機(jī)組故障診斷問(wèn)題，提出一種基于區(qū)域自適應(yīng)的數(shù)據(jù)驅(qū)動(dòng)診斷方法，緩解了監(jiān)督學(xué)習(xí)對(duì)標(biāo)記樣本的依賴。劉旭婷等[9]針對(duì)冷水機(jī)組提出一種基于稀疏局部嵌入深度卷積網(wǎng)絡(luò)的故障診斷方法，采用稀疏局部嵌入代替卷積核，有效避免了復(fù)雜的訓(xùn)練和調(diào)參。王路瑤等[10]基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)提出一種空調(diào)系統(tǒng)傳感器故障檢測(cè)方法，有效緩解了大滯后系統(tǒng)時(shí)序建模精度低的難題。Xiao等[11-14]較早提出了基于貝葉斯網(wǎng)絡(luò)的診斷框架，大量研究成果為學(xué)科后續(xù)發(fā)展提供極具價(jià)值的新思路。Li等[15-17]提出一系列基于深度學(xué)習(xí)的智能診斷算法用于解決多聯(lián)機(jī)、空氣源熱泵、熱泵熱水器等諸多裝置的故障診斷問(wèn)題。

數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)勢(shì)在于可以從數(shù)據(jù)中自學(xué)習(xí)復(fù)雜映射關(guān)系，這就使得其對(duì)標(biāo)記樣本的質(zhì)量和豐富度具有嚴(yán)重依賴，而真實(shí)應(yīng)用場(chǎng)景中足質(zhì)足量的標(biāo)記樣本往往難以獲取。隨著智能化技術(shù)逐步走向應(yīng)用，解決標(biāo)記數(shù)據(jù)依賴問(wèn)題已成為當(dāng)下研究的重中之重，近兩年來(lái)越來(lái)越多的學(xué)者[18]針對(duì)這一問(wèn)題展開(kāi)研究。將機(jī)理知識(shí)融入數(shù)據(jù)驅(qū)動(dòng)不僅可以降低對(duì)標(biāo)記數(shù)據(jù)的依賴，同時(shí)可以提高診斷方法的魯棒性和可靠性。張鈸等[19]指出，將機(jī)理知識(shí)融入數(shù)據(jù)驅(qū)動(dòng)是新一代人工智能發(fā)展的必經(jīng)之路。制冷空調(diào)系統(tǒng)故障診斷的實(shí)質(zhì)是通過(guò)對(duì)系統(tǒng)表現(xiàn)的征兆進(jìn)行模式識(shí)別而得出診斷結(jié)論，故障和征兆的定性關(guān)系可以通過(guò)熱力學(xué)分析得出，其征兆的規(guī)律性描述正是診斷模型的診斷依據(jù)。因此，通過(guò)故障規(guī)律性知識(shí)指導(dǎo)實(shí)現(xiàn)故障的模式識(shí)別，在理論上是可行的。然而，實(shí)際情況中，制冷空調(diào)系統(tǒng)常面臨環(huán)境多變、負(fù)荷多變以及控制需求多變的問(wèn)題，導(dǎo)致其運(yùn)行工況持續(xù)處于動(dòng)態(tài)過(guò)程。動(dòng)態(tài)條件下的系統(tǒng)征兆也會(huì)隨之變化，使得故障和征兆的映射關(guān)系出現(xiàn)不確定性，這種動(dòng)態(tài)征兆是難以通過(guò)熱力學(xué)精準(zhǔn)分析的。如何利用定性的靜態(tài)征兆知識(shí)指導(dǎo)實(shí)現(xiàn)動(dòng)態(tài)系統(tǒng)的故障診斷是一個(gè)非常困難的問(wèn)題。

本課題組前期研究發(fā)現(xiàn)，制冷空調(diào)系統(tǒng)故障征兆的實(shí)質(zhì)是熱力參數(shù)偏離正?；鶞?zhǔn)，多變工況下參數(shù)偏離的方向一致，其差異在于偏離大小。例如高負(fù)荷下相同故障的參數(shù)偏離量更大。利用熱力學(xué)機(jī)理分析容易得到故障條件下參數(shù)的偏離方向，但卻難以針對(duì)所有工況預(yù)測(cè)出偏離大小。而事實(shí)上，診斷的目標(biāo)只是將故障類(lèi)別識(shí)別出，無(wú)論何種偏離程度均對(duì)應(yīng)同一類(lèi)故障結(jié)果。如果利用一種隨機(jī)生成的策略在偏離方向的基礎(chǔ)上獲得不同偏離大小的偽樣本，則相當(dāng)于得到了不同工況下系統(tǒng)故障的標(biāo)記數(shù)據(jù)，進(jìn)而解決標(biāo)記樣本不足的問(wèn)題。因此，本文提出一種基于知識(shí)數(shù)據(jù)化表達(dá)的制冷空調(diào)系統(tǒng)故障診斷方法。首先，通過(guò)機(jī)理分析構(gòu)建故障的定性偏離矢量，然后通過(guò)一種數(shù)據(jù)隨機(jī)縮放策略實(shí)現(xiàn)知識(shí)的數(shù)據(jù)化表達(dá)，達(dá)到信息擴(kuò)增的目的。在實(shí)施診斷時(shí)為了將真實(shí)系統(tǒng)的熱力參數(shù)轉(zhuǎn)換成生成樣本的偏離形式，提出一種基于基準(zhǔn)模型的偏離特性的表征策略。最終，以知識(shí)驅(qū)動(dòng)代替標(biāo)記樣本實(shí)現(xiàn)制冷空調(diào)系統(tǒng)的故障診斷。

1 制冷空調(diào)系統(tǒng)故障診斷知識(shí)的數(shù)據(jù)化表達(dá)

制冷空調(diào)系統(tǒng)故障狀態(tài)的表現(xiàn)形式是熱力參數(shù)的偏離，這種偏離包含大小和方向兩部分。對(duì)于同一種故障而言，不同系統(tǒng)間以及同一系統(tǒng)在不同條件下的特征偏離方向是一致的，不同點(diǎn)在于偏離大小，其受到系統(tǒng)結(jié)構(gòu)、環(huán)境條件和運(yùn)行工況等不同因素的影響。如果要精確計(jì)算出理論上的偏離大小無(wú)疑是十分困難的。而事實(shí)上，故障診斷完全可以僅依賴不同熱力參數(shù)的偏離方向進(jìn)行識(shí)別。因此，定性的偏離知識(shí)表達(dá)理論上是可以支撐故障診斷的。可以通過(guò)熱力學(xué)分析、數(shù)值仿真、實(shí)驗(yàn)測(cè)試等手段獲得特定系統(tǒng)的故障定性偏離規(guī)律，這種規(guī)律是模糊的偏離方向和偏離程度，如參數(shù)1偏大且偏離程度為嚴(yán)重。詳細(xì)的偏離知識(shí)示例見(jiàn)3.1節(jié)。

這種定性的規(guī)則較早被應(yīng)用到制冷空調(diào)系統(tǒng)故障診斷中，稱之為基于規(guī)則的診斷方法[20]，然而精度均不理想，導(dǎo)致這種結(jié)果的原因是制冷空調(diào)系統(tǒng)復(fù)雜且多變，故障和征兆之間的映射關(guān)系不僅高度非線性且具有一定的不確定性。而數(shù)據(jù)驅(qū)動(dòng)方法可以通過(guò)學(xué)習(xí)數(shù)據(jù)分布中的深度特征而實(shí)現(xiàn)故障-征兆間復(fù)雜映射關(guān)系的擬合，其診斷精度遠(yuǎn)高于基于規(guī)則的方法。因此，2010年以后，絕大多數(shù)制冷空調(diào)故障診斷研究都聚焦于數(shù)據(jù)驅(qū)動(dòng)方法[21-25]。如果能將制冷空調(diào)系統(tǒng)故障的定性偏離規(guī)律以數(shù)據(jù)的形式表達(dá)并通過(guò)信息擴(kuò)增手段豐富其信息量，則可以在不依賴真實(shí)標(biāo)記數(shù)據(jù)的條件下充分利用數(shù)據(jù)驅(qū)動(dòng)優(yōu)勢(shì)。

故障狀態(tài)參數(shù)偏離的表示形式可以稱之為故障診斷知識(shí)的多維偏離矢量，每一個(gè)參數(shù)既含有方向又含有程度，如果對(duì)不同的偏離程度賦予特定的值，則從數(shù)據(jù)的角度可以將其看作一條標(biāo)記樣本。然而僅利用這一條標(biāo)記樣本顯然無(wú)法滿足數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練。如何對(duì)多維偏離矢量的信息進(jìn)行擴(kuò)增，是亟需解決的問(wèn)題。由于不同偏離大小代表不同情形下的故障數(shù)據(jù)，這種情形越多代表數(shù)據(jù)的信息越豐富。在一定的范圍內(nèi)對(duì)賦值后的多維偏離矢量進(jìn)行縮放則可以模擬生成不同情形下的標(biāo)記數(shù)據(jù)。本文提出一種數(shù)據(jù)隨機(jī)縮放策略，基于多維偏離矢量生成大量偽數(shù)據(jù)，用于深度模型訓(xùn)練。數(shù)據(jù)隨機(jī)縮放策略的目的就是使多維偏離矢量各個(gè)維度經(jīng)過(guò)等比放大或縮小，實(shí)現(xiàn)不同偏離量的模擬?？s放策略的目的是增加矩陣數(shù)據(jù)的信息熵，以提高深度模型的學(xué)習(xí)效果。偏離數(shù)據(jù)是故障模式識(shí)別的依據(jù)，其主要特征在于偏離方向和偏離大小，對(duì)于深度模型而言，相同的偏離方向下不同的偏離幅值對(duì)模型分類(lèi)具有明顯影響。不同制冷空調(diào)系統(tǒng)由于運(yùn)行工況、所處環(huán)境以及故障嚴(yán)重程度的差異，同一種故障的偏離幅值存在差異，用于訓(xùn)練的數(shù)據(jù)需要盡可能多地包含不同偏離幅值樣本。數(shù)據(jù)縮放策略就是基于這一思路，對(duì)矩陣數(shù)據(jù)乘以縮放系數(shù)后得到放大或縮小的矩陣樣本，如式(1)所示。

a1?j1???an?jnλ=λa1?λj1???λan?λjn（1）

多時(shí)間步多維度的偏離數(shù)據(jù)構(gòu)成矩陣數(shù)據(jù)，矩陣數(shù)據(jù)的所有元素均等比縮放，得到新的樣本。這里縮放前的矩陣數(shù)據(jù)可以是真實(shí)偏離矩陣也可以是人工賦值的偏離矢量。通過(guò)多個(gè)縮放系數(shù)對(duì)矩陣數(shù)據(jù)縮放可以得到多組新的矩陣數(shù)據(jù)，例如利用0.5、0.75、1.5、2.1四個(gè)縮放系數(shù)對(duì)同一矩陣數(shù)據(jù)縮放就可以得到四個(gè)新的矩陣數(shù)據(jù)?？s放系數(shù)在設(shè)定的縮放范圍內(nèi)隨機(jī)取值，而縮放系數(shù)的個(gè)數(shù)取決于診斷模型所需的訓(xùn)練樣本數(shù)，這通?？梢愿鶕?jù)神經(jīng)網(wǎng)絡(luò)模型的大小而確定，例如訓(xùn)練樣本需要包含每類(lèi)故障3000組樣本，則在縮放范圍內(nèi)隨機(jī)生成3000個(gè)縮放系數(shù)。

圖1是以三類(lèi)故障為例對(duì)縮放策略進(jìn)行描述，每類(lèi)故障選取四個(gè)特征(蒸發(fā)溫度TRE、冷凝溫度TRC、吸氣溫度T_suc、排氣溫度TR_dis)，每一行代表一個(gè)時(shí)間點(diǎn)，每個(gè)樣本是6×4矩陣數(shù)據(jù)，這里具體數(shù)值是根據(jù)偏離矢量設(shè)定的偏離值，每類(lèi)故障對(duì)應(yīng)一個(gè)偏離矩陣。圖1中分別為3、0.5、1.5這三個(gè)縮放系數(shù)生成的三個(gè)樣本，該樣本作為診斷模型的輸入。圖中的縮放過(guò)程與上文描述有兩處不同：(1)紅色參數(shù)并沒(méi)有進(jìn)行縮放；(2)每個(gè)縮放后的數(shù)值均添加了一個(gè)較小的隨機(jī)數(shù)。

圖1

圖1   數(shù)據(jù)隨機(jī)縮放策略

Fig.1   Data random scaling strategy

由于真實(shí)樣本具有一定的不確定性，簡(jiǎn)單利用縮放系數(shù)進(jìn)行偽樣本生成，其效果是不理想的。本文進(jìn)一步提出對(duì)生成樣本添加標(biāo)準(zhǔn)正態(tài)分布的高斯噪聲，豐富數(shù)據(jù)的信息復(fù)雜度，以此提升模型準(zhǔn)確性和魯棒性。標(biāo)準(zhǔn)正態(tài)分布是最符合自然界真實(shí)分布的，利用該類(lèi)噪聲可以更好地模擬系統(tǒng)真實(shí)擾動(dòng)。噪聲添加策略使性能得到提升的原因主要有兩個(gè)方面：(1)真實(shí)殘差數(shù)據(jù)本身是有較大隨機(jī)波動(dòng)的，單純的等比縮放與真實(shí)情況不符，高斯噪聲模擬的是系統(tǒng)的隨機(jī)擾動(dòng)，而偏離量模擬的是系統(tǒng)偏離正常工況，二者疊加則表示不同隨機(jī)擾動(dòng)下系統(tǒng)均呈現(xiàn)一種固定的偏離模式，而故障診斷的目的就是識(shí)別這種模式，使生成分布與真實(shí)分布更接近；(2)添加噪聲實(shí)質(zhì)是添加擾動(dòng)，這種思路借鑒了神經(jīng)網(wǎng)絡(luò)中的Dropout層[26]，該網(wǎng)絡(luò)層通過(guò)隨機(jī)失活部分神經(jīng)元以實(shí)現(xiàn)擾動(dòng)添加，使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程得到強(qiáng)化，從而有效避免神經(jīng)網(wǎng)絡(luò)過(guò)擬合，是公認(rèn)的提升神經(jīng)網(wǎng)絡(luò)魯棒性的方法。本文借鑒這一思路以添加噪聲的方式強(qiáng)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程，使得模型更加聚焦于偏離規(guī)則這種共性特征。同時(shí)，噪聲的添加強(qiáng)度對(duì)診斷結(jié)果影響較大，弱噪聲起不到模擬擾動(dòng)的作用，強(qiáng)噪聲則會(huì)引入過(guò)多的干擾從而降低診斷精度，因此，需要實(shí)驗(yàn)驗(yàn)證最優(yōu)的噪聲添加強(qiáng)度。

此外，本文還提出隨機(jī)縮放策略有三個(gè)關(guān)鍵的技巧，可以保證其有效實(shí)施。(1)并不是所有特征都進(jìn)行縮放，不產(chǎn)生偏離的特征不進(jìn)行縮放，這些不偏離的特征可以根據(jù)故障自身的規(guī)律人為指定，如圖1中紅色數(shù)據(jù)，以避免非偏離參數(shù)的誤差被放大強(qiáng)化。(2)不產(chǎn)生偏離的特征要設(shè)置一個(gè)小于1的值，比如0.1，實(shí)驗(yàn)證明這樣比1的效果好很多。(3)縮放系數(shù)的生成范圍設(shè)定非常關(guān)鍵，縮放范圍需要考慮目標(biāo)系統(tǒng)可能出現(xiàn)的嚴(yán)重程度，越嚴(yán)重的故障偏離量越大，而這種偏離量可以根據(jù)經(jīng)驗(yàn)估算?？s放后的偏離數(shù)據(jù)的上下限應(yīng)包含所有故障程度下的偏離范圍。例如目標(biāo)系統(tǒng)可能出現(xiàn)的冷凝溫度最大故障偏離小于5℃，最小故障偏離大于1℃，設(shè)定的該偏離矢量值為2，則縮放范圍需覆蓋(0.5, 2.5)。由于多維偏離矢量的不同參數(shù)縮放范圍可能不同，最終的統(tǒng)一縮放范圍應(yīng)取大。經(jīng)過(guò)隨機(jī)的縮放后，生成的偽數(shù)據(jù)包含了各類(lèi)情況下的系統(tǒng)故障信息，以此訓(xùn)練深度模型可以很好地保證其在實(shí)際診斷時(shí)的適用性。這一過(guò)程的實(shí)質(zhì)就是實(shí)現(xiàn)了故障診斷知識(shí)的數(shù)據(jù)化表達(dá)，其完整的流程見(jiàn)圖2。

圖2

圖2   知識(shí)的數(shù)據(jù)化表達(dá)流程

Fig.2   The expression process of digitized knowledge

2 基于知識(shí)數(shù)據(jù)化表達(dá)的制冷空調(diào)系統(tǒng)故障診斷方法

基于數(shù)據(jù)化的知識(shí)實(shí)現(xiàn)完整的制冷空調(diào)系統(tǒng)故障診斷流程見(jiàn)圖3。方法分為兩個(gè)部分。(1)模型訓(xùn)練：使用數(shù)據(jù)化的知識(shí)訓(xùn)練診斷模型，使之得到故障診斷的劃分邊界，訓(xùn)練完畢的模型用于診斷目標(biāo)系統(tǒng)故障類(lèi)別。(2)診斷實(shí)施：通過(guò)偏離特性表征策略，使真實(shí)運(yùn)行數(shù)據(jù)以偏離殘差的形式表征，這種表征形式和數(shù)據(jù)化的知識(shí)形式相同，從而使得診斷模型可以對(duì)其進(jìn)行診斷分類(lèi)。

圖3

圖3   診斷總體流程圖

Fig.3   The flowchart of proposed method

2.1 生成樣本一致性評(píng)估方法

第1節(jié)中利用隨機(jī)縮放策略實(shí)現(xiàn)了知識(shí)數(shù)據(jù)化表達(dá)，生成了帶有標(biāo)記的偽數(shù)據(jù)，這種生成數(shù)據(jù)的質(zhì)量高低決定了訓(xùn)練模型的診斷效果。因此，首先要對(duì)生成樣本的一致性進(jìn)行評(píng)估，目的是為了獲得和真實(shí)分布差異最小的生成樣本。

對(duì)于數(shù)據(jù)分布的距離評(píng)估有很多種方法，如核最大平均差異(kernel maximum mean discrepancy，MMD)[27]、瓦瑟斯坦距離(Wasserstein distance)[28]和弗雷歇距離(Fréchet inception distance，F(xiàn)ID)[29]等。其中MMD距離最常用于估計(jì)兩分布差異 [30]。在固定的核函數(shù)下，MMD指標(biāo)用于度量真實(shí)分布和生成分布的差異，MMD值越小，代表兩分布差異越小。MMD指標(biāo)可以定義為式(2)：

MMD2Pr,Pg=Exr,xr'~Ρr,xg,xg'~Ρgkxr,xr'-2kxr,xg+kxg,xg'（2）

式中，Pr和Pg分別表示兩個(gè)待度量分布；xr和xg為分布中具體樣本；k是映射函數(shù)。xr和xg分別理解為兩個(gè)不同數(shù)據(jù)集內(nèi)的數(shù)據(jù)樣本，式(2)的目的是尋找一個(gè)映射函數(shù)k，使得計(jì)算出的所有樣本平均距離有最大值，即得到了MMD值。通過(guò)MMD評(píng)估對(duì)知識(shí)數(shù)據(jù)化表達(dá)策略進(jìn)行優(yōu)化，最終實(shí)現(xiàn)生成樣本的質(zhì)量最優(yōu)。

2.2 目標(biāo)系統(tǒng)偏離特性的表征策略

生成數(shù)據(jù)其實(shí)質(zhì)是系統(tǒng)熱力參數(shù)偏離特征，而目標(biāo)系統(tǒng)直接采集的運(yùn)行數(shù)據(jù)是真實(shí)的熱力值。如果要使用生成數(shù)據(jù)訓(xùn)練模型診斷目標(biāo)系統(tǒng)，則必須將目標(biāo)系統(tǒng)的數(shù)據(jù)以偏離特征的形式予以表征。偏離特征是指故障狀態(tài)下熱力參數(shù)偏離理論正常值，獲取偏離特征則首先需要精準(zhǔn)得到理論上的基準(zhǔn)值。熱力參數(shù)受到多種因素影響，呈現(xiàn)非線性、強(qiáng)耦合的特征。如排氣壓力這一熱力參數(shù)不僅與系統(tǒng)結(jié)構(gòu)和工質(zhì)有關(guān)，還與環(huán)境溫度、負(fù)荷大小、控制目標(biāo)溫度等多種因素有關(guān)。要想在考慮眾多因素的情況下準(zhǔn)確預(yù)測(cè)熱力健康值是十分困難的。本課題組前期提出一種基于深度神經(jīng)網(wǎng)絡(luò)的制冷空調(diào)系統(tǒng)基準(zhǔn)模型[5]，該模型融合卷積網(wǎng)絡(luò)、編-解碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)，以數(shù)據(jù)驅(qū)動(dòng)的方式解決了大滯后、強(qiáng)耦合系統(tǒng)建模困難的問(wèn)題，模型結(jié)構(gòu)如圖4所示。該模型處理時(shí)序數(shù)據(jù)，每個(gè)樣本包含前置時(shí)間段(t1~tn )和預(yù)測(cè)時(shí)間段(tn+1~tn+m )。前置時(shí)間段僅包含狀態(tài)參數(shù)，通常為10~15個(gè)時(shí)間步長(zhǎng)，預(yù)測(cè)時(shí)間段包含之后的時(shí)間步的輸入?yún)?shù)，結(jié)合后續(xù)診斷模型要求的數(shù)據(jù)結(jié)構(gòu)，預(yù)測(cè)時(shí)間段可以是10~20個(gè)時(shí)間步長(zhǎng)。前置時(shí)間段的數(shù)據(jù)是二維矩陣數(shù)據(jù)(參數(shù)個(gè)數(shù)×?xí)r間步長(zhǎng))，表征預(yù)測(cè)開(kāi)始前一段時(shí)間系統(tǒng)的持續(xù)狀態(tài)，對(duì)大滯后系統(tǒng)預(yù)測(cè)具有重要作用，這里使用卷積網(wǎng)絡(luò)處理前置時(shí)間段數(shù)據(jù)并輸入到編-解碼器。通過(guò)解碼器將前置狀態(tài)信息編碼到固定長(zhǎng)度的向量并輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)，作為該網(wǎng)絡(luò)的初始值，可以較好地繼承預(yù)測(cè)時(shí)間段開(kāi)始時(shí)刻系統(tǒng)所處的狀態(tài)。循環(huán)神經(jīng)網(wǎng)絡(luò)根據(jù)每一個(gè)時(shí)刻的輸入變量預(yù)測(cè)對(duì)應(yīng)時(shí)刻的狀態(tài)變量，最終實(shí)現(xiàn)多步狀態(tài)變量的預(yù)測(cè)。詳細(xì)的模型介紹和實(shí)驗(yàn)分析可以參考文獻(xiàn)[5, 30]。模型的輸入為系統(tǒng)的外界自變參數(shù)，包括環(huán)境參數(shù)、控制參數(shù)、負(fù)載參數(shù)，例如環(huán)境溫度、壓機(jī)轉(zhuǎn)速、膨脹閥開(kāi)度、風(fēng)機(jī)轉(zhuǎn)速等。輸出的預(yù)測(cè)值為系統(tǒng)的因變參數(shù)，主要包括系統(tǒng)各類(lèi)溫度、壓力等熱力參數(shù)，通常為故障的敏感特征參數(shù)。具體的輸入輸出變量需要根據(jù)數(shù)據(jù)集確定，本文使用的參數(shù)選擇方案見(jiàn)3.1節(jié)?；鶞?zhǔn)模型利用健康系統(tǒng)采集的運(yùn)行數(shù)據(jù)訓(xùn)練，實(shí)現(xiàn)健康系統(tǒng)的擬合，屬于回歸建模問(wèn)題。由于健康運(yùn)行數(shù)據(jù)通常容易獲取，因而該訓(xùn)練策略不會(huì)限制基準(zhǔn)模型的實(shí)際應(yīng)用。

圖4

圖4   制冷空調(diào)系統(tǒng)基準(zhǔn)模型結(jié)構(gòu)

Fig.4   The structure of refrigeration and air-conditioning system benchmark model

利用該基準(zhǔn)模型實(shí)現(xiàn)制冷空調(diào)系統(tǒng)基準(zhǔn)預(yù)測(cè)，并以此計(jì)算出目標(biāo)系統(tǒng)參數(shù)偏離量，即實(shí)現(xiàn)了運(yùn)行數(shù)據(jù)向偏離特征的轉(zhuǎn)換。此時(shí)的偏離值是真實(shí)的偏離值，但不同熱力參數(shù)的偏離值含義不同，如排氣壓力偏離0.1 MPa已經(jīng)偏離很大了，而排氣溫度偏離0.5℃都不算大，這是由于不同參數(shù)的量綱不同。為了保證所有偏離量的含義相同，需要對(duì)其去量綱化。這里使用基準(zhǔn)模型的每個(gè)參數(shù)下的誤差作為量綱去除的系數(shù)，誤差可以在驗(yàn)證數(shù)據(jù)集上通過(guò)對(duì)基準(zhǔn)模型預(yù)測(cè)值和真實(shí)值求平均差得到，例如在健康數(shù)據(jù)集中基準(zhǔn)模型對(duì)排氣溫度的預(yù)測(cè)誤差為0.5℃，則對(duì)每個(gè)真實(shí)的排氣溫度殘差除以0.5，得到統(tǒng)一的去量綱偏離量。具體表征策略如下。

第一步：獲取系統(tǒng)的熱力基準(zhǔn)信息。即得到系統(tǒng)各特征參數(shù)健康狀態(tài)下的理論值，該理論值受到環(huán)境、工況、負(fù)荷等多因素的共同影響。

第二步：獲取敏感特征的殘差值。即將第一步獲取的基準(zhǔn)值和系統(tǒng)實(shí)測(cè)值做差，得到的差值的實(shí)質(zhì)是熱力偏離量。

第三步：計(jì)算殘差與基準(zhǔn)誤差量的比值?；鶞?zhǔn)值獲取依賴預(yù)測(cè)模型，其自身帶有一定誤差，使得不產(chǎn)生偏離的特征亦會(huì)產(chǎn)生較小的殘差量，該值可以通過(guò)訓(xùn)練數(shù)據(jù)集計(jì)算得到。通過(guò)計(jì)算殘差和誤差的比值可以清晰得到偏離倍數(shù)，同時(shí)對(duì)不同量綱實(shí)現(xiàn)統(tǒng)一。

本文提出的使用人工生成的偏離參數(shù)作為模型的訓(xùn)練數(shù)據(jù)的方法，診斷實(shí)施時(shí)同時(shí)需要將目標(biāo)系統(tǒng)的運(yùn)行數(shù)據(jù)轉(zhuǎn)化為偏離殘差，而不是直接使用實(shí)際運(yùn)行數(shù)據(jù)。其主要原因及優(yōu)勢(shì)為：(1)偏離殘差的本質(zhì)是故障特征，以偏離的形式表征故障可以極大降低數(shù)據(jù)的復(fù)雜度，抵消熱力系統(tǒng)自身滯后性和非線性對(duì)診斷帶來(lái)的影響，從而提高診斷精度。該結(jié)論在前期研究工作中已證明[5]。(2)本文利用生成數(shù)據(jù)代替真實(shí)標(biāo)記數(shù)據(jù)以解決標(biāo)記數(shù)據(jù)不足的問(wèn)題，利用故障熱力學(xué)偏離規(guī)律可以生成偏離殘差，但卻無(wú)法生成真實(shí)的運(yùn)行數(shù)據(jù)。因此，要想實(shí)現(xiàn)知識(shí)數(shù)據(jù)化表達(dá)，這種數(shù)據(jù)必須是偏離殘差數(shù)據(jù)。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型

第1節(jié)介紹了數(shù)據(jù)縮放策略以實(shí)現(xiàn)知識(shí)的數(shù)據(jù)化表達(dá)，隨著生成數(shù)據(jù)量的增多，生成數(shù)據(jù)分布和真實(shí)數(shù)據(jù)分布的重合度會(huì)隨之增加，但仍然不會(huì)完全重合，這就需要診斷算法具備一定的擴(kuò)展性。深度神經(jīng)網(wǎng)絡(luò)通過(guò)多層復(fù)雜變換處理樣本深層特征，可以較好地對(duì)樣本分布進(jìn)行擴(kuò)展。殘差數(shù)據(jù)是典型的多維時(shí)序數(shù)據(jù)，可以將其認(rèn)為是一種矩陣數(shù)據(jù)。因此，診斷模型使用深度卷積網(wǎng)絡(luò)搭建，以充分利用其對(duì)矩陣數(shù)據(jù)復(fù)雜特征的學(xué)習(xí)能力，具體結(jié)構(gòu)見(jiàn)表1。模型使用生成的偽數(shù)據(jù)訓(xùn)練，從而解決對(duì)真實(shí)標(biāo)記數(shù)據(jù)的依賴。實(shí)施診斷時(shí)，將目標(biāo)系統(tǒng)的數(shù)據(jù)經(jīng)過(guò)2.2節(jié)方法轉(zhuǎn)化后輸入模型，模型輸出即為故障預(yù)測(cè)類(lèi)別。矩陣數(shù)據(jù)的列數(shù)等于敏感特征的數(shù)量，而行數(shù)是截取的時(shí)間步長(zhǎng)度，通常會(huì)根據(jù)敏感特征數(shù)據(jù)選擇時(shí)間步長(zhǎng)度，使其行列數(shù)接近。

表1   深度診斷模型網(wǎng)絡(luò)結(jié)構(gòu)

Table 1  The network structure of deep diagnosis model

新窗口打開(kāi)| 下載CSV

3 實(shí)驗(yàn)數(shù)據(jù)集與平臺(tái)

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文利用ASHRAE RP-1043數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)研究[31]。ASHRAE RP-1043是美國(guó)供暖、制冷與空調(diào)工程師學(xué)會(huì)于1999年啟動(dòng)的項(xiàng)目，全名為fault detection and diagnostic (FDD) requirements and evaluation tools for chillers，旨在建立一個(gè)用于制冷系統(tǒng)故障診斷研究及方法評(píng)估的數(shù)據(jù)集，該數(shù)據(jù)集包含不同負(fù)載、不同故障條件下的制冷裝置瞬態(tài)和穩(wěn)態(tài)的運(yùn)行數(shù)據(jù)。項(xiàng)目測(cè)試系統(tǒng)為一臺(tái)制冷量為90冷噸(316.5 kW)的離心式制冷機(jī)組(圖5)，使用R134a制冷工質(zhì)，機(jī)組安裝在70℉(21.1℃)的恒溫室中。該數(shù)據(jù)集是一個(gè)常用的公開(kāi)數(shù)據(jù)集，以此作為實(shí)驗(yàn)數(shù)據(jù)集可以較好地驗(yàn)證提出方法的有效性。

圖5

圖5   制冷機(jī)組結(jié)構(gòu)原理圖[31]

Fig.5   Schematic diagram of chiller structure[31]

本文選擇項(xiàng)目中6類(lèi)故障和1類(lèi)健康數(shù)據(jù)，每類(lèi)故障包含4種不同嚴(yán)重程度。這6類(lèi)故障分別是：冷凝器結(jié)垢(cf)、冷卻水流量減少(fwc)、冷凍水流量減少(fwe)、含非凝性氣體(nc)、制冷劑泄漏(rl)、制冷劑過(guò)充(ro)。每種故障不同嚴(yán)重程度的模擬條件見(jiàn)表2。

表2   不同嚴(yán)重程度故障的模擬條件

Table 2  Simulated conditions for faults of various severity

新窗口打開(kāi)| 下載CSV

針對(duì)這一數(shù)據(jù)集，Comstock等 [32]對(duì)其特征的敏感程度及其偏離特性進(jìn)行了研究，選定了7個(gè)關(guān)鍵特征用來(lái)表征故障，分別是：蒸發(fā)器進(jìn)出口水溫差(TEI-TEO)、冷凝器進(jìn)出口水溫差(TCO-TCI)、蒸發(fā)器壓力(PRE)、冷凝器壓力(PRC)、過(guò)冷度(TRCsub)、吸氣過(guò)熱度(Tshsuc)、排氣過(guò)熱度(Tshdis)。并建立了不同故障下特征參數(shù)的偏離矢量表(表3)，這一表格就是故障偏離特性的定性知識(shí)表達(dá)。本文根據(jù)這一知識(shí)進(jìn)行診斷，而在現(xiàn)實(shí)診斷過(guò)程中亦可以通過(guò)理論推演、人為經(jīng)驗(yàn)等多種方式獲取定性知識(shí)表達(dá)。

表3   故障的多維偏離矢量

Table 3  Multi-dimensional deviation vector of failure

新窗口打開(kāi)| 下載CSV

由于偏離特性的表征需要用到基準(zhǔn)模型，根據(jù)2.2節(jié)中對(duì)基準(zhǔn)模型的介紹，需要從ASHRAE RP-1043數(shù)據(jù)集中分離出用于基準(zhǔn)模型輸入輸出的變量集?；鶞?zhǔn)模型的輸出變量就是上述7個(gè)故障特征，而輸入變量應(yīng)該是系統(tǒng)的自變量，包含環(huán)境相關(guān)變量及控制相關(guān)變量，具體包括：蒸發(fā)器入水溫度、冷凝器入水溫度、交互換熱器冷凝側(cè)入水溫度、交互換熱器冷凝側(cè)出水溫度、交互換熱器蒸發(fā)側(cè)入水溫度、交互換熱器蒸發(fā)側(cè)出水溫度、外部入水溫度、外部出水溫度、熱水入水溫度、熱水出水溫度、冷凝器水流量、蒸發(fā)器水流量、小型蒸汽閥開(kāi)度、大型蒸汽閥開(kāi)度、三通閥開(kāi)度、外部水閥開(kāi)度。

3.2 算法運(yùn)行環(huán)境

深度學(xué)習(xí)算法使用Tensorflow和Python編程實(shí)現(xiàn)，版本分別為2.6.0和3.9.7，開(kāi)發(fā)環(huán)境為Pycharm 2018。GPU加速算法使用CUDA11.2和cuDNN8.1支持庫(kù)。算法的運(yùn)行平臺(tái)為一臺(tái)圖形服務(wù)器，GPU是NVIDIA GeForce RTX 3080Ti，CPU是Intel i9-11900K，內(nèi)存為64 G，操作系統(tǒng)是64位Windows 10。

4 實(shí)驗(yàn)與分析

本節(jié)對(duì)前文提出方法進(jìn)行實(shí)驗(yàn)分析。首先，針對(duì)目標(biāo)系統(tǒng)訓(xùn)練基準(zhǔn)模型，進(jìn)而實(shí)現(xiàn)偏離表征，獲取后續(xù)對(duì)比實(shí)驗(yàn)所需格式的真實(shí)樣本。然后，利用MMD算法對(duì)生成樣本和真實(shí)樣本的一致性進(jìn)行評(píng)估，驗(yàn)證最優(yōu)數(shù)據(jù)生成策略。進(jìn)一步，利用生成數(shù)據(jù)訓(xùn)練診斷模型并在真實(shí)數(shù)據(jù)集上驗(yàn)證分析，得到最佳診斷策略。最后，與當(dāng)下主流的監(jiān)督學(xué)習(xí)對(duì)比，驗(yàn)證提出方法的有效性和優(yōu)勢(shì)。

4.1 目標(biāo)系統(tǒng)數(shù)據(jù)的偏離表征

目標(biāo)系統(tǒng)數(shù)據(jù)的偏離表征依賴基準(zhǔn)模型實(shí)現(xiàn)，基準(zhǔn)模型的精度決定了表征的準(zhǔn)確性。參照?qǐng)D4構(gòu)建基準(zhǔn)模型，并利用目標(biāo)系統(tǒng)的健康運(yùn)行數(shù)據(jù)訓(xùn)練，使之可以良好地?cái)M合健康系統(tǒng)動(dòng)態(tài)特性。模型使用12000組樣本訓(xùn)練，每組樣本的時(shí)間步長(zhǎng)為12，并在3000組不參與訓(xùn)練的測(cè)試數(shù)據(jù)集上驗(yàn)證模型精度。模型的輸入?yún)?shù)為環(huán)境和控制相關(guān)變量，決定了系統(tǒng)的外部條件，這里使用3.1節(jié)中選定的輸入?yún)?shù)。輸出參數(shù)為熱力狀態(tài)參數(shù)，是受外部條件作用下的系統(tǒng)表現(xiàn)，這里選擇的是表3中的7個(gè)關(guān)鍵參數(shù)。使用Adam優(yōu)化器和MSE損失函數(shù)，訓(xùn)練100輪后，測(cè)試數(shù)據(jù)集上的損失值為0.0015。在3000組健康測(cè)試樣本上進(jìn)行模型誤差計(jì)算，得到7個(gè)關(guān)鍵參數(shù)的誤差絕對(duì)均值(表4)。這里誤差均值是3000組樣本上預(yù)測(cè)值和真實(shí)值的平均偏離量，如TEI-TEO的誤差均值為0.045，代表基準(zhǔn)模型對(duì)該參數(shù)預(yù)測(cè)的平均誤差為0.045℃，可見(jiàn)預(yù)測(cè)精度已非常高，遠(yuǎn)超物理模型的預(yù)測(cè)精度。

表4   基準(zhǔn)模型的預(yù)測(cè)誤差絕對(duì)均值

Table 4  The absolute mean of the prediction error of the benchmark model

新窗口打開(kāi)| 下載CSV

利用訓(xùn)練好的基準(zhǔn)模型對(duì)目標(biāo)系統(tǒng)的狀態(tài)值進(jìn)行預(yù)測(cè)，得到目標(biāo)系統(tǒng)所處環(huán)境和控制條件下理論參數(shù)的健康基準(zhǔn)值，并與實(shí)測(cè)值進(jìn)行做差，得到偏離殘差值。進(jìn)一步去量綱化，將殘差除以表4中基準(zhǔn)模型誤差，得到偏離比例系數(shù)，其數(shù)學(xué)表達(dá)見(jiàn)式(3)。

y=yreal-ypreerr（3）

式中，y表示偏離比例系數(shù)；yreal表示真實(shí)值；ypre表示預(yù)測(cè)值；err表示模型誤差值。這種比例系數(shù)的形式與生成的偽數(shù)據(jù)形式一致，實(shí)質(zhì)上偽數(shù)據(jù)就是為了模擬偏離比例系數(shù)。

由于偏離比例系數(shù)通常大于1，對(duì)于一些嚴(yán)重的故障，偏離比例系數(shù)可能達(dá)到20，神經(jīng)網(wǎng)絡(luò)對(duì)這種數(shù)據(jù)不太適用，需要進(jìn)行歸一化處理。深度學(xué)習(xí)中的歸一化包括兩類(lèi)：嚴(yán)格歸一化、非嚴(yán)格歸一化。利用arctan等函數(shù)將數(shù)據(jù)嚴(yán)格限制到小于1的方式屬于嚴(yán)格歸一化，這種方式適用于無(wú)法處理大于1的算法。然而，這種歸一化對(duì)數(shù)據(jù)進(jìn)行了非線性處理，使得部分?jǐn)?shù)據(jù)區(qū)間的差異被放大或縮小，給算法識(shí)別帶來(lái)難度。而非嚴(yán)格歸一化則不會(huì)強(qiáng)制限定到1以內(nèi)，其處理方式更加自由。本文使用線性歸一，對(duì)所有偏離數(shù)據(jù)除以5，屬于非嚴(yán)格歸一化。系數(shù)5是根據(jù)經(jīng)驗(yàn)設(shè)定，該值與系統(tǒng)制冷量有關(guān)，通常制冷量越大該值應(yīng)該越高，使處理后的數(shù)據(jù)最大值接近1。這種線性歸一可以使數(shù)據(jù)范圍更加收斂，同時(shí)最大程度保留原有數(shù)據(jù)的有效信息。

4.2 基于MMD的生成樣本一致性評(píng)估

基于隨機(jī)縮放策略的數(shù)據(jù)生成需要首先進(jìn)行多維偏離矢量的選值和縮放范圍設(shè)定。其中，多維偏離矢量選值指的是對(duì)不同偏離程度的特征賦予具體的數(shù)值，而縮放范圍設(shè)定則是限制樣本隨機(jī)縮放的上下限。這一過(guò)程需要考慮到對(duì)象實(shí)際物理情況和設(shè)計(jì)的診斷范圍。Comstock等 [32]對(duì)ASHRAE RP-1043項(xiàng)目中故障的偏離特性進(jìn)行了實(shí)驗(yàn)分析，得出了定性的偏離規(guī)律。雖然直接利用這些定性規(guī)律實(shí)現(xiàn)動(dòng)態(tài)工況故障診斷是十分困難的，但相關(guān)規(guī)律可以作為本文知識(shí)來(lái)源。而對(duì)于其他情形的診斷過(guò)程，亦可以根據(jù)對(duì)目標(biāo)系統(tǒng)的相關(guān)經(jīng)驗(yàn)設(shè)定偏離矢量選值和縮放范圍。本文參考文獻(xiàn)[32]對(duì)表3中多維偏離矢量的取值按照偏離程度分別設(shè)定，↑/↓取值為2/-2，↑↑/↓↓取值為5/-5，↑↑↑/↓↓↓取值為10/-10，↑↑↑↑/↓↓↓↓取值為20/-20，●取值為0.1，縮放范圍為0.7~3.0。

本文研究中發(fā)現(xiàn)，單純利用隨機(jī)縮放生成的偽數(shù)據(jù)很難接近真實(shí)分布，這主要是由于真實(shí)系統(tǒng)具有高度復(fù)雜且不確定的特性，使得真實(shí)的殘差樣本具有較高的隨機(jī)擾動(dòng)性。針對(duì)這一特點(diǎn)，本文提出對(duì)生成數(shù)據(jù)添加隨機(jī)噪聲的策略，使生成數(shù)據(jù)與真實(shí)數(shù)據(jù)一致性更佳。噪聲的添加效果與添加噪聲的幅值有密切關(guān)系，噪聲太小作用無(wú)法體現(xiàn)，而噪聲太強(qiáng)會(huì)破壞數(shù)據(jù)原有結(jié)構(gòu)。接下來(lái)利用實(shí)驗(yàn)方式對(duì)不同強(qiáng)度噪聲添加以及無(wú)噪聲添加的生成數(shù)據(jù)進(jìn)行樣本一致性評(píng)估。如表5所示，對(duì)添加的標(biāo)準(zhǔn)正態(tài)分布噪聲進(jìn)行系數(shù)相除，得到不同強(qiáng)度的噪聲，同時(shí)與不添加噪聲的生成數(shù)據(jù)對(duì)比。用于評(píng)估的真實(shí)數(shù)據(jù)集包含每類(lèi)故障2000組樣本。

表5   不同策略下生成樣本和真實(shí)樣本的MMD評(píng)估

Table 5  MMD value of generated samples and real samples under different strategies

注：方框內(nèi)數(shù)據(jù)代表最優(yōu)值，下同。

新窗口打開(kāi)| 下載CSV

從表5可以看出，不添加噪聲的生成數(shù)據(jù)與真實(shí)數(shù)據(jù)的MMD值普遍高于添加噪聲的生成數(shù)據(jù)，表示不添加噪聲的生成質(zhì)量較差。而添加噪聲的生成數(shù)據(jù)MMD值隨添加強(qiáng)度增加呈現(xiàn)先下降后上升趨勢(shì)，不同故障類(lèi)別的最小MMD值對(duì)應(yīng)的噪聲強(qiáng)度不同，整體分布于2倍標(biāo)準(zhǔn)正態(tài)分布噪聲(/0.5)和20倍標(biāo)準(zhǔn)正態(tài)分布噪聲(/0.05)之間。其中，對(duì)于正常數(shù)據(jù)、cf故障以及rl故障而言，最小MMD值出現(xiàn)在更弱的噪聲添加策略處，而其他故障的最小MMD值則對(duì)應(yīng)相對(duì)較強(qiáng)的噪聲添加策略。深入分析可知，偏離程度越明顯的故障類(lèi)別適于添加更強(qiáng)的噪聲，這是因?yàn)槠渥陨淼钠x較大，更強(qiáng)的噪聲也不會(huì)對(duì)其偏離特性產(chǎn)生較大的影響。而自身偏離較小的故障則對(duì)噪聲更加敏感，太強(qiáng)的噪聲會(huì)明顯干擾其正常分布。由于MMD分布的評(píng)估并不能完全代表其最終的診斷效果，且在/0.5和/0.05添加策略之間的MMD值差異并不大，因此，最終的噪聲添加策略需要進(jìn)一步結(jié)合診斷實(shí)驗(yàn)確定。

4.3 基于知識(shí)數(shù)據(jù)化的故障診斷實(shí)驗(yàn)驗(yàn)證

本節(jié)對(duì)基于知識(shí)數(shù)據(jù)化的診斷方法進(jìn)行實(shí)驗(yàn)驗(yàn)證，驗(yàn)證數(shù)據(jù)集來(lái)自ASHRAE RP-1043，該數(shù)據(jù)集細(xì)節(jié)已在3.1節(jié)描述。本節(jié)結(jié)合4.2節(jié)實(shí)驗(yàn)結(jié)果，針對(duì)MMD值最小的5種噪聲添加策略和無(wú)噪聲添加策略進(jìn)行6組對(duì)照實(shí)驗(yàn)。診斷模型利用生成的偽數(shù)據(jù)訓(xùn)練，每種故障類(lèi)別包含3000組樣本，共計(jì)21000組樣本。其中，按照3∶1的比例分割訓(xùn)練集和驗(yàn)證集。使用Adam優(yōu)化器，批大小為128，訓(xùn)練50輪。完成訓(xùn)練的模型在真實(shí)數(shù)據(jù)集上進(jìn)行測(cè)試，測(cè)試集上每類(lèi)故障2000組樣本，結(jié)果如表6所示?？梢钥闯?，添加不同強(qiáng)度噪聲的生成策略下診斷精度和MMD評(píng)估呈現(xiàn)較高的相似性。/0.15的正態(tài)分布噪聲添加下，模型的診斷精度整體上最高，而/0.15的噪聲強(qiáng)度正好是5類(lèi)添加噪聲強(qiáng)度中的中間水平，這是一種綜合效果的體現(xiàn)。同時(shí)可以發(fā)現(xiàn)，在不同嚴(yán)重程度數(shù)據(jù)測(cè)試上，越嚴(yán)重的故障越容易被診斷出來(lái)，越輕微的故障診斷效果越差。這應(yīng)該是由于輕微故障表征不明顯且被動(dòng)態(tài)工況波動(dòng)覆蓋，導(dǎo)致診斷難度提升。最終表明，使用標(biāo)準(zhǔn)正態(tài)分布除0.15的噪聲添加下，訓(xùn)練模型的診斷性能最佳，總體正確率可達(dá)82.67%，比不添加噪聲的診斷精度高11.64%。由于實(shí)際應(yīng)用時(shí)，這類(lèi)漸變熱力故障并不需要太高的響應(yīng)速度，完全可以多次診斷后綜合決策，因此這一診斷精度已經(jīng)較好地滿足實(shí)際應(yīng)用需求。

表6   不同生成策略下故障診斷精度對(duì)比

Table 6  Comparison of fault diagnosis accuracy under different generation strategies

新窗口打開(kāi)| 下載CSV

進(jìn)一步對(duì)最優(yōu)生成策略下卷積網(wǎng)絡(luò)的全連接層輸出進(jìn)行可視化處理。如圖6所示，分別利用不同嚴(yán)重程度數(shù)據(jù)進(jìn)行可視化分析，每種故障200組樣本?？梢钥闯觯w上診斷模型對(duì)7個(gè)類(lèi)別可以較好聚類(lèi)和分離，但仍存在部分故障的空間分布較近，使得相互誤診率較高。如Level1中cf和rl的空間分布存在部分混疊，rl和正常數(shù)據(jù)分布接近，Level2中rl和正常數(shù)據(jù)分布十分接近，造成實(shí)際診斷中Level1的cf和rl以及Level2的rl故障診斷精度較差。這主要是由于cf和rl故障在輕微狀態(tài)下隱匿性較高，被熱力補(bǔ)償和動(dòng)態(tài)工況波動(dòng)所覆蓋，導(dǎo)致征兆不明顯。這種情形即便是監(jiān)督學(xué)習(xí)也很難達(dá)到較高的識(shí)別精度。

圖6

圖6   模型全連接層輸出特征的可視化

Fig.6   Visualization of model fully connected layer

4.4 與監(jiān)督訓(xùn)練故障診斷方法的對(duì)比分析

現(xiàn)階段智能診斷算法以數(shù)據(jù)驅(qū)動(dòng)的監(jiān)督學(xué)習(xí)模式為主。因此，有必要將監(jiān)督訓(xùn)練模型與本文方法對(duì)比研究。監(jiān)督學(xué)習(xí)算法最主要的問(wèn)題是標(biāo)記數(shù)據(jù)獲取困難，在無(wú)法獲取覆蓋全局信息的數(shù)據(jù)集時(shí)，模型的適應(yīng)性存在較大局限。不同嚴(yán)重程度的故障數(shù)據(jù)分布不同，僅利用單一嚴(yán)重程度數(shù)據(jù)訓(xùn)練的模型在其他嚴(yán)重程度上會(huì)產(chǎn)生精度下降的現(xiàn)象，而實(shí)際上可能的嚴(yán)重程度是無(wú)限多的，很難獲取所有可能?chē)?yán)重程度的標(biāo)記數(shù)據(jù)。本文針對(duì)這一現(xiàn)實(shí)問(wèn)題，對(duì)比不同訓(xùn)練數(shù)據(jù)下的監(jiān)督學(xué)習(xí)方法和本文提出方法的診斷精度和自適應(yīng)性，驗(yàn)證本文方法的優(yōu)勢(shì)。

本節(jié)設(shè)置6組對(duì)比實(shí)驗(yàn)，分別是本文提出的知識(shí)數(shù)據(jù)化方法和利用Level1、Level2、Level3、Level4以及Level1~Level4全部數(shù)據(jù)作為訓(xùn)練樣本的監(jiān)督學(xué)習(xí)方法。模型的結(jié)構(gòu)設(shè)計(jì)和表2相同，每類(lèi)故障使用2000組樣本，使用Adam優(yōu)化器，批大小為128，訓(xùn)練50輪。

圖7展示了對(duì)比結(jié)果。從總體精度上來(lái)看，利用知識(shí)數(shù)據(jù)化表達(dá)的診斷精度為82.7%，這一結(jié)果比使用全部數(shù)據(jù)訓(xùn)練模型的88.2%差，這是很容易理解的，當(dāng)數(shù)據(jù)充足時(shí)監(jiān)督學(xué)習(xí)的效果理應(yīng)最好，本文重點(diǎn)對(duì)比標(biāo)記數(shù)據(jù)不充足的情況。從前5組對(duì)比實(shí)驗(yàn)來(lái)看，本文提出的方法僅次于利用Level2數(shù)據(jù)集訓(xùn)練的模型，診斷正確率低0.8%，而相比于其他3組實(shí)驗(yàn)的正確率分別高出2.8%、5.9%、20.3%。進(jìn)一步分析診斷方法在不同嚴(yán)重程度上的適應(yīng)性。本文提出方法和4組單一嚴(yán)重程度數(shù)據(jù)訓(xùn)練方法在不同嚴(yán)重程度驗(yàn)證集上的最優(yōu)診斷正確率分別為：93.8%、83.6%、93.0%、92.8%、95.5%，而最優(yōu)最差正確率的差值分別為：27.2%、9.1%、19.7%、42.8%、70.1%。綜合可以看出，對(duì)比4組監(jiān)督學(xué)習(xí)，本文提出的方法在最優(yōu)診斷和最優(yōu)最差差值上均處于中間水平，結(jié)合該方法完全無(wú)須標(biāo)記數(shù)據(jù)的特性，表明該方法具有替代監(jiān)督學(xué)習(xí)算法的潛力，具有明顯優(yōu)勢(shì)。

圖7

圖7   與監(jiān)督學(xué)習(xí)的診斷精度對(duì)比

Fig.7   Comparison of diagnosis accuracy with supervised learning

5 結(jié)論

本文提出一種基于知識(shí)數(shù)據(jù)化表達(dá)的制冷空調(diào)系統(tǒng)故障診斷方法，通過(guò)將故障特征偏離的先驗(yàn)知識(shí)轉(zhuǎn)化為數(shù)據(jù)，解決現(xiàn)有監(jiān)督學(xué)習(xí)算法過(guò)度依賴標(biāo)記數(shù)據(jù)的問(wèn)題。同時(shí)，針對(duì)目標(biāo)系統(tǒng)運(yùn)行數(shù)據(jù)，提出一種基于基準(zhǔn)模型的數(shù)據(jù)偏離特性表征方法，將數(shù)據(jù)的偏離特性提取出來(lái)，使之適應(yīng)于生成數(shù)據(jù)的形式統(tǒng)一，從而適應(yīng)于生成數(shù)據(jù)訓(xùn)練的模型。具體結(jié)論如下。

(1)提出一種隨機(jī)縮放策略用于將知識(shí)轉(zhuǎn)化為數(shù)據(jù)形式并實(shí)現(xiàn)信息擴(kuò)增，其中，提出一種生成數(shù)據(jù)的噪聲添加策略，通過(guò)添加不同強(qiáng)度的高斯噪聲實(shí)現(xiàn)生成分布和真實(shí)分布的拉近。實(shí)驗(yàn)表明，添加噪聲的確會(huì)優(yōu)化生成分布和真實(shí)分布的距離，且隨著噪聲添加強(qiáng)度的增加，分布距離呈現(xiàn)先變小后變大的趨勢(shì)。同時(shí)，噪聲添加強(qiáng)度受到故障自身偏離程度的影響，偏離越明顯的故障越應(yīng)添加高強(qiáng)度噪聲。

(2)從故障診斷實(shí)驗(yàn)驗(yàn)證可知，添加噪聲可以明顯提升最終診斷精度，且不同噪聲強(qiáng)度對(duì)診斷的影響不同，其隨著噪聲添加強(qiáng)度增加，診斷精度呈現(xiàn)先提升后降低的趨勢(shì)，其結(jié)論與MMD評(píng)估結(jié)論基本一致。不同噪聲添加強(qiáng)度中，添加/0.15標(biāo)準(zhǔn)正態(tài)分布噪聲數(shù)據(jù)后，診斷的整體精度最佳，最優(yōu)的總體診斷精度可達(dá)82.67%，比不添加噪聲的診斷精度高11.64%。

(3)與4組單一嚴(yán)重程度數(shù)據(jù)監(jiān)督訓(xùn)練方法對(duì)比，本文提出方法僅比使用Level2數(shù)據(jù)訓(xùn)練方法的正確率低0.8%，而比其他3組實(shí)驗(yàn)的正確率分別高出2.8%、5.9%、20.3%。在4個(gè)嚴(yán)重程度分別驗(yàn)證實(shí)驗(yàn)中可以看出，本文提出方法無(wú)論是在最優(yōu)診斷率還是最優(yōu)最差的正確率差值上均處于中間水平。結(jié)合本文方法完全無(wú)須標(biāo)記數(shù)據(jù)的特性，其優(yōu)勢(shì)明顯。

綜上，本文提出的知識(shí)數(shù)據(jù)化表達(dá)方法較好地解決了監(jiān)督學(xué)習(xí)對(duì)標(biāo)記數(shù)據(jù)的依賴，同時(shí)保持了較高的診斷精度，在制冷空調(diào)故障診斷領(lǐng)域具有廣闊的應(yīng)用前景。然而，該方法仍然具有一定不足之處。在方法層面上，利用噪聲添加雖然一定程度上模擬了真實(shí)系統(tǒng)的隨機(jī)特性，然而熱力系統(tǒng)具有時(shí)序特點(diǎn)，隨機(jī)性仍然遵循一定時(shí)序規(guī)律，因此在隨機(jī)信息模擬方面如果可以將真實(shí)系統(tǒng)時(shí)序性考慮進(jìn)去，則可以使生成分布與真實(shí)分布更加接近；在應(yīng)用層面上，該方法以典型故障偏離知識(shí)為基礎(chǔ)，因而針對(duì)微弱、早期、隱性故障的診斷精度不高，主要是由于這類(lèi)故障征兆不明顯，需要更加復(fù)雜的知識(shí)作為依據(jù)，后續(xù)研究中應(yīng)該更加豐富先驗(yàn)知識(shí)的形式，不僅包含定性偏離，還應(yīng)包含參數(shù)間相互映射關(guān)系等信息。在知識(shí)獲取層面上，要研究更加多樣的獲取方式，包括數(shù)值仿真系統(tǒng)、實(shí)驗(yàn)系統(tǒng)、理論推導(dǎo)、相似系統(tǒng)知識(shí)遷移等多種手段，充分發(fā)揮領(lǐng)域?qū)＜抑R(shí)優(yōu)勢(shì)，將其作為重要指導(dǎo)依據(jù)。如果可以解決上述問(wèn)題，則該方法的應(yīng)用場(chǎng)景將會(huì)進(jìn)一步拓寬。