人工神经网络应用于空调系统故障诊断的研究_百度文库

1、人工神经网络应用于空调系统故障诊断的研究摘要： 本文首先介绍了人工神经网络 的基本原理，然后 详细介绍了反向传播算法(BP),最后 研究BP算法在空调系 统故障诊断方面的 应用 。关键词： 人工神经网络 反向传播算 法 故障诊断 1 引言 随着 经济 的 发展 ，空调系统得到了越来 越广泛的应用，空调设备已成为重要的生活必备品之一。这就 要求空调系统可靠性高且功能齐全，而且在故障诊断维修服务 方面达到一定的水平。国内 目前 的大部分空调系统中无故障 诊断系统，当空调系统出现故障后，维保人员往往不能及时、 准确地了解系统出现故障的原因及相关信息，空调系统无法得 到及时修复，这种情况急需得到改善。

2、 2 关于故障诊断技术 故 障诊断 FD(fault diagnosis 是一种了解和掌握设备在使用过程中 的技术，确定其整体或局部是否正常，早期发现故障及其原因 并能预报故障发展趋势的技术。在诊断过程中，必须利用被诊 断对象表现出来的各种有用信息，经过适当地处理和 分析 ， 做出正确的诊断结论。在制冷暖通空调领域，1987 年在彦启森教授的建议下，才开始了故障诊断专家系统在制冷暖通空调 领域的研究应用 1 。3 人工神经网络用于空调系统故障诊断 的基本原理 人工神经网络 (Artificial Neural Network 简称 ANN 正是在人类对其大脑神经网络认识理解的基础上人工构造的能

3、 够实现某种功能的神经网络。它是 理论 化的人脑神经网络的 数学模型，是基于模仿大脑神经网络结构和功能而建立的一种 信息处理系统。它实际上是由大量简单元件相互连接而成的复 杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线 性关系实现的系统。典型的神经网络结构如图 1 所示。在众 多的人工神经网络模型中，最常用的是 BP(Back Propagation 模 型，即利用误差反向传播算法求解的多层前向神经网络模型 2。BP网络在故障诊断、模式识别、图像识别、管理系统等 方面都得到了广泛的应用。本文讨论利用神经网络中的 BP 模 型进行空调系统的故障诊断。首先需要进行知识的获取。由专、Grad

4、ient 3 。其主要思 BP 算法称为家提供关于各种空调系统故障现象 （征兆集及相应的故障原因 （故障集实例作为 学习 样本 。将数据分为两部分，一部分用于 训练网络，另一部分用于测试。将训练网络的数据按一定顺序 编码，分别赋给网络输入、输出节点，通过神经网络学习算法 对 样本 进行学习，经过网络内部自适应算法不断修正权值， 直到达到所要求的学习精度为止。此时在大量神经元之间联结 权值上就分布着专家知识和经验。训练完毕后，再将测试网络 的数据从初始状态出发，向前推理，将显示出的故障结果与实 际的测试数据结果相比较，如果误差很小，说明网络的权值建 立正确；如果误差较大，说明网络的权值建立有误，

5、需要重新 进行网络的训练。将训练 样本 训练完毕后，即可进行空调系 统的故障诊断。只要实际输入模式接近于某一个训练时的学习 样本 的输入模式，则可产生出接近学习 样本 的输出结果，也 就是所谓的自联想功能。同时，由于网络 计算 上的大量并行 性，当机器运行状况改变，出现网络学习未考虑的情况时，系 统亦能给出正确分类结果。同时将新数据并入网络，实现系统 的自适应。一般来说，学习的故障实例 样本 越多，诊断结果 的准确率越高。4 BP学习算法BP算法因其简单、易行、计算 量小、并行性强等优点，是目前神经网络训练采用最多也是最 成熟的训练算法之一。 BP 算法的实质是求解误差函数的最小 值 问题 ，

6、由于它采用非线性规划中的梯度下降法（ Descent）,按误差函数的负梯度方向修正权值 路是如果求出训练网络的指标函数误差：一般的 标准误差逆传播算法，也就是对应每一次输入都校正一次权 值。这种算法不是全局误差意义上的梯度下降计算。对各个神 经元的输出求偏导数，那么就可以算出误差 对所有连接权值 的偏导数，从而可以利用梯度下降法来修改各个连接权值。真 正的全局误差意义上的梯度下降算法是在全部训练模式都学习 完后才校正连接权和阈值。其计算流程如图 2所示： 5 故障诊 断实例5.1空调系统故障诊断的 BP网络建立空调系统故障模 式及故障机制分析 4 如表 1 所示表 1 空调系统故障模式及故故障

7、模式 表示符号 故障原因 x 1 房间温障机制分析 表示符号 度均偏高 y 1 y 2 y 3 y 4 y 5 y 6 1. 冷冻机产冷量不足 2.喷水堵塞 3.通过空气处理设备的风量过大，热交换不良4.回风量大于送风量 5.送风量不足(可能空气过滤气堵塞) 6.表冷器结霜，造 成堵塞 x 2 相对湿度均偏低 y 7 7.室外空气未经加湿处理 x 3 系 统实测风量大于设计风量 y 8 y 9 8.系统的实际阻力小于设计阻 力 9. 设计时选用风机容量偏大 x 4 房间气流速度超过允许流速 y 10 y 11 y 12 10. 送风口速度过大 11.总送风量过大 12.送风口 的型式不适合 5

8、.2 网络输入输出向量及参数的选取 以故障模式 X=( x 1 , x 2 , x 3 , x 4 )输入，故障原因 丫=( y 1 , y 2 , y 3 y 12 )作为输出，以不同的故障原因导致的故障模式为 训练 样本 进行学习，从而建立故障模式与故障原因之间的映 射关系。 x 1 ， x 2 ， x 3 ， x 4 分别代表故障房间温度均偏高、 相对湿度均偏低、系统实测风量大于设计风量和房间气流速度 超过允许流速的4种故障现象；y 1 , y 2 ,，y 12分别代表 冷冻机产冷量不足；喷水堵塞送风口的型式不适合等故障N 为输入节点数， 为 1 至 104 个，输出般取454 个，则隐

9、含层节点的常数，在此，选取 16 个隐节点。输入单元数为 单元数为 12 个。隐含层单元个数凭经验选取， 个隐含节点对应一个输入节点，这里选 为 个，网络共 32 个节点。各单元的输入与输出的特征函数采 用 Sigmoid 函数，即隐含层第 j 个神经元的输入为 ，输出 为：表示阈值， 的作用是调节 Sigmoid 函数的形状。取 4 个 训练样本，具体如表2所示。(x 1 , x 2 , x 3 , x 4 )=( 1 ， 0， 0， 0)表示房间温度均偏高的故障模式；(y 1 ， y2 , y 3 y 12 ) = ( 1, 1 , 1 , 1, 1, 1, 0, 0,表示房式中原因。 5

10、.3 网络 结构及训练 样本 的选取 空调系统故障诊断的 神经网络模型分为 3 层，分别为输入层、隐含层和输出层。 输入层节点个数为 4，对应于 4 个故障现象，输出层节点个数 为 12，对应于 12 个故障原因。输出节点值的大小反映了故障 出 现的 可能性。隐含层节点的 个数可参照公式初步选取 5 ： ，其中 M 为输出节点数，学习 。当系统的平均误差 E 式中： 是对应于第 k 个 样本 、第 t 是第 t 个输出节点的实际输出间温度均偏高的故障原因。表 2 BP 网络的训练 样本 表 样本 序号 故障模式 故障原因 x 1 x 2 x 3 x 4 y 1 y 2 y 3 y 4 y 5

11、y 6 y 7 y 8 y 9 y 10 y 11 y 12 1234 1 0 0 00 1 0 00 0 1 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 00 0 0 0 0 0 1 0 0 0 0 00 0 0 0 0 0 0 1 1 0 0 00 0 0 0 0 0 0 0 0 1 1 1 5.4 网络的训练与检验 我们以给定模式作为网络的输入， 要求网络通过调节所有的连接权系数和各神经元的阈值，使得 在输出层神经元上得到理想的结果；然后再给出另一个模式， 要求网络继续完成对这对模式的 满足下式即可完成训练： 个输出节点的期望输出值， 值。根据程序框图及 BP 算法，

12、运用 Matlab 神经网络工具箱进 行 样本 训练。 计算 程序如下： P=1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1;T=1 0 0 0;1 0 0 0;1 0 0 0;1 0 0 0;1 0 0 0;1 0 0 0;0 1 0 0;0 0 1 0;0 0 1 0;0 0 0 1;0 0 0 1;0 0 0 1 net=newff(minmax(P,16,12,'tansig','purelin','traingda'net.trainParam.show=200;net.trainParam.lr=0.05;net.tr

13、ainParam.epochs=2000;net.trainParam.goal=1e-5;net,tr=train(net,P,T计算结束后，网络达到收敛，其训练收敛过程如下图所 示：图 3 BP 网络梯度下降法收敛图最后用非训练样本 测试网络的判断能力，测试结果如表 3 所示表 3 测试结果 样本 序 1 2 3 4 故障模式 x 1 x 2 x 3 x 4 1 0 0 00 1 0 00 0 1 00 0 0 1 故障原因 y 1 y 2 y 3 y 4 y 5 y 6 y 7 y 8 y 9 y 10 y 11 y 12 0.9997 -0.0000 - 0.0003 0.00021.

14、0026 0.0058 0.0022 -0.00691.0006 0.0013 0.0011 -0.00181.0005 0.0018 0.0016 -0.00210.9973 -0.0055 -0.0018 0.00670.9992 -0.0019 -0.0012 0.0023-0.0001 0.9985 -0.0016 0.0016-0.0007 -0.0018 1.0000 0.00200.0007 0.0025 1.0015 - 0.00260.0009 0.0041 0.0029 0.99500.0037 0.0074 0.0023 0.99080.0000 0.0028 0.002

15、5 0.9973 6 结论 由此可见，与传统的信息 处理 方法 不同，人工神经网络是自适应和可以被训练的，它 有自修改能力，同时有对信息并行处理及并行推理的能力，从 原理上就比传统的方法要快得多，并且具有高度的非线性、模 拟并行性、高度容错性、鲁棒性、自联想自学习和自适应等许 多特点。因此，把基于神经网络 BP 算法的故障诊断技术引入 空调系统，能够在空调系统调试和系统的监测及诊断中能够发 挥较大的作用。参考 文献 1 余江海 . 一种制冷系统故障诊断 方法 .上海 交通 大学硕士论文 20012 Maki Y, Loparo KA. Neural - network approach to fault detection and diagnosis in industrial proces