人工神经网络应用于空调系统故障诊断-研究

1、人工神经网络应用于空调系统故障诊断-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

2、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 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

3、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。一般的BP

4、算法称为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障机制分析 表示符号故障模式表示符号故障原因x1房间温度均偏高y1y 2y 3y 4y 5y 61.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 77.室外空气未经加湿处理x 3系统实测风量大于设计

5、风量y 8y 98.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    2007-04-22        x 4房间气流速度超过允许流速y 10y 11y 1210.送风口速度过大11.总送风量过大12.送风口的型式不适合5.2 网络输入输出向量及参数的选取以故障模式X（x1，x2，x3，x4）输入，故障原因Y（y1，y2，y3 '''' y12）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

6、间的映射关系。x 1 ，x2 ，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；y1，y2，y12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原因。    5.3 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：为1至10的常数，在此，选取16个隐节点。输入单

7、元数为4个，输出单元数为12个。隐含层单元个数凭经验选取，一般取45个隐含节点对应一个输入节点，这里选4个，则隐含层节点为，输出 式中的作用是调节Sigmoid函数的形状。取4个训练样本，具体如表2所示。（x1，x2，x3，x4）（1，0，0，0）表示房间温度均偏高的故障模式；（y1，y2，y3 '''' y12）（1，1，1，1，1，1，0，0，''''）表示房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x1 x2 x3 x4y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y1212341 0 0 00 1 0 00 0 1 0 0 0 0 11 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 15.4 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学习。当系统的平均误差E满足下式即可完成训练： 是