请告诉我们您的知识需求以及对本站的评价与建议。
满意 不满意
Email:
人工神经网络应用于空调系统故障诊断的研究
栏目最新
- 建筑结构鉴定与加固改造技术的进展
- 公路工程养护管理体制问题的思考
- 某小高层纠倾加固技术
- 运用“破窗理论”,搞好高校物业管理
- 钢筋混凝土模型框架振动台试验分析和抗震性能评估
- 5.12地震后震区农村建筑物震害分析和对策
- 对影响建筑寿命因素的探讨
- 建筑修复也是一种挑战
- 淮安市楚州医院病房楼走廊吊顶发霉与结露分析
- 火灾报警控制系统设计在建筑中的应用
网站最新
1 引言
6 结论
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。（参考《建筑中文网》）
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，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，由于它采用非线性规划中的梯度下降法（Gradient Descent），按误差函数的负梯度方向修正权值 [3]。其主要思路是如果求出训练网络的指标函数误差：
一般的BP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
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：
5.1 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 | y1 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 |
5.2 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]：
，其中M为输出节点数，N为输入节点数，
为1至10的常数，在此，选取16个隐节点。
输入单元数为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4～5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
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：
式中
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。（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 x4 | y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 | |
| 1 2 3 4 | 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 | 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 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学习。当系统的平均误差E满足下式即可完成训练：
式中：
是对应于第k个样本、第t个输出节点的期望输出值，
是第t个输出节点的实际输出值。根据程序框图及BP算法，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.trainParam.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
| 样本序号 | 1 2 3 4 | |
| 故障 模式 | x1 x2 x3 x4 | 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 |
| 故障 原因 | y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 | 0.9997 -0.0000 -0.0003 0.0002 1.0026 0.0058 0.0022 -0.0069 1.0006 0.0013 0.0011 -0.0018 1.0005 0.0018 0.0016 -0.0021 0.9973 -0.0055 -0.0018 0.0067 0.9992 -0.0019 -0.0012 0.0023 -0.0001 0.9985 -0.0016 0.0016 -0.0007 -0.0018 1.0000 0.0020 0.0007 0.0025 1.0015 -0.0026 0.0009 0.0041 0.0029 0.9950 0.0037 0.0074 0.0023 0.9908 -0.0000 0.0028 0.0025 0.9973 |
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2001
[2] Maki Y, Loparo KA.Neural – network approach to fault detection and diagnosis in industrial processes[J].IEEE Transsetions on Control Systems Technology, 1997,5(6):529~541
[3] 胡守仁，余少波，戴葵.神经网络导论[M].长沙：国防科技出版社，1992
[4] 中国机械工程学会设备维修分会，《机械设备维修问答丛书》编委会.《空调制冷设备维修问答.机械工业出版社
[5] 宋桂荣.沈阳工业大学理学院. 改进BP算法在故障诊断中的应用.沈阳工业大学学报 Vol.23 No.3 Jun.200l：252～254
原文网址：http://www.pipcn.com/research/200607/8649.htm
也许您还喜欢阅读：