空調(diào)系統(tǒng)傳感器故障診斷方法

摘要 針對空調(diào)系統(tǒng)中常見的傳感器故障問題，提出了基于小波神經(jīng)網(wǎng)絡(WNN)故障診斷策略。在分析空調(diào)系統(tǒng)中傳感器主要故障的基礎上，建立了傳感器故障診斷系統(tǒng)。通過傳感器的真實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)絡故障診斷的殘差比結(jié)果。仿真實驗表明，基于WNN的故障診斷系統(tǒng)具有結(jié)構簡單、收斂速度快、診斷結(jié)果準確、精度高的特點。
關鍵詞 小波神經(jīng)網(wǎng)絡；BP神經(jīng)網(wǎng)絡；傳感器；故障診斷；殘差比

隨著空調(diào)系統(tǒng)發(fā)展越來越復雜，傳感器的數(shù)量也隨之增多。傳感器故障是供熱、通風、空氣調(diào)節(jié)系統(tǒng)(HVAC)中典型故障之一。傳感器發(fā)生故障，則會導致控制系統(tǒng)得到錯誤的信號，使得控制系統(tǒng)做出不準確的調(diào)節(jié)?？照{(diào)系統(tǒng)是高度復雜的系統(tǒng)，如果能及時地檢測、診斷系統(tǒng)中出現(xiàn)的各種傳感器故障，對降低能耗，保持室內(nèi)環(huán)境的舒適性和提高室內(nèi)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(shù)學模型和基于非數(shù)學模型方法?；跀?shù)學模型的方法就是對整個系統(tǒng)能夠得到精確的數(shù)學模型。在這方面，基于解析模型的方法是最直接有效的方法，它又可分為觀測器方法、等價空間法和參數(shù)估計法。
但是，空調(diào)系統(tǒng)本身是一個復雜的非線性系統(tǒng)，無法得到精確的數(shù)學模型。所以此方法在實際應用中受到了較大的限制。另一方面，基于非數(shù)學模型的方法主要有：基于信號處理的方法和基于知識的方法。在這兩種方法中，后者克服了前者沒有引入被控對象的相關信息以及忽略了系統(tǒng)內(nèi)部深層知識等缺點。因此，它成為了一類常用的故障診斷方法。
近年來，基于神經(jīng)網(wǎng)絡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域。神經(jīng)網(wǎng)絡具有無需建立精確的數(shù)學模型，以及容錯性、學習、自適應能力和非線性映射能力。因此，在空調(diào)系統(tǒng)故障診斷領域的應用中有較大潛力。由于小波函數(shù)具有快速衰減性，局部收斂較快等優(yōu)點，本文把小波與神經(jīng)網(wǎng)絡結(jié)合起來，提出小波神經(jīng)網(wǎng)絡(WNN)的傳感器故障診斷策略，用小波分析提取數(shù)據(jù)的頻域特征，再使用神經(jīng)網(wǎng)絡對信號的頻域特征數(shù)據(jù)做故障診斷。

1 小波神經(jīng)網(wǎng)絡模型
小波神經(jīng)網(wǎng)絡是一種以BP神經(jīng)網(wǎng)絡拓撲結(jié)構為基礎，把小波基函數(shù)作為隱含層節(jié)點的傳遞函數(shù)，信號前向傳播的同時誤差反向傳播的神經(jīng)網(wǎng)絡。小波神經(jīng)網(wǎng)絡模型的建立有兩種：一種是用小波函數(shù)的尺度和平移參數(shù)代替神經(jīng)網(wǎng)絡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)絡的前置處理，為神經(jīng)網(wǎng)絡提供輸入特征向量。WNN與傳統(tǒng)的BP神經(jīng)網(wǎng)絡結(jié)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(shù)為小波基函數(shù)，其拓撲結(jié)構如圖1所示。

假設X1，X2，…，XK是小波神經(jīng)網(wǎng)絡的輸入?yún)?shù)，Y1，Y2，…，Yk是小波神經(jīng)網(wǎng)絡的輸出，ωij和ωjk為小波神經(jīng)網(wǎng)絡的權值。在輸入信號為xi(i=1，2，…，k)時，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(shù)；g(J)為隱含層第j個節(jié)點輸出值；ai為小波基函數(shù)gi的伸縮因子；bi為小波基函數(shù)gi的平移因子。
輸出層第k個節(jié)點的總輸出

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

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