基于机器学习的污水源热泵机组故障诊断模型研究

 文章编号：（2019） 1003­0344 9­013­4建 筑 热 能 通 风 空 调

BuildingEnergy&Environment Vol.38No.9 Sep.2019.13~16 基于机器学习的污水源热泵机组故障诊断模型研究

於德鑫 孙富康 于军琪* 冯增喜 西安建筑科技大学 信息与控制工程学院

摘 要：根据污水源热泵机组的状态变量和部分故障类型， 提出一种基于 BP神经网络的污水源热泵机组故障诊 2 采集2016年11月至2017年3月供暖 大型污水源热泵集中供暖系统为研究对象， 断模型。以西安市某200万m BR、 SCG训练算法分别建立故障诊 期间热泵机组中蒸发器、 冷凝器和压缩机的温度、 压力等工况数据， 利用L­M、 正常类型与故障类型 断模型， 并进行比较分析。 研究结果表明： 通过神经网络建立污水源热泵机组故障诊断模型， 迭代次数为113次， 的诊断结果差异显著， 可以满足诊断需求。其中， 正常类型误差值均 L­M算法训练效果最优， 故障类型误差值均大于0.9。 小于0.012， 关键词：集中供暖 污水源热泵机组 故障诊断 神经网络 L­M算法 ANovelFault­diagnosisModelforSewageSource HeatPumpbasedonMachineLearningApproach YUDe­xin,SUNFu­kang,YUJun­qi*,FENGZeng­xi SchoolofInformationandControlEngineering,Xi’ anUniversityofArchitectureandTechnology Abstract: Accordingtothestate­variableanddiagnosis­typeofsewagesourceheatpumpunit,thefault­diagnosis modelbasedonBPNN(BackPropagationNeuralNetwork)wasproposed.Inthispaper,atwomillionsquaremeters sewagesourceheatpumpcentralheatingsystemwasstudiedastheresearchcase.Theoperationdatawereinvestigated, includingtemperatureandpressureofevaporator,condenserandcompressor,fromNovember2016toMarch2017.The fault­diagnosismodelwasrespectivelyestablishedandanalyzedwithL­M,BRandSCGalgorithm.Theexperimental resultsindicatedthatthefault­diagnosismodelbasedonBPNNcaneffectivelyfindanddistinguishthethreefaultsof sewagesourceheatpumpunit.TheiterationsofL­Mcanreach113times,andisthebestoneofthethreedifferent algorithms.Theerrorvaluesofthenormaldiagnosiswaslessthan0.012,theerrorvaluesfaultdiagnosiswasgreaterthan 0.9. Keywords:centralheating,sewagesourceheatpumpunit,faultdiagnosis,neuralnetwork,L­Malgorithm 0 引言 污水源热泵是一种绿色、 节能、 环保技术， 相对于 传统空调可以减少 34%的能耗，降低 68% 的 CO 2 和 近年来已逐渐应用于暖通空调领 75%的 NO x 排放， [1­3] 污水源热泵 。由于系统结构复杂、 运行环境特殊， 域 机组常出现多种故障， 因此， 需要提前进行检测与诊断 故障。当前， 国内外相关科研人员对热泵系统的故障诊 [4] 、 贝叶斯网 断进行了一系列研究， 提出基于主元分析 [5] [6] 、 聚类 等方法的热泵机组故障诊断模型。本文提 络 出一种基于BP神经网络的故障诊断模型用于污水源 收稿日期： 2018­5­28 通讯作者：于军琪 （1969~）， 男， 博士， 教授； 陕西省西安市碑林区雁塔路13号 （710055）； 029­82201357； E­mail:junqiyu@126.com 基金项目：国家重点研发计划项目 （2017YFC0704104­03）； 陕西省重点研发计划 （2017ZDCXL­SF­03­02）； 陕西省教育厅服务地方科学研究计

划 （17JF016）； 安徽省高等学校省级自然科学研究重点项目 （KJ2016A814）； 陕西省科技厅专项科研项目 （2017JM6106）

·14·建 筑 热 能 通 风 空 调 2019年

热泵机组的故障诊断。以西安市某 200 万 m 2 大型污 水源热泵集中供暖系统为研究对象，采集 2016 年11 月至2017 年3 月供暖期间热泵机组运行数据，利用 L­M、 BR、 SCG训练算法分别建立基于BP神经网络故 障诊断模型， 并进行比较分析。 1 故障诊断模型 BP（ Back­propagation） 神经网络是一种按误差逆 向传播算法进行网络训练的多层前馈型神经网络 [7] 。 本文利用 L­M、 BR、 SCG 训练算法分别建立故障诊断 模型， 用于识别污水源热泵机组的 “通过蒸发器的水 流量减少” “蒸发器结垢” ， 和 “冷凝器结垢” 三种故障类 型。 如图1所示， 输入层有12个神经元， 分别对应矩阵 X={x 1, x 2, …,x 12 }的各分量， 代表污水源热泵机组中蒸 发器、 冷凝器和压缩机的温度、 压力等 12 种状态参数 1）。隐含层结点个数为 25， 分别表示为{b 1,  b 2,  …,b 25 }。输出层有3个神经元， 对应矩阵 Y={y1 , y 2, y 3}  的各分量。诊断结果为故障矩阵F={f 1, f 2, f 3} ， 如表2。 输入层 隐含层 输出层 w 1ji w 2ji x 1b j f1 y 1x2 . . . f 2. . . . . . y 2f 3x 12y 3图1 BP神经网络结构图 表1 状态参数 参数 参数描述 单位 x1 蒸发器进水温度 ℃ x2 蒸发器进水压力 MPa x 3 蒸发器出水温度 ℃ x4 蒸发器出水压力 MPa x5 冷凝器进水温度 ℃ x6 冷凝器进水压力 MPa x7 冷凝器出水温度 ℃ x8 冷凝器出水压力 MPa x9 压缩机排气温度 ℃ x10 压缩机高压 MPa x 11 压缩机低压 MPa x 12 

压缩机电流 

A 

表2 故障矩阵表 故障类型 故障描述 故障矩阵 F 无故障 正常运行状态 [0  0  0] 故障 1 通过蒸发器的水流量减少 

[1  0  0] 故障 2 蒸发器结垢 [0  1  0] 故障 3 

冷凝器结垢 

[0  0  1] 

建模过程中，首先采用最大值­最小值法对样本 数据进行归一化处理， 如式 （1）。训练过程中隐含层采 用S型激活函数， 如式 （2）。模型的输出矩阵Y 与故障 矩阵F的对应关系如式 （3）。 x x i - x min 

io = 

x max - x （1） min 

f(x) = 

1 1 + e - x 

（2） ì ï

[ 0,0,0] ,wheny1<0.1andy2<0.1andy3 < 0. 1 F = ï í

[ 1,0,0] ,wheny1>0.9andy2<0.1andy3 < 0. 1 

ï [ 0,1,0] ,wheny. 1 （3） 1<0.1andy2>0.9andy3 < 0ï î[ 0,0,1] ,

wheny1<0.1andy2<0.1andy3 > 0. 9 

2 研究对象 本文研究对象是西安市某大型污水源热泵集中 供暖系统， 供热面积200万m 2 ， 包括 6 个供热站， 污水 冷/热） 源就近取自附近某污水处理厂， 如图 2所示。 该系统采用再生水源热泵系统， 利用二级排放水作为 冷热源， 经格栅式过滤机处理后的污水由蓄水池的潜 污泵提升至污水换热器， 并将污水中的热量传递给中 介水， 再由中介水进入热泵主机进行能量转换， 提取的 热 （冷） 量供给用户， 实现集中供热 （冷）。 污水系统单独 循环， 经过换热设备后留下热量或冷量返回污水干渠， 不进入热泵机组， 不会污染环境与其他设备或水系统。 污水源热泵系统的工作原理如图3所示。 1­污水处理厂； 2­集中泵站； 3­1#供热站； 4­2#供热站； 5­3#供热站； 6­4#供热站； 7­5#供热站。

图2 项目位置 图3 污水源热泵系统工作原理 （如表 （第 38 卷第 9 期 於德鑫等： 基于机器学习的污水源热泵机组故障诊断模型研究

·15·

系统的热泵机组为满液式水源热泵机组，采用 R22制冷剂， 蒸发器、 冷凝器均采用壳管式换热器， 压 缩机为螺杆式压缩机。实验采集2016年11月至2017 年3月供暖期间热泵机组中蒸发器，冷凝器和压缩机 的温度、 压力等工况数据， 采样间隔为2小时。 3 分析与讨论 3.1 网格训练 本文分别采用L­M算法， BR算法和SCG算法进 行神经网络训练。其中， L­M 算法的权值调整公式如 式 （4） 所示。 式中， 着是误差向量， J是着的雅可比矩阵， I为单位矩阵， 滋为迭代变量。 w  w k - ( J T J + mI  ) - 1 J T 

k + 1 =e ( w k ) 

（4） BR算法的性能函数、网络训练误差函数和网络 所有权值的均方误差函数如式 （5）、（6）、（7） 所示。式 中， 酌1、  酌2  为正则化系数， 棕t 为神经网络连接权， N 为网 络权值的总数。 E = g 1 E D + g 2 E W 

（5） E 1 D = 2 

e ( w k +1  ) + J ( w 2 k + 1 - w k ) + m ( w 2 

k + 1 - w k ) （6） 1 N

E W = 

N å w 2 

t 

（7） t = 1 

SCG 算法的权值调整公式如式 （8）、（9）， 其中 p k

为共轭矩阵。 wk  +1 = w k + a k p k 

（8） T '

a k qw k = - p E ( w k ) p T E ' ' （9） k 

( w ) p k 

实验选取 400 组数据 （每种故障类型各 100 组数 据） 作为故障诊断模型的训练样本， 权值训练的结果 如图4所示。其中， L­M算法训练速度最快， 迭代 113 次， 训练精度较高。BR 算法训练速度最慢， 迭代 550 次， 训练精度最高。SCG算法训练速度较慢， 迭代 349 次， 精度较低。这三种算法的训练精度都已满足诊断 要求， 因此L­M算法更优。 （1） L­M算法训练过程图

（2） BAS算法训练过程图

（3） LCG算法训练过程图

图4 训练过程图 3.2 故障诊断 实验选取20组数据（每种故障类型各5 组数据） 作为故障诊断模型的测试样本， 如表 3。无故障类型、 故障1类型，故障 2类型和故障3类型的诊断结果如 图7所示。由图7（ a） 可以看出， 无故障类型参数的诊 断结果均＜0.02，说明污水源热泵机组的各项参数正 常。由图7（ b）、 7（ c）、 7（ d） 可以看出， 各种故障类型参 数的诊断结果均＞0.9， 可以准确识别出故障类型。因 此， 神经网络能够准确的诊断出污水源热泵机组的故 障类型， 诊断效果明显。 表3 故障数据样本 序号 故障类型数据矩阵

故障矩阵 F 故障类型 1 [13 0.25 9.5 0.23 34.4 0.8 39.8 0.77 759 10.4 2.2 61.3] [0  0  0] 无故障 2 [13 0.25 9.5 0.23 34.4 0.8 39.8 0.77 759 10.4 2.2 61.3] [0  0  0] 无故障 3 [13 0.25 9.5 0.23 34.7 0.8 39.8 0.77 759 10.5 2.2 61.7] [0  0  0] 无故障 4 [13 0.25 9.5 0.23 34.7 0.8 40.1 0.77 752 10.5 2.2 61.9] [0  0  0] 无故障 5 [13 0.25 9.5 0.23 34.7 0.8 40.1 0.77 754 10.5 2.2 61.8] [0  0  0] 无故障 6 [15.6 0.31 11.8 0.29 33.1 0.69 40.3 0.68 756 10.6 2.3 61.7] [1  0  0] 故障 1 7 [15.6 0.29 11.6 0.25 31.8 0.67 40.4 0.64 758 10.8 2.5 60.8] [1  0  0] 故障 1 8 [17.2 0.312.8 0.27 32 0.74 39.8 0.71 725 10.9 2.6 60.7] [1  0  0] 故障 1 9 [17.1 0.29 12.8 0.25 32.6 0.75 40.7 0.71 726 10.9 2.8 60.7] [1  0  0] 故障 1 10 [17.1 0.29 12.8 0.27 33.8 0.78 41.9 0.75 749 11.2 2.8 61.7] [1  0  0] 故障 1 11 [9.7 0.25 7.6 0.23 35.7 0.78 40.7 0.76 748 10.7 2 64.1 ] [0  1  0] 故障 2 12 [9.3 0.25 7.3 0.23 35.3 0.78 40.7 0.76 776 10.7 2 64.2] [0  1  0] 故障 2 13 [8.8 0.25 6.7 0.23 35.4 0.78 40.7 0.76 771 10.7 2 64.1] [0  1  0] 故障 2 14 [9.9 0.25 7.3 0.23 35.3 0.78 40.4 0.76 764 10.6 2 63.9] [0  1  0] 故障 2 15 [9.9 0.25 7.2 0.23 35.3 0.8 40.4 0.78 751 10.6 2 63.8] [0  1  0] 故障 2 16 [12.8 0.25 9.9 0.23 32.2 0.78 36.7 0.76 721 9.8 1.9 61.7] [0  0  1] 故障 3 17 [12.8 0.25 9.9 0.23 32.2 0.78 36.7 0.76 722 9.8 1.9 61.7] [0  0  1] 故障 3 18 [12.8 0.25 9.9 0.23 32.2 0.79 36.7 0.77 721 9.8 1.9 61.7] [0  0  1] 故障 3 19 

[12.8 0.25 9.9 0.23 32.2 0.79 36.7 0.77 725 9.8 1.9 61.7] [0  0  1] 故障 3 20 

[12.7 0.25 9.9 0.23 32.2 0.78 36.7 0.76 721 9.8 1.9 61.7] 

[0  0  1] 

故障 3 

·16·建 筑 热 能 通 风 空 调 2019年

（a） 无故障类型诊断结果

（b） 故障1类型诊断结果

（c） 故障2类型诊断结果

（d） 故障3类型诊断结果

图5 故障诊断结果 对比基于主元分析法 （PrincipalComponent Analysis， PCA） 的故障诊断模型， 发现： 1） 主元分析法 通常采用SPE统计量和T 2 统计量进行故障诊断， 根据 各主成分的累计贡献率大小来确定故障是由哪些样 本点异常引起的。由于主元分析的模式复合效应使得 主成分没有明确的物理意义， 所以不能找出故障的根 源。因此，主元分析在应用时只能进行故障检测而无 法准确地进行故障诊断， 特别对多种故障并存时无法 进行诊断。2） 神经网络可以根据输入与输出之间的对 应关系， 建立故障诊断模型， 进行故障诊断， 使得诊断 结果具有明确的物理意义， 能够准确的诊断出污水源 热泵机组的故障类型。 4 结论 本文针对西安市某大型污水源热泵机组的故障 类型， 采集实时工况数据， 利用神经网络建立故障诊断 模型， 并对模型的性能进行评价分析， 结果表明： 利用 L­M、 BR、 SCG 训练算法分别建立故障诊断模型， 训练 神经网格， 都表现出较好的精度， 但 L­M 算法训练速 度最快， 通过最少的迭代次数就可以完成对网格的训 练， 具有更优的效果。基于神经网络的故障诊断方法， 可用于污水源热泵机组的故障诊断中， 诊断结果与实 测值有良好的一致性， 效果明显， 可在实际工程中推广 应用。 参考文献 [1]ZHAOXL,FUL,ZHANGSG,etal.Studyofthe performance ofanurbanoriginalsourceheatpumpsystem[J].EnergyConver­ sionandManagement,2010, 51(1):765­770 [2]BAEKN,SHINU,YOONJ.Astudyonthedesign andanalysis ofaheatpumpheatingsystemusingwastewaterasaheat source [J].Sol.Energy,2005,78(3):427­440 [3] 孙德兴,张成虎,庄兆意.污水源热泵供暖空调中的新概念与新 名词[J].暖通空调,2010,40(6):126­129 [4]CHENYM,LANLL.Afaultdetectiontechnique forair­source heatpumpwaterchiller/heaters[J].Energy andBuildings,2009, 41(15): 881­887 [5]CAIBP,LIUYH,FANQ,etal.Multi­sourceinformationfusion basedfaultdiagnosisofground­sourceheatpumpusing Bayesian network[J].AppliedEnergy,2014,114(7):1­9 [6]LIH,BRAUNJ.Decouplingfeaturesfordiagnosisof reversing andcheckvalvefaultsinheatpumps[J].International journalof refrigeration,2009,32(14): 316­326 [7] 禹建丽,卞帅.基于 BP神经网络的变压器故障诊断模型[J]. 系 统仿真学报,2014,26(6):1343­1349