1、人工神經網絡應用于空調系統故障診斷的研究             摘要本文首先介紹了人工神經網絡的基本原理，然后詳細介紹了反向傳播算法（BP），最后研究BP算法在空調系統故障診斷方面的應用。關鍵詞人工神經網絡 反向傳播算法 故障診斷 1 引言隨著經濟的發展，空調系統得到了越來越廣泛的應用，空調設備已成為重要的生活必備品之一。這就要求空調系統可靠性高且功能齊全，而且在故障診斷維修服務方面達到一定的水平。國內目前的大部分空調系統中無故障診斷系統，當空調系統出現故障后，維保人員往往

2、不能及時、準確地了解系統出現故障的原因及相關信息，空調系統無法得到及時修復，這種情況急需得到改善。2 關于故障診斷技術故障診斷FD(fault diagnosis)是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在診斷過程中，必須利用被診斷對象表現出來的各種有用信息，經過適當地處理和分析，做出正確的診斷結論。在制冷暖通空調領域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統在制冷暖通空調領域的研究應用1。3 人工神經網絡用于空調系統故障診斷的基本原理人工神經網絡(Artificial Neural Network簡稱A

3、NN)正是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。典型的神經網絡結構如圖1所示。在眾多的人工神經網絡模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經網絡模型。BP網絡在故障診斷、模式識別、圖像識別、管理系統等方面都得到了廣泛的應用。本文討論利用神經網絡中的BP模型進行空調系統的故障診斷。首先需要進行知

4、識的獲取。由專家提供關于各種空調系統故障現象(征兆集)及相應的故障原因(故障集)實例作為學習樣本。將數據分為兩部分，一部分用于訓練網絡，另一部分用于測試。將訓練網絡的數據按一定順序編碼，分別賦給網絡輸入、輸出節點，通過神經網絡學習算法對樣本進行學習，經過網絡內部自適應算法不斷修正權值，直到達到所要求的學習精度為止。此時在大量神經元之間聯結權值上就分布著專家知識和經驗。訓練完畢后，再將測試網絡的數據從初始狀態出發，向前推理，將顯示出的故障結果與實際的測試數據結果相比較，如果誤差很小，說明網絡的權值建立正確；如果誤差較大，說明網絡的權值建立有誤，需要重新進行網絡的訓練。將訓練樣本訓練完畢后，即可進

5、行空調系統的故障診斷。只要實際輸入模式接近于某一個訓練時的學習樣本的輸入模式，則可產生出接近學習樣本的輸出結果，也就是所謂的自聯想功能。同時，由于網絡計算上的大量并行性，當機器運行狀況改變，出現網絡學習未考慮的情況時，系統亦能給出正確分類結果。同時將新數據并入網絡，實現系統的自適應。一般來說，學習的故障實例樣本越多，診斷結果的準確率越高。4 BP學習算法BP算法因其簡單、易行、計算量小、并行性強等優點，是目前神經網絡訓練采用最多也是最成熟的訓練算法之一。BP算法的實質是求解誤差函數的最小值問題，由于它采用非線性規劃中的梯度下降法（Gradient Descent），按誤差函數的負梯度方向修正權

6、值 。其主要思路是如果求出訓練網絡的指標函數誤差 一般的BP算法稱為標準誤差逆傳播算法，也就是對應每一次輸入都校正一次權值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經元的輸出求偏導數，那么就可以算出誤差對所有連接權值的偏導數，從而可以利用梯度下降法來修改各個連接權值。真正的全局誤差意義上的梯度下降算法是在全部訓練模式都學習完后才校正連接權和閾值。其計算流程如圖2所示5 故障診斷實例5.1 空調系統故障診斷的BP網絡建立空調系統故障模式及故障機制分析如表1所示表1 空調系統故障模式及故障機制分析 表示符號故障模式表示符號故障原因x1房間溫度均偏高y1y 2y 3y 4y 5y 61.冷

7、凍機產冷量不足2.噴水堵塞3.通過空氣處理設備的風量過大，熱交換不良4.回風量大于送風量5.送風量不足（可能空氣過濾氣堵塞）6.表冷器結霜，造成堵塞x 2相對濕度均偏低y 77.室外空氣未經加濕處理x 3系統實測風量大于設計風量y 8y 98.系統的實際阻力小于設計阻力9.設計時選用風機容量偏大x 4房間氣流速度超過允許流速y 10y 11y 1210.送風口速度過大11.總送風量過大12.送風口的型式不適合5.2 網絡輸入輸出向量及參數的選取以故障模式X（x1，x2，x3，x4）輸入，故障原因Y（y1，y2，y3 '''' y12）作為輸出，以不同的故障原因導

8、致的故障模式為訓練樣本進行學習，從而建立故障模式與故障原因之間的映射關系。x 1 ，x2 ，x 3， x 4分別代表故障房間溫度均偏高、相對濕度均偏低、系統實測風量大于設計風量和房間氣流速度超過允許流速的4種故障現象；y1，y2，y12分別代表冷凍機產冷量不足；噴水堵塞送風口的型式不適合等故障原因。         5.3 網絡結構及訓練樣本的選取空調系統故障診斷的神經網絡模型分為3層，分別為輸入層、隱含層和輸出層。輸入層節點個數為4，對應于4個故障現象，輸出層節點個數為12，對應于12個故障原因。輸出節點值的大小

9、反映了故障出現的可能性。隱含層節點的個數可參照公式初步選取：，其中M為輸出節點數，N為輸入節點數，為1至10的常數，在此，選取16個隱節點。輸入單元數為4個，輸出單元數為12個。隱含層單元個數憑經驗選取，一般取45個隱含節點對應一個輸入節點，這里選4個，則隱含層節點為個，網絡共32個節點。各單元的輸入與輸出的特征函數采用Sigmoid函數，即隱含層第j個神經元的輸入為，輸出為： 式中表示閾值，的作用是調節Sigmoid函數的形狀。取4個訓練樣本，具體如表2所示。（x1，x2，x3，x4）（1，0，0，0）表示房間溫度均偏高的故障模式；（y1，y2，y3 ''''

10、 y12）（1，1，1，1，1，1，0，0，''''）表示房間溫度均偏高的故障原因。表2 BP網絡的訓練樣本表 樣本序號故障模式故障原因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 網絡的訓練與檢驗 我們以給定模式作為網絡的輸入，要求網絡通過調節所有的連接權

11、系數和各神經元的閾值，使得在輸出層神經元上得到理想的結果；然后再給出另一個模式，要求網絡繼續完成對這對模式的學習。當系統的平均誤差E滿足下式即可完成訓練： 式中：是對應于第k個樣本、第t個輸出節點的期望輸出值，是第t個輸出節點的實際輸出值。根據程序框圖及BP算法，運用Matlab神經網絡工具箱進行樣本訓練。 計算程序計算結束后，網絡達到收斂，其訓練收斂過程如下圖所示圖3 BP網絡梯度下降法收斂圖最后用非訓練樣本測試網絡的判斷能力，測試結果如表3所示表3 測試結果 樣本序號1 2 3 4故障模式x1 x2 x3 x41 0 0 00 1 0 00 0 1 00 0 0 1故障原因y1 y2 y3

12、 y4 y5 y6 y7 y8 y9 y10 y11 y120.9997 -0.0000 -0.0003 0.00021.0026 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

13、 0.0029 0.99500.0037 0.0074 0.0023 0.9908-0.0000 0.0028 0.0025 0.99736 結論 由此可見，與傳統的信息處理方法不同，人工神經網絡是自適應和可以被訓練的，它有自修改能力，同時有對信息并行處理及并行推理的能力，從原理上就比傳統的方法要快得多，并且具有高度的非線性、模擬并行性、高度容錯性、魯棒性、自聯想自學習和自適應等許多特點。因此，把基于神經網絡BP算法的故障診斷技術引入空調系統，能夠在空調系統調試和系統的監測及診斷中能夠發揮較大的作用。參考文獻1 余江海. 一種制冷系統故障診斷方法.上海交通大學碩士論文2001 Maki Y, Loparo KANeural network approach to fault detection and diagnosis in industrial processesJI