基于数据挖掘与信息融合的制冷设备故障诊断

基于数据挖掘与信息融合的制冷设备故障诊断

蔡以勇

身份证号码： 51302619770515****

摘要：为准确检测出制冷设备的并发故障，提出一种基于数据挖掘与信息融合的并发故障诊断方法。采用数据挖掘方法诊断制冷设备故障并进行实验验证；采用加权证据理论对两种方法的诊断结果进行信息融合以提高诊断结果的可信度。

关键词：数据挖掘；信息融合；设备故障

1 故障数据获取

制冷设备可能产生的故障类型较多，根据经验知识对制冷系统的工作原理进入深入分析后，选取了6类较为典型的单发故障，通过故障随机组合形成并发故障进行研究，所选取的6类典型故障如下：（1）压缩机的吸排气阀片受损，当这类故障发生时，压缩机的实际输气量下降，制冷效果降低；（2）制冷剂不足，制冷剂短缺的原因通常有两个，一种是制冷剂在出厂前充注不足，另一种是由于阀门或焊点松动导致的制冷剂泄漏；（3）循环水泵不转，这种故障会造成压缩机吸排气温度迅速上升，同时冷凝器的冷却效果也会急剧下降；（4）冷却水的流量太小，冷却塔的水垢太大或冷却塔内部布置不当可能导致冷却水流量太小；（5）膨胀阀开度过小，当这种故障发生时会造成制冷设备循环的制冷剂不足；（6）过滤器堵塞，过滤网用于过滤灰尘和金属碎屑等，使用时间过长易被堵住。

实验对象为一台需配冷量为55 k W的制冷机组，在原有设备基础上引入制冷设备故障模拟及参数测试组件，通过实验采集故障数据。各故障的实现方法如下：（1）压缩机吸排气阀片损坏，在压缩机吸、排气管路之间设旁通通路，并安装针阀或计量阀作为旁通量调节装置；（2）制冷剂不足，先将系统抽真空，然后通过逐步加注实现不同程度制冷剂不足的故障模拟；（3）循环水泵不转，断开水泵控制电路即可模拟循环水泵不转的故障；（4）冷却水流量过小，降低旁通流量或减少冷却水闸阀开度均可改变冷却水量；（5）膨胀阀开度过小，将手动调节阀置于电磁阀与蒸发器之间以模拟膨胀阀开度过小；（6）过滤器堵塞，将一定比例的滤网面积用均布孔洞的厚纸挡住可以模拟过滤器堵塞引起的故障。

2 非完全正交指定元分析

2.1 非完全正交指定元分析模型建立

由于NFODCA模型在建立时无需并发故障数据作为训练集，仅在验证模型阶段需要并发故障的数据。因此，将2/3的单发故障数据和2/3正常工况数据作为训练集用于模型建立，将并发故障数据、剩下的1/3类单发故障数据和1/3正常工况数据作为测试集用于模型验证。

制冷设备的故障现象、故障原因之间的关系可以用故障征兆集描述，征兆用测量值与标称值的偏差度表示。根据实际运行经验和论证分析，在制冷设备系统运行过程中对压缩机吸气压力上升、冷凝器进口温度上升等12种征兆进行监测，则每种征兆ur（r=1,2，⋯，12）可表示为

将故障种类的数目记为s，则s种故障Ds可定义为论域U中的6种指定模式

其中

选取6种单发故障：压缩机吸排气阀片损坏d1、制冷剂不足d2、循环水泵不转d3、冷却水流量过小d4、膨胀阀开度过小d5、过滤器堵塞d6;2种单发故障组合成的7类并发故障：d7=d1+d3,d8=d1+d6,d9=d2+d5,d10=d3+d4,d11=d3+d6,d12=d4+d5,d13=d5+d6;3种单发故障组合而成的3类并发故障d14=d1+d2+d4,d15=d3+d4+d6,d16=d4+d5+d6共计16种故障和正常工况进行实验数据采集。以上故障类型根据经验知识结合实际工况选出，其他类型的单发故障及其他组合形成的并发故障也可采用文中所述的研究方法。

把故障征兆定义为压缩机排气压力上升u1、下降u2，压缩机吸气压力上升u3、下降u4，压缩机排气温度上升u5、下降u6，压缩机吸气温度上升u7、下降u8，冷凝器出口温度上升u9、下降u10，过滤器温度上升u11、下降u12，分析实验结果可得故障与征兆间关系如表1所示。

表1 制冷装置故障与征兆间关系    

由表1可知，按照式（2）定义的故障模式并非全部正交，例如：发生压缩机吸气阀片损坏时会导致压缩机吸气压力下降，而发生循环水泵不转的故障时会间接导致压缩机吸气压力上升；当这两种故障同时发生时，二者的故障特征会相互影响甚至抵消，而传统指定元分析算法仅在正交模式下适用；这两种不相互正交的故障同时发生时，将造成故障漏报。所以对传统指定元分析方法进行改良，使之适用于非完全正交模式。

当样本数据Y处于完全正交模式时，Y具有指定元的分解式

其中：Y由正常子空间和故障子空间组成；di为正交指定模式；wi为相应指定元。

当Y处于非完全正交模式时可以表示为

其中：E为残差空间。

以EET最小为原则将指定模式集划分为m个组内正交的子集，样本数据Y就可以表示为组内正交子集与残差阵的和

各子集指定元显著性可用式（7）计算得出

在指定模式di所表示方向上用式（8）将样本数据Y做投影，即可得到相应的指定元wi

其中：n为样本数量。

例如：[y11,y21，⋯，ym1]T表示第1组样本数据第m个指定模式下的特征向量。计算得到的win表示第i个指定元下第n个样本所对应的映射值，组成如下的特征向量

最后，根据正常工况下的数据计算出每个指定元对应特征值的控制上下限并得到Shewhart图，若图中特征值超过了控制限，则认为制冷设备发生了相应故障。

2.2 实例验证

从测试集中随机选取实验数据，用NFODCA模型进行故障诊断，并将诊断结果与故障模拟实验所采集数据的故障记录对比，验证模型的可靠性。

根据表1中的制冷装置故障与征兆间关系和EET最小原则，将非完全正交的模式集D={d1,d2，…，d6}表示成3组组内正交的模式子集，根据式（6），样本数据Y可以表示为

即当非完全正交模式集D划分为3个组内相互正交的模式子集时，Y可由各投影空间完全表示。

随机选取一组实验数据，分别关于D1,D2,D3做指定元分析，根据式（7）计算出该组数据对应的各个指定模式的显著性如表2所示。

表2 对应各指定模式的显著性    

从表2可以看出，该组数据对应的6种指定模式中，d1,d4,d6对系统的影响较大，据此可以初步判断系统中可能发生了压缩机吸排气阀片损坏、冷却水流量过小、过滤器堵塞三种故障。为了进一步验证该方法的合理性，根据正常工况数据在置信度为95%的条件下计算出各个指定模式d1的控制下限L1及上限U1为

将故障诊断结果与故障模拟实验采集数据的故障记录对比，结果表明，诊断结果与采集数据时的记录一致。同理可得到其他测试集数据经NFODCA模型分析后的诊断结果，并与故障模拟实验采集数据的故障记录对比，最终得出NFOD-CA模型的故障诊断准确率为96.94%，虚警率为0.48%，证明文中提出的非完全正交指定元分析方法能准确判断制冷设备的并发故障，是一种有效的多故障诊断方法。

3 结论

1）非完全指定元分析（NFODCA）和支持向量机（SVM）两种数据挖掘方法在训练集无并发故障数据，仅在测试集中包含并发故障数据的条件下对制冷设备的故障诊断均有较高的准确率，表明这两种方法均具有对未知并发故障类型进行判断的能力。其中非完全正交指定元分析（NFODCA）的平均命中率达到了96.94%，平均虚警率为0.48%；支持向量机（SVM）的平均命中率达到了96.80%，平均虚警率为0.50%。这两种方法对不同故障识别度不同，各自在不同类型故障的识别有一定优势。

2）非完全正交指定元分析（NFODCA）和支持向量机（SVM）两种方法的故障识别结果经加权证据理论信息融合后，平均命中率提高了2.23%，平均虚警率降低了0.28%。说明这两种数据挖掘方法和信息融合技术结合应用后可以对制冷设备的并发故障得到更为准确的判断。

参考文献

[1]韩华，谷波，任能.基于主元分析与支持向量机的制冷系统故障诊断方法[J].上海交通大学学报，2011,45(9):1355-1361.

[2]李蔚，俞芸萝，盛德仁，等.基于动态数据挖掘的热力参数传感器故障诊断[J].振动、测试与诊断，2016,36(4):694-699.