文章编号：0253-4339（2021）02-0118-10
doi：10.3969/j.issn.0253-4339.2021.02.118
多联机系统故障类型识别及故障细化诊断模型研究
刘倩李正飞丁新磊陈焕新王誉舟徐畅
（华中科技大学能源与动力工程学院武汉430074）
摘要本文针对多联机系统实际运行中可能岀现的多故障并发问题，提岀一种结合线性判别分析（LDA）和随机森林（RF）算法的多故障诊断策略，可以在完成故障类型识别后，自适应地根据故障类型选择最佳细化诊断模型，进一步诊断岀故障发生水平或故障发生原因。首先，在不同的制冷和制热工况下，引入四通阀故障、电子膨胀阀故障、制冷剂充注量故障，并按照7：3的比例划分为训练集和测试集，利用训练集建立基于RF算法的故障类型识别模型；然后，利用LDA方法对训练集中3类故障的特征分别进行降维，并利用降维后的训练集建立故障细化诊断模型；最后，测试集中的样本数据在经过故障类型识别后，根据识别结果自适应地输入至最优故障细化诊断模型。结果显示：故障类型识别模型在测试集上的准确率达到99.99%,3类故障细化诊断准确率分别为96.12%、100%、97.44%，说明该策略能够较好的完成针对多联机系统的多类型故障诊断任务。
关键词多联机；故障识别；故障详细诊断；随机森林;LDA
中图分类号:TB657.2；TU831.3文献标识码：A
Fault Type Identification and Fault Refinement Diagnosis Model of
Variable Refrigerant Flow System
Liu Qian Li Zhengfei Ding Xinlei Chen Huanxin Wang Yuzhou Xu Chang (School of Energy and Power Engineering,Huazhong University of Science and Technology,Wuhan,430074,China)
Abstract To address the multi-fault concurrency problem,which may occur in the actual operation of variable refrigerant flow(VRF) air-conditioning systems,a multi-fault diagnosis strategy combining linear discriminant analysis(LDA)and random forest(RF)algorithms was propod.After the completion of fault type identification,the best detailed diagnosis model was adaptively lected according to the fault type to further diagno the fault level or determine the cau of the fault in detail.First,the original data t containing normal operating conditions,four-way valve failure,electronic expansion valve failure,and refrigerant charge failure was divided into a training t and test t with a ratio of7：3.The training t was ud to establish an RF algorithm-bad fault ty
pe identification model.Then,the LDA method was ud to reduce the dimensions of the three types of faults in the training t.The training t after the dimension reduction was ud to establish a fault refinement diagnostic model.Finally,after the sample data in the test t were identified by the fault type,the test sample could adaptively input different fault refinement diagnostic models according to the recognition results.The results showed that the accuracy rate of the fault type identification model on the test t reached99.99%,while the refinement diagnostic accuracy rates of the three types of faults were96.12%,100%,and97.44%,respectively.The results indicated that the strategy propod in this paper could better complete multiple types of fault diagnosis tasks for different refrigerant flow systems.
Keywords variable refrigerant flow；fault identification；detailed fault diagnosis；random forest；linear discriminant analysis
公共建筑中暖通空调系统的运行能耗约占建筑能耗的60%⑴，而由于暖通空调系统性能下降及故障造成的能源浪费约占商业建筑总能耗的15%~ 30%o多联机空调系统相比于传统的中央空调系统，具有节能、控制先进等优点[]，自90年代引入我国后，得到了迅速发展。由于多联机系统管路复杂繁琐、运行工况多变，经常会发生各类故障，如四通阀故障、制冷剂泄漏、电子膨胀阀卡死和泄漏、冷凝器脏污等。一旦发生故障，不仅会破坏空调系统的正常使用，降低用户使用舒适度，还会因故障的发生造
成不
基金项目：国家自然科学基金(51876070,51576074)资助项目。(The收稿日期:2020-03-04；修回日期：2020-10-09 project was supported by the National Natural Science Foundation of China
(No.51876070&No.51576074).)
一118一
必要的能源浪费^句。
针对多联机系统常见典型故障，本文选择3种会引起较大损失的故障进行研究，即四通阀故障、电子膨胀阀故障、制冷剂充注量故障。四通阀可以调节制冷剂流向，从而实现制热制冷运行模式的自由切换，若发生故障将不能满足系统不同季节、不同功能房间的制冷制热需求；电子膨胀阀为系统的节流部件，发生故障后会影响室内机制冷剂流量的分配，使系统无法满足不同负荷下室内的舒适度要求；制冷剂作为制冷系统内部的传热介质，过少或过充都会影响系统内部的阻力特性和换热特性，并最终影响系统的制冷循环性能。及时发现故障，并完成故障类型识别和故障细化诊断，有助于及时修复系统，避免持续不必要的能量损耗。
针对暖通空调系统的故障检测和诊断的研究相对于信息行业等起步较晚，但目前也逐步发展起来，随
着大数据时代的到来，基于数据挖掘的故障诊断方法也逐渐应用于暖通空调领域？11］。N.Kocyigit［12］利用模糊推理系统和人工神经网络对某蒸气压缩制冷实验装置进行故障诊断，可有效诊断该系统中的8类故障。S. A.Tassou等［13］设计了一种基于人工智能和实时性能检测的制冷剂泄漏故障诊断与检测系统，可有效区分制冷剂充注量的稳态、过充和泄漏的状态发生。Han Hua等［14］针对制冷剂充注量泄漏、过充以及系统级别的机油过量诊断问题，提出一种经交叉验证优化的最小二乘支持向量机(LS-SVM)模型，相比于未优化的单类算法模型具有更优良的性能。M.Stylianou［15］提出一种采用统计模式识别算法的诊断模型，可诊断冷水机组的4种故障类型。石书彪等［16］建立了神经网络模型，针对冷水机组不同工况下不同程度的7种典型故障进行检测和诊断，并进行优化提高诊断正确率。
上述研究表明，现阶段针对多联机系统的故障检测与诊断研究多是侧重于系统的典型故障［17"18］或单一故障，对于系统关键部件的故障研究还不够深入。此外，对于多类故障诊断的研究，也未能实现对各类故障进行进一步的细化诊断。故针对上述问题，本文提出一种基于线性判别分析和随机森林的多故障诊断策略，可以在完成故障类型识别后，进一步对各类故障中不同的故障表现形式实现细化诊断。
1线性判别分析及随机森林原理
1.1线性判别分析
线性判别分析(linear discriminant analysis,LDA)是一种有监督的线性降维算法［19］，其降维过程属于特征提取，特征抽取后的新特征是原来特征的一个映射，且不能保留原始数据样本的信息。其核心思想是将数据在线性判别超平面上投影，使降维后同类的数据点尽可能的接近，不同类的数据点尽可能分开。具体原理为：假设第i类别集合为X i，第i类别集合中样本数量为叫其中第i类的特征均值向量为“i，类间协方差矩阵为z i，以二类别集合为例，类内散布矩阵S。=Z0+Z1，类间散布矩阵为S b= @0-“1)衣0-“1)T，这两类样本的中心在直线上的投影分别为3妝0和3妝1，其协方差分别为』Z03和3T Z13，要实现同类别数据点投影尽可能接近，就要使得协方差之和3T丫03+3T£13尽量小，而异类样例的投影点尽可能远离，则要保证3妝0-3妝12尽可能大一些。同时满足上面两个条件，构造广义瑞利商：
||3妝0-3妝1II?
3T
Z03+3T Z13(1) J
线性判别分析就是最大化广义瑞利商Jo推广到多类别线性判别分析应用中，假设有N类：类内散布矩阵S c=z S c;，类间散布矩阵S b=什么吞枣
i=1
N
个体工商户营业执照办理Z g@i-口)@i)T,，其中,M为所有样本的i=1
均值向量。常见的一个LDA多类优化目标函数定义为：
n胪S b w
argmax J(W)=葺T(2)
w n W T S。W
dia g
若原始数据集的类别数为N，而转换矩阵W是运用拉格朗日乘子法S c-1S b W=X W进行特征值求解得到的，W e R dx(N-1)，其秩为N-1，所以降维后有效特征个数不会大于N-1o
本文设计的实验所采集的原始数据集包含18个特征变量，其维度相对较高，利用线性判别分析对其进行数据降维，可降低模型复杂度，减少时间成本与过拟合风险，提高模型泛化能力。对3种故障类型，利用LDA算法自适应的将其原始数据集降低至不同维度。假设输入数据集D={(X i,y,)}:，其中，样本集中有g个样本，任意样本X i为n维向量,LDA算法的处理流程如下：
1)计算每一类别特征的均值向量；
2)分别计算各类内散布矩阵S c和类间散布矩阵
—119
—
3） 计算矩阵比/S c 的特征值及对应的特征向量；4） 选取前k 个特征值所对应的特征向量，构造一
个k 维的转换矩阵W ；5） 将原样本通过转换矩阵映射到新的特征空 间，其维度为ko
若原始数据集的类别数为N，而转换矩阵W 是
由S c -1S b W = X W 进行特征值求解得到的，其秩为N - 1，所以降维后有效特征个数不会大于N -1o
1・2随机森林
随机森林（random forest , RF ）是一种以决策树
（decision tree, DT ）作为基分类器的集成学习算
法［0］。“随机”体现在两个方面，一是随机选取样
本，二是随机选取特征，例如一个集合含有S 个样本, M 个特征。森林中的每棵树都有放回的随机抽取部
分样本作为训练样本，并有放回的随机选取m 0 （ m 0
W M ）个特征作为这棵树的分枝依据。此方法可以
构建出多棵树，而最终结果是综合“森林”中所有
“树”的结果得到的，而且森林中的树不断通过选用 更好的特征进行分枝，从而使性能更优良。随机森林
算法的具体实现过程如下：
1）原始数据集S 个样本应用bootstrap 有放回地
随机抽取K 个新的自助样本集，并由此构建K 棵分
类树，每次未被抽取到的样本组成了袋外数据；
?）设有M 个特征，则在每一棵树的每个节点处 随机抽取m 0个特征，然后在m 0中选择一个最具有分
类能力的特征，变量分类的阈值通过检查每一个分类 点确定;
3 ）每棵树完全生长，不做修剪；
4）用生成的随机森林分类器对新的数据进行判 别，分类结果按照投票结果确定。
2实验装置及数据获取
实验使用一台额定制冷量为28 kW，制冷剂为
R410A 的“一拖五”多联机系统，如图1所示。该系统 主要由压缩机、电子膨胀阀、室外机、室内机等四大基 本部件组成。其标称制冷剂充注量为9. 9 kgo 多联机
系统采用密封涡旋压缩机，系统中设置有多个传感器,
用来测量压力和温度等，部分测点已在图1中标出。
旋压机
气液分离器
室内机
1
室外机换热器
室外
-
一过冷器
®电子膨胀阀
室内
®压力传感器睡前故事在线听
①温度传感器
图1实验多联机系统
Fig ・1 Experimental variable refrigerant flow system
新娘说实验中设有故障实验和正常实验，运行工况分为 制冷和制热工况，共包括已知故障3种，通过人为引 入故障的方式使系统进行故障运行。电子膨胀阀分
为卡死故障和泄漏故障，电子膨胀阀的开度大小定义 为当前开度除以最大开度的百分比，对于电子膨胀阀 卡死故障实验，将运行中的内机的开度固定在0或
乱战100%，对于电子膨胀阀泄漏故障实验，将关机的一台
内机开度设定为50%，这样电子膨胀阀的开度不再
随着负荷的变化而自动调整；对于四通阀故障，将驱 动换向阀的驱动电机人为掉电或人为损坏四通阀以
模拟四通阀故障，这样换向阀就不能再有效改变制冷
剂的流动方向；为了获得制冷剂充注量不足和过量实 验数据, 人为将制冷剂充注量水平充注为标准制冷剂
充注量的一定百分比。针对不同的故障设计相关实
一 120
一
验，记录当前工况下的所有数据，并从中选取18个特
征变量的数据，具体如表1所示。其中，目标运行能 力是指多联机机组在当下运行工况下理论上可以提 供的制冷能力，本机运行能力=（目标运行能力/系统
总运行能力）x100%。
具体故障类型及样本数量汇总于表2中。正常 工况、四通阀故障、电子膨胀阀故障及制冷剂充注量
故障的故障类型标签分别为L0、L1、L2、L3，并对3类 故障的故障类型进行详细划分。故障细化后标签如 表2所示。实验采集了3d 的所有运行数据，每间隔
3 s 采集一次数据，共获取156 068组数据，各类故障 样本容量足够，为故障诊断模型的建立提供保障。
故障数据种类繁多，在实际运行过程中，样本中
含有部分异常值，因此，首先需要将样本集中的异常
值进行剔除，以进一步提高模型诊断可靠性。其次,
由于多个变量之间的量纲不一，其差异会对后续的故
障诊断产生影响，故需要用到数据标准化消除该差 异。本实验采取对数据进行最大最小归一化处理。
表1特征变量及其符号
Tab.1 Characteristic variables and symbols
符号
特征变量名称符号
特征变量名称Cut
室外环境温度P mh
模块高压本机分配能力
几
模块低压
几
本机目标运行能力Td ”
压缩机排气温度C o*
本机当前运行能力
Che ”
压缩机壳顶温度
F comt 压缩机目标频率T ft
化霜温度
F como
压缩机运行频率
Tg
深字成语
过冷器液岀温度
T 5cg , out
过冷器气岀温度EXV 5ubc 电子膨胀阀开度T ste in 气分进管温度心
压缩机电流
T ste out
气分岀管温度
T com
压缩机模块温度
表2故障标签及样本数量
Tab.2 Fault label and sample number
故障类型故障标签
详细故障类型故障细化标签
运行模式样本数量
训练样本数量
测试样本数量
制热25 668
正常
L0
正常运行0
制冷
16 01629 304
12 380
四通阀掉电
1
制热10 278
7 1343 144四通阀故障
L1
四通阀失效
2
制热2 906
2 030876
电子膨胀阀EXV(0)
EXV 泄漏
3制冷
制热3 5602 5001 060L24
4 086
2 816
1 270
(EXV)
EXV(100%)
5制冷
2 546
1 790
756制热
4 174
63. 64%
6
制冷3 3985 273
2 299
制热
19 838
75.45%、80%
7
32 470
13 834
制冷剂充注量
L3
制冷
26 466故障
111.72%
8
制热
7 916
9 1234 017
制冷5 224制热
13 808
120%、130%
9
制冷
10 184
16 807
7 185
3故障检测和诊断策略
本文提出的多联机系统多类故障检测和诊断策
略结合了线性判别分析和随机森林算法，流程图如图
2所示，除完成原始数据采集和预处理外，该策略主
要包括两个部分，一是故障类型识别模型的训练和测 试，二是单类故障细化诊断模型的训练和测试。具体
流程为：
1） 通过设置实验系统操作参数使多联机系统处 于正常、四通阀故障、电子膨胀阀故障、制冷剂充注量 故障状态，并借助温度、压力传感器等采集原始数据;
2） 原始实验数据剔除异常值，并进行最大最小
—121 —
归一化预处理；
3）将原始数据集按照7:3划分为训练集A和测试集B；并将划分出的训练集A按照故障类型划分为四通阀故障集a、电子膨胀阀故障集b、制冷剂充注故障集c；
4）设置随机森林模型的参数值，利用训练集建立故障类型识别RF模型；
5）对训练集a、b、c使用线性判别分析进行降维处理，提取关键特征向量；
6）利用降维后的训练集，建立针对3种故障类型的故障细化诊断模型a、b、c；
7）将测试集B输入至训练好的RF模型中，输出故障类型识别结果；
8）将上一步识别出故障类型的样本输入至对应的故障细化诊断模型中，实现对各类故障中不同故障表现形式的细化诊断。
「
|多联机系统
|正常实验11四通阀故障实町|exv故障实验11充注量故障实验
原始数据集
数据预处理
|测试集B
!|训/集A
故障细化分类
数据采集
过程
故障细
化诊断
模型训
练过程
故障
类型
识别
过程
故障类型
识别RF模型
|故障类型识别|
|训练集况||训练集b|训练集c
线性判别分析（LDA）
建立故障细化诊断RF模型状态
四通阀故
障数据
_EXV故障
诊断结果
「1
1|
.
■
四通阀故障细
1化诊断模型a
石勒-11
EXV故障细
化诊断模型b
1充注故障细
■
—T
1.
-|化诊断模型c
1
性能评估
性能验
证过程
图2多联机系统多类故障诊断策略流程图
Fig・2Flow chart of variable refrigerant flow system multi type fault diagnosis strategy
4故障类型识别及细化诊断结果
4.1故障类型识别结果
本文结合线性判别分析和随机森林进行多联机系统多类别故障诊断，首先通过建立的随机森林模型完成故障类型识别，然后根据故障类型识别的结果，自适应的输入不同的故障细化诊断模型中进行下一步诊断。
实验所采集的原始数据集经过预处理后按照7:3的比例划分为训练集A和测试集B，训练集A 用来训练出故障类型识别模型，测试集B对该模型诊断性能进行检验测试。测试集输入故障类型识别模型时，
整体的故障类型识别准确率达到99.99%，可见识别错误的样本数极少。为便于观察故障类型识别结果的样本分布，进一步对结果进行了可视化，如图3所示。由图3可知，正常运行工况、电子膨胀阀故障及四通阀故障均能全部正确识别，而制冷剂充注量故障的27335个测试样本中仅有4个样本被错误识别为正常样本，这表明随机森林模型据不同类型故障数据的差异，学习到极好的分类规则，进而实现车辆违章查询官网
—122
—
