冷水機(jī)組是制冷空調(diào)系統(tǒng)的核心設(shè)備，冷水機(jī)組傳感器的故障檢測及診斷對于保證制冷空調(diào)系統(tǒng)正常運(yùn)行具有重要意義。近些年，學(xué)者們針對空調(diào)傳感器的故障檢測及診斷問題進(jìn)行了諸多研究。

文獻(xiàn)[1]提出采用主元分析法（Principal Component Analysis, PCA）對空調(diào)傳感器進(jìn)行故障診斷，通過對溫度、濕度傳感器的偏差故障進(jìn)行仿真，證明了所提方法具有很好的診斷效果。但PCA應(yīng)用的前提是假設(shè)過程為線性的，而空調(diào)系統(tǒng)多變量數(shù)據(jù)間具有非線性關(guān)系，使得PCA在處理空調(diào)傳感器故障問題上受到了限制。

針對PCA存在的問題，文獻(xiàn)[2]提出采用核主元分析法（Kernel Principal Component Analysis, KPCA）解決空調(diào)傳感器的故障診斷問題，并證明KPCA取得的效果優(yōu)于PCA。文獻(xiàn)[3-4]分別利用位域運(yùn)動誤差觀測器和解析冗余的方法進(jìn)行齒輪斷齒故障診斷和整流器傳感器故障診斷。

在KPCA的基礎(chǔ)上，文獻(xiàn)[5]提出采用二分法進(jìn)行核參數(shù)優(yōu)化，進(jìn)而解決核函數(shù)參數(shù)選擇主觀性較大的問題，從而獲得了改進(jìn)KPCA的故障檢測方法。文獻(xiàn)[6]發(fā)現(xiàn)，基于PCA的空調(diào)傳感器故障診斷效率與測得的數(shù)據(jù)質(zhì)量有關(guān)，對此，文獻(xiàn)[7-8]分別提出采用小波變換法和自適應(yīng)主元分析法剔除訓(xùn)練矩陣中的異常數(shù)，提高數(shù)據(jù)質(zhì)量，并分別取得了優(yōu)于PCA的效果。

然而PCA以及改進(jìn)的PCA在用于空調(diào)傳感器故障診斷中存在以下不足：

• ①PCA以及改進(jìn)的PCA需要進(jìn)行降維處理，在此過程中，會丟失一部分?jǐn)?shù)據(jù)，不能保證數(shù)據(jù)的完整性，同時(shí)被舍棄的貢獻(xiàn)率小的主成分往往可能含有對樣本差異的重要信息；
• ②利用PCA以及改進(jìn)的PCA進(jìn)行傳感器故障診斷需要兩步才能完成，首先要根據(jù)平方預(yù)測誤差（Squared Prediction Error, SPE）判斷系統(tǒng)是否存在故障傳感器，然后需要對系統(tǒng)中各個(gè)被監(jiān)測的傳感器讀數(shù)進(jìn)行重構(gòu)，才能定位發(fā)生故障的傳感器，若系統(tǒng)中包含多個(gè)傳感器，則需要做大量多余的工作，費(fèi)時(shí)費(fèi)力；
• ③在選取主元時(shí)，沒有有效的準(zhǔn)則，主觀性較大；
• ④PCA以及改進(jìn)的PCA需要計(jì)算協(xié)方差矩陣，計(jì)算量大，不適用于含有多個(gè)需要診斷的傳感器的空調(diào)系統(tǒng)。

長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）是由SeppHochreiter和JürgenSchmidhuber于1997年針對循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）在處理非線性時(shí)間問題上存在梯度爆炸和梯度消失的問題[9]提出的一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，由于網(wǎng)絡(luò)自身結(jié)構(gòu)的特點(diǎn)，被廣泛應(yīng)用于處理和預(yù)測高度時(shí)間相關(guān)、強(qiáng)耦合的事件。

文獻(xiàn)[10]將LSTM用于非結(jié)構(gòu)化文本的故障分類。文獻(xiàn)[11]利用LSTM進(jìn)行航空發(fā)動機(jī)的故障檢測，從而保證發(fā)動機(jī)正常運(yùn)行。針對游客出行，為了使其制定適當(dāng)?shù)某鲂新肪€，文獻(xiàn)[12]提出采用LSTM進(jìn)行短期交通狀況預(yù)測。文獻(xiàn)[13]利用LSTM進(jìn)行風(fēng)電場發(fā)電功率的超短期預(yù)測，并證明預(yù)測精度高于人工神經(jīng)網(wǎng)絡(luò)。

結(jié)合LSTM的特點(diǎn)以及冷水機(jī)組傳感器讀數(shù)的規(guī)律，本文提出一種改進(jìn)LSTM的深度學(xué)習(xí)方法用于冷水機(jī)組傳感器偏差故障診斷。該方法將傳感器故障檢測看作分類問題，不同故障傳感器對應(yīng)于不同的類別，并將傳感器故障檢測、診斷合二為一，可以直接定位故障傳感器。最后利用風(fēng)冷冷水機(jī)組實(shí)驗(yàn)平臺采集數(shù)據(jù)，通過實(shí)驗(yàn)，證明本文所提方法的有效性。

圖5 壓縮式制冷系統(tǒng)耦合特性

圖6 故障診斷流程

圖7 風(fēng)冷冷水機(jī)組實(shí)驗(yàn)平臺

結(jié)論

為了提高冷水機(jī)組傳感器偏差故障的檢測效率，本文結(jié)合LSTM在處理強(qiáng)耦合、高度時(shí)間相關(guān)性數(shù)據(jù)的優(yōu)勢，提出一種改進(jìn)的LSTM，用于冷水機(jī)組傳感器偏差故障的檢測，并通過采集數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析，最后將本文所提方法的檢測結(jié)果與自動編碼器、PCA、標(biāo)準(zhǔn)的LSTM三種方法的檢測結(jié)果進(jìn)行比較，得出以下結(jié)論：

• 1）本文所提出的改進(jìn)LSTM，對于不同類型的傳感器，整體檢測效率不同，就本文而言，對于壓力類傳感器的檢測效率要好于其他兩類傳感器。
• 2）對于同一傳感器相同大小、相同正負(fù)的偏差故障，本文所提方法的檢測效率高于自動編碼器、PCA、標(biāo)準(zhǔn)的LSTM三種方法，尤其對于閾值較小的偏差故障，本文所提方法的檢測效果明顯優(yōu)于其他三種方法，在其他三種方法幾乎完全失效的情況下，本文所提方法仍能保持較好的檢測效率。
• 3）對于同一傳感器相同大小、不同正負(fù)的偏差故障，本文所提方法的檢測效率略有不同，能保持良好的對稱性，而其他三種方法均不能保持良好的對稱性。
• 4）本文所提方法具有良好的泛化能力，對于未經(jīng)過訓(xùn)練的故障，本文方法仍保持較高的檢測效率。
• 5）自動編碼器和PCA進(jìn)行冷水機(jī)組傳感器故障檢測時(shí)，都需要對數(shù)據(jù)進(jìn)行降維處理，這就必然導(dǎo)致原始數(shù)據(jù)的丟失，相對而言，改進(jìn)的LSTM是對原始數(shù)據(jù)直接處理，保持?jǐn)?shù)據(jù)的真實(shí)性以及完整性。

綜上所述，本文將冷水機(jī)組傳感器故障檢測問題當(dāng)作分類問題處理，取得了較理想的效果，為今后傳感器故障的診斷與重構(gòu)的研究提供了新思路。但本文在搭建LSTM選取參數(shù)時(shí)，采取手動遍歷的方式，缺少理論依據(jù)，并且浪費(fèi)時(shí)間。后續(xù)可以進(jìn)一步研究如何更有效、更有依據(jù)地選取LSTM全連接層數(shù)以及相關(guān)的參數(shù)，解決本文所提的問題。