郭梦茹，谭泽汉，陈焕新，郭亚宾，黄 耀

(1华中科技大学能源与动力工程学院 武汉430074；2空调设备及系统运行节能国家重点实验室 珠海517907；3珠海格力电器股份有限公司 珠海517907

摘要：针对多联机系统(变制冷剂流量系统)阀类故障的诊断特征变量冗杂、诊断效率低的问题,提出一种复合诊断模型,利用遗传算法在原始特征集中搜索特征子集,与参数优化后的BP神经网络模型结合,对多联机阀类故障进行检测和诊断。本文从原始特征集中优化选择了带有18个特征变量的最优特征子集,用该模型对电子膨胀阀卡死、电子膨胀阀泄漏和四通阀故障3种故障进行检测,结果表明:该复合诊断模型对故障检测率提高,其中电子膨胀阀的卡死故障检测率提升8%,整体诊断正确率提高到99.27%;该复合诊断模型大大提高了诊断效率,使测试时间缩短了52.17%,表明该复合诊断模型具有较好的故障诊断效果。

关键词：变制冷剂流量系统;阀类故障检测与诊断;特征选择;遗传算法; ;BP神经网络

多联机具有节能高效、控制方便和安装灵活等特点，被广泛用于各种公共建筑物，其中多联机的电子膨胀阀和四通阀在制冷剂流量调节和流向转换上发挥着重要作用，一旦发生故障会导致舒适性降低，能耗增加。

神经网络、主元分析及决策树等算法常用于故障诊断和检测的研究中，神经网络非线性映射能力较强，精度较高，适合求解多故障分类问题。结合相应的算法建模时，由于故障特征和故障类别的对应关系不清晰，一般采用大量原始故障特征进行建模，导致计算效率降低，严重时会降低诊断精度，所以需要对故障特征进行优化选择。遗传算法是借鉴生物界自然选择和进化的随机化搜索算法，无需考虑函数的具体形式，非常适用于特征与参数的优化选择。姚文俊介绍了遗传算法在故障诊断中搜索最优特征变量的应用。赵云等利用遗传算法进行特征选择，从而大幅降低了分类系统的搜索空间。韩华等利用遗传算法针对冷水机组故障特征进行选择，优化了特征空间，提高了故障诊断效率和正确率。

段侯峰等利用遗传算法优化各种基于神经网络的机械故障模型的结构参数，使模型更加精确。因此，本文利用遗传算法在优化选择上的优势，在原始特征集中搜索最优特征子集，与带参数优化的BP神经网络相结合，建立多联机阀类故障诊断模型，与基于原始特征集的神经网络故障诊断模型相比，故障检测及诊断正确率得到提高。

1 多联机阀类数据来源

本文以一台额定制冷量为45kW，制冷剂为R410A的多联机系统为研究对象，该多联机实验系统如图1所示，共有5个室内机，编号为1,2,3,4,51个室外机，为保证多联机的正常运行，多联机上布有多个传感器，分别用来测量温度、压力、阀门开度、压缩机及风机频率等，共41个参数。其中温度测点与压力测点己在图上标出。首先，在制冷和制热工况下分别正常运行多联机系统，获得该多联机正常运行的数据。然后，进行阀类故障实验，故障实验分别为

其中任意一个室内机电子膨胀阀卡死1(故障程度:卡在0开度)、电子膨胀阀泄漏、电子膨胀阀卡死2(故障程度:卡在最大开度)、四通阀故障，加上正常数据分别用标签A1 -A5表示。神经网络输出结果中，采用向量表示各故障类型，1表示运行状况，越接近1，表示越接近运行状态。如表1所示。

图1 多联机实验系统