3.3 基于GA优化后的BP神经网络故障诊断结果

按照图4流程所示建立基于遗传算法和神经网络的故障诊断模型，遗传代数设为100。适应度值的变化随着遗传代数的变化如图6所示。随着遗传代数的增加，适应度函数值先下降后保持不变，说明故障诊断率得到提高，并最终趋于稳定。

优化得到的模型诊断率由式(1)反推为:1 -(1. 728 3一1) /100=99.27%。优化后得到的故障混淆矩阵如表3所示。

对比采用原始特征集建立的BP神经网络的故障诊断结果与采用遗传算法优化特征集后的模型诊断结果，可以看出，相对于原始BP神经网络，用遗传优化得到最优特征子集后的神经网络模型整体故障诊断率和故障检测率均得到提高。

图6 适应度值随遗传代数的变化

表3 基于特征优化后得到的阀类故障混淆矩阵

3.4 优化前后各故障的检测结果分析

优化前后各故障的检测率如表4和图7所示，only}PNN为采用原始特征集建模检测结果，GA-BPNN为优化特征集后建模的检测结果。

可以看出，采用原始特征集进行建模时，电子膨胀阀卡死1的故障检测率为89.49%，电子膨胀阀泄漏的检测率为97.47%，电子膨胀阀卡死2的故障检测率为89.72%。利用遗传算法优化后的电子膨胀阀的故障检测率均得到提高，电子膨胀泄漏的故障检测率达到100%，电子膨胀阀卡死1和电子膨胀阀卡死2的故障分别提高到98.21%和97.72%。本文利用遗传算法对多联机阀类故障的原始特征集进行选择提取最优特征子集，利用特征子集作为模型输入，降低了输入数据的维度，故优化后模型的运行效率提高，测试集的诊断与检测的耗时从23_s减至11_s,测试时间缩短了52.17%。

表4两类模型检测正确率与耗时对比

图7优化前后各故障检测率比较

基于遗传算法筛选出的最优特征变量集为:室外环境温度、室内环境温度1、室内环境温度2、室内环境温度3、室内环境温度4、室内环境温度5、过冷器EXV、压缩机排气温度、模块高压、四通阀状态、过冷器气出温度、入管温度1、入管温度2、入管温度3、入管温度4、入管温度5、出管温度2、出管温度3，共18个特征变量(1,2,3,4,5代表对应室内机的编号)。

结合专家经验可知，由于多联机的工作特性，每个室内机可以独立开启运行或关闭，通过室内环境温度和室外环境的对比，可以判断该室内机是否处于工作状态。制冷(制热)工况下，发生电子膨胀阀卡死1(卡在0开度)故障时，故障机的入管温度升高(降低)，且接近室内环境温度，其他室内机由于制冷剂流量变大导致出管温度降低(升高);发生电子膨胀阀卡死2(卡在最大开度)故障时，故障机的入管温度升高(降低)，其他室内机由于制冷剂流量变小导致出管温度升高(降低)。故障机发生电子膨胀阀泄漏时，即不参与工作的室内机的电子膨胀阀发生故障不能完全关上，制冷剂从故障机泄漏，此时电子膨胀阀前后压差较大，节流孔径很小，节流后制冷剂的温度低，导致故障室内机的入管温度较低，由于泄漏的部分制冷剂于与空气进行自然对流换热，自然对流换热量很小，故压缩机排气温度降低。多联机的四通阀发生故障时，即在制热模式下会发生转向故障，低温低压的制冷剂仍流向室内机，此时模块高压降低，室内机进出管温度降低。可以看出，各阀类故障发生时，导致多个故障特征异常发生，遗传算法选出的特征变量子集能很好地表征故障发生后的异常变化。

4 结论

本文结合遗传算法和BP神经网络建立了一种针对多联机阀类故障的检测与诊断复合模型。该模型将多联机阀类故障实验得到的各阀类故障数据作为多联机阀类故障的原始特征集，利用遗传算法对特征集进行搜索，得到最优特征子集，以最优特征子集的数据作为参数优化后的BP神经网络的输入，从而诊断和检测出多联机的阀类故障。得到如下结论:

1)在建立基于BP神经网络的多联机阀类故障诊断模型的过程中，神经网络参数的优化能直接改善诊断性能。神经网络参数优化后，故障诊断正确率显著提高。

2)利用遗传算法对原始特征变量集进行优化选择，从41个特征变量中选择18个特征变量组成最优特征子集，相较于原始的特征变量集，利用最优特征集进行神经网络的建模，故障诊断正确率从96. 09 %提高到99. 27%测试时间缩短了52. 17 %，提高了故障检测及诊断正确率。