《人工神经网络应用于空调系统故障诊断的研究》-毕业论文（设计）.docVIP

PAGE w 人工神经网络应用于空调系统故障诊断的研究 摘要： 本文首先介绍了人工神经 网络 的基本原理，然后详细介绍了反向传播算法（BP），最后 研究 BP算法在空调系统故障诊断方面的 应用 。关键词： 人工神经网络 反向传播算法 故障诊断 1 引言 随着 经济 的 发展 ，空调系统得到了越来越广泛的应用，空调设备已成为重要的生活必备品之一。这就要求空调系统可靠性高且功能齐全，而且在故障诊断维修服务方面达到一定的水平。国内 目前 的大部分空调系统中无故障诊断系统，当空调系统出现故障后，维保人员往往不能及时、准确地了解系统出现故障的原因及相关信息，空调系统无法得到及时修复，这种情况急需得到改善。2 关于故障诊断技术 故障诊断FD(fault diagnosis)是一种了解和掌握设备在使用过程中的技术，确定其整体或局部是否正常，早期发现故障及其原因并能预报故障发展趋势的技术。在诊断过程中，必须利用被诊断对象表现出来的各种有用信息，经过适当地处理和 分析 ，做出正确的诊断结论。在制冷暖通空调领域，1987年在彦启森教授的建议下，才开始了故障诊断专家系统在制冷暖通空调领域的研究应用 [1] 。3 人工神经网络用于空调系统故障诊断的基本原理 人工神经网络(Artificial Neural Network．简称ANN)正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是 理论 化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。典型的神经网络结构如图1所示。在众多的人工神经网络模型中，最常用的是BP(Back Propagation)模型，即利用误差反向传播算法求解的多层前向神经网络模型 [2] 。BP网络在故障诊断、模式识别、图像识别、管理系统等方面都得到了广泛的应用。本文讨论利用神经网络中的BP模型进行空调系统的故障诊断。首先需要进行知识的获取。由专家提供关于各种空调系统故障现象(征兆集)及相应的故障原因(故障集)实例作为 学习 样本 。将数据分为两部分，一部分用于训练网络，另一部分用于测试。将训练网络的数据按一定顺序编码，分别赋给网络输入、输出节点，通过神经网络学习算法对 样本 进行学习，经过网络内部自适应算法不断修正权值，直到达到所要求的学习精度为止。此时在大量神经元之间联结权值上就分布着专家知识和经验。训练完毕后，再将测试网络的数据从初始状态出发，向前推理，将显示出的故障结果与实际的测试数据结果相比较，如果误差很小，说明网络的权值建立正确；如果误差较大，说明网络的权值建立有误，需要重新进行网络的训练。将训练 样本 训练完毕后，即可进行空调系统的故障诊断。只要实际输入模式接近于某一个训练时的学习 样本 的输入模式，则可产生出接近学习 样本 的输出结果，也就是所谓的自联想功能。同时，由于网络 计算 上的大量并行性，当机器运行状况改变，出现网络学习未考虑的情况时，系统亦能给出正确分类结果。同时将新数据并入网络，实现系统的自适应。一般来说，学习的故障实例 样本 越多，诊断结果的准确率越高。4 BP 学习算法 BP算法因其简单、易行、计算量小、并行性强等优点，是目前神经网络训练采用最多也是最成熟的训练算法之一。BP算法的实质是求解误差函数的最小值 问题 ，由于它采用非线性规划中的梯度下降法（Gradient Descent），按误差函数的负梯度方向修正权值 [3] 。其主要思路是如果求出训练网络的指标函数误差：一般的BP算法称为标准误差逆传播算法，也就是对应每一次输入都校正一次权值。这种算法不是全局误差意义上的梯度下降计算。对各个神经元的输出求偏导数，那么就可以算出误差 对所有连接权值的偏导数，从而可以利用梯度下降法来修改各个连接权值。真正的全局误差意义上的梯度下降算法是在全部训练模式都学习完后才校正连接权和阈值。其计算流程如图2所示：5 故障诊断实例 5.1 空调系统故障诊断的BP网络建立 空调系统故障模式及故障机制分析 [4] 如表1所示表1 空调系统故障模式及故障机制分析 表示符号 故障模式 表示符号 故障原因 x 1 房间温度均偏高 y 1 y 2 y 3 y 4 y 5 y 6 1.冷冻机产冷量不足2.喷水堵塞3.通过空气处理设备的风量过大，热交换不良4.回风量大于送风量5.送风量不足（可能空气过滤气堵塞）6.表冷器结霜，造成堵塞 x 2 相对湿度均偏低 y 7 7.室外空气未经加湿处理 x 3 系统实测风量大于设计风量 y 8 y 9 8.系统的实际阻力小于设计阻力