一种基于自适应过采样技术与基于树的多元堆叠集成方法的新型可解释制冷机故障诊断方法

《Engineering Applications of Artificial Intelligence》：A novel interpretable fault diagnosis approach for chillers based on self-adaptive oversampling technique and tree-based multi-meta stacking ensemble method

　　郑佳|郭宇尧|王正东|徐鹏|冯志满|刘振宝中国西安西北工业大学民航学院，710072摘要冷水机组在温度控制与能耗优化中起着至关重要的作用。一旦冷水机组出现故障，就会导致制冷量不足，进而降低生产效率。数据驱动的深度学习模型因能够从海量数据中自动提取特征而被广泛用于故障诊断。但在实际工程中，这类模型常常面临样本不足和数据不平衡的问题，且其黑箱特性使得故障诊断亟需具备可解释性。为应对上述挑战，本文提出了一种结合过采样技术的可解释集成学习模型。首先，利用SHapley加性解释值和皮尔逊相关系数矩阵对模型的预测过程进行可视化分析，根据各特征的贡献度、重要性和相关性挖掘潜在的有效特征。接着，根据各类样本的密度及样本邻域分布评估样本的分类难度，提高对难分类样本的关注度，并平衡各类样本的数量。最后，提出了一种多元元学习器堆叠的集成学习结构，通过结合多个基于树的集成学习模型实现渐进式学习，同时利用多个元学习器从不同尺度捕获特征信息，对第一阶段的输出进行综合修正，从而得到最终诊断结果。该诊断框架在RP-1043数据集上进行了验证，所提模型的诊断准确率可达99.08%。引言冷水机组是暖通空调系统的核心组件，在集中控制、能源管理以及环境质量管控方面发挥着重要作用（Chen等人，2022a；Chen等人，2022b；Singh等人，2022；Zhang等人，2025）。然而，当冷水机组发生故障时，与其他空调系统中的设备相比，其影响更为严重和广泛。它不仅会浪费大量能源、缩短设备使用寿命，还会导致制冷量不足，甚至引发安全事故（Mirnaghi和Haghighat，2020；Zhu等人，2020；Ran等人，2020；Wang等人，2019）。因此，开发快速准确的冷水机组故障检测与诊断策略具有重要意义。近年来，数据驱动方法被广泛应用于冷水机组的故障诊断中。例如，Yao等人（2022）使用卷积神经网络对冷水机组故障进行诊断，其分类准确率较传统方法有显著提升。Wang等人（2023）提出了混合贝叶斯网络，并结合残差-知识-数据联合驱动框架，对两台实验用冷水机组的故障进行了诊断测试。Lu等人（2024）改进了传统的数据驱动方法，提出了一种基于局部异常核熵分量分析的冷水机组早期故障检测方法，能够准确识别早期故障。在其他设备的故障诊断领域，数据驱动的智能故障诊断方法同样具有优势。例如，Peng等人（2024）提出了一种基于迭代学习的时空故障估计方法，该方法利用平均驻留时间切换规则来描述以模式跳变为特征的切换反应扩散系统，并基于自适应迭代学习建立了故障估计公式。与传统方法相比，该方法具有一定的实用性和优越性。Song等人（2024）提出了一种基于模糊小波神经网络的自适应有限时间自触发容错控制方法，能够在执行器故障未知的情况下保证四旋翼无人机的跟踪性能。不过，深度学习模型通常需要充足的训练数据才能发挥良好性能。由于冷水机组设计的可靠性，往往难以获取足够的故障数据。此外，人为引入故障会大大缩短冷水机组的使用寿命。因此，数据驱动的深度学习模型面临着冷水机组故障数据严重短缺的挑战。故障数据的数量在很大程度上取决于标记数据的数量。当标记数据较少时，模型会因训练数据不足而出现偏差。为解决这一问题，Ren等人（2023）提出了一种基于半监督方法的新数据抽取策略，其诊断准确率较监督学习模型有显著提升。Deng等人（2023）提出了一种基于邻域优化图卷积网络的冷水机组故障诊断方法，通过挖掘大量未标记样本与少量标记样本之间的时空关系，能够获得更准确的诊断结果。Tao等人（2024）采用快速傅里叶变换和池化方法构建了KNN图生成策略，并利用图注意力网络优化注意力权重的分配。实验表明，该方法在样本量较小的情况下具有更好的故障诊断性能。迁移学习也被广泛用于小样本问题。例如，Ma等人（2023）通过堆叠稀疏自编码器和迁移学习策略，构建了用于冷水机组系统故障诊断的数字孪生模型。但由于迁移样本需要来自同一领域且具有相同分布，迁移学习仍然受到样本数量的限制。与迁移学习相比，数据增强技术是通过转换现有数据生成新样本，从而更有效地解决小样本问题。例如，Yan等人于2020年和2024年将生成对抗网络引入冷水机组小样本故障诊断中，通过合成故障数据获得了训练样本，显著提升了分类准确率。Yang等人（2024）通过结合深度极限学习机算法对生成对抗网络进行了改进，该生成对抗网络引入了多头注意力机制，并采用adaboost集成策略通过迭代更新训练多个基分类器，最终根据投票机制得出诊断结果。故障数据不足通常伴随着数据不平衡现象。数据不平衡指的是某一故障类别的数量远远超过其他故障类别。这种现象主要是由于某类故障的数据收集不足，或者某一特定故障类别的发生频率远高于其他类别所致（Fan等人，2021）。传统的冷水机组故障诊断模型通常是在平衡的故障数据集上构建的。因此，当用传统故障诊断模型处理不平衡数据时，多数类样本往往会主导模型的梯度传播过程，从而导致少数类的故障诊断效果较差（Zhang等人，2025）。为解决数据不平衡问题，重采样技术受到了广泛关注。例如，Zhang等人（2023）基于混合重采样技术开发了极端学习机，用于平衡故障数据中的多数类和少数类，并提出了一种新的选择性集成学习策略对其加以改进。Wang等人（2024）在合成少数类过采样技术（SMOTE）的基础上，提出了一种新的过采样技术MWMOTE来处理数据不平衡问题，同时还提升了模型的可解释性。Shen等人（2023）提出了一种稳定的合成少数类过采样技术用于生成故障数据，然后将其与原始故障数据混合以实现数据增强，最后再利用卷积网络进行故障诊断。Zhang等人（2023）则开发了一种基于混合重采样的改进型极端学习机，采用新的混合重采样技术来平衡不同类别之间的数量差异，并提出了带有新型选择性集成学习策略的改进型极端学习机模型。实验结果表明，该方法进一步提升了不平衡数据条件下冷水机组的故障诊断性能。由此可见，重采样技术为解决数据不平衡问题提供了有效的研究思路。此外，单一模型在处理不平衡数据时的故障诊断结果通常不够稳定，因此集成学习模型被广泛用于不平衡数据的故障诊断中。例如，Yao等人（2022）使用了三种基于树的集成学习算法，即随机森林、极端梯度提升算法（XGBoost）和轻量级梯度提升机（LightGBM），并将它们与支持向量机进行了比较，结果表明基于集成学习的故障诊断方法具有更稳定的诊断性能。Yang等人（2024）将集成学习与数据增强相结合，利用AdaBoost集成模型和加权投票策略提升了不平衡数据的诊断性能。除了在模型层面的整合之外，Zhang等人（2023）还提出了一种融合信息的智能故障诊断技术，通过整合信息来提高诊断精度。Zhang等人（2024）则开发了一种新的全局建模方案，该方案结合了动态核规约变量分析，有效提升了空气处理单元的故障检测性能。上述研究表明，对于数量有限且不平衡的冷水机组故障数据，结合重采样技术的集成学习模型具有显著优势。此外，基于树的集成学习模型具有很强的可解释性，而特征选择策略的结合不仅可以提升模型的诊断性能，还能解释预测过程。深度学习的黑箱属性使其无法解释预测结果的诊断过程，构建可解释的故障诊断框架有助于进一步提升模型的诊断性能并增强人们对模型的信任度（Li等人，2021；Li等人，2021；Fan等人，2018）。例如，Yang等人（2024）提出了一种基于随机森林和皮尔逊相关系数的特征选择方法，该方法不仅提升了诊断准确率，还增强了模型的可解释性。Pan等人（2024）提出了一种基于物理引导神经网络的冷水机组可解释故障诊断方法，通过分析冷水机组的工作过程及故障演变规律，确定了与各类故障相关的关键因素。Li等人（2024）提出了一种基于高敏感度梯度的解释方法，采用softsign-forward-relu-backward方法从故障区分特征的角度进行解释。Wang等人（2024）从多个角度分析了冷水机组的参数，得出一组有效的故障诊断规则。尽管上述研究在一定程度上缓解了小样本和数据不平衡对冷水机组故障诊断的影响，但仍存在以下缺陷：（1）传统的可解释方法与模型的诊断性能密切相关，当模型诊断性能较好时，其结构通常较为复杂，可解释性较差。此外，数据驱动的智能故障诊断方法要取得良好性能的前提是训练大量平衡的故障数据，这忽视了小样本和数据不平衡场景下的应用，也增加了在样本量有限且数据不平衡情况下解释模型的难度。（2）传统的SMOTE过采样方法在处理不平衡数据时仅采用单一的样本生成策略，它会为每个少数类生成固定数量的合成样本，而不考虑其相邻样本的分布密度和类别关系。此外，由于SMOTE方法没有特别关注模型决策边界上的难分类样本和少数类样本，会导致决策边界变得模糊，从而削弱分类器的识别能力。值得注意的是，SMOTE方法不可忽视的一个问题是缺乏噪声处理策略，在合成样本的过程中不可避免地会产生噪声样本，且干扰会不断放大，从而导致模型出现过拟合问题。因此，SMOTE过采样方法缺乏处理不平衡数据的适应性。（3）传统集成学习模型的集成结构相对较为简单，大多数基分类器采用弱分类器，且大多采用单阶段学习策略，这使得其在面对因样本匮乏而导致的数据不平衡时，诊断性能较差。当样本数量极少时，由于基础学习器的整合能力不足，模型会对噪声或异常值过于敏感，从而导致错误的特征被当作分类的关键依据。为了解决上述问题，本文的创新贡献可总结如下：(1)为缓解模型复杂度与可解释性之间的矛盾，本文提出了一种基于SHapley加性解释（SHAP）和皮尔逊相关系数的特征选择策略。首先，该策略通过SHAP框架可视化模型的预测过程，得到诸如特征贡献度以及领域相关特征的重要性等可解释参数；接着，利用皮尔逊相关系数计算多特征变量之间的相关性及冗余信息；最后，根据特征贡献度、特征重要性及特征相关性这三个可解释参数来筛选所有特征变量。这在一定程度上降低了故障数据的维度以及模型的结构复杂性。(2)本文提出了一种改进的最近邻自适应过采样技术（EN-SAOTE）。首先，该采样方法通过在少数类样本与最近邻样本之间进行插值，生成适当数量的新样本，从而扩大数据集的总规模。随后，评估少数类样本以及决策边界附近难以分类样本的分类难度，并根据难度水平自适应调整样本生成的优先级及数量，以提高对这类样本的关注度。在将原始样本与合成样本混合后，会将每个样本与k个最近邻样本中的多数类标签进行比较，以此去除过采样过程中引入的噪声样本，避免传播过程中的过拟合问题。这不仅提升了过采样方法处理不平衡数据的适应性，还减少了生成样本中的噪声干扰，增强了模型的鲁棒性。(3)本文提出了一种多样化的元学习器堆叠模型（DMLSM）。该模型在传统集成学习结构的基础上通过多层堆叠进行改进，让多个元学习器参与两阶段的训练过程。在第一阶段训练中，DMLSM的基础学习器整合了多个基于树的强集成模型，提升了集成组合的多样性，使其具备更强的特征学习能力；在第二阶段训练中，分层堆叠后的多个集成组合的输出结果会被进一步输入到多个元学习器中，用于特征的二次学习。不同的元学习器会根据自身的训练特点从多个角度捕捉特征信息，并重点处理第一阶段输出的难以分类样本，从而持续提升对少数类样本及难以分类样本的识别能力，进而增强模型在面对不平衡数据时的稳定性。本文的其余内容结构如下：第二节介绍相关的理论基础及所提出的故障诊断框架；第三节介绍故障诊断对象与数据集；第四节分析实验结果；第五节对整个工作进行总结。

可解释框架
SHAP运用博弈论量化特征对模型预测结果的非线性贡献，根据局部解释和全局解释的重要性，为复杂模型提供了一种可解释的方法。皮尔逊相关系数则是用于衡量特征变量之间相关性的方法，可用于检测特征间的多重共线性。当多个特征之间的相关性较高时，可能只需要保留其中一个特征。

离心式冷水机组
本研究的实验对象是一台90吨级的离心式冷水机组。该冷水机组由蒸发器、冷凝器、压缩机和膨胀阀组成，蒸发器和冷凝器均为全液式壳管式换热器，制冷剂为R134a，膨胀阀为热力膨胀阀。该冷水机组的工作循环过程如图7所示。蒸发器通过管壁将冷水的热量传递给制冷剂。

基于SHAP的特征选择分析
在本节中，将利用SHAP可解释框架，使用冷水机组的原始数据对DMLSM的预测结果进行可视化分析。SHAP能为预测结果中的每个特征分配一个shap值，用以衡量其在预测故障类型时的贡献度。图中10展示了原始数据集中各特征对不同故障类型预测的贡献情况。这一过程是对模型的局部解释。从图10可以看出……

结论
在冷水机组故障诊断领域，数据驱动的深度学习模型通常需要大量的训练数据，且可解释性较差。因此，为解决冷水机组样本量不足和数据不平衡的问题，本文提出了一种可解释的改进型最近邻自适应过采样技术以及一种多样化的元学习器堆叠模型。所提出的特征选择策略、过采样算法和集成学习模型均经过了实验验证。

CRediT作者贡献声明
贾震：方法论、软件、写作——审稿与编辑。姚国宇：概念构建、研究设计、软件、写作——初稿撰写、写作——审稿与编辑。王正东：写作——审稿与编辑。徐鹏：项目管理。Vong Chi-Man：写作——审稿与编辑。刘振宝：写作——审稿与编辑。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
本文得到了国家自然科学基金委员会重点项目的资助（项目编号U2433208），部分资金来自西安科协青年人才基金（项目编号0959202613018），还有部分资金来自中国航空科学基金会（项目编号ASFC-2018ZC53026）。