热泵蒸发器故障检测中基于神经网络方法的实验验证

《Energy and AI》：Experimental validation of a neural-network-based method for fault detection in heat pump evaporators

　　

热泵行业预计将面临合格技术人员的显著短缺，这将影响快速的更换与维护工作。因此，减少热泵不必要的维护工作是合理的。然而，未被检测的故障会对效率产生显著影响，进而影响运行成本。从定期维护向基于需求的策略转变是可取的。故障检测与诊断(FDD)已被证明是通过实现故障自动检测来实施基于需求的维护的有力工具。针对蒸发器结垢自动检测的若干方法已被开发，但在此背景下完整故障检测框架的实验验证仍然稀缺。在本研究中，研究人员以蒸发器空气体积流量的异常检测作为蒸发器结垢的代理指标。该方法基于一个学习无故障系统行为的人工神经网络(ANN)，将其用作评估当前状态的参考。残差通过基于阈值的方法和贝叶斯分类进行评估以检测故障状态。利用该方法，研究人员实验数据点中约98%被正确分类，检测率高达91.1%。这一经实验验证的概念证明凸显了该方法在预测性维护应用中的潜力。

研究背景方面，根据《巴黎协定》，成员国致力于采取气候保护步骤，包括显著减少温室气体排放。在德国，2024年建筑供暖占总最终能源消费量的27.4%，建筑行业对直接排放贡献显著。德国《气候变化法》旨在到2045年实现近乎气候中和的建筑存量，并伴随可持续的建筑能源供应。热泵是实现建筑行业脱碳的关键技术。尽管2024年暂时下滑，欧洲和德国的热泵销量预计在未来几年增长。为充分发挥热泵在效率和可靠性方面的潜力，正确调试和无故障运行至关重要，这需要训练有素的专家。然而，行业预计训练有素的专家将出现显著短缺，导致无法及时提供维护、更换和服务工作，从而降低已安装热泵的效率和终端用户的热舒适度。因此，解决方案包括培养更多专家以及通过实施基于需求的策略改进更换和维护。热泵效率即性能系数(COP)受运行中多种故障的显著影响，分为硬故障和软故障。硬故障常导致系统失效且易检测，软故障则导致系统长期渐变偏移且长期未被发现，如换热器结垢、制冷剂泄漏等。未检测的软故障会导致显著的效率损失和运营成本增加。文献表明结垢是空气源热泵最常见故障之一，蒸发器位于室外，暴露于污垢和颗粒中，堵塞换热表面，降低有效换热面积和传热系数，引起空气侧压降，从而减少空气质量流量。结垢可使COP降低高达9%，主要归因于翅片换热器热阻增加和外部体积空气流量减少。早期预防蒸发器结垢对避免性能退化极具前景。故障检测与诊断(FDD)是确保高效率并考虑基于需求的维护时间的有前景方法，描述早期阶段(半)自动检测和识别组件或设备中功能或性能退化的过程，分为故障检测、故障隔离、故障识别和故障诊断。FDD目标是在运行过程中利用不同过程模型确保质量、安全和效率，最小化性能退化、维护、修理成本和停机时间，可分为数据驱动和基于模型的方法。数据驱动方法如深度学习、分类和回归方法如人工神经网络(ANN)或支持向量机(SVM)近年受到关注，但需足够模型精度且故障通知系统需鲁棒。底层故障通知可通过简单基于阈值的方法实现，阈值选择至关重要，需在误报和漏报间权衡。贝叶斯故障分类器是统计通知器，基于贝叶斯定理自动化分类，无需手动确定阈值，允许实施误报和漏报的成本因子及保留分类确定性信息。文献中开发了多种建筑能源系统热泵FDD方法，但许多依赖模拟数据、制造商数据表或预定义故障图获取标记故障信息，实验获取高质量平衡数据困难。尽管近期有进展，仍缺乏结合现实故障仿真与基于无故障运行学习的模型来验证蒸发器结垢相关异常检测的实验验证方法，特别是利用虚拟传感器比较实测与预测无故障行为及使用标准化指标系统评估检测性能的研究有限。基于此，研究人员通过空气体积流量作为指标，实验验证空气源热泵蒸发器结垢的故障检测，训练ANN模型使用代表性天数以提高泛化能力，模拟无故障空气流量，在真实热泵上产生故障，比较ANN检测气流异常，应用基于阈值方法和贝叶斯分类，使用混淆矩阵评估。

研究人员开展的主要关键技术方法包括：在RWTH Aachen University的E.ON Energy Research Center研究所的热泵测试台上获取实验数据，该测试台包括简单制冷循环及压力、温度、质量流量、压差传感器，气候室控制环境条件，Fiware IoT平台与InfluxDB存储监控分析数据。训练数据选自代表秋、冬、春三季的典型日，使用ADDMo工具优化特征选择，基于Pearson相关系数及相关性分析与故障敏感性消除高依赖特征，获得解耦特征集，使用keras包训练ANN，数据随机选取50%按80/20划分为训练与测试集，使用Dropout层缓解过拟合。外部空气体积流量通过基于蒸发器能量平衡的虚拟传感器测量，依据制冷剂质量流量、进出口焓差、空气密度及旁路因子计算，空气密度按理想气体定律计算，绝对湿度根据相对湿度、饱和水蒸气压和环境压力计算，通过蒙特卡洛方法评估虚拟传感器测量不确定度。故障通过蒸发器风扇转速渐进降低（按双曲正切函数从15 Hz递减）和纸板阻塞换热器表面（0%、25%、30%面积）两种可逆方式模拟蒸发器结垢。

研究结果部分保留原文小标题并说明结论如下。

1. 1.
   Introduction and state of the art部分通过综述气候政策、热泵市场、技术人员短缺、软硬故障分类、结垢影响、FDD分类与方法（基于模型与数据驱动、阈值与贝叶斯分类）、文献中VRF系统、空调、虚拟传感器、统计模型、PCA、XGB等研究，指出实验验证结合学习模型与真实故障仿真的缺失，提出本研究构建端到端管道利用实验数据检测蒸发器结垢相关异常。
2. 2.
   Methodology部分介绍残差基于故障检测使用神经网络的方法，替代需大量标记故障数据的方法，ANN学习无故障行为，比较模拟与真实系统残差，分别用基于阈值（残差超预设限值检测故障）和贝叶斯分类（基于贝叶斯定理拟合数据集调整均值标准差，按特征分类并保留确定性信息）评估。评价使用混淆矩阵及准确率(ACC)、误分类率(MCR)、精确率(PPV)、召回率(REC/TPR)、特异度(TNR)、F1分数、误报率(FAR/FPR)、漏检率(FNR/M_DR)、误检率(FDR)、平衡准确率(BA)等参数，仅评估算法不考虑传感器硬件故障。
3. 3.
   Case study部分描述实验设置在加热模式下硬件在环测试台，气候室控制边界条件避免结霜，相对湿度设为50%，典型日选自秋冬季春季无夏季，ANN超参数通过ADDMo贝叶斯优化获得，特征为T_sup、T_amb、Q?_cond、φ_amb，信号为V?_air，各季节模型隐藏层神经元数不同。虚拟传感器基于蒸发器能量平衡方程V?_air=?_ref·(h_ref,2?h_ref,1)/(ρ_air·(h_air,2?h_air,1))，旁路因子BF=(h_air,2?h_s,eva)/(h_air,1?h_s,eva)=(x_air,2?x_s,eva)/(x_air,1?x_s,eva)=(T_air,2?T_s,eva)/(T_air,1?T_s,eva)，空气密度ρ_air=(1+x)·p_amb/((R_air,1+x·R_d)·T_air,1)，绝对湿度x=(M_d·φ·p_d,s)/(M_air,1·(p_amb?φ·p_d,s))，虚拟传感器平均不确定度±0.05 m³/s，扩展不确定度±0.1 m³/s。故障仿真采用风扇转速按n_fan(t)=15 Hz?7.5 Hz·tanh((π/2)·(t/t_half))递减持续6.5 h，及纸板阻塞0%、25%、30%换热面积。
4. 4.
   Results and discussion部分中，4.1 Results of virtual sensor and induced faults显示虚拟传感器计算的空气体积流量在故障-free秋季日约为0.95至1.15 m³/s，随边界条件变化，每小时初设定点导致瞬态期异常值，风扇转速减半时期望流量减半，虚拟传感器有效；纸板阻塞30%时流量差在扩展不确定度内，因气候室控制不准确及实验设置差异。4.2 Validation of fault-free ANN中，秋、冬、春季单独训练的ANN的R²分别为91.7%、93.8%、87.4%，RMSE分别为0.021、0.012、0.020，CV-RMSE分别为2.00%、1.4%、1.6%，残差多在?0.1至0.1间。4.3 Results of fault detection中，定义故障强度FI=70%对应风扇转速降低35%为故障阈值；风扇转速降低故障的残差随时间递增，纸板阻塞故障残差较小且接近无故障最大值；通过阈值法确定春、秋、冬最优检测残差分别为0.28、0.20、0.08；贝叶斯分类使用部分标记数据估计分布进行分类。4.3.3评估显示阈值法对风扇转速降低故障准确率98.4%，误分类率1.6%，误报率0.5%，检测率84.1%，漏检率15.1%；纸板阻塞准确率97.0%，误分类率3%，误报率1.3%，检测率57.4%，漏检率42.7%。贝叶斯分类对风扇转速降低准确率98.1%，误分类率1.9%，误报率1.4%，检测率91.1%，漏检率8.9%；纸板阻塞准确率98.3%，误分类率1.7%，误报率0.6%，检测率74.5%，漏检率25.5%。讨论指出风扇转速降低检测优于纸板阻塞，因纸板残差近测量不确定度且控制器可能补偿风速；贝叶斯分类更自动化且可加权优先避免误报；实验受气候室响应慢及极端天气未覆盖限制；排除结霜影响未来需结合控制器信息；虚拟传感器可依Li and Braun方法用虚拟制冷剂流量替代实体传感器；气流减少也可能源于风扇故障需多故障监测；检测可实现基于状态的维护节省成本。

总结讨论部分，研究人员指出与报道分类准确度的研究相比，本研究准确率高于97%且检测率高达91.1%。风扇转速降低比纸板阻塞检测效果显著更好，因纸板阻塞残差更小且近虚拟传感器测量不确定度，可能由于热泵控制器通过提高风扇转速补偿空气侧传热减少，此行为在手动降速时不出现，表明纸板阻塞更适于模拟真实结垢。两种方法性能相似但应用不同，贝叶斯分类需少量标记数据建立先验，阈值法需先验知识选阈值，贝叶斯更自动化且在多数情况因性能略优及可加权与保留确定性信息为合理选择。数据来自实验测试台，气候室控制慢有振荡且未覆盖极端天气，更多数据与优化测量活动可提精度。研究聚焦蒸发器结垢排除结霜，未来需结合控制器信息与时间特征区分。虚拟传感器可用Li and Braun虚拟制冷剂质量流量替代实体传感器但需处理额外不确定度。气流减少也可能由风扇故障等引起，单故障检测外需结合多故障监测以提升诊断精度。检测可实现基于状态维护减少不必要维护与性能退化期。

研究结论部分翻译：本工作提供了一种实验验证的故障检测方法，用于检测空气源热泵中与蒸发器结垢相关的异常。在此，通过在测试台中使用硬件在环方法，通过蒸发器风扇转速渐进降低和纸板阻塞蒸发器表面人为诱导结垢。比较真实与无故障系统行为作为系统健康评估的基础，而无故障行为使用ANN建模。通过ANN预测蒸发器中的健康体积空气流量，执行蒸发器结垢的专用检测。使用经过验证的虚拟传感器测量蒸发器处的体积空气流量，并将其与无故障模型进行比较，以避免昂贵的传感器设备。在验证ANN在无故障运行中的表现后，应用、评估并比较了基于阈值的方法和贝叶斯分类进行故障检测。最后，使用混淆矩阵比较和评估预测与实际观察到的系统行为。在低成本的传感器训练ANN下，对住宅空气源热泵蒸发器结垢的检测可实现大于97%的准确率，精确率在66.5%至92.1%之间。比较两种不同故障检测方法时，贝叶斯分类在纸板诱导故障情况下表现略好，而在风扇转速诱导故障情况下表现相似。最后研究人员得出结论：若能测量或近似解耦特征如外部体积空气流量，可高精度实现空气源热泵蒸发器结垢的早期检测与诊断；残差方法证明使用无故障运行模型足以支持FDD而无需模型预先显式学习故障状态，贝叶斯分类仍需少量标记数据但可用少数代表性点做先验假设；基于阈值方法与贝叶斯分类性能差异小，但后者在自动化及保留辅助复杂FDD信息方面有优势。因此研究表明该故障检测方法可成功部署于实验获取的动态数据上，所述蒸发器结垢诊断方法不限于此故障，可识别其他故障类型如排温诊断制冷循环阀泄漏，需识别适当解耦特征。未来工作应聚焦开发可靠、计算轻量的多故障检测方法以支持从计划维护向基于状态维护转型，包括研究其他解耦特征识别常见故障如制冷剂泄漏与风扇相关故障，进一步研究多同时故障交互及对检测性能影响，优先高影响热泵性能的故障类型及现代系统中故障影响与严重程度。