1．引言

随着大型、超高层、多功能性建筑的不断涌现，供热通风、空气调节系统（HVAC）变得越来越复杂。在这些复杂的空调系统中，往往出现各种故障。故障的存在对空调系统危害极大，它不仅浪费了能源，而且还会影响室内的舒适性，缩短设备的使用寿命。然而，对于日益复杂的空调系统，快速及时地检测、识别系统中出现的各种故障，已远非人力所及。因此，自动故障检测与诊断（Automation Fault Detection and Diagnosis，AFDD）系统对空调系统的运行操作越来越重要了。

按照故障发生的器件不同，可分为元件故障（Component Fault）和传感器故障（Sensor Fault）。元件故障主要是指像风机、水泵、水阀、风阀、制冷机等设备出现的故障。而传感器故障主要是指传感器出现偏差、漂移、精度等级下降及完全失效等故障。传感器的故障一般是不易察觉，因此危害较大。致力于传感器故障的研究越来越多，用于传感器故障诊断的方法也不断涌现。本文主要介绍了三种传感器故障诊断的方法：硬件冗余方法、解析冗余方法、人工神经网络方法，介绍了这三种方法各自的工作原理及特点，阐述如何用神经网络检测和诊断空调系统中的故障及神经网络在故障诊断中的应用情况，最后提出了故障诊断未来研究的一些建议。

2．硬件冗余方法

硬件冗余方法（Hardware Redundancy）是传感器故障诊断早期的主要方法，它是对容易失效的传感器设置一定的备份，然后通过表决器方法进行管理^[1]。硬件冗余方法是由两个，或者三个，或者四个完全一样的，而且是测量相同的被测量的设备构成的，通过对冗余设备的输出量的相互比较，可以验证整个系统输出的一致性。一般来说，双重冗余配置只能判断传感器有无故障，不能确定哪个传感器出现故障；三重冗余配置不但可以判断传感器有故障，而且还可以确定出现故障的传感器。硬件冗余方法的优点是不需要被控对象的数学模型。而且鲁棒性很强，其缺点是设备复杂，体制和重量很大，成本较高。

3．解析冗余方法

在同一对象上测量不同的量时，各个测量量对被测对象的状态都有影响，因此测量结果之间通常存在一定的联系，我们称之为“解析影响”。解析冗余方法（Functional or Analytical Redundancy）就是通过建立一个适当的数学模型来表示系统的动态特性，通过比较模型输出同实际系统输出之间的差异来判断传感器是否发生故障，因此也叫模型方法。解析冗余方法就是利用控制系统中各传感器输出之间存在的冗余关系进行故障诊断的，其工作的原理如图1所示。

从图1中可以得知解析冗余方法的大致步骤是：

（1）模型设计。根据被控对象的特性、传感器的类型、故障类型以及系统的要求等设计出相应的被控对象的数学模型。

（2）设计和传感器故障相关的残差。在相同控制量的作用下，传感器输出信号和由模型所得值之差，称为残差。残差中包含了传感器故障的信号，当残差为零时，表示传感器没有故障；当残差不为零时，表示传感器出现故障。

（3）进行统计检验和逻辑分析。运用统计检验和逻辑分析方法可以诊断某些类型的传感器故障。

解析冗余方法不但能够发现传感器的故障，而且能够定位是哪一个传感器出现故障，还可以估计出现的故障的大小以及严重性。同时，和硬件冗余方法相比，解析冗余方法不需要增加硬件设备，故成本较低。解析冗余方法的缺点是，在系统参数存在不确定性，以及系统参数随时间变化会产生变化，或者系统有未知的输入干扰时，要考虑鲁棒性的问题。使用解析冗余方法时还必须知道被控对象的精确数学模型，这种方法对非线性的、难以得到数学模型的系统是无能为力的。此外，这种方法只能进行故障诊断，不能恢复出现故障的传感器的信号。

4．人工神经网络方法

（1）神经网络的定义

神经网络系统是由大量的、同时也是很简单的处理单元（或称神经元）广泛地互相连接而形成的复杂网络系统。它反映了人脑功能的许多基本特性，但是它不是人脑神经网络系统的真实写照，而是对其作某种简化、抽象和模拟^[2]。神经网络的简单结构如图2所示，其中每一个小圆圈表示一个神经元（也称处理单元或节点）。各个神经元之间通过相互连接形成一个网络拓扑，这个网络拓扑的形式称为神经网络的互连模式。神经网络以外的部分，即虚线方框以外的部分，可统称为神经网络系统的环境。神经网络从它所处的环境中吸取信息，对信息进行加工处理后，又返回其所处的环境中去。

各个神经元之间的连接不是单纯的传送信号的通道，而是在对每对神经元之间的连接上有一个加权系数，这个加权系数起着生物神经系统中神经元的突触强度的作用，它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。这个加权系数成为权值（或称为连接强度、突触强度）。

（2）人工神经网络的结构

人工神经网络种类繁多，其中应用得较多的是多层前溃神经元网络它的结构如图3所示，又称BP模型。从图3中可知，多层神经元网络是由几层组成的，各层次的神经元之间形成了全互连连接，各层次内的神经元之间没有连接。接受输入信号的层叫输入层，给外界提供信号的层叫输出层，其他的层叫隐含层。

多层前溃神经网络采用的是著名的误差反向传播算法，其具体的算法为

图3 多层前溃神经元网络结构

对于输入层

对于输出层

第t+1步的连接权的修正是

其中：p表示第p个样本的学习过程，表示权值的变化量；

表示第p个样本的目标输出，表示修正误差；

表示第p样本的实际输出，表示单元j的输入总和；

为第I个神经元对第j个神经元的连接权；

为学习效率；

为势态项。

多层前溃神经网络通过反向传播训练的方法能够很好地近似非线性映射，因此，多层前溃神经网络得到了广泛的运用。国内外许多学者，如Funahashi、Cybenko以及Hoenik就使用不同的方法证明了使用多层神经元网络能够以任意的精度一致地逼近子集上的实连续函数。

5．神经网络方法在故障诊断的应用

图4为一个需求控制通风监测控制系统，它包括了测量信号滤波器，故障检测与诊断，新风、送风流量恢复，室内人数检测器，新风流量重设模块和控制器^[3]。需求控制通风监测系统的作用是监控和控制空调系统的新风量。新风流量的设定值是由新风流量重设模块设定的，我们可以用PID控制器调整新风阀、送风阀、回风阀的位置把新风流量控制在设定值的范围。新风流量传感器正常的时候，控制回路的反馈信号就是新风流量传感器的测量信号。新风流量传感器出现故障的时候，必须恢复测量信号。在线的居住率探测器可以探测到实际的居住人数，而这个实际居住人数按照ASHRAE 62－2000的要求，用来决定新风流量的设定值。一种基于人工神经网络的容错控制方法被用来监测和诊断新风、送风及回风流量传感器的完全失效故障或者软故障，同时恢复出现故障的流量测量信号。

对于一个系统，建立它的物理模型是很困难的，而神经网络正是一种很好的模拟空气处理单元子程序的方法。新风体积流量（υ₀）和由控制信号（u_D）所描述的阀门位置、送风体积流量（υ_S）和回风体积流量（υ_Rtn）存在非线性关系，函数如方程（1）所示。

υ₀, _NN＝f_NN（u_D，υ_S，υ_Rtn） （1）

同样地，两个神经函数可以用来建立方程（1）的反函数，如方程（2）和方程（3）所示。

υ_S, _NN＝f_NN（u_D，υ₀，υ_Rtn） （2）

υ_Rtn, _NN＝f_NN（u_D，υ₀，υ_S） （3）

上述的三个神经网络模型的结构如图5所示。每层神经元的数目为3×10×1。在实际工程的运用中，这些神经网络的训练数据是来自于建筑自动化系统的各种正常运行状态下的。

残差可以直接用来检测相应的流量传感器的故障，表示如下。

R₀ ＝ υ₀, _NN － υ₀, _M （4）

R_S ＝ υ_S, _NN － υ_S, _M （5）

R_Rtn ＝ υ_Rtn, _NN － υ_Rtn, _M （6）

其中： R ― 表示残差；

NN ― 表示在当前采样间隔，神经网络使用测量数据和控制信号得到的预测值；

M ― 表示当前采样间隔的测量值。

平均残差可以用来诊断这三个流量传感器的故障，因此故障能正确地被识别。这个平均残差的数学描述如下所示。

（7）

其中： i － 表示当前采样间隔；

－ 表示特定流量传感器的标准偏差；

0，1，2 － 分别代表正常状态，软故障和完全故障。

方程（1）和（2）中显示的神经网络可以预测新风或回风流量的期望值。一旦新风或回风流量传感器的故障被检测到，新风流量的期望值在反馈控制回路中用作恢复的测量信号，或者送风流量的期望值用来检测实际的室内人数和重新设定新风流量的设定值。

实验结果表明，当新风流量传感器出现完全失效故障或者偏差故障，基于神经网络的容错控制可以很好地满足需求控制通风的控制要求和取得满意的室内空气品质，同时没有增加能源的消耗。同时实验也表明了，在传感器出现故障的情况下，基于神经网络的容错控制都能在室内空气品质和能源消耗方面保持很好的平衡。

另外，模糊逻辑与神经网络相结合的模糊神经网络方法可运用于空调系统的故障诊断，其中网络的输入向量为,每个分量代表空调系统不同的故障征兆。网络的输出向量为，每个分量代表空调系统故障的不同模式^[4]。模糊神经网络的训练数据可来自于仿真数据也可以来自于实验数据。当模糊神经网络训练稳定后，就可以运用于对应空调系统的故障诊断。在其运行期间，首先输入经过处理的现场采集信号，经网络运算判断，输出结果向量Y，Y中各分量表示空调存在那些故障，并且经过优化算法检验后，用Y_i数值大小表示故障的最优检修顺序。实验证明了，模糊神经网络适用于空调系统的故障诊断，能够帮助监测人员正确、及时地识别故障，给出相应的解决措施，提高了空调系统运行的可靠性。

此外，我们还可以利用神经网络方法对空气源热泵机组的故障进行诊断，通过建立BP神经网络的空气源热泵机组的故障诊断模型，并用来自模拟实验的征兆实例和领域专家的知识对神经网络进行了训练^[5]。诊断结果表明，对于已学习过的样本知识，网络的输出与希望结果充分相符，基于神经网络的空气源热泵冷热水机组的故障是行之有效的。

在实际应用当中，故障诊断针对的对象一般都是具有模型难以确定、非线性极强的特点，这些故障都是硬件冗余方法和解析冗余方法无法解决的。然而人工神经网络（Artificial Neural Networks ，ANN）具有很强的非线性拟合能力，而且不需要已知系统的数学模型，人工神经网络这一特点正好解决了硬件冗余和解析冗余方法无法解决的问题。神经网络允许输入偏离学习样本，对外界输入信息的少量丢失或网络的局部缺损不太敏感，因而具有鲁棒性，同时它具有容错能力强和运行速度快的特点。所以神经网络的具有巨大的发展前景，为智能故障诊断技术的研究开辟了一条新的道路。

6．结语

总而言之，传感器故障诊断的方法很多，各有各的优缺点。由于实际系统的复杂性和各种诊断方法的局限性，只用一种方法来解决实际的问题几乎是不可能的，因此就需要运用多种方法来进行综合的诊断，取长补短，更好地对系统中出现故障的传感器进行诊断、隔离和恢复。HVAC系统规模随着建筑规模的加大而不断地加大，系统的部件种类、数量繁多，因而当故障出现时，往往是多种故障同时出现。目前故障诊断的方法大多数是在给定时间内只出现一种故障，所以工作人员很难做出正确的判断，不能及时解决出现的故障。为了解决此类问题，企业可以充分发挥高校的科研和技术的优势。通过建立Internet和企业Intranet共享技术、信息资源的模式，企业用电子邮件通过Internet进入CERNET（中国教育和科研计算机网）向有合作关系的高校发出求助信息，高校通过Internet进入企业的Intranet获得故障信息，在试验室中进行离线的故障诊断，及时得出解决问题的方案，并且及时向企业反馈，使得企业能及时地解决出现的故障问题。

参考文献：

1 刘君华。智能传感器系统。西安：西安电子科技大学出版社，2000，3

2 胡守仁，余少波，戴葵。神经网络导论。长沙：国防科技大学出版社，1993，10

3 Youming Chen，Shengwei Wang．Sensor Fault Tolerant Control of Outdoor Air Flow Based on Neural Networks．Indoor Air Quality、Ventilation and Energy Conservation in Building（Volume II），2001：231-242

4 杨鹏，李春龙，孙旭东。神经网络在空调故障诊断中的应用。河北建筑工程学院学报，2002，3

5 姜益强，姚杨，马最良。基于人工神经网络的空气源热泵机组的故障诊断。哈尔滨工业大学学报，2002，6