摘 要本文将决策树算法应用于多联机气分插反故障诊断中，搭建了多联机实验平台采集数据，根据专家知识及数据变化模型验证选取了建模的特征变量，采用决策树C5.0算法构建气分插反故障诊断模型，进一步对由模型分类规则生成的最优变量即过冷器的EEV(电子膨胀阀)进行深入分析和验证。结果表明:将决策树算法应用于多联机气分插反故障诊断的方法，准确率为96%，此诊断方法能满足多联机故障诊断实际运用的需要，并可及时处理多联机发生气分插反故障时，系统过热度降低，从而保证多联机系统的制冷效果和能效比，可通过增大过冷器EEV开度调节。
关键词决策树算法;故障诊断;气分插反;过冷器EEV;多联式空调系统
AbstractThis paper presents a data-mining-based method with a decision tree algorithm to diagnose gas-liquid separator opposite-insertion faults for a variable refrigerant flow(VRF)system.First， the VRF experimental platform was established for data collection.Then， expert knowledge and verification methods for the data variation model were used to select appropriate model variables.The C5.0 decision tree algorithm was employed to develop a fault diagnosis model.Finally，the effect of the electronic expansion valve(EEV)of the subcooler was analyzed and validated;this effect was selected as the best variable on the basis of classification rules generated by the model.The results show that the fault diagnosis method based on the decision tree exhibits desirable effectiveness for diagnosing gas-liquid separator opposite-insertion faults， with which the fault diagnosis accuracy is up to 96%.Moreover， the proposed technique can meet the requirements for online application of fault diagnosis for VRF systems.This method incorporating a decision tree algorithm to diagnose gas-liquid separator opposite-insertion faults for a VRF system exhibits very high accuracy and reliability;therefore，the method can meet the actual demands of fault diagnosis for VRF systems.Because the occurrence of gas-liquid separator opposite-insertion faults corresponds to a reduction in the degree of superheating，increasing the opening of subcooler EEV can ensure the cooling effect and a good energy efficiency ratio.
Keywordsdecision tree algorithm;fault diagnosis;gas-liquid separator opposite-insertion;subcooler EEV;variable refrigerant flow system
气液分离器[1]作为多联机系统的组件之一，起到分离、储存回液等重要作用。由于气液分离器的入口端和出口端极其相似，在多联机系统的组装、维护、维修等过程中，工作人员易将气液分离器插反，即造成气分插反故障。气液分离器(下文简称“气分”)插反在一开始对机组运行性能影响不大，但在长期运行过程中，会导致压缩机产生“液击”现象，引起压缩机异常运行、严重影响压缩机寿命。在实际维修过程中，气分插反故障的隐蔽性较高，容易被维修人员忽略。因此迫切需要通过系统的自动故障检测与诊断技术来提升对该故障检测和诊断的可靠性和准确性。
近年来，国内外许多专家学者已经针对空调系统的自动故障检测与诊断技术作了深入研究。郝小礼等[2-3]提出了将主元分析法应用到空调系统传感器故障检测与诊断，构建基于小波分解的故障诊断;在主元分析方法检测空调系统故障的研究上，采用小波滤波法过滤异常数据，提高故障检测效率。胡云鹏[4]提出了主元分析法应用于冷水机组传感器的故障检测、诊断及重构，能明显提高检测效率。Li Guannan等[5]提出了一种基于使用PCA模型残差数据的残差空间的SVDD方法进行故障诊断，明显改善了传统的主元故障诊断方法。近年来，数据挖掘技术，如主元分析[6]、神经网络[7]、支持向量机[8]、决策树[9]等，已广泛应用于空调系统的自动故障检测与诊断技术中。当前的数据挖掘方法[10]主要包括据预测、分类、聚类、序列模式、回归等，分类技术之一的决策树算法具有计算量小、速度快、易理解等优点，在处理较大数据集时具有较好的优势。因此，本文采用决策树C5.0方法研究了多联机气分插反故障诊断，分析原理验证故障诊断的准确性，对于多联机系统的故障诊断具有一定的技术参考价值。
1 决策树原理
分类技术是数据挖掘领域的重要技术之一，而基于规则的分类方法是目前重要的一种分类技术，已被广泛应用。基于规则的分类方法是指通过给定的阈值，来提取规则用于分类[11]。基于规则的分类方法主要包括传统的基于规则分类方法(比如决策树)和关联分类。作为典型的基于规则的分类方法——决策树分类是典型的递归构造，建模结构简洁且生成规则易于理解。
决策树中每一个非叶结点(包括根结点)都对应训练数据集中属性的测试，每个分支代表属性的测试结果，每个叶节点表示一种类别或类分布，从根节点到叶节点的一条分支表示一条分类规则，则整棵决策树表示一组分类规则。决策树采用自顶而下的递归方式，进行分类决策时，先从根结点开始，在非叶结点处进行属性值的比较，并根据不同的属性值判断从此结点向下的分支，在叶结点处得出结论。
决策树C5.0算法[12]是在ID3[13]算法、C4.5[14]算法等的基础上改进的算法，采用信息增益率作为属性选择标准，信息增益率等于信息增益比上分割信息量的值。
C5.0算法的主要概念为:假设U为一个样本集，共有n类样本训练集，其中每类样本数为pi，i=1，2，…，n。假设属性E作为决策树的根属性，属性E取V个不同的值为{E1，E2，…，EV}，可以利用属性E将样本集U划分为成V个子集{U1，U2，…，UV}，假设Ui中含有第j类样本的个数为pij，其中j=1，2，…，n，那么子集Ui的熵[15]为:
属性E的信息熵为:
将式(1)代入式(2)后可得:
一棵决策树选择出正确分类标准属性的所需信息为:
信息增益:
分割信息量:
信息增益率:
决策树C5.0算法选择Gain-ratio(E)最大的属性E作为最优分类属性，具有处理连续型和离散型属性、生成直观、简单的决策树模型等优点，故将决策树C5.0算法应用于多联机气分插反故障诊断。
2 多联机气分插反故障诊断模型
2.1 数据采集
本文在焓差实验室搭建了多联机系统实验平台进行数据采集。多联机系统结构和主要控制点如图1所示，实验系统主要包括1个室外机和5个室内机，其中有两个重要的设备:低压侧的气液分离器和高压侧带有电子膨胀阀(EEV)的过冷器。压缩机吸气端的回气过热度和过冷器的过冷液体温度是由过冷器控制调节[16]。多联机系统通过监测设置制冷循环系统不同位置的传感器数据，根据运算模块计算，从而转化为过冷器EEV开度指令，指令通过输出模块来控制电子膨胀阀的开度。实验均在制冷工况下进行。
实验平台按照如表1所示的工况进行运行，采集完整、清晰的实验数据，to为室外温度。其中全开为5台室内机全部运行，单开为1台室内机运行。
图1 多联式空调系统结构和主要控制点
Fig.1 Construction of VRF system and main control points
表1 系统实验不同运行工况
Tab.1 Different operation conditions of system experiment
2.2 特征变量提取
以室外温度为31℃单开实验工况为例，进行数据分析，通过专家知识和构建数据变化模型验证选取合适的建模特征变量。如图2实验变量变化所示，过冷器EEV开度等变量在系统故障后变化明显，而压缩机母线电压等变量在系统故障后未发生明显变化。系统正常运行时保持平稳，发生气分插反故障后，过冷器EEV开度显著变大，趋于稳定运行，而压缩机母线电压未有明显变化。再结合多联机系统相关的专家知识，提取出以下合适的特征变量为:冷凝温度、蒸发温度、压缩机排气温度、压缩机壳顶温度、压缩机模块温度、压缩机电流、风机模块温度、过冷器气出温度、过冷器液出温度、过冷器EEV开度、气分出管温度、气分进管温度等变量。
图2 实验变量变化
Fig.2 Changes of experimental variables
2.3 构建诊断模型
本文将特征数据集随机分为75%的训练集和25%的测试集。通过训练集构建决策树模型，用测试集验证决策树的分类精度。基于决策树构建气分插反故障诊断模型的步骤如图3所示。
图3 构建气分插反故障诊断模型的步骤
Fig.3 Steps of establishing the accumulator oppositely insertion fault diagnosis model
其中用决策树C5.0算法生成的决策树模型如图4所示。
决策树算法中的cp，具体是指某个节点的复杂性参数，防止决策树的过度拟合。由图5可知，当cp=0.1时，决策树的最优属性是过冷器EEV开度;当cp=0.01时，模型的最优属性是过冷器EEV开度;当cp=0.007，模型的最优属性是过冷器EEV开度。不同cp时，决策树的故障诊断准确率均在96%，说明过冷器EEV开度是模型故障诊断的最优属性，且诊断准确率很高。另外，当cp=0.1时，可以诊断出故障的最优属性，三棵决策树均较好拟合。根据决策树模型的分类规则评价，过冷器EEV开度为最优征变量属性，能诊断出气分插反故障的发生。
3 故障诊断结果
图4 不同cp时气分插反故障诊断决策树
Fig.4 The decision trees of the accumulator oppositely insertion fault diagnosis under different cp value
通过决策树故障诊断，过冷器EEV开度作为最优属性，能准确诊断出气分插反故障。根据4种不同运行工况，分析原理验证故障诊断的准确性。
1)to=31℃单开工况
采用箱线图对系统正常和气分插反故障下的各变量进行数据统计。由图5可知，发生气分插反故障后，气分出管、进管温度明显下降，压缩机的模块温度、壳顶温度、排气温度降低，而过冷器的液出温度、气出温度、过冷器EEV开度均增大，其中在系统发生气分插反故障时过冷器EEV开度变化最为明显。
2)to=31℃全开工况
图5 to=31℃单开工况各个变量的变化
Fig.5 Change of each variable under working condition of single open and to=31℃
图6 to=31℃全开工况各个变量的变化
Fig.6 Change of each variable under working condition of widely open and to=31℃
由图6可知，系统发生气分插反故障后，气分出管温度有所降低，气分进管温度无明显变化，压缩机的模块温度、壳顶温度、排气温度明显降低，而过冷器的液出温度、气出温度升高很多，EEV开度增大，其中过冷器EEV开度变化最明显。
3)to=40℃单开工况
由图7可知，发生气分插反故障后，气分出管温度稍有降低，气分进管温度明显降低，压缩机的模块温度、壳顶温度、排气温度降低，而过冷器的液出温度、气出温度、EEV开度增大，其中过冷器EEV开度变化的幅度最明显。
4)to=40℃全开工况
由图8可知，发生气分插反故障后，气分出管温度和气分进管温度降低，压缩机的模块温度有一定降低，而壳顶温度、排气温度无直观变化，过冷器的液出温度、气出温度变化不明显，EEV开度增大，其中过冷器EEV开度变化最明显。
多联机气分插反时，气分出管温度会明显降低，气分进管温度降低，压缩机的模块温度、壳顶温度、排气温度降低，过冷器的液出温度、气出温度、EEV开度增大，其中过冷器EEV开度变化最明显。系统按不同工况运行时，回气温度、回气过热度等降低，但运行工况不同时回气温度、回气过热度等变量变化情况不定，有些工况下无明显变化，不能准确可靠地诊断故障的发生，故障诊断精度差。而过冷器EEV开度作为最优变量，在不同运行工况下，其变化最为明显，是诊断气分插反故障的最优变量。
图7 to=40℃单开工况各个变量的变化
Fig.7 Change of each variable under working condition of single open and to=40℃
图8 to=40℃全开工况各个变量的变化
Fig.8 Change of each variable under working condition of widely open and to=40℃
如图1中过冷器EEV结构所示，压缩机排出的高温高压气体经过室外换热器冷凝放热后，分两路进入过冷器:①路与过冷器的液管的进口端连接，②路经过冷器电子膨胀阀(EEV)节流降温后进而与过冷器气管的进气端连通。过冷器气管的出口段与四通方向阀A接口汇合后一同连接入气液分离器的气分进管端，而过冷器的液管的出口段与室内机管道连接，进入室内机蒸发换热。在过冷器内部，液管与气管中制冷剂进行换热。
气液分离器的气分出管与压缩机进气端连通，气分出管温度降低，表明压缩机吸气温度降低，制冷剂过热度降低，根据制冷理论循环原理，压缩机的排气温度、壳顶温度、模块温度也随之降低。多联机系统发生气分插反故障后，过冷器的制冷剂液出、气出温度降低，系统过热度降低，压缩机排气温度降低，系统过冷度发生变化，为提高制冷效果和能效比，需增大过冷器EEV开度。过冷器EEV开度增大，流经过冷器液管的制冷量减少，同时进入气管的制冷量增大，导致膨胀阀节流效果变差，气管中制冷剂温度降低幅度变小，过冷器液出、气出温度提高，调节过热度。系统气分插反故障的发生，将影响制冷循环的过热度，从而极大影响过冷器EEV开度变化。
4 结论
本文提出了一种将决策树算法应用到多联机气分插反故障诊断的方法，搭建多联机系统实验平台，采集实验数据，根据专家知识及数据变化模型验证方法选取了合适的建模特征变量，用C5.0算法构建多联机气分插反故障诊断模型，分析验证准确率，对由模型分类规则生成的最优变量(过冷器EEV开度)进行深入分析和验证，得到如下结论:
1)通过决策树模型对气分插反故障进行诊断，准确率高达96%，具有很高的准确性和可靠性，这种基于决策树模型的故障诊断方法能满足多联机故障诊断实际运用的需要。
2)多联机发生气分插反故障，系统过热度会降低，根据工作原理，系统通过增大过冷器EEV开度来保证多联机系统的制冷效果和能效比。
本文受供热供燃气通风及空调工程北京市重点实验室研究基金课题(NR2013K02)项目资助。(The project was supported by the 2013 Beijing Municipality Key Laboratory of HVAC&R(No.NR2013K02).)
符号说明
tqfc——气液分离器出管温度，℃
tqfj——气液分离器进管温度，℃
tmk——压缩机模块温度，℃
tkd——压缩机壳顶温度，℃
tpq——压缩机排气温度，℃
tyc——过冷器液出温度，℃
tqc——过冷器气出温度，℃OEEV——过冷器EEV开度，脉冲
