一种基于物理原理的双分支域对抗神经网络,结合正交性约束,用于太阳能辅助空气源热泵系统的跨域故障诊断

《BUILDING AND ENVIRONMENT》:A Physics-Guided Dual-Branch Domain-Adversarial Neural Network with Orthogonality Constraint for Cross-Domain Fault Diagnosis of Solar-Assisted Air Source Heat Pump Systems

【字体: 大 中 小 】 时间:2026年06月30日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  徐伟军|李冠南|李涛|袁媛|徐成亮|张乐中国武汉科技大学城市建设学院,武汉430065摘要太阳能辅助空气源热泵系统对于实现建筑领域的可持续热管理至关重要。然而,当这些系统应用于不同气候和太阳辐射强度的区域时,会面临显著的物理环境差异,这使得传统的故障诊断模型效果不佳。传统的迁移学

  徐伟军|李冠南|李涛|袁媛|徐成亮|张乐中国武汉科技大学城市建设学院,武汉430065摘要太阳能辅助空气源热泵系统对于实现建筑领域的可持续热管理至关重要。然而,当这些系统应用于不同气候和太阳辐射强度的区域时,会面临显著的物理环境差异,这使得传统的故障诊断模型效果不佳。传统的迁移学习方法,如标准的域对抗神经网络,在进行领域对齐时会抑制与领域相关的特征,从而导致与任务相关的诊断知识丢失。为了解决这一问题,本研究提出了一种基于物理引导的双分支域对抗神经网络的故障诊断方法。通过双分支解耦机制,DB-DANN使得A分支能够捕捉故障特征的同时保留特定领域的物理特征,而B分支则通过对抗性正则化提取跨领域的不变热力学特征。此外,还通过引入正交性约束来减少信息冗余,确保所捕获的特征具有互补性而非重叠性。针对SAASHP系统中那些难以用简单物理阈值检测的早期轻微故障(如泵体轻微泄漏、逐渐积垢等),验证结果表明,DB-DANN在精度提升率、召回率提升率和F1分数提升率方面均优于标准DANN,提升幅度在2.9%到18.6%之间,而且该模型还能将诊断知识从源领域(武汉)转移到三个目标领域(重庆、拉萨和哈尔滨)。此外,研究还设计了通过半监督学习方式训练的DB-DANN模型,并进一步分析了双分支解耦机制和正交性约束的作用。同时,还针对不同的IdD场景、故障严重程度、数据量以及模型超参数进行了影响因素分析。引言全球约30%的能源消耗来自建筑行业,而这部分能源消耗又导致了28%的二氧化碳排放[1]。太阳能辅助空气源热泵系统通过将太阳能的间歇性特点与空气源热泵的稳定运行相结合,已成为实现建筑领域脱碳目标的关键技术[[2], [3], [4]]。作为一种结合了太阳能集热器与空气源热泵的双源系统[5],SAASHP系统的运行可靠性常常受到影响。太阳能集热器长期暴露在户外环境中的影响、空气源热泵内部复杂的换热过程,以及双源系统本身所要求的复杂控制机制,都使得SAASHP系统极易出现各种轻微故障。这类故障包括太阳能集热器积垢[6]、冷凝器积垢[7]以及传感器偏差[8]等。在SAASHP系统中共发现了43种故障模式[9],其中34.88%属于中等风险级别。这类故障会降低系统的性能和可靠性,影响能量转换效率,还会带来巨大的经济损失。因此,有效的故障诊断对于确保系统的可靠运行以及推动SAASHP系统的大规模应用至关重要[10]。从建筑热力学的角度来看,太阳能集热器首先吸收辐射能,然后通过热泵循环将其转化为可用温度。这种物理耦合关系使得系统的性能高度依赖于当地的气候条件(如太阳辐射强度、干球温度和湿球温度)以及建筑物的负荷情况。例如,在阳光充足、纬度较低的地区(如拉萨),太阳能集热器的效率非常高,而在阳光较少、纬度较高的地区(如武汉),系统则更依赖空气源热泵。这种由地理位置和气候条件决定的物理运行环境的差异,是阻碍故障诊断模型跨领域应用的重要原因。近年来,SAASHP系统的故障诊断技术取得了快速发展。人们已经通过数学方法分析了诸如透明盖件损坏、表面变浑浊以及绝缘材料老化等可修复的轻微故障对太阳能集热器性能的影响[11]。根据[12,13]的研究,热泵和太阳能热系统的故障诊断方法可以分为三类:数据驱动型、物理驱动型以及混合型,其中以物理驱动型的数据驱动方法最为重要[14]。Ruiz?Moreno等人[15]开发了一种级联神经网络,用于在固定太阳辐射强度条件下运行的特定太阳能热电站的故障检测。Castilla等人[16]则为单个平板式太阳能集热器阵列构建了基于人工神经网络的数据孪生模型。Llopis?Mengual等人[17]提出了一种虚拟传感器方法,用于在恒定环境条件下检测单个热泵单元的蒸发器积垢问题,同时还通过仿真验证研究了空气源热泵中轻微故障的特征选择方法[18]。Sun等人[19]则利用卷积神经网络,在预定的运行模式下对特定的空气源热泵系统进行早期故障检测。Eom等人[20]则提出了一种卷积神经网络方法,用于在实验室条件下检测特定热泵系统中的制冷剂充注量故障。不过,这些研究大多聚焦于单一物理系统或特定的气候条件。尽管深度学习模型提高了诊断的准确性,但由于其“黑箱”特性以及对外部训练数据分布的高度依赖性,当系统因地理位置变化而面临物理环境差异时,其诊断性能就会下降(例如从武汉转移到拉萨)。这种由于核心部件——压缩机和膨胀阀——在不同环境下的热力学响应发生变化而导致的模型失效问题,正是数字孪生驱动的建筑能源管理面临的可扩展性难题。SAASHP系统中的故障特征受到复杂运行条件及多物理场耦合的影响,因此具有很强的地理敏感性。Yuan等人[21]指出,能源需求和环境约束方面的领域差异往往被忽视。这类领域变化会导致数据分布出现显著差异,进而改变所学到的故障特征,削弱传统故障诊断模型的迁移能力。因此,克服这些地理限制,实现可扩展的诊断能力,已成为当前故障诊断研究中的关键挑战[22]。迁移学习是解决这一问题的关键手段。在建筑能源系统的故障诊断研究中,迁移学习已成为重要的研究方向,它有助于将诊断知识从数据丰富的源领域转移到数据匮乏的目标领域[23,24]。迁移学习主要可分为基于实例的、基于特征的、基于模型的以及基于关系的几种类型,其核心区别在于究竟利用源领域知识的哪一方面来进行诊断。Fan等人[25]提出了一种基于模型的迁移学习策略,他们在基于图像的框架内实现参数迁移,用于不同建筑环境下的暖通空调系统故障诊断,其在多种故障类型上的平均准确率达到了92.1%,不过该评估是在没有气候变化的单一建筑系统上进行的。Zhang等人[26]则提出了一种基于特征的迁移学习方法,该方法适用于标记数据极为有限的场景,即便只有20%的样本被标记,该方法的诊断准确率仍能达到0.90,不过相关实验也是在恒定运行条件的单一建筑能源系统上进行的。Feng等人[27]则开发了一种基于特征的、带有注意力增强的迁移学习方法,用于不同类型建筑中的跨领域传感器故障诊断,他们在不同建筑环境下的诊断准确率达到了93%,不过该方法主要关注的是设备之间的差异,而非地理气候的变化。Guo等人[28,29]提出了基于特征的迁移学习方法以及一种用于二氧化碳热泵系统的跨领域深度迁移学习模型,他们在不同的迁移任务中使诊断准确率相比基准方法提升了最多9.07%,不过这些研究仍然局限于同一类设备。Li等人[30]将域对抗神经网络——一种基于特征的对抗性迁移学习技术——应用于不同系统及不同工况下的冷水机故障诊断,使用该技术的模型平均F1分数为0.889,其在减少领域差异方面的表现优于其他迁移学习策略。Zhu等人[31]也采用了域对抗神经网络进行冷水机故障诊断,他们发现使用该技术后,跨冷水机系统的知识迁移准确率从74.5%提升到了95.8%,不过这项研究也是针对同一类型的冷水机。He等人[32]则在无标签场景下对变制冷剂流量系统应用了域对抗神经网络,他们发现该方法的绝对准确率相比非迁移学习方法提升了25%,不过相关研究同样仅限于单一建筑类型。在上述方法中,域对抗神经网络通过对抗性训练提取与领域无关的特征,展现出了良好的应用前景。我们之前的研究[33]也曾评估过包括域对抗神经网络在内的五种迁移学习方法在冷水机故障诊断中的应用效果。不过,标准的域对抗神经网络旨在最小化不同领域之间的分布差异,这就迫使模型抑制所有与领域相关的特征。而在SAASHP系统中,某些与领域相关的特征,比如反映当地太阳辐射强度的太阳能集热器出口温度波动规律,却是识别诸如太阳能集热器积垢之类的特定故障所必需的关键物理信息。如果随意抑制这些特征,就会导致物理知识的丢失以及误诊。此外,现有研究往往假设源领域和目标领域的设备参数是完全相同的。但实际上,为了适应当地的负荷需求,跨领域应用时需要重新设计储液罐容积和集热器面积等物理参数,这又会进一步加大领域间的差异。然而,目前大多数研究都集中在暖通空调领域中设备的单个组件或系统上,对于具有强物理耦合特性的复杂系统——即SAASHP系统,相关研究则相对较少。更重要的是,不同领域之间由于气候条件(如太阳辐射强度、环境温度和湿度)以及建筑物负荷情况的不同而产生的巨大领域差异,至今仍未得到充分研究。这些差异正是阻碍故障诊断模型跨领域应用的根本障碍。具体到SAASHP系统而言,当前的研究仍面临以下几方面的挑战:1)在跨领域故障诊断中,SAASHP系统的故障识别特征可以进一步分为与物理领域无关的特征以及与环境领域相关的特征。传统的域对抗神经网络往往会盲目抑制与环境相关的特征,以此减轻负面迁移效应。但在像SAASHP系统这样高度耦合的系统中,与环境相关的特征往往蕴含着关键的物理信息。例如,反映当地太阳辐射强度的集热器出口温度波动,对于识别集热器积垢之类的轻微故障至关重要。如果随意抑制这些特征,就会导致诊断知识的丢失,进而引发误诊或降低诊断的准确性。2)大多数基于迁移学习的故障诊断模型缺乏足够的可解释性。这使得人们难以理解这些模型在跨领域故障诊断过程中的知识迁移机制,也难以验证特征提取的合理性,尤其是那些与领域无关的特征以及与环境相关的特征的实际作用效果。3)跨领域迁移场景本身就十分复杂。源领域和目标领域不仅在气候条件上可能存在差异,其物理系统设计(如储液罐容积和集热器面积)也可能有所不同,而这些设计又需要根据当地负荷需求进行调整,这可能会进一步加大领域间的差异。目前,关于模型在不同故障严重程度、目标领域标记比例、源领域数据量和覆盖范围以及不同超参数配置下的适应性,还缺乏充分的验证。为了解决上述挑战,本研究提出了一种改进的基于迁移学习的跨领域故障诊断方法,该方法专注于复杂的SAASHP系统,并致力于解决轻微故障诊断知识迁移过程中的关键问题。研究目标如下:1)为了解决与环境相关特征与诊断知识之间的矛盾,本研究开发了一种改进的双分支域对抗神经网络。该网络的架构具有解耦的双分支结构:A分支能够全面捕捉故障识别特征,同时保留与环境相关的信息(如反映太阳辐射强度波动和环境条件的物理特征);B分支则通过对抗性训练来提取与领域无关的特征。此外,还引入了正交性约束,以减少特征冗余,促进两个分支之间的特征互补。通过融合这两种不同的特征集合,该模型既能够保留那些对识别轻微故障至关重要的诊断知识,同时又具备较高的跨领域迁移能力。2)为了解决可解释性不足的问题,本研究采用主成分分析对特征数据进行可视化处理。从特征分布几何的角度分析DB-DANN模型在不同领域间的迁移过程,从而阐明双分支解耦机制和正交性约束是如何影响与领域相关特征和与领域无关特征的分离与融合,以及如何提升诊断性能的。这有助于深入理解该模型在跨领域轻微故障诊断中的物理合理性和性能提升机制。3)为了解决适应性验证不足的问题,本研究进一步开发了一种半监督式的DB-DANN建模框架。该框架能够在不同的领域差异场景、不同的故障严重程度、不同的源领域和目标领域数据组成情况(如目标领域的标记比例、源领域的数据量和覆盖范围)以及不同的超参数配置下,对模型的诊断性能进行评估。这样的研究旨在验证该故障诊断模型在不同领域和数据条件下的稳定性,为SAASHP系统的跨领域规模化故障诊断应用提供方法学支持。方法论迁移学习的基本理念在于,利用标签丰富的源领域中的诊断知识,来提升标签数据匮乏的目标领域的学习性能,这一过程可由领域D及相关任务T来 formal定义[34]。在太阳能辅助空气源热泵系统的故障诊断中,某一区域D的特征空间X包含温度、流量和能耗等多物理量,而其边际分布P(X)会随着地理气候条件的变化而发生显著改变。研究框架如图3所示,该研究包含四个连续的步骤:(1)案例研究与数据预处理,(2)所提出的DB-DANN迁移学习故障诊断模型的构建,(3)对该DB-DANN模型的解读,(4)该模型的一般化能力分析。在SAASHP系统上所提DB-DANN模型的性能表现:对于SAASHP系统,图6(a)-(f)比较了所提DB-DANN方法与其他四种方法——标准DANN、FT、CDAN和MCD在低IdD场景任务(武汉→重庆)下的故障诊断结果。总体而言,无论是对哪个子系统而言,DB-DANN在PIR、RIR和FIR指标上的表现均优于其他四种方法。综合考虑这三个指标以及两个子系统,DB-DANN相比标准DANN的平均改进率在2.9%到18.6%之间。在图6(a)-(c)展示的SC子系统中,……结论:本研究针对不同气候区域及不同设备参数配置下的太阳能辅助空气源热泵系统故障诊断难题展开研究,提出了一种基于物理原理的双分支域对抗神经网络DB-DANN方法,并通过实验对其进行了验证。主要研究结论如下:1)所提出的DB-DANN故障诊断模型经验证,其性能优于其他四种基于迁移学习的故障诊断方法,其中包括两种……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。CRediT作者贡献说明:徐伟军:写作——审稿与编辑、写作——初稿撰写、模型验证、方法论设计、形式化分析、数据整理、概念构思;李冠南:写作——审稿与编辑、写作——初稿撰写、结果可视化、资源协调、资金筹集、概念构思;李涛:写作——审稿与编辑、软件使用、资源协调、形式化分析;袁媛:写作——审稿与编辑、研究指导、软件使用;徐成良:研究调查、资金筹集、数据整理;张乐:写作……
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号