随着人们对现代建筑室内环境质量和能源消耗要求的不断提高,供热、通风和空气调节系统变得越来越复杂。在这种高度复杂的空调系统中,快速及时地检测系统中出现的各种故障,以减少系统能源消耗,维持舒适的室内环境,并降低设备磨损,已远非操作者人力所能及,这使得自动故障检测与诊断系统应运而生。 基于多元统计过程控制的故障诊断方法,是故障诊断领域研究的一个重要分支。近年来,不同形式的主元分析方法,在各领域的故障诊断中得到了广泛的应用,且取得了很好的效果。 本文对传统主元分析方法用于故障检测和诊断的理论基础进行了完整介绍;针对传统主元分析方法不适合分析动态系统的缺陷,本文提出了改进的基于时滞数据动态主元分析的方法。根据系统运行的状况,采取适当的策略,不断更新训练数据矩阵,从而保证了所构建的动态主元模型的有效性;传统主元分析法不能用来分析非线性系统,本文提出了综合利用核函数主元分析和神经网络预测器的非线性系统故障诊断方法;文中对复杂系统内,构建单个主元模型,往往不能很好保证变量间相关性的问题,提出了根据不同机理构建多个主元模型,利用数据融合知识进行故障检测,并结合神经网络对故障进行识别的思想,而且通过把变量的趋势信息作为网络的输入,有效降低了输入数据的维数;对故障诊断领域关心的几个关键问题进行了阐述。 通过对空调系统空气处理单元内的部分流量和温度传感器进行的仿真实验,给出了仿真实验结果,并将本文提到的诊断方法和常规主元分析方法进行了比较,验证了所提方法的有效性。