论文部分内容阅读
制冷设备越来越广泛的应用于工矿企业、商业、医疗、服务业等很多行业和部门,制冷系统安全可靠地运行是保证人工制冷环境品质的前提。传统的定期检修方式出现了过多不必要的停机及检修,造成了人力和物力的大量浪费;另一方面,随着信息技术、网络技术、数字通讯等新技术的普及和发展,制冷系统的故障预测与诊断已融入了现代控制技术,由此产生的系统能进行系统维护和降低能耗,延长设备使用寿命。虽然此技术在暖通领域有所发展,但由于人们重视程度不高,还不够完善。研究总是解决问题的,针对以上情况,分别做了以下研究。 本文应用故障树分析理论结合制冷系统一般结构建立了制冷系统的故障树,为了说明结、枝、叶事件对顶事件的影响程度分别从频率和维修费用两方面进行分析,从故障发生频率看,故障频率比较高的是控制元件和电器元件,是属于硬故障;从维修费用来看压缩机维修费用最高,而压缩机发生故障大部分也属于硬故障,对于硬故障通过机理分析,在生产设计时技术改进就尽量可以避免;反而是软故障因其隐蔽和渐变性成为我们研究的重点。通过对七种软故障分析,得出特征与状态参数关系。针对这七种情况,本论文分别应用灰色预测模型、灰色关联分析和 BP 神经网络模型来预测和诊断。 基于灰色理论中关于参数预测的方法,建立了以冷水进口温度为机组故障特性参数的动态等维递补灰色预测模型,经检验表明,精度比较高。通过对采集的当前和历史信号进行分析,从而实现了对未来一段时间参数变化趋势的预测,对超限数据提前报警,有利于故障的早期预报和诊断,避免事故的发生。 建立制冷系统多参数灰色关联诊断模型,根据关联度的大小,以前述的典型故障为例,将待检诊断模式归于与关联度最大的标准故障模式同属一类,关联度越大,接近程度越大,根据关联度大小就可以判断出现了哪种故障。结果表明,该诊断方法结果较准确,适用性比较强。 基于 BP 模型神经网络的故障诊断推理方法,建立基于 BP 神经网络的制冷系统故障诊断模型,并对七种典型故障状态参数标准样本数据进行了训练。用训练好的模型将