论文部分内容阅读
为了实现节能和提高室内空气品质的目的,空调系统(Heating, Ventilation and Air Conditioning, HVAC)的各种优化控制策略已变得日益复杂,但这些优化策略的实施必须有一个前提:传感器的准确性和可靠性。然而,空调系统中的传感器经过长期使用后往往会出现测量偏差或漂移,测量故障必然会误导控制系统,导致先进控制策略的目标无法实现。因此,如何在传感器出现测量偏差时能够及时的发现它是首先要解决的问题。另一方面,庞大的空调系统中涉及数目众多的传感器,一旦某个传感器出现故障后,如何从众多传感器中找出故障源则是要解决的难点。在分析多种故障诊断(Fault Detection and Diagnosis, FDD)方法的基础上,本文提出了一种基于小波神经网络(Wavelet Neural Network, WNN)的方法,用于空调系统传感器故障的诊断。基于小波神经网络的方法是用小波分析提取数据的频域特征,再使用神经网络对信号的频域特征数据做故障诊断。在这种方法的基础上,本文又提出了单类信息的诊断和联合信息的诊断两种方法。单类信息的诊断方法是采用单个传感器信号的数据来进行自身故障诊断。该方法综合利用了小波分析在提取信号特征方面的优势,以及神经网络在特征学习和判别方面的优势。仿真验证的结果表明,该方法可以有效地实现对于单个传感器的固定偏差故障和漂移偏差故障的诊断。由于单类信息的诊断方法是孤立地进行传感器信号的诊断,而由于空调系统的关联性,很多传感器信号之间存在着一定的关联,因此,孤立地使用单类信息诊断方法可能会造成一定概率的误诊断。利用传感器信号相互关联的特性,本文提出了联合信息诊断方法。为确定传感器信号的关联,分别建立了基于能量平衡和流动-压力平衡的模型。仿真验证的结果表明,在多传感器的HVAC系统中,该方法可以有效地实现传感器的故障诊断。