论文部分内容阅读
空调系统的故障诊断对于提高系统能效,提升室内空气品质,保持适宜的室内热湿环境,延长设备的使用寿命都是很重要的。然而,对于复杂的空调系统,仅仅依靠人力已经不能对系统中出现的各种故障,进行快速及时地检测和诊断。所以,发展自动故障检测与诊断系统越来越必要。传感器的故障诊断是空调系统的故障诊断的基础,目前此领域有价值的研究成果仍比较少。因此,开展空调系统传感器故障检测与诊断研究具有很强的理论意义和应用价值。本文用主元分析方法进行传感器的故障检测与诊断。主元分析(PrincipleComponent Analysis,PCA)是一种典型的多元数据统计分析方法,它利用系统在正常运行工况下的数据建立模型。然后,基于PCA模型用SPE检验和T2检验进行传感器故障检测。共有四种检测结果,通常,人们把检测结果T2统计量超出控制限、SPE统计量未超出控制限,简单的认为是工况变化或者噪声引起的。但是事实上,上述结果还可以是故障引起的。本文称这种故障为T2型传感器故障。采用改进的PCA理论对T2型传感器故障进行检测。改进的PCA方法将SPE统计量分成两个新的统计量PVR统计量(由与主元显著相关的变量的预测残差构成)和CVR统计量(由剩下的一般变量的预测残差构成)。这样,就可以将PVR检验、CVR检验和T2检验用于传感器的故障检测,且有8种检测结果。因此,改进的PCA方法可以更细致的描述系统的变化,从而能够有效的区分出上述检测结果究竟是工况变化还是故障引起的,也就是实现T2型传感器故障检测。T2型传感器故障诊断包括故障识别和故障重构。本文定义了传感器有效度指标SVIT来进行故障识别。若SVIT指标接近0,则说明重构的方向有T2型故障发生;若SVIT指标接近1,则说明重构的方向没有故障发生。本质上,故障重构就是寻找故障数据所对应的正常值的一个最佳估计值的过程。本文采用迭代重构法进行T2型传感器故障重构。本文还介绍了一种APCA方法。APCA方法可以剔除建模数据中离群点,从而提高故障检测效率。APCA和传统PCA的故障检测对比结果表明,APCA方法可以显著提高故障检测效率,尤其是对于小故障;APCA还提高了对负故障(故障值低于真实值)的检测效率。最后,本文详细比较了确定主元数的累计方差贡献率准则和最优重构法这两种算法。两种方法各有特点,也有各自的局限性。最优重构法相对来说要好一些。