基于主元分析方法的空调系统传感器故障诊断研究

摘要

本文首先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；然后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；最后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；同时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。

目录

文摘

英文文摘

第1章绪论

1.1课题研究的背景与意义

1.2控制系统中的传感器故障检测与诊断

1.2.1控制系统中传感器故障诊断的意义和重要性

1.2.2故障分类及传感器故障诊断的任务

1.2.3典型传感器故障诊断分类方法

1.3国内外研究现状及发展方向

1.4主元分析方法的提出及其发展

1.5论文的主要研究内容

第2章传感器的测量模型与主元分析方法

2.1传感器测量模型

2.1.1传感器测量模型的数量表示

2.1.2测量数据的向量及矩阵表示

2.2主元分析方法

2.2.1主元分析法基本思想

2.2.2主元分析法的数学推导

2.2.3主元分析法的建模过程

2.2.4主元数目的确定

2.2.5故障检测方法

2.2.6故障重构方法

2.2.7故障识别

2.3本章小结

第3章主元分析算法的改进

3.1时滞数据动态过程传感器故障诊断方法

3.1.1动态主元分析方法的提出及时滞数据矩阵的构建

3.1.2改进的动态主元分析方法

3.1.3基于动态主元分析方法的故障传感器重构

3.1.4基于动态主元分析方法的故障传感器识别

3.2利用核函数主元分析与神经网络实现传感器故障诊断

3.2.1核函数主元分析(KPCA)

3.2.2 KPCA的监测统计量

3.2.3神经网络预测器

3.3基于多主元模型和神经网络的传感器故障检测与诊断方法

3.3.1多个主元模型的构建和主元个数的选取

3.3.2神经网络用以实现故障诊断

3.4本章小结

第4章故障诊断中几个关键问题的研究

4.1传感器故障和系统(元件)故障的区分

4.1.1综合应用T2和SPE统计实现故障区分

4.1.2由传感器间相关系数的变化来区分故障

4.1.3由变量贡献图法区分故障

4.2人工神经网络学习算法的改进

4.3 PCA故障检测统计量的改进

4.4故障可检测性与可重构性

4.5故障诊断研究趋势(现存问题)

4.5.1实际工况下T2统计和SPE统计置信限的确定

4.5.2故障检测阈值的确定

4.5.3在KPCA框架下进行故障诊断

4.6本章小结

第5章仿真实验

5.1实验系统与装置

5.1.1变风量空调系统

5.1.2变风量空调系统中的空气处理单元(AHU)

5.2传感器故障诊断实验

5.2.1改进的时滞数据动态主元分析方法的验证

5.2.2核函数主元分析与神经网络实现传感器故障诊断

5.3本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢

作者简历