基于PCA的空气源热泵空调系统故障诊断

摘要

随着智能建筑的发展，空调系统的规模日益扩大，供热通风空气调节(HVAC)系统设备种类及数量也迅速增加。在建筑的整个生命周期内，包括设计阶段到运行阶段，故障层出不穷，导致大部分建筑通常都无法满足设计阶段的预期要求。同时，这些故障通常在短时间内难以察觉。对空调系统进行有效的故障诊断可以减少系统的能源消耗、维持舒适的室内环境、降低设备的损耗和减少温室气体的排放。因而，故障诊断对空调系统来说是十分重要的。 本文提出用主成分分析法(PCA)对空气源热泵空调系统的传感器故障和空气侧换热器表面结污故障进行诊断与检测的基本思想。基于主成分分析法进行故障检测与诊断的基本流程主要包括四个过程：PCA模型建立过程、数据采集过程、故障检测过程和故障诊断过程。 主成分分析法将测量数据空间为主成分子空间(PCS)及残差子空间(RS)。在正常情况下，PCS内的数据投影主要包含的是测量数据的正常值，而RS内的数据投影主要是测量噪声。当故障发生时，由予故障的影响，RS内的投影将会显著增加，通过对RS内的投影进行分析，我们可以进行故障检测。本文使用了平方预测误差(SPE)这个统计量作为故障检测的指标，并按照下面的规则来进行故障检测；SPE(x)≤б2，系统运行正常；SPE(x)б2，系统出现故障。故障重构的本质是寻找故障测量数据所对应的正常值的一个估计值的过程。本文采用迭代法来进行传感器故障重构。迭代重构就是沿着故障方向，逐步逼近主成分子空间的过程。本文采用识别指数SVI进行传感器故障识别，判断发生故障的传感器。SVI是故障恢复前后SPE之比值，一般来说，如果SVIj接近0，则重构方向为故障发生的方向，该传感器有故障发生；否则，如果SVlj接近1，则重构方向不是故障发生的方向，该传感器无故障发生。 最后，本文用现场实地测试的数据对PCA方法进行了验证。利用PCA模型对空气源热泵空调系统传感器的偏差、漂移和完全失效故障，进行了检测、识别与重构。同时，用PCA方法对空气侧换热器表面结污故障进行了检测。结果表明，PCA方法是正确、有效的。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景

1.2文献回顾

1.2.1组合式空调器故障

1.2.2变风量系统故障

1.2.3冷水机组故障

1.2.4传感器故障

1.2.5其他元件故障

1.2.6故障诊断应用

1.3 HVAC常见故障及诊断基本流程

1.3.1 HVAC系统常见故障特征

1.3.2 HVAC系统常见故障分类

1.3.3故障诊断基本流程

1.4故障检测与诊断的工具

1.4.1故障检测与诊断常用方法

1.4.2故障检测与诊断常用软件

1.5面临的困难及今后研究的方向

1.6本课题研究内容及论文结构

第2章主成分分析法

2.1主成分分析法概况

2.1.1主成分分析法的基本思路

2.1.2主成分分析法的基本思想

2.2主成分分析法的数学求法

2.3 PCA关键-最优主成分数的确定

2.4主成分分析法的建模过程

2.5小结

第3章基于PCA的故障检测与诊断

3.1故障检测(Fault Detection)

3.2故障识别(Fault Identification)

3.3故障重构(Fault Reconstruction)

3.4数据过滤

3.5基于PCA的FDD基本流程

3.6与基于模型的故障诊断方法比较

3.7 小结

第4章空气源热泵系统及其故障

4.1空气源热泵系统

4.1.1热泵系统简介

4.1.2空气源热泵冷热水机组

4.1.3机组常见故障

4.1.4机组故障诊断研究现状

4.2空气源热泵空调系统的描述

4.3测量数据的表示

4.3.1测量误差的基本概念

4.3.2测量数据的表示方法

4.3.3测量数据的向量及矩阵表示

4.4传感器故障

4.4.1完全失效故障(Complete Failure)

4.4.2偏差故障(Bias)

4.4.3漂移故障(Drifting)

4.4.4精度等级降低(Precision Degradation)

4.5小结

第5章热泵空调系统的传感器故障诊断

5.1实验设计

5.2 PCA模型的建立

5.3传感器故障诊断测试

5.3.1测试Ⅰ-偏差故障

5.3.2测试Ⅱ-漂移故障

5.3.3测试Ⅲ-完全失效故障

5.4 小结

第6章空气侧换热器表面结污故障检测

6.1实验设计

6.2空气源热泵冷热水机组运行数据

6.3 PCA模型的建立

6.4空气侧换热器表面结污故障检测

6.4.1测试Ⅰ-60％表面结污

6.4.2测试Ⅱ-20％表面结污

6.5小结

结论

参考文献

致谢

附录A　攻读学位期间所发表的学术论文目录