基于PCA-DT的多联机制冷剂充注量故障诊断

针对多联机制冷剂充注量故障,提出了一种基于主成分分析-决策树(PCA-DT)算法的制冷剂充注量故障检测与诊断方法.该方法先通过数据预处理进行数据清理,然后利用PCA对原始数据做降维处理,最后将新的数据划分为训练集与测试集,以训练集建立决策树模型进行故障检测与诊断.实验数据测试集的检测与诊断结果验证了该模型的可行性.采集了某多联机在3个地区的实际运行数据,对建立的决策树模型进行进一步的验证,结果表明:该方法对于多联机的制冷剂充注量故障有良好的检测与诊断效果,且检测与诊断效果整体上要优于DT算法.     

基于PCA-SVDD的冷水机组故障检测方法

分析了基于PCA-SVDD方法的冷水机组故障检测效率,结合PCA和SVDD方法的优点,提出了一种基于PCA-SVDD的冷水机组故障检测方法.通过PCA将正常数据所在的测量空间分解为主元子空间和残差子空间,取正常数据的残差子空间得分矩阵作为目标类数据建立SVDD模型,利用RP-1043中冷水机组实验数据验证故障检测性能,并与传统PCA和SVDD冷水机组故障检测结果进行对比.结果表明:PCA-SVDD方法可用于冷水机组故障检测,进一步提高了故障检测能力,且故障检测结果整体优于传统SVDD和PCA方法;用于冷水机组常见的故障检测,获得了较高的冷水机组故障检测效率.此方法有利于及早发现故障,减少损失,对小幅故障检测效率的提高尤为明显.     

冷水机组变流量性能预测模型与实验研究

为实现在冷水机组结构参数缺乏的条件下,对冷水机组变流量工况下的性能进行准确预测,提出了一种将冷水机组未知结构参数集总并基于少量机组实测数据获取模型参数的建模方法,建立了相应的冷水机组变流量性能预测模型.通过搭建冷水机组变流量实验装置并进行实验,获得其模型参数并对机组变流量性能进行了模拟与实验对比.结果表明:该建模方法的模型参数获取简便,模型性能预测精度较高,制冷量、COP等系统性能参数偏差在10%以内,能较好地表征冷水机组变流量工况下的性能变化规律.冷冻水流量从额定流量的100%降至42.8%时,冷水机组制冷量减小8.6%,COP减小8.8%;冷却水流量从额定流量的100%降至24.2%时,冷水机组制冷量减小1.8%,COP减小14.8%,可为空调系统的变流量优化运行提供指导.     

基于Extend FAST方法的新安江模型参数全局敏感性分析

 模型参数敏感性分析可以诊断模型结构、识别模型关键参数,是模型建立和应用的关键步骤。该文应用高效、稳健的Extend FAST方法,以流溪河水库入库洪水模拟为例分析新安江模型参数的全局敏感性。结果表明,对Nash Sutcliffe效率系数、总水量平衡误差系数、低水流量误差系数、高水流量误差系数四个目标函数,模型参数敏感性表现不同。Extend FAST方法的部分结果与GLUE方法的结果进行对比,两者对敏感性评价的结果基本一致,Extend FAST给出的主要敏感度和参数组合作用的敏感度也可以作为模型不确定性分析的依据。     

模型-数据联合驱动的船舶舵机电液伺服系统早期故障检测

提出了一种模型-数据联合驱动的船舶舵机电液伺服系统早期故障检测方法.首先,建立了系统状态方程,对系统中的常见故障进行了模型解析,并对系统中的各类不确定因素进行了分类分析.其次,为减少各类不确定因素的影响,采用混合式处理方法进行逐层削减.利用系统正常运行状态下的输入输出数据先对系统中的不确定参数进行有效辨识,通过设计鲁棒故障检测观测器来对系统中的固有非线性和未知时变外负载力进行处理和解耦.为了能够对早期故障进行有效检测,利用实际及观测系统数据,构建了基于神经网络的补偿模型,可进一步削减剩余不确定因素对故障检测的影响,从而提高故障敏感性.最后,通过仿真和实验共同验证了这种模型-数据联合驱动故障检测方法的有效性,该方法可用于船舶舵机电液伺服系统及类似系统的在线早期故障检测.     

基于随机森林算法的制冷剂充注量故障诊断

制冷剂充注量异常是一种高风险故障,直接影响制冷系统的性能,且其表征参数诸多,难以有效、快速、准确地在线识别。针对上述问题,文中提出了一种基于随机森林(RF)算法的制冷剂充注量故障监测与诊断方法。使用ASHRAE 1999年提供的制冷主机故障数据库,对制冷剂充注量相关的直接测量特征数据进行分析,在保持各特征变量物理意义的前提下,利用随机森林算法研究各故障特征量的贡献率,并在不同样本规模和故障特征量维度的条件下,比较了基于RF、基于支持向量机(SVM)、基于决策树(DT)算法的制冷剂充注量故障诊断效果。结果表明:RF算法具有比较好的识别效率以及较高的分类准确率,平均诊断准确率分别比DT算法、SVM算法提高约3. 3%和2. 9%。此外,文中还分析了充注量异常诊断贡献率较高的前3个故障特征量,为保证制冷系统运行性能与安全运行提供了理论依据。     

一种合成残差式的反作用轮故障检测方法

为了在地面根据卫星遥测数据有效把握在轨卫星反作用轮的健康状态,设计了一种合成残差式的反作用轮故障检测方法.该方法针对在轨遥测数据的特点,根据实际可获得的闭环控制反作用轮遥测数据,利用极端梯度提升(XGBoost)回归模型进行转速预测生成残差,并结合黏性摩擦因数对摩擦力矩突变的敏感性进行故障检测.此外,还针对在轨遥测数据不完备的情况,对检测方法进行了验证.结果表明,该方法对于常见的在轨卫星反作用轮故障均有较好的检测效果.合成残差式故障检测方法不依赖于故障样本,对于数据样本的要求也较低,因此在实际地面故障检测系统中具有一定的应用价值.     

基于CNN-GRU的冷水机组传感器偏差故障诊断方法

针对冷水机组传感器偏差故障识别率低的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控递归单元(Gated Recurrent Unit,GRU)融合网络模型(CNN-GRU)的冷水机组传感器偏差故障诊断方法.该方法利用GRU记忆冷水机组因每个传感器动态响应特性不同造成的其每个传感器不同的时间相关性,克服了CNN在冷水机组传感器偏差故障诊断中仅能提取时间序列实时特征的缺点.首先采用CNN自动提取传感器时间序列的实时特征,然后利用具有长短期记忆能力的GRU实现对冷水机组传感器不同时间相关性的记忆,从而充分利用时间序列中的特征信息对数据进行表征建模,进而有效提升了冷水机组传感器偏差故障识别率.将该方法与CNN、主成分分析和自动编码器方法进行比较,实验结果表明:温度类和压力类传感器的偏差故障识别率分别在85％以上和90％以上;验证样本得到了83％以上的偏差故障识别率,验证了该方法的泛化能力良好;该方法对于同一传感器、故障大小互为相反数的偏差故障的故障识别率均具有良好的对称性;该方法的偏差故障识别率高于其他方法,尤其对于很小的偏差故障的识别率具有更明显的优势.     

软阈值时序卷积网络在冷水机组传感器故障诊断中的应用

为了提高冷水机组传感器的故障诊断性能,提出了一种基于软阈值时序卷积网络的编码-解码器重构模型(ST-TCN),并建立基于该模型的传感器故障诊断方法。采用时序卷积网络(TCN)充分挖掘冷水机组传感器的时间相关性、热力学物理量间的数据相关性以及动态响应差异性特征。在TCN的残差块中引入软阈值自适应模块剔除冗余信息,降低噪声干扰。依托ST-TCN模型“端到端”的网络结构优势,将绝对重构残差向量与故障阈值向量进行比较,直接定位故障传感器。在实际压缩式冷水机组平台上采集传感器数据进行实验,结果表明,软阈值自适应模块能有效地增强网络模型的重构能力,从而提高故障传感器的诊断性能。以压缩机吸气温度传感器T1为例,ST-TCN的平均偏差故障识别率比改进前提升了45.9%;与其他故障诊断方法相比,所提的最新框架获得了较高的偏差故障识别率。     

内燃机失火故障的神经网络诊断研究

提出了一种利用排气中HC、CO2、O2浓度和内燃机工况参数信息的内燃机失火故障诊断方法,并提出了描述内燃机失火程度的模糊评价指标,进行了内燃机有失火故障和无故障排气成分检测对比实验。利用实验数据和内燃机工况参数,通过Elman神经网络建立了失火程度评价指标与排气中HC、CO2、O2浓度以及内燃机工况参数之间关系的诊断模型,应用MATLAB软件对该模型进行学习训练,将训练好的神经网络模型应用于内燃机失火故障的诊断。结果表明,此模型能够正确诊断内燃机失火故障。     

蒸汽型双效吸收式冷水机组部分负荷性能

为了分析蒸汽型双效溴化锂吸收式冷水机组部分负荷工况性能,建立了机组非线性耦合数学模型．由于该模型变量多,溶液温度、浓度取值范围相互制约,采用子空间置信域法进行求解．通过机组部分负荷工况性能测试试验,验证了模型的正确性．最后模拟分析了4种运行模式下机组部分负荷工况的蒸汽耗量、机组性能系数（COP）和综合部分负荷性能系数（IPLV）．结果表明以冷水入口温度为控制信号,变溶液循环量的运行模式下机组性能最好,比定溶液循环量调节运行模式可节省约20％的能耗量．     

基于分布参数模型的满液式蒸发器性能模拟

基于流动沸腾换热的Chen氏加和模型，建立了满液式蒸发器分布参数的热力计算模型．采用分相流动模型计算制冷剂横掠管束的两相压降，考虑了压降对制冷剂饱和温度的影响；对于流程上下布置的满液式蒸发器，模型计算了制冷剂流量沿轴向的分布，改进了前人忽略制冷剂流量轴向分布对蒸发器性能的影响．应用该模型对一水平布置、2流程、采用强化管的满液式蒸发器进行了性能计算，热负荷的计算值与试验值吻合良好．同时，研究了不同管型、不同流程布置对满液式蒸发器性能的影响．     

基于融合模型的柴油机空气管理系统故障诊断

柴油机作为重要的动力机械,其性能监测和故障诊断得到重视。而柴油机空气管理系统故障包括进气系统漏气、堵塞和EGR阀卡涩等故障将会导致恶化和经济性下降。针对空气管理系统具有较强的非线性,无法建立精确地数学模型等问题,建立了基于数学模型和数据驱动模型的融合模型,针对进气歧管漏气、中冷器堵塞,EGR阀卡滞等故障进行诊断研究。采用机理建模的方法建立EGR流量模型、充气系数模型和基于数据驱动建模的方法建立充气系数模型、进气压力波动幅值模型,利用奇偶方程法进行残差生成器的设计并生成三个残差信号,通过仿真分析可得到故障和残差值之间的映射矩阵,最后,采用模糊推理的方法进行故障诊断。研究结果表明：所构建的故障诊断系统能准确的诊断出空气管理系统的漏气直径为5mm、堵塞至进气流量减少10%和EGR阀卡滞故障在关闭状态。     

基于直方图异常模式识别的变速器生产线故障诊断

利用生产线加工的产品质量数据所生成的直方图进行对比分析来完成变速器生产线的常见故障诊断。给出了变速器生产线故障诊断功能模块的设计原则和软件设计流程，对直方图的各种异常模式进行归类，建立了相应的数学模型，对变速器生产线上的常见故障进行了归类，并在直方图异常模式与生产线故障之间建立了模糊关系模型，最后利用计算机进行模糊识别，完成生产线常见故障的快速诊断。实际运行表明：该方法可行、有效，达到了系统的设计要求。     

R410A充注量对直膨式太阳能热泵热水器性能的影响

基于太阳能集热/蒸发器和冷凝器的分布参数均相流动模型、压缩机和电子膨胀阀的集总参数模型和系统制冷剂充注量模型,编制了以R410A为工质的直膨式太阳能热泵热水器系统性能模拟程序.在集热器出口过热度维持不变的条件下,计算了不同充注量下系统热性能参数,分析了充注量变化对系统热性能的影响特性.结果表明：随着制冷剂充注量的不断增加,蒸发压力和加热时间逐渐减小,压缩机瞬时功率和集热器集热效率逐渐增大;而且,制冷剂充注量的变化对冷凝压力和系统性能系数(COP)的影响很小.     

基于特征Petri网建模的冷水机组故障诊断系统

冷水机组是建筑物中空调系统重要的制冷设备,它的运行状态直接关系到建筑物暖通空调系统运行的性能和稳定性,其故障诊断问题一直受到广泛关注.将特征建模方法引入到冷水机组的故障诊断技术中,并采用模糊Petri网技术实现建模.利用Petri网进行知识表示及推理的矩阵运算算法,描述冷水机组故障征兆与特征参数的关系.运用所提出的诊断系统,不但可以充分利用各特征参数的信息资源进行故障判断,而且可根据冷水机组能效指标COP对故障诊断结果进行综合诊断,有利于冷水机组高效运行.实验结果验证了该故障诊断系统的可行性和准确性.     

一次泵变流量系统部分负荷特性实验

搭建了变流量空调系统实验台,对一次泵变流量空调系统在定干管压差控制策略下部分负荷工况的运行特性进行了实验。结果表明：随着负荷率的降低,冷水机组COP先升高后降低,且在60%负荷率时COP最高;水泵综合效率始终降低;冷水机组输入功率与水泵输入功率呈现出不同的变化趋势——水泵输入功率始终降低,而冷水机组输入功率先降低后升高,导致27.2%负荷率下冷水机组和水泵的总输入功率高于45.1%负荷率下的总输入功率;水泵的变频运行不满足相似定律,推导出水泵输入功率与流量的关系方程,得出其输入功率与定压差阻力和机房侧阻力所占比重以及水泵综合效率有关,实验中水泵的输入功率近似与流量的二次幂成正比。     

K故障容差网络的诊断性研究

研究一类容差网络的Ｋ故障诊断问题，建立起容差值为随机变量的故障网络模型，用正交能量法对网络进行故障定位．给出无容差与容差网络Ｋ故障的可诊断条件，分析了诊断性能好坏与故障网络的哪些因素有关，给出它们之间的关系．对于已知网络结构与容差统计特性的系统，可对其Ｋ故障的可诊断度给出一个概率估计     

基于主成分分析的建筑空调系统传感器故障检测

在已经建立的建筑空调系统仿真器的基础上,针对系统的温度、湿度、流量传感器提出了一种基于主成分分析的传感器故障诊断方法.该方法根据系统正常的历史运行数据建立数理统计模型,通过传感器实际测量数据与正常数据阵在故障子空间投影的比较,对传感器的故障进行检测.仿真试验表明,该方法能够诊断出固定偏差和漂移故障,为进一步研究传感器的故障诊断提供了必要的基础.     

基于支持向量机的机械故障诊断方法研究

针对因缺少大量故障数据样本而制约机械故障智能诊断发展的问题，提出了一种基于支持向量机的机械故障诊断新方法，介绍了该方法的原理和算法，并利用模拟故障数据建立了多故障分类器。这种诊断方法只需要少量的时域故障数据样本来训练故障分类器，不必进行信号预处理以提取特征量，便可实现多故障的识别和诊断。测试结果表明，当数据样本中含有26％的噪声时，故障分类器仍然能正确分类多种故障。这种诊断方法具有算法简单、可对故障在张分类和故障分类能力强的优点。