基于主成分分析法的变风量空调系统传感器故障诊断

在已经建立的建筑空调系统仿真器的基础上,针对变风量（VAV）空调系统的传感器故障,提出一种基于主成分分析（PCA）和法则相结合的传感器故障诊断方法。建立了PCA模型,将由传感器测量值所组成的测量空间分解为主成分和残差两个子空间,进行故障检测后再由基于法则的策略进行故障重构。仿真试验表明,该方法不仅能够准确地检测并隔离传感器故障,而且可以初步地进行故障重构,为进一步研究传感器的故障诊断提供了必要的基础。     

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.     

提高空调系统传感器小故障检测能力的方法研究

提出了用主成分分析法建立系统的模型,通过检测测量数据在残差子空间内的投影大小来检测故障.分析认为造成传感器小故障难于检测的原因在于测量数据的嗓声太大,并提出采用指数加权滑动平均滤波器来提高系统小故障检测能力的方法.实验表明,方法是有效的.图3,参8.     

暖通空调系统传感器的故障检测

在暖通空调系统中,传感器测量信号的正确与否将直接影响系统能否正常地运行和实现需要的控制,同时也影响对其它设备进行故障诊断时结果的正确性。该文对传感器的故障检测进行研究。提出了一种诊断传感器慢漂移故障的方法——系统比较和优化的方法。这种方法以系统出现故障的传感器总是少数为假设条件,通过检测系统各个变量测量值的一致性来检测传感器故障。模拟和工程应用表明,这种方法对传感器慢漂移故障的检测是非常有效的,但是这种方法的可靠性取决于系统规模的大小和出故障的传感器在系统中的具体位置。这种方法对空调系统的运行有实际意义。     

变风量空调系统送风温度优化及容错控制

针对变风量空调(VAV)系统提出了基于湿度控制的送风温度优化及容错控制方法.该方法可以满足ASHRAE标准62-2001对室内空气品质和湿度的新要求,并提出了主成分分析、联合角度分析和故障补偿法则,该法则可以分别用于空调系统故障的检测、诊断和重构,从而实现对变风量空调系统的客错,保证系统优化目标的实现.在变风量空调系统的仿真器上进行了基于湿度控制的送风温度优化以及多种故障下的检测和诊断试验.     

基于ARX模型的变风量空调系统故障诊断

采用现代控制理论的系统辨识方法，探索“黑盒”模型在暖通空调系统故障检测与诊断中的应用．在研究中，应用了多输入／单输出自回归(ARX)模型进行变风量系统的故障检测，把ARX模型用于不同的系统和子系统，建立了系统模型和部件模型，获得了满意的结果．     

变风量空调系统的优化控制算法

变风量空调系统因为控制过程复杂,所以目前难以推广,市场上广泛使用的是定风量空调系统.针对这种情况,从理论上提出了变风量空气处理机组送风温度的优化控制算法,并用Matlab 仿真软件对其进行了仿真分析,仿真结果表明,该算法以更低的能耗达到更佳的运行效果.     

论变风量空调系统

通过对变风量系统的介绍与系统分析,知道了变风量系统的特点,并且与传统空调系统的比较知道该系统在空调节能方面有比较明显的优势。配合变风量系统的自动控制系统,可以满足一般民用空调温湿度的要求。     

变风量空调阀门卡死故障检测阈值在线训练策略

依据专家经验选取阈值的专家规则故障检测方法,容易受限于经验,且不能准确地反映空调系统的运行性能特征。设计了基于专家规则的空调故障检测方法,采用大小合适的阈值来判断系统是否发生故障。对调试成功后的空调系统,采用一种基于规则的阈值在线训练策略进行系统性能监控与故障检测。利用局域网在线读取云服务器中无故障运行数据,训练85%、90%、95%等3种不同置信度下的阈值,并以新风阀卡死和冷水阀卡死故障为例进行测试检验。研究结果表明：空气处理机组新风阀卡死和冷水阀卡死的故障检测率均大于80.0%;系统正常运行时的无故障检测率均大于75.0%;训练阈值时,作为外部输入的置信度越大,训练出的阈值越大,导致系统故障检测率较低而无故障检测率较高。     

基于贝叶斯网络的空调冷水阀故障检测与诊断

针对空调系统运行中所产生的很多不确定性故障问题,建立了贝叶斯网络模型,开发了多故障状态的贝叶斯概率计算模型,利用Leaky Noisy-Max模型进行贝叶斯网络参数学习,提出了基于故障特征准则和阈值判别的故障检测与诊断技术。采用现场实测数据,以冷水阀故障为例,验证了该技术的可行性。结果表明,该技术能够诊断出冷水阀故障,诊断结果能够快速定位故障产生源,从而提高空调运行系统的稳定性。     

Novel Approach for Fault Detection and Diagnosis of Sensors in Air Handling Units Using Wavelet Energy Entropy

A novel fault diagnosis method for sensors in air handling unit(AHU)using wavelet energy entropy was presented.Instead of directly comparing the numerous data under noise conditions,the wavelet energy entropy residual was compared in the proposed method.Three-level wavelet analysis was used to decompose the measurement data under both fault-free and faulty operation conditions.The concept of Shannon entropy was referred to define wavelet energy entropy of the wavelet coefficients.The sensor faults were diagnosed by comparing the deviation of the wavelet energy entropy of the measured signal and the estimated one with the preset threshold.Testing results showed that the wavelet energy entropy was sensitive to diagnose the biased faults.The wavelet energy entropy residuals exceed the threshold significantly when faults occur.In addition,the severer the faults were,the larger the residuals would be.The results prove that the proposed method is feasible and effective for the fault detection and diagnosis of the sensors.     

变风量空调系统中基于预测的末端再热控制策略

在对多区域变风量空调及其控制系统分析研究的基础上,提出一种优化的新风控制策略———基于预测的末端再热控制策略.该策略通过预测的方法对系统实施前馈控制,使用末端再热器调整区域的送风量,从而能够合理地分配新风.仿真结果表明,该新风控制策略与最大新风比控制策略相比,可以使系统保持较小的总新风吸入量,通过有效地控制各区域新风的配给,在保证各区域新风要求的同时,节约系统的能耗.     

冷水机组系统的温度传感器故障诊断

根据能量守恒关系式的残差特征，在冷水机组系统中选取恰当的控制体，推导了关于系统中温度传感器的故障诊断方程组．通过建立和求解故障诊断方程组，以达到对温度传感器固定漂移故障的检测、诊断和度量．同时，提出了在建立诊断方程组过程中稳定状态检测和方程组封闭性等问题的解决方法，分析了采集数据样本数对诊断结果准确度的影响．最后，所有的诊断方程组在已建立的系统数字仿真器上进行了验证．结果表明，所建立的诊断方程组能够准确地诊断出传感器的固定漂移故障．     

变风量空调系统新风量的实时预测

在多区域变风量（Variable Air Volume，VAV）空调系统的新风控制中，现行的控制方案不可避免地遇到困难，使用预测的方法来实施前馈控制，对可能出现的扰动提前作出补偿将有可能改善目前多区域VAV空调系统的新风控制问题，ARIMA模型可以较准确地预测非稳态随机过程的时间序列，以季节性ARIMA模型为预测模型，在利用CO2浓度检测室内人数的基础上，对一大楼中各区域的新风要求进行了预测，结果表明，季节性的ARIMA模型可以很好地满足空调系统新风预测的要求。     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

IPCA在故障检测与分离中的应用

基于ＰＣＡ模型，综合利用Ｔ＾２检验值，Ｑ检验值和故障补偿等集成化主元分析（ＩＰＣＡ）方法对系统的工况故障和仪表故障进行检测和分离，并对仪表故障进行补偿，该方法既能进行故障检测，又能对不同的故障进行分离。仿真实例表明，这种方法是有效的。     

On the Application of PCA Technique to Fault Diagnosis

In this paper, we briefly address the application of the standard principal component analysis (PCA) technique to fault detection and identification. Based on an analysis of the existing test statistic, we propose a new test statistic, which is similar to the Hawkin’s TH 2 statistic but without the numerical drawback. In comparison with the SPE index, the threshold setting associated with the new statistic is computationally simpler. Our further study is dedicated to the analysis of fault sensitivity. We consider the off-set and scaling faults, and evaluate the test statistic by viewing its sensitivity to the faults. Our final study focuses on identifying off-set and scaling faults. To this end, two algorithms are proposed. This paper also includes some critical remarks on the application of the PCA technique to fault diagnosis.