变风量空调系统的变工况故障检测与诊断研究

发布时间：2019-10-13 09:26

【摘要】：变风量空调系统结构和控制的复杂性导致其故障发生的频率较高，而空调系统的故障会引起能耗损失、室内空气品质和舒适性下降。随着变风量空调系统的应用越来越广泛，其故障检测与诊断的研究也越来越重要。目前，国内外研究人员在空调系统的故障诊断研究中取得了众多的成果，应用的故障诊断方法大致分为基于模型的方法、基于信号处理的方法和基于知识的方法。但没有任何哪一种方法能够同时实现对所有故障的检测与诊断，往往将多种方法相互结合，可以更好地实现故障诊断。本文以变风量空调系统风侧系统为研究对象，，利用灰箱模型、聚类方法、神经网络等方法进行故障检测与诊断研究。首先，空调系统的过程参数与状态参数受工况条件的影响而变化，因此在应用基于模型的故障诊断方法时，必须保证预测模型与实际系统之间比较是在相同或相近工况下进行，否则，其故障诊断结果是无效，甚至错误的。本文提出利用FCM聚类的方法，从大量历史正常运行数据中选取与当前工况最接近的正常数据，即基准无故障数据，作为模型训练的样本数据，从而有针对性地提高模型精度，消除工况条件变化对故障诊断结果的影响。其次，从能量平衡的角度建立了空调箱灰箱模型，利用基准无故障数据训练灰箱模型，获得模型预测值，通过模型预测值与系统实测值之间的残差特征检测系统故障。既解决了变风量空调系统高度非线性和复杂性带来的建模困难，又能体现该系统的物理特性。此外，还针对故障检测阈值的时效性与准确性进行了研究，从统计学的角度出发设定阈值，使阈值能够适用不同的工况条件和故障类型。然后，为了寻找故障源，将减法聚类方法与故障分类器相结合。利用减法聚类的自适应聚类特性，判断当前故障是否为故障库中已训练的故障类型。然后针对送风温度控制回路的几种常见故障进行了故障特性分析，基于这些故障特性建立相应的故障分类器，判断故障类型。最后，在送风温度控制回路各个变量关联性分析的基础上，建立神经网络预测模型，预测传感器的故障偏差，以实现故障容错。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TB657.2

【参考文献】