基于PCA-LVQ多联机系统制冷剂充注量故障诊断研究

对于多联机空调系统,当发生了制冷剂的泄漏故障时,设备的性能会下降甚至失效,不仅造成能源的浪费、热舒适性的降低、设备有效使用寿命的缩短,还可能对环境造成严重污染。本论文将使用主成分分析(Principal Component Analysis, PCA)与学习向量化(Learning Vectorized Quantization Neural network, LVQ)神经网络结合的数据挖掘技术方法对多联机空调系统的制冷剂充注量故障进行诊断。首先通过多联机组试验获得运行数据,接着进行数据清洗工作,然后导入到PCA模型当中,利用权值矩阵将原始变量转换成新的综合变量,并将综合变量中重要度靠前的9个变量导入到LVQ,对多联机制冷剂充注量的故障进行诊断。结果表明:主成分分析与学习向量化神经网络的联合诊断模型结构简单、训练速度快、易于实现(代码简单),诊断正确率高,相较于单纯的LVQ算法模型,对制冷剂充注量故障的诊断效果更优。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

轻型商用单元式空调机组制冷剂充注量试验研究及其对性能的影响

通过对一台轻型商用单元式空调机组在特定工况下的试验研究,分析系统压力、温度、运行状态以及冷冻油物理参数等在不同制冷剂充注量125%,100%,75%,50%,30%,25%和20%下的变化,提出机组在不同制冷剂充注量下的运行结果和潜在隐患。通过建立模型,分析机组在不同制冷剂充注量下的机组制冷能力、能效比EER和综合能效比IEER的变化,分析因综合能效比IEER变化引起的运行费用变化,提出潜在的运行费用风险和泄漏故障因素。研究结果对合理使用制冷剂充注量、改善机组可靠运行、降低使用费用具有参考价值。     

基于离散型Hopfield神经网络的制冷剂充注量故障诊断的新策略

本文提出了一种应用离散型Hopfield神经网络(Discrete Hopfield Neural Network,DHNN)对制冷剂充注量故障进行诊断的新策略。首先对数据进行清理,然后将原始数据集划分为训练集和测试集,接着对数据进行二值化处理,最后以训练集建立DHNN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策略可以用于制冷剂充注量的故障诊断。测试结果表明:基于DHNN的制冷剂充注量故障诊断模型可以有效地诊断出充注不足故障,收敛速度快,具有较好的实用性。     

基于多维曲线拟合算法的空调制冷剂不足故障诊断模型

中央空调多联机机组在各类建筑的空调系统中有着广泛运用,其中制冷剂不足将极大影响多联机机组的正常运转。为有效实现制冷剂不足的在线故障诊断,提出多维拟合算法。首先,基于建立的故障诊断模型开展模拟实验,再对实验数据采取预处理;最后,利用模型和处理后的数据进行故障诊断。结果显示,多联机制冷剂不足故障可通过所建立模型实现诊断,且具有较高的正确率,对空调系统的检修维护工作具有重要的指导意义。     

多联式空调(热泵)系统中制冷剂状态和分布的试验研究

为了研究多联式空调(热泵)系统的制冷剂状态和分布,对系统各相区的制冷剂分布建立计算模型。建立测试装置,对系统运行进行试验研究,并利用QOMM(准在线液氮称重法)测量不同模式、不同负荷时系统各部件及管路内的制冷剂量,得出多联式空调(热泵)系统中的制冷剂分布规律,为确定系统最佳制冷剂充注量和各控制部件的控制逻辑提供理论依据。     

基于实车台架的车用空调系统制冷剂充注量试验研究

提出在实车台架上确定车用空调系统的制冷剂充注量试验方法,并以某车型的R134a车用空调系统为例,测试其冷凝器过冷度、蒸发器过热度、压缩机吸气压力以及排气压力,得到R134a充注量合适范围为475~550 g,最终确定为520 g±20 g。该试验方法为当前车用空调系统制冷剂充注量的确定提供参考,从而有效缩短产品开发周期和试验成本。     

基于遗传算法和BP神经网络的多联机阀类故障诊断

针对多联机系统(变制冷剂流量系统)阀类故障的诊断特征变量冗杂、诊断效率低的问题,提出一种复合诊断模型,利用遗传算法在原始特征集中搜索特征子集,与参数优化后的BP神经网络模型结合,对多联机阀类故障进行检测和诊断。本文从原始特征集中优化选择了带有18个特征变量的最优特征子集,用该模型对电子膨胀阀卡死、电子膨胀阀泄漏和四通阀故障3种故障进行检测,结果表明:该复合诊断模型对故障检测率提高,其中电子膨胀阀的卡死故障检测率提升8%,整体诊断正确率提高到99.27%;该复合诊断模型大大提高了诊断效率,使测试时间缩短了52.17%,表明该复合诊断模型具有较好的故障诊断效果。     

空调装配过程对压缩机绝缘性能的影响

模拟空调装配过程并对压缩机绝缘性能进行实时检测,分析空调装配过程对压缩机绝缘性能的影响。结果表明,抽真空和制冷剂充注量对压缩机绝缘性能均有影响,当真空度低于330Pa或制冷剂充注量不足2kg时,压缩机漏电流超出规格值4.5mA。     

多联机系统故障类型识别及故障细化诊断模型研究

本文针对多联机系统实际运行中可能出现的多故障并发问题,提出一种结合线性判别分析(LDA)和随机森林(RF)算法的多故障诊断策略,可以在完成故障类型识别后,自适应地根据故障类型选择最佳细化诊断模型,进一步诊断出故障发生水平或故障发生原因。首先,在不同的制冷和制热工况下,引入四通阀故障、电子膨胀阀故障、制冷剂充注量故障,并按照7∶3的比例划分为训练集和测试集,利用训练集建立基于RF算法的故障类型识别模型;然后,利用LDA方法对训练集中3类故障的特征分别进行降维,并利用降维后的训练集建立故障细化诊断模型;最后,测试集中的样本数据在经过故障类型识别后,根据识别结果自适应地输入至最优故障细化诊断模型。结果显示:故障类型识别模型在测试集上的准确率达到99.99%,3类故障细化诊断准确率分别为96.12%、100%、97.44%,说明该策略能够较好的完成针对多联机系统的多类型故障诊断任务。     

基于决策树算法的多联机气分插反故障诊断

本文将决策树算法应用于多联机气分插反故障诊断中,搭建了多联机实验平台采集数据,根据专家知识及数据变化模型验证选取了建模的特征变量,采用决策树C5.0算法构建气分插反故障诊断模型,进一步对由模型分类规则生成的最优变量即过冷器的EEV（电子膨胀阀）进行深入分析和验证。结果表明：将决策树算法应用于多联机气分插反故障诊断的方法,准确率为96%,有较高的准确性和可靠性,此诊断方法能满足多联机故障诊断实际运用的需要。由于多联机发生气分插反故障时,系统过热度降低,为保证多联机系统的制冷效果和能效比,可通过增大过冷器EXV开度调节。     

基于PCA-Clustering的压缩机回液故障诊断

在多联机(VRF)空调系统中,压缩机回液将导致能量损失。本文结合大数据提出了一种基于PCA-Clustering的压缩机回液故障诊断的方法。首先提取出故障相关变量,并通过数据预处理,剔除异常值与空值;然后将处理后的数据进行主成分分析(PCA),获取降维后的新主元变量数据;最后将新的主元变量进行聚类分析(Clustering analysis)得到回液故障数据分类标签。结果表明:该方法能够在数据标签未知的情况下,较好的区分不同类别的压缩机回液故障及正常数据,使压缩机回液故障诊断率达到94.29%。     

基于SVR-OCSVM模型的多联机系统用能评估与诊断

直接根据多联机系统能耗数据的变化来判断导致能耗大幅波动的因素是很困难的。本文提出一种有效的可用于多联机系统的能耗评估与诊断方法:将支持向量回归(SVR)算法与单类支持向量机(OCSVM)算法相结合,首先通过提取系统能耗数据集特征,去除非稳态数据,根据提取的特征变量与系统能耗建立SVR模型,预测多联机系统能耗;然后将实际能耗值与预测能耗值之差和之比分别标准化,作为输入变量,建立单类支持向量机(OCSVM)模型进行样本判别,确定是否为导致系统能耗异常的原因,以此评估诊断多联机系统能耗情况。本文基于多联机能耗正常的数据集构建了能耗评估与诊断模型,并用多联机系统能耗异常数据集验证了模型的可靠性。结果表明:基于SVR-OCSVM模型的能耗评估与诊断模型具有较高的准确度,基本能达到70%以上。     

Development of a virtual variable-speed compressor power sensor for variable refrigerant flow air conditioning system

This paper proposed a universal virtual variable-speed compressor power (VVCP) sensor for VRF system based on 20-coefficient model. Compressor power can be obtained by the VVCP sensor using three input parameters (frequency, condensing temperature and evaporation temperature) which are measured by system itself. The performance of the proposed VVCP sensor is evaluated using experiments data. Experimental conditions include cooling, heating and non-standard refrigerant charge levels. The result shows that the mean square percentage errors (MSPE) are 9.9% under cooling conditions and 7.96% under heating conditions. The MSPE are 9.88% at steady state and 9.75% at dynamic state when the VVCP sensor is applied under nine different refrigerant charge levels. It demonstrated that the proposed VVCP sensor can obtain compressor power under cooling, heating and non-standard refrigerant charge levels, which could be applied to do operational monitoring and fault detection and diagnosis for VRF system at low cost.     

补气增焓低温多联机制热性能实验研究

低温空气源热泵产品普遍采用中间补气技术解决空气源低温多联机在低温环境中能力衰减严重的问题.本文研究了低温多联机中间补气增焓系统,通过多联机性能实验测试对系统压力、温度等参数进行测试,并对测试数据进行拟合分析,确定了补气增焓技术的控制要素:流经室外换热器的制热主路制冷剂的质量流量与状态是多联机补气增焓控制中的主要因素;中...     

变流量多蒸发器制冷系统仿真通用快速算法研究

针对目前变流量制冷系统仿真算法设计研究不多以及通用性不足,提出一种物理意义明确且通用的迭代算法（简称为ALG-I）及其变种算法（简称为ALG-II）。对迭代变量的选择,迭代判据的确定给出了操作准则和方法。对算法流程的关键步骤进行了详细阐述。ALG-I与ALG-II具有相似特性但需要的仿真时间不同。仿真结果表明,提出的算法能适用于任意数目蒸发器的变流量制冷系统仿真,且仿真时间未随蒸发器个数增大而急剧增加,表明算法具有与蒸发器个数无关的通用特性。从控制分析需要快速响应的要求来看,对于一拖一系统, ALG-II比ALG-I有优势,而对于一拖多系统,ALG-I则比ALG-II有优势。最后,系统对连续变化的控制变量（包括膨胀阀开度及压缩机转速）的合理响应表明提出的算法可以有效地用于VRF系统的能耗与控制仿真。     

基于主元分析的多联式空调系统传感器故障检测和诊断

作为多元数据分析方法之一,主元分析(PCA)被广泛运用于诊断制冷空调系统的传感器故障。本文首先结合热平衡原理以及多联机运行的控制逻辑,筛选系统中常用的18个传感器变量建立多联机(VRF)传感器的故障分析(FDD)模型。然后结合主元分析的算法原理,给出以Q统计量和Q贡献率为检验标准的传感器故障检测与诊断流程。接着用实测数据进行验证工作,引入不同类型和程度的传感器故障,分析得到不同故障条件下的故障检测和诊断特性。结果表明,总体上,主元分析应用于多联机传感器故障检测与诊断过程是可靠的。其具体特征表现为：不同类型的传感器在不同故障类型及程度条件下,故障检测效果差异明显;在小偏差故障条件下,基于主元分析的传感器故障检测方法的故障检测效率较低,并且针对个别传感器而言,其整体故障检测效率偏低。鉴于故障诊断是基于故障检测的结果,因此上述故障检测方法在FDD过程中将起到重要的作用。