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。     

空气处理机组中传感器故障检测和诊断

介绍空气处理机组(AHU)的故障检测和诊断(FDD)策略及步骤,包括结合人工神经网络(ANN)、小波分析和模糊c均值(FCM)聚类算法的自适应FDD方法,基于主成分分析(PCA)方法和模式匹配方法的FDD方法,并探讨适用于所有系统的通用规则,分析自适应FDD方法的应用试验和FDD工具在现场的应用。     

基于数据特征提取的暖通系统传感器偏置故障标准化检测方法

针对暖通设备中空气处理机组传感器数据故障检测效率较低的问题，提出了一种基于KPCA结合SVM的故障检测方法。首先，建立核主元模型，然后通过核主元分析对被监测的传感器数据进行特征值提取。其次，将特征值提取后的数据对支持向量机(Support Vector Machine,SVM)进行训练，构造SVM故障检测模型。最后，基于KPCA-SVM故障检测模型对被监测的传感器进行故障检测。本研究以河北师范大学职技楼制冷与空调实验设备为例进行空气处理机组传感器故障实验验证。结果表明，与SVM方法相比，KPCA-SVM能够更好地提取故障信号的非线性特征。     

基于参数优化SDP分析的转子故障诊断方法

针对存在多种故障类型不同故障严重程度的转子故障诊断问题，提出了一种基于参数优化对称点模式(symmetrized dot pattern, SDP)分析的智能诊断方法。首先，利用SDP分析提取多个传感器信号的故障特征并将其融合为SDP图像；然后，以基于欧氏距离定义的图像区分度函数为适应度函数，基于天牛须搜索(beetle antennae search, BAS)算法获得SDP分析中角域增益因子与时间延滞系数的最佳取值；最后，利用SDP图像训练卷积神经网络(convolutional neural network, CNN)获得转子故障诊断模型。试验研究表明，该方法相较于其他故障诊断方法具有更高的诊断精度，且在强噪声环境下的诊断表现良好。基于BAS算法优化后的SDP分析放大了不同类型不同严重程度转子故障的表征差异，提高了故障诊断精度。     

冷水机组故障传感器数据重构研究

冷水机组安全运行和优化节能的必要条件之一,是传感器测量数据能真实反应系统的运行工况。但随着使用年限的增加,传感器的小幅度故障极易发生且难以识别。本文在基于数据驱动的传感器故障检测、诊断与数据重构相关方法中,对比分析了基于主元分析和基于多重线性回归的传感器错误数据重构算法,并采用实际工程数据进行验证。结果表明,多重线性回归方法比主元分析方法精度更高,误差更小。     

基于MSPCA方法的VAV系统传感器故障检测的应用研究——运用小波变换改进PCA故障检测方法

变风量(VAV)空调系统对控制的要求较高,作为控制系统中非常关键的元件传感器,一旦出现故障将直接影响控制系统的决策,从而使空调系统的运行偏离设计的要求.因此,变风量空调系统传感器的故障检测与诊断研究是很有必要的.将采用多尺度主元分析法(MSPCA, Multidimensional Scaling Principal Component Analysis)对传感器故障的检测与识别进行分析.     

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%。     

变风量送风系统末端故障的主动式检测与诊断

变风量(VAV)送风系统具有传感器数量少、诊断信息不足、故障特征相似等特点,传统被动式故障检测与诊断(FDD)方法难以实现系统故障的有效分离。本文提出一种新型主动式故障检测与诊断方法,通过向系统添加小扰动获取的额外诊断信息,可对被动式方法无法分离的可疑故障进一步诊断。在TRNSYS仿真平台上搭建了可模拟常见故障的变风量空调系统,通过向故障系统添加主动式行为验证方法的可行性与准确性。结果表明:该主动式故障检测与诊断方法可成功诊断出12种变风量末端常见故障,诊断与检测能力较传统被动式方法具有较大提升。     

滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

基于小波变换的多尺度主元分析在传感器故障诊断中的应用

讨论了多尺度主元分析方法在传感器故障诊断中的应用问题.为了解决传统的多尺度主元分析方法不能实现对传感器故障的全面检测问题,本文结合小波变换在相关传感器信号的各个尺度上建立主元分析模型,使这种方法能够同时检测到低频故障和高频故障.实际应用中设计了固定窗长的移动窗口,根据最后一个尺度系数计算残差空间的平方预报误差统计量进行故障检测;在检测到传感器故障后,再采用传感器有效度指标这种具有定量辨识标准的参数对故障传感器进行辨识.最后,通过液体火箭发动机试车台液氢供应系统的传感器故障诊断验证了这种方法的实用性和有效性.     

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。     

基于改进主元分析方法的空调系统传感器故障检测和诊断研究

传感器在空调系统中主要起着监测和控制的作用,影响空调系统的正常运行,从而带来能耗增加等不良影响。本文提出了结合小波变换的数据优化,以及基于神经网络的故障诊断优化的改进主元分析方法,用于空调系统传感器故障检测和诊断研究。通过对比数据优化前后主元分析的结果,发现同样0. 850 0累计贡献率原则上,采用小波变换去除噪声后,主元个数减少了两个,蒸发器进口温度传感器的固定偏差、漂移、精度下降等故障检测效果分别提升了0. 020 7、0. 020 8、0. 041 5,风量传感器固定偏差故障检测效果提升了0. 160 6。为了进一步找出故障源,在小波变换和主元分析的基础上,将求得的主元作为神经网络的输入,对5个传感器固定偏差故障进行测试,故障诊断结果分别为0. 766 7、0. 866 7、0. 900 0、1. 000 0、1. 000 0。     

基于改进BP网络的冷水机组故障诊断

采用常规神经网络进行冷水机组的故障检测与诊断,存在整体检测率低或完全无法检测的现象。为了提高冷水机组故障检测效率及诊断精度,本文提出了一种基于贝叶斯正则化的改进神经网络故障检测策略。由于BP神经网络存在泛化能力差的缺陷,对神经网络进行贝叶斯正则化,从而提高模型的检测效率。贝叶斯算法通过限制神经网络权值,使网络反应更加光滑,模型更精确。通过利用ASHRAE Project提供的数据对FDD(fault detection and diagnosis)策略进行验证,检测率明显提高。     

基于冗余数据分析的船舶主机控制系统传感器偶发性故障检测

本文提出了一种基于动态主成分分析方法(dynamic principal component analysis,DPCA)分析船舶主机控制系统冗余传感器数据并进而实现传感器偶发性故障诊断的方法.通过实船数据中主机排气温度多位点数据对上述方法进行验证,证明方法可用于实际故障检测并表现出较好的检测效果.     

时滞数据动态过程传感器故障诊断的改进方法

提出利用不断更新的时滞数据矩阵建立变化的动态主元模型对某些动态系统内的传感器故障进行检测，利用变量贡献图的样本平均对故障进行识别的方法．该方法克服了传统静态主元分析方法不适于分析具有动态特性的系统传感器故障的缺陷，而且改善了常用的基于时滞数据建立的动态主元分析法对于分析变量间关系不确定的动态系统存在的局限性．最后给出了3种方法的实验比照结果，验证了方法的有效性，     

基于灵敏度的平板结构多类型传感器优化布置

多类型传感器信息融合的损伤诊断是结构健康监测领域的一个热点方向,并且基于多种类型传感器信息融合的损伤识别技术必然依赖于考虑多传感器信息互补的传感器优化布置技术。因此,该文以灵敏度分析为理论基础,以结构损伤识别为目标,对于监测平板结构的加速度传感器、光纤光栅(FBG)应变传感器以及压电陶瓷(PZT)传感器三种类型传感器的位置与数目进行优化。分别考虑环境噪声、边界效应等因素,用灵敏度计算比较不同类型传感器(包括加速度传感器、FBG应变传感器和PZT传感器)达到相同损伤识别效果所需数目,分析各类型传感器对结构损伤敏感的布置位置,并研究能达到识别结构任意位置一定程度损伤所需多类型传感器总和最小的数目。最后,进行平板结构模型仿真分析,验证该方法有效性和可靠性。     

综述红外诊断技术在电气设备状态检测中的应用

红外检测技术运用于检测电气设备存在外部或内部故障时伴随的局部或整体温度分布异常,以此判断故障类型和严重程度,本文阐述了红外诊断技术的原理和特点,综述了电气设备常见的发热机理及相关故障类型,针对不同电气设备,介绍通过各种红外诊断方法来减少误差。     

多传感器数据下基于MFDFA-BP的离心泵空化致振故障分析EI北大核心CSCD

针对单传感器所测数据存在的不全面性及离心泵故障信号的非线性非平稳性等问题,提出多传感器数据下基于多重分形去趋势波动分析法(multi-fractal detrended fluctuation analysis,MFDFA)与BP(back propagation,BP)神经网络的离心泵空化致振故障分析方法。采用MFDFA法对离心泵5种不同工况下的8类实测信号进行分析,提取多重分形谱特征参数Δf、α_(0)、Δα、α_(min)及α_(max)作为故障特征向量,并结合BP神经网络进行单传感器信号故障诊断,优选识别率较佳的信号拼接构成多传感器特征向量,进而开展多传感器离心泵空化致振故障研究。结果表明:MFDFA法提取的多重分形谱特征参数能准确反映泵的运行状态,其中Δf、Δα以及α_(max)等参数对故障分类效果更好;泵振动、扭矩及电机振动等信号对故障本质的反映更准确;在此基础上形成的多传感器故障诊断模型准确率比单传感器提升了13%以上,为离心泵不同程度空化故障的状态识别提供了一种新的方法。     

空调系统传感器故障检测的无中心算法

本文针对现有空调系统传感器故障检测方法在实时性、适应性等方面的不足,基于建筑无中心智能控制系统,提出了一种诊断传感器慢漂移故障的无中心算法。依据基本物理原理建立约束方程,检验各个变量测量值的一致性,并通过各相邻节点的相互协作,借鉴Hopfield网络中能量函数等相关分析,实现传感器故障检测。该算法无需构建中心节点,不必增加硬件或时序冗余,使数据在系统底层就能自组织地完成诊断,具有并行性和简单性的特点,方便工程实施。以冷冻水二次泵系统为例,对算法进行了验证,结果表明:该方法能实现单个或多个传感器故障的检测,使空调系统传感器故障检测问题得到更合理的解决。     

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。