毕业论文：空调系统传感器故障检测与诊断中的应用研究.doc

黑龙江林业职业技术学院 机电工程系 汽车检测与维修07-1班 孔令龙 200706080103 空调系统传感器故障检测与诊断中的应用研究 摘要 　本文阐述了用主成分 HYPERLINK 分析法进行系统测量数据建模和传感器故障检测、故障诊断、故障重构及确定最优主成分数的原理。用主成分 HYPERLINK 分析法对空调监测系统中的四类传感器故障进行检测 HYPERLINK 方法。结果表明：主成分分析法具有很好的故障检测、故障诊断能力。　　关键词　 主成分分析 空调系统 传感器 故障检测与诊断　　空调系统中保证各类传感器的读数正确，及时发现传感器故障，是空调系统最估运行的重要保证。我们已经给出了空调系统的传感器故障类型[1]，本文将用主成分分析法??空调系统中传感器的这些类型的故障进行诊断，以便及时辨别出故障类型，做出正确决策，及时恢复测量，使系统可靠正常运行。　　1 主成分分析法（PCA）及故障检测、识别 HYPERLINK 方法　　　　某一系统或过程传感器测量值之间并不是孤立的，它们之间具有高度的相关性，在正常情况下，这种相关性是由物理、化学等基本 HYPERLINK 规律所控制的，如：质量守恒、能量守恒等。而当某些传感器出现故障时，就会打破这种测量值之间的相关性。主成分分析法能充分反映这种相关性，因此，我们采用PCA方法进行故障检测与诊断。　　　　1.1 PCA建模　　设某测量矩阵， ，其中m是测量变量数，n是测量样本数。X的每一列都进行了零平均化，X可以分解为：　　 　　　　　　　　　　　　　　　　　　　 （1）　　其中 ----测量的可模部分， ----测量的残差部分，在正常情况下，主要是自由噪声。　　根据PCA的方法， 和 可分别表示为：　　 　　 　　　　　　　　　　　　　　　　　　 （2）　　　　 　　　　　　　　　　　　　　　　　　 （3）　　式中：T----得分矩阵， ；　　　　　P----荷载矩阵， 。　　其中，l为PCA模型所包含的主成分数，后面将介绍如何确定它。P的列向量分别是X的协方差阵P的前l个最大特征值λi所对应的特征向量。 的例则分别是剩下的m-l个特征微量。根据统计学原理，X的协方差阵可以用下式进行估计：　　　　 　　　　　　　　　　　 （4）　　对于每一个测量样本x，其可表示成为：　 　　　 　　　　　　　　　　　　　　　　　　 （5）　　 　　 　　　　　　　　　　　　　　　 （6）　　式中，　　　　 　　　　　　　　　 （7）　　 是x是在主成分子空间PCS（Principal Component Subspace）内的投影，而 是x在残差子空间RS（Residual Subspace）内的投影。　　　　1．2 故障检测　　在正常情况下，测量样本向量在残差子空间内的投影应当很小，主要是自由噪声。当某一故障发生时，这个投影就会显著地增加。因此，可以通过检测测量数据在RS内的投影大小 来检测故障是否发生。通常使用的统计量是：平方预测误差SPE（Squared Prediction Error），如式（8）所示：　　　　 　　　　　　　　　　　　　　 （8）　　当 时，认为系统运行正常，而当 时，就认为系统出现故障。δ2为SPE的置信限。δ2可用下式 HYPERLINK 计算[2]。　　　 　　　　　　　　　 （9）　　　 　　　　　　　　　　　　　　　　　　　　　　 （10）　　　 　　　　　　　　　　　　　　 （11）　　式中：l----模型的主成分数；　　　　　ca----置信度为a的标准正态分布置信限；　　　　　λ----协方差阵R的特征值。　　1．3 故障重构　　利用式（6），可以对故障向量x进行估计，也就是说， 可以看在是x的一个估计值。但是， 并不是x的最佳估计，因为在估计 时所使用的x是包含有故障的数据。因此，为了消除故障的 HYPERLINK 影响，利用前一次获得的估计值xnew去代替x，通过多次近迭代，就会使得xnew逼近于x的正常值x*。　　假设样本x中的第I个分量发生了故障（假设只有一个故障），即xi是一个故障值，可以利用下式进行迭代：　　　 　　　　　　　　　 （12）　　式中， 为矩阵的C的第I列用0代替cii值之后的向量。可以证明，该迭代总是收敛于[3]：　　　　 　　　　　　　　　　　　　　　 （13）　　式中，cii≠1，说明该变量不能被重构。　　1.4　故障鉴别 　　为了进行故障鉴别， HYPERLINK