基于Kriging模型冷水机组故障检测与诊断方法.docVIP

基于Kriging模型冷水机组故障检测与诊断方法 　　摘要：提出应用Kriging模型对冷水机组进行故障检测与诊断（FDD），采用ASHRAE RP1043项目中无故障运行数据建立并验证冷水机组Kriging模型.利用参数敏感性原理对比T统计方法和指数加权移动平均（EWMA）方法，对比结果表明，EWMA方法提高了参数敏感性.结合Kriging模型、EWMA方法和故障诊断规则表，用实测故障数据对冷水机组故障进行检测与诊断，检测和诊断的故障包括冷凝器结垢、制冷剂充注过多、制冷剂泄漏、不凝性气体、冷冻水流量减少和冷却水流量减少6个故障.诊断结果表明，应用Kriging模型能够准确有效地检测与诊断冷水机组不同水平的故障. 　　关键词：Kriging模型；冷水机组；故障检测；故障诊断 　　中图分类号：TU831.4 文献标识码：A 　　冷水机组的运行状况，对室内环境的舒适度，以及对空调系统能耗影响很大.2009年宏观建筑全寿命周期能耗为12亿吨标准煤，占全国能源消费总量的39.5%，占全社会终端能源消费的41.4%.暖通空调系统能耗占整个建筑能耗的65%，冷水机组的运行能耗占该比例的40%～50%.因此，从能耗方面考虑，冷水机组无故障运行意义重大.出现故障后，机组的运行效率降低，所以国内外许多学者致力于FDD方法的研究.Chen等[1]将主元分析法应用到空气源热泵冷水机组/加热器的故障检测中.Zhou Qiang [2]，梁志文[3]等提出了应用模糊建模和人工神经网络的策略.赵云峰等[4]提出应用回归模型到离心式冷水机组FDD中.Yang Zhao等[5]提出EWMA方法结合支持向量回归的FDD策略.冷水机组的FDD中，现有方法主要为多元线性回归和神经网络.多元线性回归建模过程简单易实现，但是存在一定缺陷，它在处理高度非线性的多高维问题时，拟合精度受到限制，拟合结果不理想.神经网络模型是一种非参数化模型，建模过程对操作者来说是不可知的，是一种“黑箱”效应，这种“黑箱”效应导致神经网络模型无法判断各输入因素的影响大小.Kim B S等[6]指出同回归和Kriging比较，神经网络中的SVR和RBF计算结果的鲁棒性较差. 　　为了提高FDD正确率，改善机组的运行状况，文章提出建立Kriging模型到冷水机组FDD中.Kriging模型是半参数化的模型，不需要建立一个特定的数学模型，相对于参数化模型，其应用就更加的灵活和方便[7].其中Kriging模型未对未知函数形式做任何限制；能自适应调整各样本点权值的分配；考虑了回归误差项的空间相关性，近似面质量非常高.Giunta和Watson[8]分别以1，5和10个变量对比了参数化多项式技术（RSM）和半参数化的插值Kriging技术，通过对比，Kriging方法有更好的计算性能.本文利用敏感性参数比较T统计和EWMA方法，结合EWMA方法和Kriging模型，以及故障诊断规则表对冷水机组实测故障数据进行故障的检测与诊断. 　　4结论 　　1）本文采用无故障运行数据建立冷水机组Kriging模型，根据参数敏感性原理，分别用T-统计方法和EWMA方法计算特性参数LMTDcd和εsc的敏感性，对比结果表明EWMA方法提高了特性参数敏感性.因此本文结合Kriging模型和EWMA方法检测和诊断故障. 　　2）诊断结果为，冷凝器结垢四个故障的诊断正确率分别为23.3%，36.9%，94.9%，100%，诊断错误率分别为8.5%，0，0，0.制冷剂泄漏4个水平的诊断正确率分别为64.5%，57.4%，100%，100%，错误率分别为9.5%，0，0，0.就错误率而言，水平1大于水平2，因此，诊断效果水平2更好.制冷剂充注过多、不凝性气体、冷冻水流量减少和冷却水流量减少的四个故障水平诊断正确率均为100%. 　　3）从诊断结果中看出，随着故障水平的增加，诊断效果越来越好，各水平的正确率较高，对于冷凝器结垢和制冷剂泄漏，水平1有较低的错误率.在各故障诊断的结果中，水平2、水平3和水平4的错误率均为0，进而得出结论，应用Kriging模型和EWMA方法到冷水机组FDD中，诊断结果更可靠，可以更准确有效地检测与诊断冷水机组的故障. 　　参考文献 　　[1]CHEN Youming， LAN Lili. A fault detection technique for airsource heat pump water chiller/heaters[J]. Energy and Buildings， 2009，41（8）：881-887. 　　[2]ZHOU Qiang，WANG Shengwei.A novel strategy for the fault detection and di