235基于pca方法的热泵空调系统传感器故障诊断.doc免费

基于PCA方法的热泵空调系统传感器 　 故障诊断 湖南大学 兰丽丽　陈友明 摘要 本文介绍了一种空气源热泵空调系统传感器故障检测与诊断方法。用主成分分析法（Prｉncipaｌ　Coｍpｏnｅnt　Analyｓｉs,ＰCＡ）来提取系统的相关性和降低分析数据的维数。在系统正常运行条件下，测得一组数据建立PＣA模型。PＣA模型建立后,在各传感器上分别载入偏差、漂移和完全失效故障，进行故障检测与诊断。在每次的测试实验中，只有一个传感器发生故障。SＰE统计量用于故障检测,SVＩ指数用来进行故障识别,最后在假定其他传感器数据无误的基础上根据它们之间的相互关系对故障传感器进行重构。现场实验得到了令人满意的效果,实验结果表明,基于PCA的传感器故障检测与诊断方法是正确、有效的。 关键字：传感器，故障检测与诊断，主成分分析法，空气源热泵空调系统 1．前言 在建筑的整个生命周期内,包括设计阶段到运行阶段，故障层出不穷，导致大部分建筑通常都无法满足设计阶段的预期要求[1]。同时，这些故障通常在短时间内难以察觉。此外，在建筑能源管理与控制系统(Energy　Manaｇemeｎt and Ｃｏntroｌ　Ｓystｅm,EMCS）中，安装有大量的传感器,包括温度传感器、流量传感器、流速传感器、压力传感器、功率传感器等。这些传感器有两种用途:一种是用作控制,控制设备的运行；另一种是用作监测,供设备管理者及时了解和掌握设备的运行状况。对于第一种用途的传感器,出现故障会直接影响设备的运行状态，增加设备能耗，影响室内人员的舒适性。第二种用途的传感器故障的危害，人们往往认识不足。用于监测的传感器出现故障虽然不直接造成能耗的明显增加,但它会带来潜在的损失。因为监测传感器出现故障时，设备故障不能被及时发现,设备长期在故障状态下运行，会大大减少设备的使用寿命，甚至造成设备事故。由于控制系统正变得越来越复杂，对传感器故障的诊断难以通过人工检测的方法进行,因此,对传感器故障诊断的研究是十分必要的。 根据系统误差的不同形式，把传感器故障大致分为四类:偏差（bｉas）、漂移（drｉftｉｎg）、精度等级下降（preciｓion ｄegradatioｎ）和完全失效故障(ｃoｍplｅte　fａilｕre)。其中,前三种属于软故障(soft ｆaiｌuｒe）,后一种属于硬故障（haｒｄ　ｆaｉｌｕre)。目前，对传感器故障的诊断方法主要有两类:基于模型的诊断方法和基于模式识别的方法。基于模型的诊断方法首先通过模型获得系统特征量的标准值，然后通过比较实际运行时的特征量与标准特征量的大小，根据特征量偏差的特性来判断是否出现故障。该方法的前提是需要一个相对比较精确的数学模型。基于模式识别的诊断方法首先对系统的各种运行状况进行学习(不管是否有故障)，然后针对某一实际的运行状况,应用各种启发式的推理对故障是否存在做一个判断。 主成分分析法［2,３]是最常用的SPC（Sｔatistical　Procｅｓｓ Coｎtｒol)方法之一，它是一种极其有用的多元分析技术，可用于数据压缩、降低数据维数、图像压缩和特征提取。在许多领域都大有用处，比如数据传输、模式识别和图像处理方面[4]。ＰＣA使用单纯的数学模型,也就是黑箱模型。使用PＣＡ方法的好处在于它能提取系统的相关性和降低分析数据的维数。利用少数几个相互独立的变量来对系统进行分析,而这几个相互独立变量能在很大程度上反映原变量所包含的信息［５］。本文提出基于ＰCA的空气源热泵空调系统传感器故障诊断方法，在检测出有故障发生后，故障诊断与重构用于确定故障传感器，并在假定其他传感器数据无误的基础上根据它们之间的相互关系对故障传感器进行重构。 2.主成分方法 主成分分析法主要是通过对系统变量的协方差矩阵进行特征分解，构造出由原变量线性组合而成的新的综合变量，即主成分。然后，在保证系统信息尽可能损失少的前提下，选取一定数量的主成分,来对原系统进行近似，实现既提取原变量之间的基本关系,又降低系统的维数的作用。 设∈代表包含个测量变量的向量，∈代表由的个测量样本所组成的一个测量矩阵。根据PCA方法,矩阵可以分解为： 　 (1) 　 　 　　 　　　 (2) 　　 　 (3) 式中，-可模变量，即测量向量的主成分子空间(Prｉnｃｉpａl Comｐonｅｎt Subspace，PCS）,代表了测量向量的真实值方向。－不可模变量或者残差,即测量向量的残差子空间或称故障空间(Ｒeｓｉdual Subspａce,RS),代表了测量的故障方向。在无故障时的正常情况下，主要是测量噪声和不确定干扰。－得分矩阵（Scoｒe Mａtriｃes)，∈,。－载荷矩阵(Loading Matrices）,∈。－模型所包含的主成分数。其中，的列