论文部分内容阅读
暖通空调数量和种类日益增多、系统结构越来越复杂,长期运行在变工况和变负荷的条件下,就不可避免会产生故障。一旦发生故障,必然会导致能耗增加、运行效率变低、用户舒适度下降等一系列问题。冷水机组作为暖通空调的主要耗能对象和核心部件,对其进行准确、快速的故障检测和诊断可以确保暖通空调健康高效运行。本文对ASHRAERP-1043冷水机组进行研究,并对七种典型的单一故障进行热力学分析,针对变量之间存在高度非线性,过程数据具有非高斯性,本文提出基于核熵成分分析(KECA)和极限学习机(ELM)的故障检测和诊断方法。具体工作主要体现在以下几个方面:(1)针对冷水机组过程数据具有非线性的特点,基于主元分析(PCA)的故障检测效果有所欠缺。通过核函数将PCA扩展到核主元分析(KPCA)和KECA,将KPCA和KECA对比后发现,KECA以Renyi二次熵为指标选取的主元能够确保在降维时信息丢失最小。在对冷水机组七种单一故障进行故障检测时,KECA在误报率和检出率均优于KPCA和PCA。(2)使用T2和SPE传统统计量进行故障检测时是基于高斯假设的,存在误报和漏报。在研究KECA特征提取后,发现投影后的数据会存在一个角度结构,故障数据和正常数据会有明显差异。于是提出了一种基于Cauchy-Schwarz(CS)检测统计量,表达了不同数据概率分布之间的相似度,避免了高斯假设。并使用非参数估计的核密度估计(KDE)来获取CS统计量的控制限。为了确定KDE的平滑因子,采用改进的灰狼算法(IGWO)进行全局寻优。与GWO相比,IGWO改进局部搜索和全局搜索平衡性,并且避免陷入局部最优,提高了收敛速度。实验仿真验证了其有效性和优越性。(3)故障检测仅仅是判断故障是否发生,而发生何种故障需要使用模式识别的方法对故障进行诊断。在进行故障诊断之前,使用KECA进行特征提取,消除数据间的冗余。本文引入ELM进行故障诊断,隐含层的选取对ELM的模型存在一定的影响,而最优的隐含层通常位于较小的范围,故提出一种基于投票规则的极限学习机(VELM)。将ELM分成若干个子ELM进行分类,在不增加训练时间的基础上提高分类器的稳定性。对冷水机组七种故障进行故障诊断,验证了本文提出的方法具有更高的故障诊断性能。