论文部分内容阅读
暖通空调系统存在运行维护管理粗放问题,在运行一段时间后往往会发生故障,造成的能源损失约占商业建筑总能耗的15%-30%。冷水机组是暖通空调系统的主要耗能部件。据统计,冷水机组运行能耗约占整个空调系统能源消耗的40%-50%,42%的维修服务和26%的维修费用是由冷水机组软故障引起的。因此,将故障检测与诊断应用于冷水机组,及时发现并排除机组故障,对于保持室内环境舒适度,节约能源,减轻设备耗损具有重要意义。本文针对机房现场在线应用,故障数据库样本量少的情况,采用对训练数据样本量需求较少的支持向量的方法进行故障检测与诊断,同时为了能够在只有正常运行数据的情况下启动故障检测,检测出故障库中所缺失未定义的故障类型,本文将故障检测与诊断看作一类分类问题;为降低检测虚警率,提高诊断正确率,将密度权重引入到支持向量数据描述(SVDD)中,构建更精确的密度权重支持向量数据描述(DW-SVDD)模型,并基于改进后的DW-SVDD一类分类算法来实现故障检测与诊断;针对一类分类算法在诊断过程中出现的诊断结果混淆,产生第Ⅱ类错误,误诊率高的问题,通过在诊断阶段集成支持向量机(SVM)多类分类算法来解决。通过方法集成,本文提出了一种基于DW-SVDD-SVM的冷水机组在线故障检测与诊断方法。流程上,该方法分为离线模型训练及在线故障检测与诊断两部分。离线模型训练阶段,采用机组历史记录的正常运行数据以及各类型故障数据分别进行训练,并建立各自的DW-SVDD模型。同时,采用SVM对各类型故障数据进行训练,构建全故障SVM模型。在线故障检测与诊断阶段,采取先检测、后诊断的方法。先基于训练好的正常运行DW-SVDD模型进行故障检测,发现故障后,使用所有的DW-SVDD故障模型进行诊断,若诊断结果出现混淆,则使用训练好的全故障SVM模型再次进行诊断。使用ASHRAE RP-1043冷水机组实验数据对提出的基于DW-SVDD-SVM冷水机组在线故障检测与诊断方法方法进行验证,并将结果同传统基于SVDD的故障检测与诊断方法进行比较。结果表明:检测阶段,本文提出的方法显著降低了检测虚警率(FAR),对测试集的FAR由10.5%下降到7%,同比下降了30%以上。对大多数故障,新方法保持了同样高的检测正确率,甚至提高了某些故障的检测正确率。诊断阶段,新方法的故障诊断正确率相比于SVDD均有提高,且避免了诊断结果出现混淆,减少了第Ⅱ类故障,误诊率有大幅下降,同时能够有效地检测出故障库中所缺失未定义的故障类型。