基于数据挖掘的空气处理机组故障检测研究

作     者：滑亚娟 

作者单位：北京化工大学 

学位级别：硕士

导师姓名：刘忠华;秦蓉

授予年度：2024年

学科分类：080705[工学-制冷及低温工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 0807[工学-动力工程及工程热物理] 

主      题：空气处理机组 故障检测与诊断 主元分析 核主元分析 

摘      要：空气处理机组(Air Handling Unit,AHU)作为中央空调系统的重要组成部分,在商业、办公等公共建筑中得到了广泛的应用,而在实际工程应用中,AHU的运行效果却不尽如人意。AHU具有控制参数多、控制策略复杂,运行工况多变等特点,运行故障不仅会很大的缩短机组使用年限,浪费不必要的能源消耗,还会经常影响到室内空气品质,降低人员舒适度。因此对AHU进行故障检测与节能诊断是非常有必要的。 楼宇自控系统(BAS)存储着大量的运行数据,是AHU实际运行状态最直接、最原始的载体,为实现AHU的故障诊断提供了数据基础。数据挖掘能够发现隐藏在海量数据里的知识,可以有效解决“数据丰富、知识贫乏的困境,为AHU故障诊断提供了有效工具。因此结合数据挖掘技术和BAS大数据的方法,是解决AHU故障诊断问题的有效途径。 本文研究对象是夏热冬冷地区某大型商业综合体的空气处理机组(Air Handling Unit,AHU)。首先,简述了AHU的基本组成和工作原理,介绍了自动控制策略的实现方式,总结了AHU常见故障类型及传感器故障数学模型,以BAS为依托获取系统正常运行数据,对样本数据进行相关性分析,证明了主元分析的适用性。其次,根据AHU运行参数有一定相关性的特点,选取了主元分析法(Principal Component Analysis,PCA)建立了故障检测模型,设计了AHU传感器偏差故障、漂移故障和阀门卡死三种常见故障类型,引入平方预测误差(Squared Prediction Error,SPE)统计量作为检测指标。确定系统存在故障后,需进一步确定故障来源,本文选取了计算简单、应用效果较好的Q贡献图法建立了故障诊断模型。 再次,针对PCA对非线性数据处理效果较差的不足,提出了核主元分析法(Kernel-based Principal Component Analysis,KPCA),通过构造核函数将样本数据非线性映射到高维空间来构建KPCA矩阵,既能保留原始数据非线性关系还能够提取特征,并采用粒子群优化算法和FDA准则实现核函数参数的优化。由于KPCA难以找到高维特征空间到原始空间的逆映射函数,在故障诊断时提出了一种改进的Q贡献率图法,该方法通过对SPE求偏导数和采用核函数导数来计算每个变量对SPE统计量的贡献率。 最后,利用实际运行数据对模型进行了验证。结果表明,PCA方法对AHU故障检测是有效的,故障程度越大检测效率越高,但对小幅度故障的检测效果欠佳。KPCA方法对小幅度故障检测效率有明显提高,更适合作为空气处理机组的故障检测方法。Q贡献图法和改进的Q贡献图法都能够正确识别出所有故障来源,Q贡献率法可以作为AHU故障诊断的有效工具。 实证研究结果证明了该方法的可靠性和有效性,通过AHU故障检测和诊断,保证室内舒适性的同时降低了能源消耗水平,本文研究对AHU及其他领域的设备故障检测和诊断具有一定的参考价值。