制冷系統(tǒng)故障檢測、診斷及預測研究.pdf

1、隨著制冷系統(tǒng)系統(tǒng)復雜程度的提高，如何建立切實可行、高效的制冷系統(tǒng)狀態(tài)監(jiān)測系統(tǒng)已成為該領域研究熱點。本文針對制冷系統(tǒng)狀態(tài)監(jiān)測中所涉及到的故障檢測、故障診斷及故障狀態(tài)下系統(tǒng)性能預測問題展開研究，主要工作體現(xiàn)在以下幾個方面： 首先，在對制冷系統(tǒng)故障調(diào)查、總結和結合現(xiàn)有實驗的條件基礎上，選取4種常見的突變故障和8種漸變故障作為本文研究對象。實驗模擬了這12種故障，獲得了研究所需的樣本數(shù)據(jù)，總結了各種故障與其征兆之間的關系。 針對

2、制冷系統(tǒng)中漸變故障和突變故障的不同特性、對系統(tǒng)和設備造成的不同影響以及故障檢測系統(tǒng)的要求，提出了基于數(shù)據(jù)滑動窗口小波包變換(WaveletPacketTransformation，WPT)突變故障先兆性檢測和基于主元分析(PrincipleComponentAnalysis，PCA)漸變故障檢測的制冷系統(tǒng)故障檢測策略。對小波包信號分解和小波信號分解在檢測突變故障性能上進行了對比分析和驗證，對基于PCA分析漸變故障檢測進行了實驗驗證。結果

3、表明，WPT信號分解更適合制冷系統(tǒng)突變故障檢測，PCA方法能夠較好地檢測出制冷系統(tǒng)中發(fā)生的早期故障。 針對實驗中數(shù)據(jù)樣本中變量繁多，變量間共線性嚴重，直接用測試參數(shù)建立故障診斷模型，其診斷性能較差的問題，提出了對樣本數(shù)據(jù)進行主元分析提取其主要信息作為診斷模型所需的輸入特征向量的方法。對典型人工智能方法在建立故障診斷模型時的性能做了理論研究與應用分析，確定了以支持向量機算法(SupportVectorMachine，SVM)為基礎

4、的故障診斷模型，由此，提出了PCA-SVM組合故障診斷模型。針對SVM不能直接解決多元分類問題，探討和分析了各種多類支持向量機算法，并就幾種典型的多類支持向量機算法在建立制冷系統(tǒng)故障診斷模型上的性能進行了研究。對PCA-SVM組合診斷模型診斷的結果，利用模糊聚類(FuzzyC-MeansClustering)和歐氏距離測量方法量化了同一類型不同程度的故障對系統(tǒng)的影響程度。結果表明，基于PCA-SVM制冷系統(tǒng)故障診斷系統(tǒng)具有良好的性能，診

5、斷率更好，所需時間更短；基于模糊聚類和歐氏距離的故障等級劃分方法可以較好的量化故障程度。 針對采集樣本中某些特征缺失，無法為已有故障診斷模型所使用的問題，建立了基于相似特征轉換和支持向量機的不完整描述故障診斷測量。相似特征轉換將樣本中未知特征用已知相關特征來表示，通過測量目標檢索向量與歷史數(shù)據(jù)庫中的樣本之間的相似度，檢索出最優(yōu)相似的樣本，利用相關數(shù)據(jù)處理方法將該樣本中的相應特征賦予不完整樣本中的缺失特征形成新的完整描述的樣本，從

6、而為已有診斷模型使用。對該策略中的樣本規(guī)模、樣本特征值分布及未知特征處理方法等各關鍵點展開了深入的分析和探討。結果表明，該系統(tǒng)能夠解決采集樣本中特征缺失的問題，具有較高的故障診斷率。 針對制冷系統(tǒng)非線性特征、時變性及測試參數(shù)易受干擾，使用傳統(tǒng)方法建預測模型性能較差的問題，建立了基于SVM及ARIMA-SVM的制冷系統(tǒng)性能預測和時序型預測兩種類型的模型。將基于SVM預測模型應用于蒸發(fā)器結霜故障時蒸發(fā)器性能預測問題，與傳統(tǒng)的多元非線