基于遞階結(jié)構(gòu)的變風(fēng)量空調(diào)系統(tǒng)故障檢測(cè)與診斷研究.pdf

1、據(jù)統(tǒng)計(jì)，變風(fēng)量(Variable-Air-Volume，VAV)空調(diào)系統(tǒng)比常規(guī)的定風(fēng)量系統(tǒng)可節(jié)能30％至50％。但是，變風(fēng)量空調(diào)系統(tǒng)的控制比較復(fù)雜，因而故障的發(fā)生也比較頻繁。若不能及時(shí)地檢測(cè)、診斷并排除故障，勢(shì)必影響系統(tǒng)的正常運(yùn)行，從而增加空調(diào)系統(tǒng)能耗、降低人體舒適性、加劇空調(diào)設(shè)備損耗。目前，空調(diào)系統(tǒng)的故障主要依靠維修人員的感覺(jué)器官和個(gè)人經(jīng)驗(yàn)來(lái)診斷與排除。但是，單靠維修人員，很難及時(shí)發(fā)現(xiàn)和排除變風(fēng)量空調(diào)系統(tǒng)的故障，因此，研究變風(fēng)量空調(diào)系

2、統(tǒng)自動(dòng)故障檢測(cè)與診斷(Fault Detection and Diagnosis，F(xiàn)DD)技術(shù)，對(duì)于空調(diào)系統(tǒng)的節(jié)能與穩(wěn)定運(yùn)行具有重要的現(xiàn)實(shí)意義。 本文根據(jù)VAV系統(tǒng)及其控制的特點(diǎn)，提出了基于遞階結(jié)構(gòu)的故障檢測(cè)與診斷的基本方法，該方法將VAV系統(tǒng)故障診斷分為依次遞階的三個(gè)層次或級(jí)別，即系統(tǒng)級(jí)、單元級(jí)和元件級(jí)。針對(duì)各層次不同的特性和要求，分別采用不同的建模和故障診斷方法，以提高故障檢測(cè)與診斷的準(zhǔn)確性和可靠性，同時(shí)可將VAV系統(tǒng)故障檢

3、測(cè)與診斷相分離，將建模復(fù)雜性和故障診斷計(jì)算量適當(dāng)分散，有利于VAV系統(tǒng)FDD的實(shí)現(xiàn)以及與控制系統(tǒng)的最終整合。 對(duì)系統(tǒng)級(jí)依據(jù)VAV總能耗變化情況進(jìn)行故障檢測(cè)，即通過(guò)檢查實(shí)際能耗與正常能耗是否一致來(lái)判斷VAV系統(tǒng)內(nèi)是否發(fā)生了故障。系統(tǒng)正常能耗采用模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network,FNN)預(yù)測(cè)。在分析神經(jīng)網(wǎng)絡(luò)和模糊邏輯的基礎(chǔ)上，建立并實(shí)現(xiàn)了Mandani型和Takagi型兩類模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，并分別考慮了高斯

4、型(Gaussian)、鈴形(Bell)和三角形(Triangular)3種輸入模糊量隸屬度函數(shù)，因此可對(duì)6種模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行系統(tǒng)級(jí)故障檢測(cè)研究和比較。 在夏季制冷工況下，獲取了三組實(shí)驗(yàn)室VAV系統(tǒng)運(yùn)行數(shù)據(jù)，其中兩組為正常運(yùn)行數(shù)據(jù)，分別用來(lái)訓(xùn)練和測(cè)試FNN模型；第三組為含故障運(yùn)行數(shù)據(jù)，用來(lái)檢驗(yàn)各種FNN模型的故障檢測(cè)能力。模型訓(xùn)練、測(cè)試以及故障檢測(cè)的結(jié)果表明，采用高斯型或鈴形隸屬度的Mandani型模糊神經(jīng)網(wǎng)絡(luò)模型具有較好的

5、模型精度和系統(tǒng)級(jí)故障檢測(cè)能力。 對(duì)單元級(jí)故障診斷，提出了基于控制回路的故障診斷基本方法。根據(jù)VAV系統(tǒng)基本控制回路劃分故障診斷單元；故障依據(jù)被控量和控制量殘差進(jìn)行診斷。被控量殘差為被控量與其設(shè)定值的偏差，控制量殘差為控制量與其正常值的偏差；控制量的正常值采用外生自回歸(Auto-Regressive with eXogenous inputs,ARX)模型或滑動(dòng)平均外生自回歸(Auto-Regressive with Movin

6、g Average eXogenousinputs,ARMAX)模型預(yù)測(cè)。分析了ARX和ARMAX模型及其參數(shù)辨識(shí)算法的特點(diǎn)和不足，提出了把ARX作為ARMAX模型的特殊情況，采用遺傳算法(GeneticAlgorithm,GA)辨識(shí)ARMAX模型的優(yōu)化建模方法。針對(duì)實(shí)驗(yàn)室的VAV系統(tǒng)，建立了送風(fēng)溫度控制、管道靜壓控制和室內(nèi)溫度控制等3個(gè)主要故障診斷單元的ARMAX模型的基本形式。并以室內(nèi)溫度控制為例，利用運(yùn)行數(shù)據(jù)和ARMAX的GA建模

7、方法，對(duì)人為引入該單元的兩個(gè)故障進(jìn)行了檢測(cè)與診斷。結(jié)果表明，控制量殘差具有更好的故障診斷能力，綜合被控量和控制量?jī)煞矫鏅z測(cè)的結(jié)果，可以提高VAV單元級(jí)故障檢測(cè)的可靠性并對(duì)故障的性質(zhì)進(jìn)行初步診斷。 對(duì)元件級(jí)故障診斷，提出了故障模式匹配的診斷方法，以提高元件級(jí)故障診斷的準(zhǔn)確性和可靠性。由VAV系統(tǒng)發(fā)生故障時(shí)的特征過(guò)程量的實(shí)際響應(yīng)，得到故障的定性模式和定量模式，并分別與存儲(chǔ)在故障診斷系統(tǒng)里的故障定性知識(shí)庫(kù)里的各定性模式和故障定量知識(shí)庫(kù)

8、里的各定量模式相比較和匹配，匹配結(jié)果即為故障診斷結(jié)果。故障定量知識(shí)庫(kù)里的各定量模式需由故障模型動(dòng)態(tài)仿真獲取。以VAV送風(fēng)溫度控制單元內(nèi)的元件故障為例，采用基于物理機(jī)理建模的方法，建立了送風(fēng)溫度控制系統(tǒng)的數(shù)學(xué)模型，并基于SIMULINK軟件實(shí)現(xiàn)了6種元件故障仿真模型，構(gòu)成基本的送風(fēng)溫度回路內(nèi)元件故障仿真模型庫(kù)；通過(guò)實(shí)驗(yàn)，獲得了6種元件故障的定性模式，構(gòu)成基本的送風(fēng)溫度回路內(nèi)元件故障定性模式庫(kù)。 為了說(shuō)明模式匹配故障診斷方法的具體過(guò)