空调系统中的故障,会严重影响到系统的能源消耗、室内环境的舒适性和设备的运行损耗。及时发现和排除空调系统中的故障,可以节约能源,降低系统的运行费用,提高室内空气品质,维持室内环境的舒适性。因而,自动故障检测与诊断受到了越来越多的关注。正确可靠的传感器信号是准确进行空调系统自动故障检测与诊断的前提,也是空调正确检测与可靠控制的重要保证。所以,研究空调系统的传感器的故障诊断具有重要的意义。 本文采用主成分分析法(PCA)对变风量(VAV)空调系统传感器的偏差故障及漂移故障进行检测与诊断。主成分分析法利用正常运行条件下的测量数据来建立系统模型,从而避免了直接建立系统的解析模型。利用该方法建立系统的模型时,主成分数的选取是一个关键问题。本文选用最小不可重构方差法来选取最优主成分数。 主成分分析法将测量数据空间划分为主成分子空间(PCS)和残差子空间(RS)。主成分子空间包含的主要是数据的正常部分,而残差子空间则主要包含故障或自由噪声。通过检测测量数据在残差子空间内的投影大小,可以确定系统是否出现故障。本文用平方预测误差SPE这个统计量,来检测系统是否出现故障。 故障重构的本质就是寻找故障测量数据所对应的正常值的一个估计值的过程。本文用迭代重构法对故障数据进行重构,迭代重构的本质是沿着故障的方向逐步逼近主成分子空间的过程。 故障识别是故障诊断的一个重要内容,本文采用了SVI指数进行故障识别。研究表明,SVI指数能很好识别VAV系统的温度传感器故障和新风流量传感器故障,而无法识别送、回风流量传感器故障。出现这一问题,是由于送、回风流量传感器之间的共线性造成的。为了解决这一问题,本文采用小波分析法。小波分析法具有很好的局部时频特性,能通过观察信号的高频系数变化来识别故障,从而较好地解决了流量传感器共线性这一问题。 为了验证PCA方法的正确性和有效性,通过对某建筑的VAV系统的仿真获取一定条件下系统的仿真数据,利用仿真数据建立系统的PCA模型并对VAV系统传感器的偏差故障及漂移故障进行了检测、识别与重构。结果表明,PCA方法是有效的。 最后,对论文进行了总结和对未来空调系统故障诊断研究提出了建议。