论文部分内容阅读
建筑能耗占社会总能耗的比重在逐年攀升,而暖通空调系统能耗是建筑能耗的重要组成部分。冷水机组作为暖通空调的关键设备,一旦发生故障,将会导致系统运行效率低下,能源成本增加,用户舒适感下降和部件磨损加剧等问题。因此,将故障诊断技术应用于冷水机组,及时有效地排除空调制冷设备的故障,对于保证制冷设备的安全可靠运行,维持环境舒适度,以及减少能耗具有重要意义。本文研究制冷系统的故障诊断技术,以冷水机组为研究对象,基于ASHRAERP-1043实验数据,提出了一种基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的冷水机组故障诊断方法,具体工作如下:(1)研究基于KPCA的冷水机组故障特征提取方法针对冷水机组变量间相关性严重,且非线性程度高的特点,采用多元统计分析方法进行故障特征提取。鉴于PCA方法在非线性特征提取方面存在缺陷,引入KPCA方法,提取系统变量的高阶统计信息,降低数据维数,使得样本数据具有更好的可分性。利用故障检测结果对两种方法进行评价,表明KPCA方法更适用于冷水机组故障的特征提取。(2)研究一种基于KPCA-LSSVM的冷水机组组合故障诊断方法针对冷水机组实际运行过程中故障数据较少,且故障与征兆之间的关系错综复杂,故障诊断较为困难的特点,引入LSSVM作为故障分类算法。并将LSSVM与KPCA相结合,提出一种基于KPCA-LSSVM的组合故障诊断方法。先利用KPCA提取数据的非线性主元,再将提取后的数据输入到LSSVM中进行故障分类。通过对ASHRAE RP-1043的7种典型故障进行诊断分析,并与SVM、LSSVM和PCA-LSSVM方法进行对比,结果显示该方法具有较高的准确率,同时也表明LSSVM两个参数的选取对诊断结果影响很大,需要对其进行优化。(3)基于IGSA优化的LSSVM故障诊断研究为了避免LSSVM参数选择的盲目性,提出一种改进的引力搜索算法(IGSA)对LSSVM的参数进行寻优。基本的引力搜索算法(GSA)缺乏记忆性,通过引入粒子群算法(PSO)的速度更新机制进行改进,增加了算法的记忆性及信息共享能力,对基准函数的性能测试表明IGSA具有更快的收敛速度和更高的搜索精度。在KPCA特征提取的基础上建立IGSA-LSSVM的故障诊断模型,并和基于PSO-LSSVM、GSA-LSSVM的诊断模型进行对比,结果验证了所提方法的有效性和优越性。