基于小波去噪和神经网络的冷水机组故障诊断

对基于神经网络方法的冷水机组故障监测效率取决于训练数据和被测数据的质量问题进行了研究。采用小波变换的方法剔除测量数据中的噪声,提高数据质量,从而提高冷水机组故障诊断效率。结果表明:采用小波变换使得各个水平故障的检测效率均得到提高,尤其水平一的故障检测效率提高明显。故障水平一检测率的提高能够及时的辨别冷水机组的故障,从而采用措施防止故障进一步恶化,对降低能源消耗、提高系统的可靠性以及保证室内舒适性具有重要的意义。通过利用ASHRAE Project提供的数据对故障诊断与检测(fault detection and diagnosis)策略进行验证,检测率明显提高。

基于改进BP网络的冷水机组故障诊断

采用常规神经网络进行冷水机组的故障检测与诊断,存在整体检测率低或完全无法检测的现象。为了提高冷水机组故障检测效率及诊断精度,本文提出了一种基于贝叶斯正则化的改进神经网络故障检测策略。由于BP神经网络存在泛化能力差的缺陷,对神经网络进行贝叶斯正则化,从而提高模型的检测效率。贝叶斯算法通过限制神经网络权值,使网络反应更加光滑,模型更精确。通过利用ASHRAE Project提供的数据对FDD(fault detection and diagnosis)策略进行验证,检测率明显提高。

基于主成分分析和神经网络相结合的制冷剂充注量故障诊断

空调设备的能耗在建筑总能耗中占据30%以上的比例,一旦发生故障不及时排除,很可能导致系统能耗增加、设备寿命缩短、人员体感不适甚至影响正常的工作。本文采用一种基于主元分析法(Principal Component Analysis,PCA)与基于反向算法(Back Propagation,BP)的多层前馈神经网络(BP神经网络)相结合的算法,以制冷剂充注量为例,实现了对多联机性能故障的高效诊断。首先收集多联机组实测运行数据,进行一定的数据预处理工作,然后利用PCA提取主元,最终基于BP神经网络训练建立PCA-BP模型进行联机制冷剂充注量的故障诊断。结果表明:PCA-BP神经网络能高效检测多联机制冷剂充注量的故障,较于传统BP神经网络节约了计算时长及计算空间,同时该算法也具有泛化能力,为推广到多联机其他故障的诊断奠定了基础。

基于主元分析法的多联机系统压缩机排气温度传感器故障检测与诊断

传感器是空调系统的重要组成部分,它对空调系统的运行状态进行实时监控,并将运行数据传输到控制系统中。传感器发生故障将使得空调系统偏离正常运行状态,导致系统能耗增加。主元分析法(Principal Component Analysis,PCA)是传感器故障检测与诊断中常用的数据分析方法。本文采集了多联机系统传感器正常运行数据,通过人为调整得到故障运行数据;采用正常运行数据对PCA进行建模,用训练好的模型对故障运行数据进行检测与诊断,分析检测与诊断结果。本文中传感器故障工况包含压缩机排气感温包漂移、脱落、精度下降以及完全失效故障。检测与诊断的结果为:基于PCA的多联机系统压缩机排气温度传感器故障检测与诊断结果良好。

基于数据挖掘算法的地铁站内温度时序预测方法

提出了基于数据挖掘算法的地铁站内环境温度时序预测的方法.分别建立了支持向量数据(SVR)、BP神经网络(BPNN)、决策树CART三种预测模型,对比了一般的输入-输出建模方法与基于时间时间延迟方法的预测结果,以及不同时间延迟下三种数据挖掘模型的预测结果.结果表明:基于时间序列的预测模型效果比一般的输入-输出模型效果更好;当时间延迟为1时,三种模型的预测精度相对较高,且在此条件下,模型的预测效率也最高;基于SVR的时间序列预测模型精度比BPNN和CART更高.