35基于pca方法的热泵空调系统传感器故障诊断

1、基于PCA方法的热泵空调系统传感器故障诊断湖南大学兰丽丽陈友明摘要本文介绍了 一种空气源热泵空调系统传感器故障检测与诊断方法。用主成分分析法 (PrincipalComponentAnalysis， PCA来提取系统的相关性和降低分析数据的维数。在系统正常运行条件下，测得一组数据建立 PCA模型。PCA莫型建立后，在各传感器上分别载入偏差、漂移和完全失效故障，进行故障检 测与诊断。在每次的测试实验中，只有一个传感器发生故障。SPE统计量用于故障检测，SVI指数用来进行故障识别，最后在假定其他传感器数据无误的基础上根据它们之间的相互关系对故障传感器进行重构。现场实验得到了令人满意的效果，实验结果

2、表明，基于PCA的传感器故障检测与诊断方法是正确、有效的。关键字：传感器，故障检测与诊断，主成分分析法，空气源热泵空调系统1. 刖言在建筑的整个生命周期内，包括设计阶段到运行阶段，故障层出不穷，导致大部分建筑通常都无法满足设计阶段的预期要求。同时，这些故障通常在短时间内难以察觉。此外，在建筑能源管理与控制系统(EnergyManagementandControlSystem , EMCS )中，安装有大量的传感器，包括温度传感器、流量传感器、流 速传感器、压力传感器、功率传感器等。这些传感器有两种用途：一种是用作控制，控制设备的运行；另一种是 用作监测，供设备管理者及时了解和掌握设备的运行状况

3、。对于第一种用途的传感器，出现故障会直接影响设备的运行状态，增加设备能耗，影响室内人员的舒适性。第二种用途的传感器故障的危害，人们往往认识不足。用 于监测的传感器出现故障虽然不直接造成能耗的明显增加，但它会带来潜在的损失。因为监测传感器出现故障时，设备故障不能被及时发现，设备长期在故障状态下运行，会大大减少设备的使用寿命，甚至造成设备事故。由于 控制系统正变得越来越复杂，对传感器故障的诊断难以通过人工检测的方法进行，因此，对传感器故障诊断的研究是十分必要的。根据系统误差的不同形式，把传感器故障大致分为四类：偏差(bias)、漂移(drifting )、精度等级下降(precisiondegra

4、dation )和完全失效故障(completefailure )。其中，前三种属于软故障( softfailure )，后一种属 于硬故障(hardfailure )。目前，对传感器故障的诊断方法主要有两类：基于模型的诊断方法和基于模式识别的 方法。基于模型的诊断方法首先通过模型获得系统特征量的标准值，然后通过比较实际运行时的特征量与标准特征量的大小，根据特征量偏差的特性来判断是否出现故障。该方法的前提是需要一个相对比较精确的数学模型。基于模式识别的诊断方法首先对系统的各种运行状况进行学习(不管是否有故障)，然后针对某一实际的运行状况，应用各种启发式的推理对故障是否存在做一个判断。主成分分析

5、法2,3是最常用的SPC (StatisticalProcessControl)方法之一，它是一种极其有用的多元分析技术， 可用于数据压缩、降低数据维数、图像压缩和特征提取。在许多领域都大有用处，比如数据传输、模式识别和图 像处理方面。PCA使用单纯的数学模型，也就是黑箱模型。使用PCA方法的好处在于它能提取系统的相关性和降低分析数据的维数。利用少数几个相互独立的变量来对系统进行分析，而这几个相互独立变量能在很大程度上反映原变量所包含的信息5。本文提出基于 PCA的空气源热泵空调系统传感器故障诊断方法，在检测出有故 障发生后，故障诊断与重构用于确定故障传感器，并在假定其他传感器数据无误的基础上

6、根据它们之间的相互关系对故障传感器进行重构。量间的相关性被消除。可分别通过下式计算出投影矩阵c和C :2. 主成分方法主成分分析法主要是通过对系统变量的协方差矩阵进行特征分解，构造出由原变量线性组合而成的新的综合变量，即主成分。然后，在保证系统信息尽可能损失少的前提下，选取一定数量的主成分， 来对原系统进行近似，实现既提取原变量之间的基本关系，又降低系统的维数的作用。设X Rm代表包含m个测量变量的向量， 工 Rn m代表由x的n个测量样本所组成的一个测量矩阵。根据PCA方法，矩阵 工可以分解为：X =2 + E 2 = TPT E =TT (3)式中，X 可模变量，即测量向量的主成分子空间(

7、Prin cipalComp onen tSubspace , PCS),代表了测量向量的真实值方向。E 不可模变量或者残差，即测量向量的残差子空间或称故障空间(ResidualSubspace, RS)，代表了测量的故障方向。在无故障时的正常情况下，E主要是测量噪声和不确定干扰。?得分矩阵(ScoreMatrices) , T rn就,T = xP。P 载荷矩阵(LoadingMatrices ) , P rm滅。丨模型所包含的主成:I X x分数。其中，P的列向量分别是测量变量的协方差阵的前I个最大特征值Zi所对应的特征向量。的列向量则分 别是剩下的mI个特征向量。因此，矩阵PP是一个正交

8、矩阵。同样，矩阵? T也是一个正交矩阵。本文所用 的PCA方法只用到载荷矩阵 P。2.1建立PCA模型主成分分析法的建模过程大致分为以下几步：1) 原始数据进行筛选整理及标准化处理预处理。2) 计算变量的协方差阵 二进行主成分分析时，首先要知道测量变量X的协方差阵匕。然而，在实际问题中，三并不知道，要根据事先收集到的测量样本数据对其进行估计。假设工 Rn m代表系统在正常运行条件下所采集到的m个测量变量X的n次测量样本所组成的数据矩阵，即：X = Xq_X11X2XnX21X12X22X1 m IX2mXn2xnm根据统计学的知识，计算匕的一个无偏估计:z1-1n -1X i XTn -1n(

9、5)X (x i X 触 i -X Ti =1为了便于计算，我们对工进行零平均化处理，即工的每一列都减去该列的平均值，这样，零平均化后的X的均值为零，即 X=0。则上式可化简为:这样，只要收集到一定数量的正常运行条件下的测量数据，就可以利用上式估计出测量变量的协方差矩阵Zo3) 对二进行特征分解，求得 m个特征值 - 2亠 亠空m及特征值所对应的单位特征向量矩阵3。4) 确定最优的主成分数I。5) 根据主成分数I，选取载荷矩阵P。6) 由载荷矩阵P计算投影矩阵C和C，则原来m维数据空间被I维的主成分空间和 m-1维残差空间代替，变C =PP (7) C =PPT = Q _C J8)PCA模型

10、建立之后，当新的监测数据被采集到时，就可利用该模型对其进行检测与诊断。22故障检测根据主成分分析法，一个新的测量数据样本向量就可以分解成为两个部分:x =X X (9) X = Cx (10) x =Cx (11)?是x在主成分子空间PCS内的投影，而x是x在残差子空间RS内的投影。在正常情况下，PCS内投影x主 要包含的是测量数据的正常值，而RS内投影x主要是测量噪声。而当故障发生时，由于故障的影响，RS内投影x将会显着增加，依据此原理，我们可以进行故障检测。SPE( SquaredPredictionError，平方预测误差)统计量表示的是此时刻测量值x对主元模型的偏离程度，是衡量模型外部

11、数据变化的测度。SPE统计量也称Q统计量。它由下式定义：SPE (x) =| x=| Cx |2= xT(I -C)x (12)式中:|.|表示向量的欧氏范数，是一种距离的度量。从上式可以看出，SPE统计量主要检测的是 RS。可以直接利用测量变量x计算出其SPE值。SPE(x)的置信限;.2的值可由下式确定 ：盘丸 迪国+1+岂啤迪畅(13) L a$_式中：C：.标准正态分布的(1-)置信限。mmm2昭& = E 再也=E 洛日3 = E(14) ho =1 三/ (15)j ± 1j =l 1j =t 137l2其中：I 模型的主成分个数，扎一协方差阵工的特征值。有了 S

12、PE值和其置信限 2的值，就可以按照下面的规则来进行故障检测：SPE( x )_.2，系统运行正常；SPE( x )> ;.2，系统出现故障。2.3故障传感器重构设样本x的第i个测量分量有故障，利用式(10)计算出? , ?是正确值的一个估计值，但？也包含有 一定的故障，相对于 x来说，？的故障要小一些，因此， ？比Xi更靠近x。若利用?代替Xi ,用式(10)继续 求x；的估计，则重新计算的估计值会更靠近 x，如此反复经过多次迭代后，求得的估计值就趋近于x。迭代过程可写为：x1叫Ct o 耳x+cixold(16)式中：C 0 cT为矩阵c的第i列用o代替q值之后的向量。可以证明该迭代

13、总是收敛于8:Xi(17)式中Ci式1,若Ci =1，说明该变量与其它变量之间不具有相关性，属于孤立变量，不能被其它变量所重构。2.4故障识别当故障出现时，样本向量可以表示成为:x 二 x ” f i (18)式中：x“一表示测量值的正常部分，f 故障大小，i故障方向，故障方向用一个单位向量表示。通过重构后SPE( x j)的变化来识别故障9。对于测量值x，当故障发生时，SPE(x)也会显着增加。故障重构 就是沿着故障方向逐步逼近主成分子空间的过程。因此，若故障重构的方向正好是故障发生的方向，其重构后的SPE( xj)必定会显着地减少；若重构的方向不是故障发生的方向，则SPE(x；)不会发生显

14、着地变化。本文假设只有一个故障发生，可以用识别指数SVI (SensorValidityIndex )进行识别。显然，由于SPE(x )>SPE(xj)>0，所以，SVI 0 1。Obviously,becauseofSPE( x) > SPE(x j) >0，soSVI 0 1 1?一般来说，如果 SVIj 小于 0.5，则 为故障发生的方向；否则，如果 SVIj大于0.5，则不是故障发生的方向。SVIjSPE( x*j)SPE( x)(19)式中:x j是测量向量x沿第j个方向重构后的数据向量。2.5主成分数的确定主成分个数的选取是 PCA模型中最重要的步骤之一，主

15、元个数选取的好坏直接影响到PCA在过程监测中的性能1012,影响到故障检测与诊断效果。如果主成分数选得过小，则残差子空间所包含的方差太多，使得故障 检测限;2偏大，从而导致小故障难于被检测出。而若主成分数选得太大，又会使残差子空间包含的信息太少， 使得故障对残差影响不大，故障难于被检测出。本文采用最小化不可重构方差(unreconstructedvarianee, URV)13确定主成分数。阿 *讦(1C)戈(IC)勺Uj =Var(-j (x-x )(20)-j (1 -C)寸式中：j故障方向向量，x 测量向量，x j - x沿着故障方向j的重构值，Uj故障方向1上的不可重构方差。Uj是对故

16、障重构的可靠性的一种度量，Uj越小，说明重构越好。为了寻找最好的重构， 就必须最小化Uj。> 丿 i.'、.mMi nGj)(21)l j ±m为测量变量个数。 通过选择不同的主成分数l，分别计算出a Uj ,最后选取最小的a Uj所对应的主成分 数为最优的主成分数。:J3. 系统描述及试验设计图1空气源热泵水系统示意图本研究在湖南大学环境研究中心的空气源热泵空调系统上进行。该系统有一台制冷量为 63000W的空气源热泵冷热水机组，一台单级离心水泵，同时为了保证冬季供热的要求还配备了一台电辅助加热器，都安装在室外。全部采用空气一水系统，夏季制冷，冬季供热。室内采用风机盘

17、管，不单独设计新风系统，新风由室外渗透。冷水系统采用闭式机械循环。该系统既作研究中心的实验研究用，又作中心的空调用。该空调系统安装了EMCS对空调系统进行计费与监控。在建筑供、回水总管，一层供水干管、一层大空间实验室、大厅、二层走廊处供水 干管、三层走廊处供水干管和三层的三间实验室供水支管上分别安装了能量表；在建筑供、回水总管上安装一个压差传感器；在空气源热泵机组左侧约 4米处安装有一个室外温度传感器；同时各房间风机盘管回风口处均安装有室内温度传感器；电脑主机设置在二层监控室。EMCS根据热泵机组的供水温度来控制热泵与水泵的自动启停。本次实验使用的传感器有 3个流量传感器：建筑回水流量传感器、

18、二层供水流量传感器、三层供水流量传感器，4个温度传感器：建筑供水温度传感器、建筑回水温度传感器、室外温度传感器、206室室内温度传感器，以及1个建筑供回水管压差传感器。空气源热泵系统实验台如图1所示。4基于PCA的传感器故障诊断方法本研究采用PCA方法对空气源热泵系统的传感器故障进行检测与诊断。在传感器上分别被载入偏差、漂移 和完全失效故障，并用基于PCA的传感器故障检测与诊断方法分别成功地检测出故障、诊断出发生故障的传感器，并对故障数据进行了恢复。在每次的测试实验中，只有一个传感器发生故障。实验楼空调系统在工作日从上午9点运行至下午19点。由于本次实验采用现场实地测试，一些运行条件难以控制不

19、变。为获取稳态运行数据，实验时间为2007年7月持续一周，每天上午 11点至下午四点。非稳态条件下运行数据，例如启动和关闭期间的数据被剔除。测量数据采样间隔为30秒，并用指数加权滑动平均(Expo nen tialWeightedMovi ngAverage ，EWMA )滤波法进行过滤。前 3天正常运行数据用于建立PCA模型，第4天正常运行数据(前 300个样本)和建筑供水温度传感器加入5 C偏差故障后数据(后 300个样本)用于验证PCA模型的正确性。接下来几天的实验数据用于检验PCA模型检测、识别和重构故障的能力。第5、6、7天在建筑回水流量传感器上分别载入50%、10%、35%的偏差故

20、障，第8天和第9天在二层供水流量传感器上载入10%(400l/h)的漂移故障，第10天在压差传感器上载入完全失效故障，令其数值为0.0Pa。4.1建立PCA模型图2不可重构方差与主成分数之间的关系图3建筑供水温度传感器的故障检测SPE值首先计算协方差矩阵 三，然后，对匕进行特征分解，求得其单位特征向量矩阵m。按照最小化不可重构方差的方法，确定最优的主成分数，其计算结果见图2。当主成分数为1时，不可重构方差最小。因此，此时的最优主成分数为1。主成分数一旦确定，就可计算载荷矩阵P，由载荷矩阵P就可以计算出投影矩阵 C和C。这样，系统的主成分分析模型就被建立起来。利用已建的PCA模型计算SPE统计量

21、的;2置信限。经计算得到此时95%的2置信限为21.2680。第4天正常运行数据和加入偏差故障数据被用来检验已建立的PCA模型的正确性，其结果如图3所示。结果表明，在正常运行状态下，所有测量数据的SPE值都在?控制限以下，很显然系统运行正常，没有故障发生。但当建筑供水温度传感器被加入5 C偏差故障后，从第301个样本开始，SPE值明显增加，超过了 工置信限。显然系统运行不正常，出现了故障。验证了建立的PCA模型的正确性和故障检测的能力。4.2传感器故障诊断测试4.2.1测试i-偏差故障第5天，在建筑回水流量传感器上载入50%的偏差故障，故障开始时间为第301个样本。利用已建 PCA模型对该故障

22、数据进行检测，其检测结果见图4。结果表明，当加入故障后，SPE值明显增加，超过了 ;.2控制限。显然系统运行不正常，出现了故障。同时分析各传感器的SVI指数的变化情况后发现，当故障发生后，从第301个样本开始，建筑回水流量传感器的SVI指数变得很小，几乎为 0。这说明，该传感器出现故障。与此同时，其它传感器，如建筑回水温度传感器的SVI指数都接近1 (如图5(a)所示，其它传感器 SVI图略)，说明这些传感器是正常的。这种诊断结果与我们所加入的故障情况完全吻合，说明方法的正确性。故障识别之后，就可以对故 障数据进行恢复。从图4(a)中可以看到，数据恢复后的SPE值都降到了控制限以下，这说明，恢

23、复之后的数据中不再包含故障，证明前面所提出的方法具有很好的数据恢复能力，故障重构达到了我们预期的效果。(a)(b)图4建筑回水温度传感器 50%偏差故障FDD指标：(a)故障检测与重构 SPE值，(b)故障传感器识别 SVI值第6天，在建筑回水流量传感器上载入10%的偏差故障，故障开始时间同样为第 301个样本。利用已建PCA模型对该故障数据进行检测，其检测结果见图5(b)。然而，在加入故障后，所有样本的SPE值仍然在:.2置信限图5（a）建筑回水流量传感器 SVI值，（b）建筑回水温度传感器 10%偏差故障的SPE值第7天，在建筑回水流量传感器上载入35%的偏差故障，故障开始时间仍为第300

24、个样本。利用已建 PCA模型对该故障数据进行检测，其检测结果见图6（a）。在故障发生后，样本的SPE值在置信限-2上下波动，表明建筑回水流量传感器 35%的偏差故障处于被检测的边缘。图6故障检测与重构 SPE值：（a）建筑回水温度传感器 35%偏差，（b）压差传感器完全失效故障I I Ij 17 I * I j .4.2.1测试ii-漂移故障图7二层供水流量传感器 10%漂移故障FDD指标：（a）故障检测与重构 SPE值，（b）故障传感器识别 SVI值第8天，在二层供水流量传感器上载入10%（ 4001/h）的漂移故障，故障开始时间为第1个样本，其检测结果见图7。结果表明，当加入故障后，刚开始

25、SPE值并未超过:.2控制限，直到第8天末（约第480个样本）才逐渐增加，在第 9天最终渐渐超过了 *控制限。这表明系统运行不正常，出现了故障。同时也进一步验证了已 建PCA模型对小故障无法检测，且证实了漂移故障的发生是一个长期积累的过程，在一定时间内可以作为偏差 故障来看待。同时分析各传感器的SVI指数的变化情况后发现，当故障发生后，从第480个样本开始，二层热量表供水流量传感器的 SVI指数明显减低，且低于0.5,向0靠拢。这说明，该传感器出现故障。与此同时，其它传感器的SVI指数都接近1 （其它传感器SVI图略），说明这些传感器是正常的。这种诊断结果与我们所加入 的故障情况完全吻合，说明

26、方法的正确性。 从图7（a）中可以看到，数据恢复后的SPE值都降到了控制限以下，这说明，恢复之后的数据中不再包含故障，故障重构达到了我们预期的效果。4.2.1测试iii-完全失效故障(C)(d)图8压差传感器完全失效故障 SVI值:(a)建筑供回水管压差传感器， 器，(d)建筑回水流量传感器(b)室外温度传感器,(c)206室内温度传感第10天，在压差传感器上载入完全失效故障，令其数值为O.OPa。故障开始时间为第 401个样本，其检测结果见图6(b)。结果表明，当加入故障后，SPE值直线上升，远远超过了：.2控制限，并近似为一条直线。这表明系统运行不正常，出现了故障。同时分析各传感器的SVI

27、指数的变化情况后发现，虽然在故障发生前，建筑供回水管压差传感器的SVI指数在0.5之下，但当故障发生后，从第401个样本开始，建筑供回水管压差传感器的SVI指数明显变小，接近于0。与此同时，206室内温度传感器SVI个别值在0.5附近波动，室外温度传感器SVI 值都在0.5之上，其它传感器的 SVI指数都接近1，说明这些传感器是正常的，如图8所示(部分传感器 SVI图略)。在这种情况下，我们能做出判断，是建筑供回水管压差传感器出现故障。这种诊断结果与我们所加入的故 障情况完全吻合，说明方法的正确性。故障识别之后，就可以对故障数据进行恢复。从图8(b)中可以看到，数据恢复后的SPE值都降到了控制

28、限以下，这说明，恢复之后的数据中不再包含故障，证明前面所提出的方法具有 很好的数据恢复能力，故障重构达到了我们预期的效果。5.结论在空调控制系统中，传感器的故障检测非常重要。主成分分析法将测量数据空间分解成主成分子空间PCS和残差子空间 RS。在正常情况下，数据主要落在主成分子空间内。而当故障发生时，数据就会偏离主成分子空 间，残差子空间RS内投影X将会显着增加。本文提出基于PCA的传感器故障检测与诊断方法。在PCA模型建立后，SPE统计量用于故障检测，在检测出系统故障后，SVI指数用来进行故障识别，最后在假定其他传感器数据无误的基础上根据它们之间的相互关系对故障传感器进行重构。本文在EMCS

29、的空气源热泵系统中，分别载入偏差、漂移和完全失效故障，并用基于PCA的传感器故障检测与诊断方法分别成功地检测出故障、诊断出发生故障的传感器，并对故障数据进行了恢复。结果表明，基于PCA的传感器故障检测与诊断方法是正确、有效的。参考文献1 HavesP.Overviewofdiag no sticmethods.Proceedi ngsofDiag no sticsforCommercialBuildi ngs:FromResearchtoPractice,Sa nFran cisco, CA,19992 JacksonJE.AUser ' sGuidetoPrincipalCompon

30、eJohnWiley&SonslNC,19913 JolliffelT.Pri ncipalCompo nentAn alysis,Spri nger-VerlagNewYorkl nc,19864 Li ndsaylSmith.Atutorialo nPrin cipalCompo nentsAn alysis.2002,February26,5 RussellEL,Chia ngLH,RichardDB.Data-drive ntech ni quesforfaultdetectio nan ddiag no sisi nchemicalprocess.L ondon:H ongKon g,Spri nger,20006 QinJY .AfaultdetectionanddiagnosisstrategyforVA Vairdistributionsystem:dissertation.HongKong:TheHongKongPolytechnicU ni v