英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料
毕业论文（设计）
英文翻译
原文标题 Fault isolation of air handling unit based on neural network
译文标题 基于神经网络的空调箱故障诊断
基于神经网络的空调箱故障诊断
杜志敏 晋欣桥 杨学宾 范 波
(上海交通大学制冷与低温工程研究所 , 上海200240)
摘要：针对空调系统的不同故障，分析了空调的故障特性，并讨论了不同故障对空调系统能耗及热舒适性的影响。仿真试验结果表明，送风的温度的测量故障会导致系统能耗的增加。根据故障特性，提出了一种基于神经网络的数据处理方法，用以检测和诊断空调箱中的传感器故障。该方法首先选取历史数据对神经网络进行训练，实现对系统运行状态的识别和预测。然后，通过比较测量值与预测值，计算出相对误差，实现对故障的诊断。最后，利用基于TRNSYS的仿真器，对神经网络的故障诊断策略进行了验证。结果表明，神经网路可以有效诊断空调系统中的温度、流量和压力传感器故障。
关键词：空调箱，故障特性，故障诊断，神经网络。
控制器在加热，通风和空调系统中发挥重要作用，系统越有最好的最优控制策略，就越能实现更节能。除了合理和最佳的控制策略，健康运行包括健康测量，控制还应确保执行和执行部件。 没有健康的测量和控制，HVAC系统的运行永远不会是最佳的或合理的。如果系统有某些故障，就可能会发生大量能源消耗或室内空气质量差，例如，操作条件可能偏离最佳操作条件点。此外，这些故障可能导致设施的寿命甚至安全事故的减少。因此，开发合适的故障检测和诊断（FDD）工具是尤为重要的。
暖通空调领域的FDD发展晚于太空，核科学和自动化领域。20世纪80年代，U soro.等人开始故障诊断研究，随着故障诊断工具逐渐显现出积极的作用，越来越多的学者开始关注它们。国际能源署（IEA）组织了来自不同国家的许多学者来开发可能并且合适的故障诊断工具，一些典型的成就包括Annex25和Annex34。之后，美国能源部（DOE）和ASHRAE技术委员会还组织和资助了HVAC领域的故障检测和诊断研究。最近，西方国家在故障诊断领域变得更加活跃。
在中国，故障检测与诊断的应用在暖通空调领域的应用要比西方国家晚，Jiang等人在HVAC系统中开发了相关的故障诊断工具。
HVAC领域已经开发出两种主要的故障检测和诊断方法,一种是基于模型的方法，另一种是数据驱动的方法。基于模型的方法已被广泛开发应用，通过比较数学模型的输出和被称为残差的测量值之间的差异，可以诊断故障。显然，是否可以建立准确的数学模型是基于模型的方法的一个关键点。最近，数据驱动的方法已经开发，数学方法，如统计方法，神经网络，波浪分析等，始终用于分析和操作数据，通过对已知的数据进行分析比较，也可以进行故障诊断。数据驱动方法不需要为HAVC系统构建数学模型，但需要许多操作数据，诊断效率高度依赖于数据的质量和数量。幸运的是，随着楼宇自动化的发展和应用，人们可以轻松操作数据。
本文首先讨论了空气处理单元的故障特征，然后，提出了用神经网络模型来诊断空气处理单元中的故障，通过对运行状况的培训，构建的网络能够识别系统，当发生故障的时候，神经网络可以用来进行故障诊断。
1、故障特征
1.1 空气处理单元
空气处理单元的方案如图1所示，它包括三个控制回路：空调温度调节器，室外空气流量控制器和静态静压控制器。在这里，我们专注于空调温度控制回路，通过比较空气温度的测量结果和操作设定值，可以调节冷冻水阀。
图1： 空气处理单元
1.2 故障特征分析
在供气温度控制回路中，考虑一下变量：供气温度Tsup及其设定值Tsup.set，水阀的控制命令Cw，冷冻水流量Mw，供应冷冻水温度Tws和冷冻回流水温Twr。常见的故障包括设定值误差，供气温度的测量偏差，Mw，Tws和Twr的测量偏差。此外，Cw的缺陷和值通常发生在真是的系统中。在夏季和冬季的情况下，上述的这些故障总是导致不同的影响，这些故障特征的分析如表1所示。
表1：故障的影响
1.3 能源消耗的影响
当供气温度的测量结果有偏差时，控制器可能被误导，可能会采取错误或者不适当的控制命令来调节冷冻水阀。正常条件下和故障条件下的能耗比较如图2所示，由于供气温度，传感器增加了2%。
图2 ：能耗的比较
- 故障诊断
2.1 神经网络
神经网络技术是理论和应用中有价值的模式识别方法，它广泛应用与工程应用，特别是在非线性分析或复杂系统中，了解客观系统的某些状态或者操作条件是有效的，训练有素的网络可以识别或者区分各种条件。实际上，故障诊断的过程在本质上是一种识别分类或者说识别，因此，神经网络技术可以用作诊断方法。
通常，神经网络有三层组成：输入层，输出层和一个或者多个隐藏层。在诊断过程中应用神经网络有两个主要步骤，首先，使用从建筑物自动化系统的历史数据分解的许多特征信息来训练构建的神经网络，训练数据包括正常运行条件和故障状态；其次，通过训练有素的神经网络，比较所确定的条件的输出和一直的条件识别或者故障诊断来进行。
2.2 诊断过程
使用神经网络的诊断过程如下：
（1）典型的训练数据应选择为：
（2）使用历史数据训练神经网络，培训过程在满足收敛需求之前不会停止，而训练有素的网络可以识别系统的运行。
（3）预测系统的运行状态：
（4）可以通过计算相对误差来进行故障诊断，相对误差phi;表示测量结果与预测输出之间的差异；也就是说，
2.3 模拟测试
仿真测试使用基于TRNSYS平台的HVAC模拟器进行。测试了两个故障情况：一个故障是回风冷水温度传感器偏压1℃；另一种是供气温度传感器偏压15℃。训练有素的神经网络预测结果如图3所示，相关误差的诊断结果如图4所示。
图3：神经网络预测Twr和Tsup
（a）Twr （b）Tsup
图4：故障诊断
（a）返回冷水温度传感器
（b）供气温度传感器
- 结论
本文分析了空气处理单元中的某些故障的特点和影响，然后提出了一个神经网络来诊断这些故障。基于神经网络的工作方法是一种数据驱动的诊断方法，神经网络的诊断效率高度依赖于所选训练数据的数量和质量，培训数据和培训过程越好，诊断效率越高。
参考文献
[1]U.soro P B,Schick I.C,Negahdaripour S. An innovation based methodology for HVAC system fault detection[J]. Journal of Dynamic Systems,Measurement and Control,1985,107(44):284-289.
[2]Hyvamen J,Karki S. Building optimization and fault diagnosis source book,
IEA ANNEX25[R],Paris:International Energy Agency,1995.
[3]Dexter A.L,Pakanen J.Demonstrating automated fault detection and diagnosis methods in real buildings[R],Espoo,Finland:International Energy Agency,2001.
[4]Katipamula S,Brambley M.R,Luskay L.Automated proactive techniques for commissioning air-handling units[J].Journal of Solar Energy Engineering,2002,125(3):282-291
[5]Salsburry T.L,Diamond R.C.Fault detection in HVAC systems using model-based feed forward and control[J].Energy and Buildings,2001,33(1):403-415.
[6]Sreadharan P,Haves P.Comparison of chiller models for use in model-based fault detection[R],Austin,TX,USA:Texas Aamp;M University,2001.
[7]Norford L.K,W right J.A,Buswell R A,etal Demonstration of fault detection and diagnosis methods for air-handling units(ASHRE 1020-R P)[J],International Journal of HVAC amp;R Reseaerch,2002,8(1):41-71.
[8]Comstock M.C,Braun J.E.Development of analysis tools for the evaluation of fault detection and diagnostics in chillers[R].West Lafaytte,N,USA:Purdue University,1999.
[9]Reddy T.A,Andersen K.K.An evaluation of classical steady-state off-line linear parameter estimation methods applied to chiller performance data[J].International Journal of HVACamp;R.Research,2002,8(1):101-124
[10]Jiang Y,Li J,Yang X.Fault direction space method for online fault detection[J],ASHRAE Transactions,1995,101(2):219-228.
[11]Wang S.W,Wang J.B.Law-based sensor fault diagnosis and validation for building air-conditioning systems[J].International Journal of HVACamp;R Research,1999,5(4):353-380.
[12]Wang S W,Chen Y M.Fault-tolerant control for outdoor ventilation air flow rate in building on neural networ
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[27228]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
