基于OpenModelica仿真平臺(tái)的暖通空調(diào)系統(tǒng)故障診斷研究

朱輝　楊文　龐愛平

摘 要： 針對(duì)暖通空調(diào)系統(tǒng)（HVAC）故障樣本的不充分從而使基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法在暖通空調(diào)系統(tǒng)應(yīng)用較為困難，本文提出一種基于Modelica語言的暖通空調(diào)系統(tǒng)故障方法。首先，采用Modelica語言仿真平臺(tái)OpenModelica建立暖通空調(diào)系統(tǒng)的模型，然后對(duì)仿真模型以人工注入故障獲取故障樣本，最后通過PCA故障診斷算法對(duì)故障樣本進(jìn)行故障識(shí)別找出故障源。仿真結(jié)果表明：該方法可以有效且準(zhǔn)確地實(shí)現(xiàn)暖通空調(diào)系統(tǒng)的故障診斷。

關(guān)鍵詞： 暖通空調(diào)系統(tǒng); PCA算法; 故障診斷; Modelica建模

文章編號(hào)： 2095-2163（2021）07-0171-06中圖分類號(hào)：TP277文獻(xiàn)標(biāo)志碼： A

HVAC system fault diagnosis method based on OpenModelica

ZHU Hui1， YANG Wen2， PANG Aiping1

（1 The Electrical Engineering College， Guizhou University， Guiyang 550025， China;

2 Key Laboratory of Space Launching Site Reliability Technology， Haikou 570100， China）

【Abstract】Aiming at the insufficient fault samples of HVAC system， which makes the application of data-driven fault diagnosis method in HVAC system more difficult， this paper proposes a fault method of HVAC system based on Modelica language. Firstly， the Modelica language simulation platform OpenModelica is used to establish the model of HVAC system， then the simulation model is manually injected to obtain the fault samples，? finally the fault samples are identified by PCA fault diagnosis algorithm to find the fault source. The simulation results show that the method can effectively and accurately achieve the fault diagnosis of HVAC system.

【Key words】HVAC systems; PCA algorithm; fault diagnosis; Modelica modeling

0 引 言

暖通空調(diào)系統(tǒng)是集空氣調(diào)節(jié)、供暖和通風(fēng)于一體的大型多功能系統(tǒng)，目前常應(yīng)用于數(shù)據(jù)中心和通訊基站等重要場所[1]。因此，為了其安全運(yùn)行，研究者們對(duì)暖通空調(diào)系統(tǒng)的故障診斷進(jìn)行了多方面的研究。文獻(xiàn)[2-3]對(duì)暖通空調(diào)系統(tǒng)常見的故障類型進(jìn)行了調(diào)查，結(jié)果表明暖通空調(diào)系統(tǒng)故障分為傳感器故障和設(shè)備故障。其中，傳感器故障主要包括偏差、漂移、精度下降和完全失效等4種故障類型，而設(shè)備故障有冷水機(jī)組制冷劑泄露、冷卻水泵堵塞、冷凝器結(jié)垢、冷卻塔失效等。針對(duì)暖通空調(diào)系統(tǒng)的故障，學(xué)者們提出了許多故障診斷方法以找出其故障來源。

主流的傳統(tǒng)暖通空調(diào)系統(tǒng)故障檢測(cè)診斷方法可以分為定性分析方法和定量分析方法[4]。其中，定性分析邏輯性較強(qiáng)，可通過直觀的圖論表示和領(lǐng)域的專家的先驗(yàn)知識(shí)系統(tǒng)對(duì)比診斷對(duì)象的性能差別和參數(shù)改變從而對(duì)故障原因和故障性質(zhì)做出判斷。例如文獻(xiàn)[5-6]中，基于專家規(guī)則提出了暖通空調(diào)系統(tǒng)的空氣處理單元的傳感器的故障診斷方法。文獻(xiàn)[7]開發(fā)了基于圖論方法的空調(diào)系統(tǒng)末端變風(fēng)量的故障診斷研究方法。該類方法的優(yōu)點(diǎn)是簡單易于使用，但是對(duì)復(fù)雜系統(tǒng)的故障檢測(cè)能力較弱。因此，在暖通空調(diào)故障診斷方法研究中，基于定量分析的方法成為一個(gè)熱點(diǎn)。該類方法主要分為基于解析模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。基于模型的方法是通過建立對(duì)特定故障較為敏感的指標(biāo)模型，主要是利用受診斷的物理對(duì)象的期望值與實(shí)際值的偏差來檢測(cè)系統(tǒng)故障。文獻(xiàn)[8]建立了一種用于診斷暖通空調(diào)系統(tǒng)表冷器的物理模型，結(jié)果表明該方法能準(zhǔn)確檢測(cè)到故障。但是該方法需要測(cè)量大量的對(duì)象參數(shù)以建立較為準(zhǔn)確的物理模型。基于數(shù)據(jù)驅(qū)動(dòng)的方法是通過機(jī)器學(xué)習(xí)算法對(duì)系統(tǒng)的運(yùn)行數(shù)據(jù)進(jìn)行特征提取，從而判斷當(dāng)前數(shù)據(jù)是否與數(shù)據(jù)的歷史特征一致來進(jìn)行故障診斷。該方法是近年來暖通空調(diào)系統(tǒng)故障研究領(lǐng)域的新興熱門研究方法。文獻(xiàn)[9]研究了基于主元分析的空氣處理機(jī)組的傳感器故障診斷，該診斷方法檢測(cè)準(zhǔn)確度較高。文獻(xiàn)[10]將PCA主元分析方法和支持向量分類器SVDD兩種方法結(jié)合起來以提高了故障的檢測(cè)準(zhǔn)確度。文獻(xiàn)[11]提出一種遞推最小二乘算法，該遞推算法基于數(shù)據(jù)模型的輸入狀態(tài)和輸出狀態(tài)觀測(cè)模型參數(shù)是否收斂時(shí)進(jìn)行故障檢測(cè)，文獻(xiàn)[12]利用主元分析方法來區(qū)分空調(diào)系統(tǒng)的異常數(shù)據(jù)與正常數(shù)據(jù)，并采用貢獻(xiàn)重構(gòu)對(duì)故障相關(guān)聯(lián)的變量進(jìn)行分離，然后通過變量決策表進(jìn)行故障診斷任務(wù)。文獻(xiàn)[13]提出了自聯(lián)想神經(jīng)網(wǎng)絡(luò)對(duì)暖通空調(diào)系統(tǒng)的傳感器故障進(jìn)行檢測(cè)，該神經(jīng)網(wǎng)絡(luò)使用大量的系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練，使得該網(wǎng)絡(luò)可以對(duì)傳感器故障準(zhǔn)確檢測(cè)。文獻(xiàn)[14-15]通過建立虛擬傳感器，并利用空調(diào)系統(tǒng)的相關(guān)組件的關(guān)聯(lián)構(gòu)建貝葉斯故障診斷網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)耦合故障的準(zhǔn)確檢測(cè)。研究表明基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法空調(diào)系統(tǒng)故障的檢測(cè)精度均遠(yuǎn)超過基于專家規(guī)則和模型的方法。但是，該方法需要大量的故障數(shù)據(jù)，這些數(shù)據(jù)在實(shí)際應(yīng)用中往往無法獲得或成本代價(jià)較高。并且其只在原始訓(xùn)練數(shù)據(jù)集所涉及的運(yùn)行工況范圍內(nèi)有效，由于靈敏度過高會(huì)在動(dòng)態(tài)擾動(dòng)運(yùn)行中造成大量的錯(cuò)誤報(bào)警。

針對(duì)基于數(shù)據(jù)驅(qū)動(dòng)故障診斷方法存在的故障數(shù)據(jù)不充分的問題，本文采用主成分分析方法并結(jié)合暖通空調(diào)系統(tǒng)模型建立的故障診斷方法對(duì)暖通空調(diào)系統(tǒng)進(jìn)行故障診斷。該方法通過仿真模型生成故障樣本，再采用主成分分析方法對(duì)故障樣本進(jìn)行故障檢測(cè)。本文內(nèi)容安排如下：首先為引言，然后研究了暖通空調(diào)系統(tǒng)模型的建立及故障生成，接著利用主成分分析算法識(shí)別故障，最后為總結(jié)。

1 模型建立及故障樣本生成

1.1 Modelica語言及仿真平臺(tái)

Modelica語言是基于C語言且直接面向?qū)ο蠼５囊环N計(jì)算機(jī)仿真語言，可以通過使用數(shù)學(xué)方程對(duì)不同領(lǐng)域各個(gè)子系統(tǒng)的描述來建立復(fù)雜系統(tǒng)的物理過程。Modelica語言根據(jù)實(shí)際的物理系統(tǒng)拓?fù)浣Y(jié)構(gòu)，然后基于該語言的內(nèi)在組件連接原理實(shí)現(xiàn)多領(lǐng)域復(fù)雜系統(tǒng)的集成，最后通過對(duì)各子系統(tǒng)的微分代數(shù)方程實(shí)現(xiàn)集成系統(tǒng)的仿真運(yùn)行。Modelica語言的基本類和特點(diǎn)見表1。該語言最突出的特點(diǎn)是組件和連接概念，系統(tǒng)各組件通過內(nèi)在定義的連接機(jī)制進(jìn)行信息交互。這一特點(diǎn)既使得Modelica語言區(qū)別于一般的程序語言，又優(yōu)于基于塊的單向數(shù)據(jù)傳遞的Simulink仿真建模。

OpenModelica是Modelica語言的仿真平臺(tái)之一。基于OpenModelica的建模方法有2種。一種是用基于Modelica語法以文本代碼的形式建立系統(tǒng)模型，另一種方法是通過導(dǎo)入Modelica標(biāo)準(zhǔn)庫，將庫中的組件模型拖放至組件視圖界面，連接各組件進(jìn)行建模。

1.2 建立系統(tǒng)模型

本文基于Modelica標(biāo)準(zhǔn)庫和Buildings庫在OpenModelica平臺(tái)上建立暖通空調(diào)系統(tǒng)模型。[JP4]基于OpenModelica的暖通空調(diào)系統(tǒng)典型設(shè)備模型描述如下。

（1）閥門模型。閥門模型位于Modelica標(biāo)準(zhǔn)庫下的Fluid庫。閥門一般分為2個(gè)部分。一部分是流體傳輸接口 FluidPort，一般和管道接口相連接;另一部分是閥門主體，具體定義了閥門特性和閥門的基本方程。閥門基本方程如下：

其中，Q表示通過閥門的流量;rc表示相對(duì)流量參數(shù);rc與閥門開度形成函數(shù)關(guān)系式，可以是線性關(guān)系，也可以是非線性關(guān)系;Av為節(jié)流面積;ΔP為閥門的前后壓差;ρ為流體密度。

（2）冷水機(jī)模型。冷水機(jī)模型位于Bluidings庫下的Fluid庫，其冷水機(jī)模型如圖1所示。

冷水機(jī)組數(shù)學(xué)模型采用性能曲線法。Buildings Library中提供了不同型號(hào)的冷水機(jī)組性能曲線。可以直接在現(xiàn)有性能曲線庫中選擇合適的性能曲線用于系統(tǒng)仿真。下面，簡單介紹冷水機(jī)組的性能曲線模型。冷水機(jī)組有3條基本性能曲線，分別是：實(shí)際制冷量曲線CAPFT和機(jī)組滿負(fù)荷效率曲線EIRFT以及部分負(fù)荷效率曲線EIRFPLR。各擬合曲線的數(shù)學(xué)描述如下：

其中，Ai，Bi，Ci，Di，Ei，F(xiàn)i是冷水機(jī)的擬合參數(shù);CAPFT是冷水機(jī)的實(shí)際制冷量和額定制冷量的比率;Tch是冷水機(jī)的冷凍水出水水溫;Tcl是冷水機(jī)的冷凝器進(jìn)水水溫;EIRFT是冷水機(jī)的全負(fù)荷效率;EIRFPLR是冷水機(jī)的部分負(fù)荷效率;q～是冷水機(jī)的實(shí)際制冷量;qr是冷水機(jī)的額定制冷量;P[WT5]^[WT7]是冷水機(jī)的部分負(fù)荷功率。

（3）風(fēng)機(jī)盤管模型。風(fēng)機(jī)盤管模型位于Buildings的Fluid庫的HeatExchangers，如圖2所示。風(fēng)機(jī)盤管是暖通空調(diào)的室內(nèi)末端，風(fēng)機(jī)盤管有4個(gè)接口，分別是冷凍水進(jìn)出口和進(jìn)風(fēng)口及回風(fēng)口。風(fēng)機(jī)盤管內(nèi)的冷凍水將流過管外的空氣進(jìn)行冷卻，風(fēng)機(jī)將降溫后的冷空氣送給房間，對(duì)房間進(jìn)行降溫。

根據(jù)暖通空調(diào)系統(tǒng)各典型模型，在OpenModelica平臺(tái)上搭建了一個(gè)暖通空調(diào)系統(tǒng)仿真模型。隨后，依據(jù)某廠房的實(shí)際測(cè)量數(shù)據(jù)對(duì)模型的參數(shù)進(jìn)行設(shè)定與校正使房間溫度維持在293 K（20 ℃）左右。房間溫度仿真曲線如圖3所示。

1.3 故障樣本生成

依據(jù)暖通空調(diào)系統(tǒng)的典型故障類型和建立的仿真模型，采取人工注入故障的方式進(jìn)行了故障數(shù)據(jù)獲取試驗(yàn)。由于暖通空調(diào)系統(tǒng)故障分為傳感器故障和設(shè)備故障，本文分別選取傳感器偏差故障和冷水機(jī)蒸發(fā)器結(jié)垢故障進(jìn)行研究說明。

（1）故障一：仿真模擬暖通空調(diào)系統(tǒng)的冷凍水傳感器在正常運(yùn)行和有故障運(yùn)行狀態(tài)。系統(tǒng)正常運(yùn)行穩(wěn)定后，在穩(wěn)定運(yùn)行的某一時(shí)間點(diǎn)對(duì)冷凍水傳感器設(shè)置5 ℃的正向偏差故障，仿真監(jiān)測(cè)傳感器讀數(shù)。其仿真曲線如圖4、圖5所示。

（2）故障二：暖通空調(diào)系統(tǒng)的送風(fēng)管道由于其直接給房間供冷，其故障的發(fā)生直接影響房間溫度。仿真模擬暖通空調(diào)系統(tǒng)的送風(fēng)管道在正常運(yùn)行和有故障運(yùn)行狀態(tài)。系統(tǒng)正常運(yùn)行穩(wěn)定后，在穩(wěn)定運(yùn)行的某一時(shí)間點(diǎn)對(duì)送風(fēng)管道設(shè)置泄露故障，仿真監(jiān)測(cè)房間溫度傳感器讀數(shù)。其仿真曲線如圖6、圖7所示。

2 PCA算法識(shí)別

2.1 主元分析理論

主元分析（PCA）是一種在確保數(shù)據(jù)信息丟失最少的情況下對(duì)高維變量空間進(jìn)行降維處理的算法。假設(shè)X∈Rm×n是數(shù)據(jù)矩陣，其中m是采樣次數(shù)，而n是監(jiān)測(cè)變量的個(gè)數(shù)。PCA方法對(duì)數(shù)據(jù)進(jìn)行降維的過程本質(zhì)上就是數(shù)據(jù)矩陣X的協(xié)方差矩陣進(jìn)行譜分解的過程。此處需用到如下數(shù)學(xué)公式：

其中，COV（X）為數(shù)據(jù)矩陣X的協(xié)方差矩陣;λi是協(xié)方差矩陣按照降序排列的特征值;Pi為COV（X）的特征向量。對(duì)于主元空間的降維就是選取具有能代表主要信息的主元，其數(shù)學(xué)描述如下式：

其中，ti是得分向量、即系統(tǒng)主元，主要是對(duì)采樣數(shù)據(jù)之間的關(guān)聯(lián)信息進(jìn)行提取。Pi稱為系統(tǒng)主元的特征向量，主要是對(duì)各變量之間的關(guān)聯(lián)信息進(jìn)行提取。E為殘差矩陣，包含模型誤差和噪聲信息。并且，Pi，ti需要滿足式（9）～式（11），具體如下：

主元向量ti的長度代表了數(shù)據(jù)矩陣X在特征向量Pi上的變化范圍。

2.2 PCA故障診斷模型

假設(shè)X∈Rm×n數(shù)據(jù)矩陣代表暖通空調(diào)系統(tǒng)的運(yùn)行數(shù)據(jù)。在進(jìn)行主成分分析時(shí)，首先要將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即將每個(gè)變量的均值減掉然后除以其標(biāo)準(zhǔn)差，在獲得正常運(yùn)行的主元模型后就可以應(yīng)用多變量統(tǒng)計(jì)過程控制圖。比如平方預(yù)測(cè)誤差圖（SPE）， T2圖和貢獻(xiàn)圖。相應(yīng)的數(shù)學(xué)描述如下。

（1）平方預(yù)測(cè)誤差圖（SPE）。平方預(yù)測(cè)誤差統(tǒng)計(jì)量也稱作Q統(tǒng)計(jì)量。平方預(yù)測(cè)誤差統(tǒng)計(jì)量在第i個(gè)時(shí)刻的數(shù)值為標(biāo)量，其可以作為模型外部的數(shù)據(jù)變化的測(cè)度，即代表了此時(shí)刻的測(cè)量值Xi與主元模型的偏離量。當(dāng)系統(tǒng)運(yùn)行過程出現(xiàn)了故障時(shí)，SPE的值往往會(huì)由于過大而超出控制限值，若SPE的值沒有超出控制限則系統(tǒng)正常運(yùn)行。SPE統(tǒng)計(jì)量和控制限的數(shù)學(xué)描述如式（13）～式（16）所示：

其中，Qi表示在第i個(gè)采樣點(diǎn)的Q統(tǒng)計(jì)量;βα表示在檢驗(yàn)水平為α?xí)r的控制限;Pk=P1P2…Pk;I表示單位矩陣;Cα表示標(biāo)準(zhǔn)正態(tài)分布在置信度是α的閾值;λi表示X的協(xié)方差矩陣的特征值。

（2）HotellingT2圖。HotellingT2圖代表了得分向量ti的平方和，可以表明各個(gè)不同采樣在幅值和變化的趨勢(shì)偏離模型的程度，T2統(tǒng)計(jì)量是一種主元模型內(nèi)部變化的測(cè)度。當(dāng)系統(tǒng)運(yùn)行過程出現(xiàn)了故障時(shí)，T2的值往往會(huì)由于過大而超出控制限值，若T2的值沒有超出控制限則系統(tǒng)正常運(yùn)行。T2統(tǒng)計(jì)量和其控制限T2α的數(shù)學(xué)描述如下式：

其中，Xi為第i時(shí)刻的數(shù)據(jù)變量向量;n是樣本的個(gè)數(shù);m是降維后的主元個(gè)數(shù); Fm，n-1，α為在置信度為α、并且自由度是m，n-1的條件下的F分布臨界值。

（3）貢獻(xiàn)圖。在SPE統(tǒng)計(jì)量或者T2統(tǒng)計(jì)量的值超過其各自的控制限值時(shí)，可以依此判斷出此時(shí)系統(tǒng)出現(xiàn)了故障情況，但是SPE統(tǒng)計(jì)量或者T2統(tǒng)計(jì)量都只能檢測(cè)到系統(tǒng)有故障發(fā)生而不能識(shí)別出故障來源。而貢獻(xiàn)圖能夠找出故障來源。假設(shè)第j個(gè)過程變量對(duì)在第i時(shí)刻的Q統(tǒng)計(jì)量的貢獻(xiàn)為：Qij=（Xij-Xij）2。而第j個(gè)過程變量對(duì)在第i時(shí)刻對(duì)第K個(gè)主元的貢獻(xiàn)為Tij=XijPkj。

2.3 故障診斷與檢測(cè)方法步驟

基于主成分分析的暖通空調(diào)系統(tǒng)的故障檢測(cè)與診斷方法的基本步驟如下：

（1）在OpenModelica仿真平臺(tái)上模擬HVAC系統(tǒng)的正常運(yùn)行狀態(tài)進(jìn)而獲取系統(tǒng)的正常樣本數(shù)據(jù)，然后將正常的樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即將數(shù)據(jù)集變換為均值為0，方差是1的標(biāo)準(zhǔn)數(shù)據(jù)集。

（2）基于處理好的標(biāo)準(zhǔn)數(shù)據(jù)集以建立PCA主元模型并提取主元。

（3）計(jì)算標(biāo)準(zhǔn)數(shù)據(jù)集的PCA模型相應(yīng)的控制限和統(tǒng)計(jì)量。

（4）在OpenModelica仿真平臺(tái)上模擬HVAC系統(tǒng)的故障運(yùn)行狀態(tài)進(jìn)而獲取系統(tǒng)的故障樣本數(shù)據(jù)，并對(duì)故障數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理。

（5）對(duì)標(biāo)準(zhǔn)化的故障數(shù)據(jù)集，計(jì)算其T2統(tǒng)計(jì)量和SPE統(tǒng)計(jì)量。并監(jiān)控其數(shù)據(jù)是否超過正常數(shù)據(jù)集的控制限。

（6）計(jì)算每個(gè)變量對(duì)T2統(tǒng)計(jì)量和SPE統(tǒng)計(jì)量的貢獻(xiàn)率，貢獻(xiàn)率最大的變量一般為引起故障的變量。

2.4 仿真驗(yàn)證

以暖通空調(diào)系統(tǒng)模型的傳感器偏移故障和送風(fēng)管道破裂故障進(jìn)行仿真試驗(yàn)驗(yàn)證，其余系統(tǒng)故障均可類似檢測(cè)。本文選擇系統(tǒng)監(jiān)測(cè)變量1為冷水機(jī)COP值，監(jiān)測(cè)變量2為冷凍水傳感器數(shù)值，監(jiān)測(cè)變量3為房間溫度，監(jiān)測(cè)變量4為送風(fēng)風(fēng)速。這里擬展開研究論述如下。

（1）針對(duì)傳感器故障：HVAC系統(tǒng)起始階段傳感器正常運(yùn)行，在第400個(gè)采樣點(diǎn)后對(duì)冷凍水傳感器添加5 ℃的正向偏差故障，PCA算法對(duì)該故障的檢測(cè)結(jié)果如圖8、圖9所示。

（2）針對(duì)送風(fēng)管道破裂故障：HVAC系統(tǒng)起始階段管道正常運(yùn)行，在第400個(gè)采樣點(diǎn)后對(duì)管道設(shè)置泄露故障，PCA算法對(duì)該故障的檢測(cè)結(jié)果如圖10、圖11所示。

從圖8和圖10可以發(fā)現(xiàn)，在第400個(gè)采樣點(diǎn)后，T2統(tǒng)計(jì)量和SPE統(tǒng)計(jì)量明顯超出正常數(shù)據(jù)集的控制限，故PCA模型檢測(cè)出該系統(tǒng)在故障狀態(tài)下運(yùn)行。為對(duì)故障來源進(jìn)行識(shí)別，由圖9的監(jiān)測(cè)變量累計(jì)貢獻(xiàn)率可以看出過程變量2貢獻(xiàn)最大，與設(shè)置的冷凍水傳感器偏差故障一致。同樣地，從監(jiān)測(cè)變量累計(jì)貢獻(xiàn)率圖11可以看出，過程變量3貢獻(xiàn)最大，與設(shè)置的送風(fēng)管道破裂故障一致。

3 結(jié)束語

本文利用暖通空調(diào)系統(tǒng)模型建立與PCA故障診斷算法相結(jié)合的方法實(shí)現(xiàn)了系統(tǒng)的故障診斷。該方法能夠有效解決了單一的基于數(shù)據(jù)驅(qū)動(dòng)故障診斷方法所需的現(xiàn)實(shí)系統(tǒng)故障數(shù)據(jù)不充分的問題，也能利用基于數(shù)據(jù)驅(qū)動(dòng)故障診斷方法的診斷率高的特點(diǎn)。最后，通過仿真試驗(yàn)驗(yàn)證了文中提出的方法能夠準(zhǔn)確有效地檢測(cè)到暖通空調(diào)系統(tǒng)的故障。

參考文獻(xiàn)

[1]孟亞，謝璐璐. 數(shù)據(jù)中心宕機(jī)事故案例分析及其帶來的教訓(xùn)[J]. 電子產(chǎn)品可靠性與環(huán)境試驗(yàn)， 2018， 36（S1）：83-86.

[2]AHN B C. A model-based fault detection and diagnosis methodology for cooling tower[J]. International Journal of Air-Conditioning and Refrigeration， 2001（9）：63-71.

[3]KANT K. Data center evolution： A tutorial on state of the art， issues， and challenges[J]. Computer Networks， 2009， 53（17）：2939-2965.

[4]周東華， 胡艷艷. 動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)[J]. 自動(dòng)化學(xué)報(bào)， 2009， 35（6）：748-758.

[5]HOUSE J M， VAEZI-NEJAD H ， WHITCOMB J M . An expert rule set for fault detection In air-handling units[J]. ASHRAE Transactions， 2001（1）：858-871.

[6]YANG H ， CHO S ， TAE C S ， et al. Sequential rule based algorithms for temperature sensor fault detection in air handling units[J]. Energy Conversion & Management， 2008， 49（8）：2291-2306.

[7]王海濤. 變風(fēng)量空調(diào)系統(tǒng)在線故障檢測(cè)與診斷方法及應(yīng)用研究[D]. 長沙：湖南大學(xué)， 2012.

[8]WANG Liping， PHILIP H， FRED B W. An improved simple chilled water cooling coil model[C]//2012 IBPSA Conference.? Madison， WI：USDOE Office of Science （SC），2012：1-15.

[9]WANG Shengwei， XIAO Fu . AHU sensor fault diagnosis using principal component analysis method[J]. Energy and Buildings， 2004，36：147-160.

[10]LI Guannan ， HU Yunpeng ， CHEN Huaxin ， et al. An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm[J]. Energy and Buildings， 2016，116：104-113.

[11]TURNER W J N ， STAINO A ， BASU B . Residential HVAC fault detection using a system identification approach[J]. Energy and Buildings， 2017， 151：1-17.

[12]BEGHI A ， BRIGNOLI R ， CECCHINATO L ， et al. Data-driven fault detection and diagnosis for HVAC water chillers[J]. Control Engineering Practice， 2016， 53：79-91.

[13]ELNOUR M ， MESKIN N ， AL-NAEMI M . Sensor data validation and fault diagnosis using auto associative Neural Network for HVAC systems[J]. Journal of Building Engineering， 2019， 27：100935.

[14]TAAI A， ITARD L. P&ID-based automated fault identification for energy performancediagnosis in HVAC systems： 4S3F method， development of DBN models and application to an ATES system[J]. Energy and Buildings， 2020， 224（1）：110289.

[15]LI Guannan， HU Yunpeng. An enhanced PCA-based chiller sensor fault detection method using ensemble empirical mode decomposition based denoising[J]. Energy and Buildings， 2019， 183：311-324.

作者簡介： 朱 輝（1996-），男，碩士研究生，主要研究方向：智能系統(tǒng)故障監(jiān)測(cè);

楊 文（1981-），男，博士，主要研究方向： 智能控制;

龐愛平（1986-），女，博士，教授，主要研究方向：智能控制、魯棒綜合控制。

通訊作者： 龐愛平Email：appang@gzu.edu.cn

收稿日期： 2021-03-30