專利名稱：基于距離故障分類器的故障診斷和預測的制作方法
本申請要求享有于2004年8月27日提交的美國臨時申請No.60/605,080以及2004年12月13日提交的美國臨時申請No.60/635,523的優(yōu)先權。
背景技術：
本發(fā)明涉及采暖、通風和空調(HVAC)系統，更具體地涉及與HVAC系統中的早期檢測和故障隔離有關的故障診斷。
由于日常運行過程中所發(fā)生的故障，HVAC系統往往不能象預期的那樣工作。雖然這些故障表示出某種故障模式，但是，許多故障并不會導致系統立即停止運轉或造成非常嚴重的損壞。然而，大多數故障如果長期不被注意的話，會對系統性能、使用壽命和生命周期成本造成不利影響。
診斷指的是故障的檢測和隔離，而預測一般來說指的是在故障發(fā)生之前的預報。然而，在許多應用中，早期檢測和診斷可以起到與預測同樣的目的。當以相當低的速度發(fā)生故障擴大時，就是這樣的情況。系統參數的微小變化一般來說在開始時不會造成十分不利的影響。因此，檢測到一個或多個系統參數發(fā)生微小變化的故障的準確預測時間，對于系統全面損壞或停止運轉并不是關鍵的。舉例來說，對HVAC系統制冷劑充填泄漏和空氣過濾器堵塞的檢測是故障模式早期檢測的實例，它們可提供足夠的信息，以及時采取維護措施。
診斷方法可以分成兩大類。其中一類對所監(jiān)測的量進行直接測量，而另一類將傳感技術與數學算法結合起來。這些方法中的技術重點是用于測量關鍵系統參數的專用傳感器的研制。盡管這樣的方法可能比較精確，但是它們一般來說成本很高，因為對于所研究的每一種故障模式，都需要增加專用硬件。在組合方法中，算法起到了主要作用，因為它們使得能夠從傳感器提供的間接測量值推斷系統的健康情況。由于增加新的傳感器成本很高而且制造更加困難，因此，只是加入了算法，以利用為某種控制用途而設計的現有傳感器。
故障檢測和診斷算法的設計已經成為很多研究領域的對象，這些研究領域的范圍從統計方法和評價到源自于人工智能和推論、圖論以及鍵合圖的技術。一些診斷技術已經被應用于處理冷凍裝置和HVAC的故障隔離。在已知的方法當中，“黑盒”或數據驅動技術(比如神經網絡)最為引人關注。這類方法非常適合于有大量數據但缺乏對現象物理認識的領域。然而，這類方法的一個問題是，即使系統變化很小，重新校準黑盒模型的參數一般來說需要重新作出大量的實驗，因為在模型參數和實際系統量之間沒有直接聯系。
因此，需要有這樣一種檢測故障的分析方法，它能夠使已知數據驅動技術的結果與對HVAC系統的物理理解相一致，從而提供在模型參數和實際系統量之間的直接聯系，以得出易于解釋、校準和執(zhí)行的分類規(guī)則。
發(fā)明概要本發(fā)明涉及一種用于檢測故障的分析方法，它能夠使已知的數據驅動技術與對HVAC系統的物理理解相一致，從而提供模型參數和實際系統量之間的直接聯系，以得出易于解釋、校準和執(zhí)行的分類規(guī)則。
本發(fā)明專注于多模塊拼合式(multi-modular split)HVAC系統所遇到的最為常見的兩個問題，即檢測較低制冷劑充填狀態(tài)和空氣過濾器堵塞的問題。在此公開了一種用于制冷劑充填泄漏檢測的方法，它依賴于系統化的技術如對實驗數據的分析、故障特征的提取、故障檢測準則的制定、以及診斷算法的開發(fā)和實施。在這里還公開了一種檢測空氣過濾器堵塞的方法，它依賴于換熱器中減少了的基于物理的關系，以估計流經換熱器的空氣質量流量。
這兩種方法都采用數據過濾技術，以確定數據的哪些部分帶有與潛在故障最為有關的信息，根據現有的傳感器進行變量次選擇(sub-selection)，計算故障數據組和正常數據組之間的距離，并根據過濾參數和變量次選擇使這一距離達到最大。接著用分類技術處理次選擇變量以生成易于解釋和易于執(zhí)行的分類規(guī)則。
通過下面的說明和附圖可以更透徹地理解本發(fā)明的這些和其它的特征，其中對附圖的簡要說明如下。
附圖簡介

圖1是根據本發(fā)明的示例性HVAC系統的示意圖；圖2是曲線圖，示出了數據過濾如何被用來根據基準信號的瞬態(tài)響應對數據進行放大；圖3是流程圖，詳細示出了充填泄漏計算的一個實例；圖4是流程圖，詳細示出了空氣過濾器堵塞計算的一個實例；圖5示出了對第一個示例性多模塊拼合式(MMS)系統中所引發(fā)的較低系統制冷劑充填狀態(tài)的算法響應曲線；圖6示出了對第二個示例性多模塊拼合式系統中所引發(fā)的較低系統制冷劑充填狀態(tài)的算法響應曲線；圖7是曲線圖，示出了對于低充填檢測算法的接收器工作特性(ROC)；圖8示出了對高壁式多模塊拼合式系統中所引發(fā)的空氣過濾器堵塞狀態(tài)的算法響應曲線；圖9示出了對四通多模塊拼合式系統中所引發(fā)的空氣過濾器堵塞狀態(tài)的算法響應曲線；和圖10是曲線圖，示出了對于空氣過濾器堵塞檢測算法的接收器工作特性。
具體實施例方式
圖1是根據本發(fā)明的示例性HVAC系統10的示意圖。在此實例中，HVAC系統10是被稱作多模塊拼合式系統(MMS)的無風管式熱泵系統。多模塊拼合式系統10包括一個室外單元12和兩個室內單元14A和14B，它們在炎熱季節(jié)時工作在制冷模式下，以提供冷空氣至內部空間，而在寒冷季節(jié)時工作在供熱模式下，以提供熱空氣至內部空間。
室外單元12包括一對并行的可變速的壓縮機16，用于在制冷模式時控制過冷，以及在供熱模式時控制過熱的室外膨脹閥18，在制冷模式中起冷凝器作用而在供熱模式中起蒸發(fā)器作用的室外熱交換器20，以及室外風扇22。
兩個室內單元14A和14B中的每一個都包括用于在制冷模式中控制過冷和在供熱模式中控制過熱的室內膨脹閥24、在制冷模式中起蒸發(fā)器作用而在供熱模式中起冷凝器作用的室內熱交換器26、以及室內風扇28。
四通閥門30控制工作模式從制冷模式到供熱模式，反之亦然。多模塊拼合式系統10還包括用于儲存制冷劑充填物的接受槽32，它可根據情況改變所循環(huán)的制冷劑充填量。
壓縮機16和室內風扇28的速度是根據室內溫度與設定值之間的偏差來調整的。還可以調整壓縮機16的速度，以符合總的制冷或供熱要求。
在整個多模塊拼合式系統10中設有膨脹閥。在所示實例中，膨脹閥是通過脈沖調制進行促動的脈沖調制閥門34。脈沖調制閥門34是由促動信號控制的，它調節(jié)脈沖調制閥門34的開啟，以控制制冷劑在多模塊拼合式系統10中的流動。脈沖調制閥門34A和34B串聯布置在室內熱交換器26附近。一對脈沖調制閥門35串聯地布置在盤管36和接受槽32之間。
在整個多模塊拼合式系統10中還設有多個傳感器。在所示實例中，傳感器包括若干個制冷劑側溫度傳感器38、空氣側溫度傳感器40和壓力傳感器42。
制冷劑側溫度傳感器38A-38D靠近每個室內熱交換器26的每一端布置。制冷劑側溫度傳感器38E和38F靠近每個壓縮機16的其中一端布置。制冷劑側溫度傳感器38G布置在四通閥門30和蓄集器(accumulator)44之間。制冷劑側溫度傳感器38H布置在一對脈沖調制閥門35和接受槽32之間。制冷劑側傳感器38I布置在室外換熱器20和盤管36之間。
空氣側溫度傳感器40A和40B布置在室內風扇28和室內換熱器26之間，而空氣側溫度傳感器40C靠近室外風扇20布置。
壓力傳感器42A靠近蓄集器44布置，而壓力傳感器42B布置在壓縮機16和油分離器46之間。
本發(fā)明致力于研制利用現有的系統傳感器和數據來檢測多模塊拼合式系統10內故障的算法。在此公開了一種利用現有的系統傳感器來診斷至少一種系統故障的分析方法。這種分析方法包括識別給定系統內可用的傳感器，對于每個可用的傳感器根據無故障數據和全故障數據之間的最大分離/最小重疊分析傳感器數據以確定這些可用傳感器中的哪一個產生表示系統故障的數據，根據分析確定故障關系，將至少一個測得的系統特性與故障關系進行比較，并在識別出系統故障時產生至少一個表示故障模式的故障代碼。然而，所識別的系統故障不一定是由生成所分析數據的傳感器直接監(jiān)測的系統特性。舉例來說，傳感器可以生成與系統內的壓力有關的數據，但是，所生成的故障代碼卻可以表示出較低系統制冷劑充填狀態(tài)或空氣過濾器堵塞狀態(tài)。
下面介紹了根據本發(fā)明的較低系統制冷劑充填指標(indicator)和空氣過濾器堵塞指標的推導。
較低系統制冷劑充填指標的推導多模塊拼合式系統的總的制冷劑充填量大致上與任意給定時間點所充滿液態(tài)制冷劑的總體積成正比。較低系統制冷劑充填在總的系統液體體積下降時發(fā)生。當多模塊拼合式系統10工作在制冷模式時，總的多模塊拼合式系統制冷劑質量下降而總的多模塊拼合式系統體積增大，導致氣態(tài)制冷劑的體積總體上比液態(tài)制冷劑的體積增大更多。多模塊拼合式系統體積的總體增加使得當制冷劑處于氣態(tài)時離開室內和室外換熱器20和26的制冷劑的溫度升高到制冷劑沸點以上的溫度，或者當制冷劑處于液態(tài)時離開室內和室外換熱器20和26的制冷劑的溫度降低到制冷劑沸點以下的溫度。這些現象分別被稱作過熱和過冷。在這些情況下，多模塊拼合式系統10將傾向于增加飽和溫度下的蒸氣質量，從而控制過熱。
在大多數系統中，過熱是通過促動膨脹閥控制的。過熱的增加要求膨脹閥打開更大，以允許更多的制冷劑流經室內和室外換熱器20和26以維持所要求的過熱。在所示實例中，膨脹閥34是一種脈沖調制閥門(PMV)，脈沖調制閥門的促動是通過脈沖調制控制的。因此，過熱的增加轉化為更高的脈沖促動，而這又與較低系統制冷劑充填相關。而且，較低系統制冷劑充填還與更低的系統吸入壓力有關。
雖然本發(fā)明專注于制冷模式，但是所介紹的原理并不限于制冷模式而是還可以推廣到供熱模式。
本發(fā)明包括一種用于識別較低系統制冷劑充填的故障檢測準則，它可以概述如下在壓縮機轉速(每分鐘轉數)超過某個閾值(比如為其最大每分鐘轉數的40％-50％)之后，在最初的若干分鐘(例如10-20分鐘)內，低制冷劑充填指標在室內單元中采用更大的脈沖調制閥門平均開啟程度或較小的吸入壓力值，這不包括最初0-2分鐘的瞬態(tài)數據。
這種故障檢測準則是用于低制冷劑充填檢測的故障識別原理和決策規(guī)則的系統化方法的結果。如下所述，這種方法將一些統計分類技術應用于預處理過的現場試驗數據。預處理涉及數據過濾處理的應用，其目的是要放大帶有與所關注故障事件最為有關信息的數據部分。
數據過濾處理將時間軸分解為時間間隔，在這些間隔中發(fā)生“所關注”的瞬態(tài)或穩(wěn)態(tài)行為。在時刻t用v(t)表示的壓縮機轉速(每分鐘轉數)被用作過濾的基準信號?；鶞市盘柺瞧鋾r間行為被用來分解時間軸的信號，如下面所要更詳細介紹。
數據過濾處理中的主要步驟是將時間軸分解為一系列間隔F＝{Ik}，這種分解是三個過濾參數κ≥0，Δ≥0，ν≥0的函數，即F＝F(κ，Δ，ν)，其中ν是一個閾值，κ是預定的時間周期，在此周期內由傳感器測得的實際值在故障可以發(fā)生之前必須保持在閾值ν以上，而Δ限定了起動時間周期，在此期間所收集的數據不予考慮。F＝{Ik}是由另一個序列{I’k}構成的。每個元素I’k是閉合的時間間隔，具有以下三個特性(1)長度I’k大于或等于κ，(2)對于I’k中的所有t，v(t)≥ν，(3)I’k是具有前兩個特性的所有其它重疊封閉間隔的超集。而且，對于k≠j，I’k∩I’j＝。序列{I’k}，k＝1，2，3，...是以這樣的方式排序的，使得所有屬于I’k的t的上限用e(I’k)表示，小于所有屬于I’k+1的t的下限，用b(I’k+1)表示。{Ik}是通過讓b(Ik)＝b(I’k)而e(Ik)＝最大值(e(I’k)，b(Ik)+Δ)構成的。
如圖2中所示，下面的實例示出了數據過濾如何被用來根據基準信號的瞬態(tài)響應對數據進行放大1.HP(Δ，ν)＝F(0，Δ，ν)其中Δ小到中，構成了高通濾波器。點A、B和D由HP(0，100％)分段。
2.BP(κ，Δ，ν)＝F(κ，Δ，ν)-F(κ，κ，ν)其中κ小到中而Δ中到大，構成了帶通濾波器。間隔C和E由BP(1，2，100％)分段。
3.LP(κ，ν)＝BP(κ，∞，ν)＝F(κ，∞，ν)-F(κ，κ，ν)，其中κ是中，構成了低通濾波器。間隔F由LP(4，100％)分段。
還注意到，如果圖2中的數據以取樣間隔1取樣，那么由互斥組HP(0，100％)、BP(1，2，100％)和LP(4，100％)分段的間隔之并集就覆蓋了基準信號100％處于其全部工作范圍的所有數據點。舉例來說，假設數據是以取樣間隔ΔT取樣的?；コ饨MHP(i×ΔT，ν)、BP((i+1)×(ΔT+1)，j×ΔT，ν)和LP((i+j+2)×ΔT，ν)之并集就覆蓋了所有基準信號大于或等于ν的數據點，其中，i，j是整數。Φ一般被用來指由過濾器拾取的所有時間間隔之并集。
為了推導故障檢測準則，時間軸被重復地分解成三個不相交的間隔組，它們分別處于高通、帶通和低通狀態(tài)，并把基準壓縮機的平均速度作為基準信號和各種過濾參數。每次過濾導致與圖2中所示類似的時間分解。對于過濾處理的每一次重復來說，根據一組統計技術對三個不相交的數據組合進行分析，所述統計技術包括傳感器(變量)選擇、無故障和全故障數據組之間距離的計算、以及故障模式(pattern)的發(fā)現。數據過濾處理使得能夠選擇脈沖調制閥門的開啟程度以及吸入壓力，因為這些變量帶有與系統制冷劑充填泄漏最為有關的信息。最佳的過濾器被發(fā)現是BP(κ，Δ，ν)，其中κ≤2，10≤Δ≤20，且ν≈最大壓縮機轉速的50％。將這些結果組合在一起，就得出上述較低系統制冷劑充填的故障檢測準則。
用于較低系統制冷劑充填的故障檢測準則被轉換成用于較低系統制冷劑充填檢測的算法，并通過在固定長度的數據批上計算較低系統制冷劑充填指標來實施。數據批包括已經通過過濾器的最新數據點一直到由其固定長度確定的點。當有更多的數據點時，它們替換掉最舊的數據點，使數據批的長度保持固定。
為了說明，重新參見圖2。假設計算中所用的過濾器是BP(1，2，100％)，分割間隔C和E。還假設取樣時間為1且固定數據長度是3。對于這一實例來說，按日期順序排列的數據批將是{9，10，15}、{10，15，16}和{15，16，17}。作為這批成分點平均(或中間)時間計算出來的時間被分配給每個數據批。在此實例中，利用在數據批的時間點上求平均值，與{9，10，15}、{10，15，16}和{15，16，17}相關的時間將分別是11.3、13.7和16。每一批內的低系統充填指標是通過找出該批內脈沖調制閥門開啟大于某一閾值或吸入壓力低于某一閾值的點的分數來計算的。所計算的低系統充填指標被分配給與該批有關的時間。
圖3是一流程圖，詳細示出了充填泄漏計算的一個實例。在此流程圖中Φ(t)是假設為1或0的二進位指標。Φ(t)只有在t屬于所關注的分析周期、由所設計過濾器拾取的全部間隔組、以及在制冷模式工作狀態(tài)(不包括壓縮機保護狀態(tài))下的時候才等于1。
數據批B，其總是使最近的時間點保持Φ(t)＝1。批中的固定點數NB由用戶設定。對于多模塊拼合式系統應用來說，其典型值為24×60或12×60。
表示B元素的數目。
δ表示取樣時間。δ應當大于數據收集取樣時間(在多模塊拼合式系統中為1分鐘)，但是可以選得更大，以加快計算。
空氣過濾器堵塞指標的推導空氣過濾器堵塞算法利用簡單的物理關系式來估計通過每個換熱器的空氣質量流量。由于缺乏足夠的空氣側測量值，這些關系式基于如下面所要介紹的一些簡化假設對數平均溫度和能量平衡方程被用來估計換熱器中空氣的質量流量。
空氣的質量流量與空氣過濾阻力成反比。
換熱器中制冷劑過熱的那一部分具有大的UA。
制冷劑流量與脈沖調制閥門的開啟程度成正比。
空氣潛冷卻(latent cooling)可以忽略。
基于這些假設，每個換熱器中的空氣質量流量的倒數由下面的公式估計 如圖1中所示，Ta是室內空氣溫度，Tcj是室內盤管溫度(測量換熱器中制冷劑的飽和溫度)的中間值，Tcl是流出室內單元換熱器26的過熱制冷劑的溫度，而PMV是脈沖調制膨脹閥34A和34B的促動信號。
在圖1中，對于室內單元14A來說，測量點Ta、Tcl、Tcj分別被標記/編號為TA-A、TC1-A和11，而對于室內單元14B來說分別標為TA-B、TC1-B和13。
由于這些假設忽略了某些可變源比如潛冷卻，所以分析是在較長的周期上進行，以“求出”可能的未知影響的平均數。與上述較低系統制冷劑充填指標的研究類似，可對數據批進行處理，以用于空氣過濾器堵塞指標的計算。從這個角度來說，對于某一尺寸的數據批，其算法與較低系統制冷劑充填指標的計算是一樣的。
由于空氣過濾器堵塞算法在室內風扇28以各種速度運轉時估計每個室內換熱器26中空氣質量流量的倒數，所以對于每個風扇轉速，最好分別計算空氣過濾器堵塞指標并與閾值進行比較。盡管風扇轉速數據不能直接得到，但是轉速設定值(FANTAP)是可以得到的，并可作為風扇轉速的代表。
用于計算空氣過濾器堵塞指標的數據過濾處理比用于計算較低系統制冷劑充填指標的數據過濾處理簡單很多?？諝膺^濾器堵塞指標的計算包括，獲取能夠滿足制冷工作模式下應用對數平均溫度和能量平衡所需的基本規(guī)律性原理的傳感器數據。如果Ta＞Tcj，Tcl＞Tcj，脈沖調制閥門大于某個閾值(大約為100的值是適當的)，且FANTAP等于其中進行計算的模式，則過濾器Φ在每個時間點被設置為1。
圖4是一流程圖，詳細示出了空氣過濾器堵塞計算的一個實例。在此流程圖中Φ(t)是表現為1或0的二進位指標。Φ(t)只有在t屬于所關注的分析周期、由所設計過濾器拾取的全部間隔組、以及在制冷模式工作狀態(tài)(不包括壓縮機保護狀態(tài))下的時候才等于1。
數據批B，總是使最近的時間點保持Φ(t)＝1。批中的固定點數NB由用戶設定。對于多模塊拼合式系統應用來說，其典型值為24×60或12×60。
表示B元素的數目。
δ表示取樣時間，δ應當大于數據收集取樣時間(在多模塊拼合式系統中為1分鐘)，但是可以選得更大，以加快計算。
圖5和圖6分別示出了對第一個示例性多模塊拼合式系統和第二個示例性多模塊拼合式系統中所引發(fā)的較低系統制冷劑充填狀態(tài)的算法響應曲線。這兩個實例中的多模塊拼合式系統都包括一個室外單元和五個室內單元，它被設計成能夠滿足兩個辦公室和兩個會議室的制冷和供熱需求。在計算結果時，按第一系統進行優(yōu)化的閾值被直接應用于第二系統的數據組，而不需要進行任何更進一步的調整。換句話說，第一系統數據組用于“算法訓練”，而第二系統數據用于驗證。
就較低系統制冷劑充填而言，圖5和圖6中的曲線示出了作為用算法處理的數據批號之函數的較低系統制冷劑充填指標的值。數據批按順序排列。每個數據批的較低系統制冷劑充填指標是通過找出該數據批內的其中脈沖調制閥門的開啟大于預定閾值或吸入壓力小于預定閾值時的數據點的百分比來計算的。曲線強度的變化表示在數據批中所有點上求平均值的實測充填。舉例來說，如果數據批內有40％的點具有30％的充填損失而其余點是滿充填(0％的充填損失)的，那么該數據批的平均實測充填損失將是12％，它被稱作平均實測故障(AAF)。從這一曲線可以推出，大于10-15％的指標值將標志著低充填狀態(tài)(＞25％的AAF)。
圖7畫出了較低系統制冷劑充填檢測算法的接收器工作特性(ROC)。ROC是廣泛使用的與檢測閾無關的用于評價檢測算法性能的工具。ROC畫出了作為算法所產生誤報警(假肯定率)函數的算法檢出率(命中率)。檢出率或命中率用來測量如果故障事件實際發(fā)生的話較低系統制冷劑充填指標發(fā)出警報的概率。誤報警或假肯定率用來測量當沒有故障實際存在時指示有故障的概率。理想的ROC曲線對于任何正誤報警將具有100％的檢出率。
從概念上講，可以通過將檢測閾從它的最小可能值變?yōu)樽畲罂赡苤?，對每個選擇的檢測閾計算誤報警-檢出率對，然后畫出所計算的對，來計算ROC。換句話說，ROC曲線上的每一個點與一個閾值有關。當生成圖7中的ROC時，數據批故障狀態(tài)的存在被定義為用于該數據批的AAF＞15％。該數據批故障的不存在被定義為AAF＜5％。
圖8和圖9分別示出了對高壁單元和四通單元中所引發(fā)的空氣過濾器堵塞的算法響應曲線。所給出的結果基于在風扇高轉速下從第一系統中收集的數據。附圖示出了作為用算法處理的數據批號(順序排列)之函數的空氣過濾器堵塞指標值。曲線強度的變化表示平均實測故障(AAF)，其定義與上面的類似。舉例來說，如果數據批內有40％的點具有50％的堵塞而其余點沒有堵塞(0％的堵塞)，那么該數據批的平均實測故障將是20％。從這一曲線可以推出，大于15的空氣過濾器堵塞指標值將標志著堵塞狀態(tài)。
圖10畫出了用于空氣過濾器堵塞檢測算法的接收器工作特性(ROC)。當生成圖10中的ROC時，數據批故障狀態(tài)的存在被定義為AAF＞25％。數據批故障的不存在被定義為AAF＜5％。
雖然已經公開了本發(fā)明的一些優(yōu)選實施例，但是本領域中的普通技術人員應當認識到，在本發(fā)明范圍之內可以進行某些修改。因此，所附權利要求用于限定本發(fā)明的真實范圍和內容。
權利要求
1.一種用于診斷至少一種系統故障的方法，包括以下步驟(a)識別系統內可用的傳感器，其中，所識別的傳感器產生與系統工作特性有關的傳感器數據；(b)分析所述傳感器數據以識別表示至少一種故障模式的模式；(c)根據所識別的模式確定故障關系；(d)將至少一種系統工作特性與所述故障關系進行比較，以識別系統故障；和(e)當在步驟(d)中識別出系統故障時，產生至少一個表示所述至少一種故障模式的故障代碼。
2.根據權利要求1所述的診斷至少一種系統故障的方法，其特征在于，步驟(b)還包括以下步驟(f)從每個所述被識別的傳感器中，生成全故障數據組和無故障數據組；(g)將來自每個所述被識別的傳感器的所述全故障數據組與來自同一個被識別的傳感器的所述無故障數據組進行比較；(h)對于每個被識別的傳感器，識別所述全故障數據組和所述無故障數據組之間的最大分離；(i)選擇與所述全故障數據組和所述無故障數據組之間的最大分離中的最大者相關的所述被識別的傳感器；和(j)根據步驟(i)中所述選擇的被識別的傳感器，來識別步驟d)中的所述至少一種系統特性。
3.根據權利要求1所述的診斷至少一種系統故障的方法，其特征在于，步驟(c)還包括以下步驟(k)確定與所述至少一種系統特性有關的閾值；(l)監(jiān)測與所述至少一種系統特性有關的實際值；以及其中，步驟(e)還包括，基于所述實際值與所述閾值的比較，來產生所述至少一個故障代碼。
4.根據權利要求3所述的診斷至少一種系統故障的方法，其特征在于，步驟(k)還包括以下步驟(m)針對與所述最大分離相關的所述選擇的被識別的傳感器，來計算所述全故障數據組和所述無故障數據組之間的距離；以及(n)根據過濾參數和變量次選擇，使所述距離最大化。
5.根據權利要求3所述的診斷至少一種系統故障的方法，其特征在于，步驟(e)還包括以下步驟(o)識別未由任何一個所述被識別的傳感器監(jiān)測的至少一個其它系統特性，其中，所述至少一個其它系統特性表示與所述至少一個故障代碼有關的所述至少一種系統故障模式。
6.根據權利要求5所述的診斷至少一種系統故障的方法，其特征在于，步驟(e)還包括以下步驟(p)對于給定的取樣時間，計算與所述至少一個其它系統特性有關的平均值；以及(q)監(jiān)測與所述至少一個其它系統特性有關的實際值。
7.根據權利要求6所述的診斷至少一種系統故障的方法，其特征在于，步驟(e)還包括，當與所述至少一種系統特性有關的所述實際值超過所述閾值、并且與所述至少一個其它系統特性有關的所述實際值超過所述平均值時，生成所述至少一個故障代碼。
8.根據權利要求7所述的診斷至少一種系統故障的方法，其特征在于，所述至少一種系統特性與所述系統內至少一個控制閥的促動程度有關。
9.根據權利要求6所述的診斷至少一種系統故障的方法，其特征在于，步驟(e)還包括，當與所述至少一種系統特性有關的所述實際值低于所述閾值、并且與所述至少一個其它系統特性有關的所述實際值超過所述平均值時，生成所述至少一個故障代碼。
10.根據權利要求9所述的診斷至少一種系統故障的方法，其特征在于，所述至少一種系統特性是與壓縮機有關的吸入壓力。
11.根據權利要求1所述的診斷至少一種系統故障的方法，其特征在于，步驟(c)還包括以下步驟(r)分析所述被識別的模式；和(s)將所述被識別的模式與可得到的物理系統信息結合起來，以確定所述故障關系。
12.根據權利要求1所述的診斷至少一種系統故障的方法，還包括以下步驟(t)確定與步驟(d)中的所述至少一種系統工作特性有關的閾值；(u)估計第二種系統工作特性；和(v)測量第三種系統工作特性，其中，所述閾值和所述第二種系統工作特性是分別根據所述第三種系統工作特性來計算和估計的。
13.根據權利要求12所述的診斷至少一種系統故障的方法，其特征在于，所述第二種系統工作特性表示與所述至少一個故障代碼有關的所述至少一種系統故障模式。
14.根據權利要求13所述的診斷至少一種系統故障的方法，其特征在于，步驟(e)還包括以下步驟(v)對于給定的取樣時間，計算與所述第二種系統工作特性有關的平均值；以及(w)監(jiān)測所述第二種系統工作特性的實際值。
15.根據權利要求14所述的診斷至少一種系統故障的方法，其特征在于，步驟(e)還包括，當與所述至少一種系統工作特性有關的所述實際值超過所述閾值、并且所述第二種系統工作特性的所述實際值超過所述平均值時，生成所述至少一個故障代碼。
16.根據權利要求1所述的診斷至少一種系統故障的方法，其特征在于，所述系統是蒸汽壓縮系統。
17.根據權利要求16所述的診斷至少一種系統故障的方法，其特征在于，所述蒸汽壓縮系統中被識別的傳感器包括至少一個壓力傳感器、至少一個溫度傳感器和至少一個閥門傳感器。
18.一種蒸汽壓縮系統，包括至少一個室內單元，其包括至少一個室內傳感器和至少一個室內閥門；至少一個室外單元，其與所述至少一個室內單元連通，并包括至少一個室外傳感器和至少一個室外閥門；用于控制所述至少一個室內單元和所述至少一個室外單元的控制裝置，其中，所述控制裝置還包括控制器，其用于收集和解釋來自所述至少一個室內傳感器和所述至少一個室外傳感器的數據，并基于所述數據生成至少一個故障代碼。
19.根據權利要求18所述的系統，其特征在于，所述控制器將所述數據與來自所述至少一個室內單元和所述至少一個室外單元的可得到的系統信息結合起來，以生成所述至少一個故障代碼。
20.根據權利要求18所述的系統，其特征在于，所述控制器接收與多個系統工作特性有關的多個數據輸入，根據所述多個系統工作特性來計算指標，并基于所述指標與閾值的比較來生成所述至少一個故障代碼。
全文摘要
本發(fā)明涉及一種用于檢測故障的數學方法，它能夠使已知的數據驅動技術與對采暖、通風和空調(HVAC)系統的物理理解相一致，從而提供模型參數和實際系統量之間的直接聯系，以得出易于解釋、校準和執(zhí)行的分類規(guī)則。所關注的故障模式是較低系統制冷劑充填和空氣過濾器堵塞。在無故障和全故障的狀態(tài)下分析來自標準傳感器的系統數據。對數據進行篩選，以揭示所研究故障在傳感器數據中顯露的模式，分析這些模式并使它們與現有的物理系統信息相結合，以研究出將故障與所測得的傳感器響應聯系起來的基本原理。這些原理接著被轉換成聯機算法，以進行故障檢測。
文檔編號F25B49/02GK101048626SQ200580036357
公開日2007年10月3日 申請日期2005年8月19日 優(yōu)先權日2004年8月27日
發(fā)明者M·法扎, P·薩德 申請人:開利公司