空调系统传感器故障诊断方法

ut为常数。

2.3 漂移故障

漂移故障就是故障大小随时间发生线性变化的一类故障。可以表示为

式中，H为漂移常数；ts和t分别指故障的起始时刻和故障发生后的某一时刻。

2.4 等精度降低

等精度降低故障和偏移、漂移故障不同，并不表现在测量的平均值出现偏差，而是测量的方差发生了相应变化。

3 传感器故障诊断系统

传感器故障诊断系统主要由传感器系统、小波神经网络、残差处理与诊断逻辑4部分组成。图2为传感器故障诊断系统。

首先由传感器系统通过各种传感器对被控系统进行数据的检测，由小波神经网络根据前一时刻的传感器测量值来预测下一时刻的值，再通过与真实测量值进行比较得到残差，最后通过诊断逻辑对得到的残差进行分析。当残差超过一定的报警阈值时，判断并分离出故障传感器，用诊断网络的预测输出对故障信号进行恢复。

假设传感器系统得到输出数据位y，经过预处理将y归一化得到y’，残差为e，真实测量值为θ，神经网络的预测值为*****。则传感器故障诊断系统的残差e可表示为

将得到的残差与神经网络设定的值进行比较，如残差e大于设定的值，则修正神经网络的权值与小波函数的参数。文中选用小波函数为Morlet小波。仿真中选用小波函数表达式为

传感器是否正常工作对空调系统有重要的影响。本文对某一智能楼宇的空气处理单元进行了传感器故障诊断分析。待诊断的传感器包括送风温度传感器、送风湿度传感器、回风温度传感器、回风湿度传感器、新风温度传感器与新风湿度传感器。任何一个传感器发生故障都可能使控制系统的性能发生变化，导致室内能源浪费及空气品质的下降。本文以送风温度传感器为例进行故障诊断。

4 仿真分析

根据传感器故障诊断系统分别建立小波神经网络诊断模型与BP神经网络诊断模型。在诊断模型中，BP神经网络结构为：输入层节点数6，输出层节点数为1，隐含层节点为30；小波神经网络结构输入输出层节点与BP网络相向，隐含层节点选为10。在空气处理单元采集的数据中，一部分用于WNN与BP网络的训练，一部分用于产生故障信号。在使用这些采集的数据前，必须对所有的数据进行归一化处理，即故障诊断系统中的预处理。选用Matlab中已有的归一化函数Mapminmax进行归一化处理。

传感器故障诊断系统是通过诊断逻辑对残差进行判断，因此，诊断之前必须事先设定报警阈值，对送风温度传感器故障诊断设定的报警阈值为0.5℃。

图3，图4与图5分别为基于小波神经网络对温度传感器产生1℃偏差故障、速率为0.06℃·s-1漂移故障与70℃完全故障的诊断残差曲线。通过分析得知，WNN能很好地诊断出故障。

在故障诊断系统中，假设经过一次WNN与BP网络训练后得到的残差分别为EWNN和EBP。先分别选取3组EWNN和EBP，然后取各组的绝对值，最后求得对应组之和的平均分别为EWNN'与EBP'，设残差比E=EBP'/EWNN'，空调系统中传感器常见的3类故障的残差比曲线如图6～图8所示。

通过分别比较图6～图8这3类故障的WNN与BP网络残差比曲线可知，在残差比曲线趋向1(即EBP'=EWNN'时)之前，在大部分训练样本上，E>1，则EBP'>EWNN'。因此，采用基于小波神经网络对传感器进行故障诊断比BP网络收敛速度快且精度更高。

5 结束语

根据小波神经网络原理，针对空调系统中出现的传感器故障，建立传感器故障诊断系统，并通过仿真表明小波神经网络对于传感器常见的偏差、漂移与完全故障，都能有较好的诊断效果，且小波神经网络故障诊断模型结构简单。最后，通过比较分析诊断残差比，证明采用基于小波神经网络对传感器进行故障诊断比BP网络更准确、精度更高。