摘要
制冷剂泄漏是空调系统运行时最常见的故障之一，这类故障不仅会使得系统处于长期不正常运行状态，还会造成能源的浪费和环境的污染，并且用户的热舒适性需求也无法得到满足，所以及时对其检测诊断具有重要意义。本文针对空调系统发生制冷剂泄漏故障，提出了基于敏感性分析方法的数据挖掘制冷剂充注量预测模型，并根据一套额定能力为12kW的分体式空调系统的历史运行数据建立预测模型和充注量预警机制，结果表明，基于敏感性分析方法的预测模型和预警机制表现良好，能准确地预测出制冷剂充注量，及时对泄漏过程中的充注量范围进行预警。对此，本文展开以下工作： 首先，本文将制冷剂泄漏实验分为两大组，均在高精度焓差实验室进行，一组为空调系统在两种工况、17种充注量水平下的34组运行实验，另一组为两种工况下的2组连续泄漏实验，一共36组。实验过程中对历史数据进行采集监控，实验后对实验数据进行不确定度分析，验证了实验数据的准确性。 其次，利用数据挖掘算法建立一个鲁棒性高、可靠性强的模型，关键在于特征变量的选择是否正确，所以选择特征变量的方法需要是精确有效的。本文提出对空调系统进行系统和参数级的敏感性分析，结合专业知识，选择出对制冷剂泄漏故障敏感的特征变量作为预测模型的输入变量，不仅保证了特征变量的质量，使预测模型有高的鲁棒性，还可以总结出系统最佳充注量范围，使预测模型具有专业可解释性。 最后，根据敏感性分析选出的特征变量建立基于改进虚拟制冷量传感器的长短期记忆神经网络预测模型，结果表明改进虚拟制冷量传感器模型误差低于5%，预测模型表现良好且稳定。再结合突变检测算法和最佳充注量范围建立充注量预警机制，能准确地对三种程度的制冷剂泄漏进行预警。运用DALEX技术对预测模型进行模型解释和优化，模型解释能将专家知识与算法模型有机统一起来，并增强了预测模型的鲁棒性。
NETL