1. 文章导读

美国开展的国家人类活动模式调查（NHAPS）结果显示，在美国，每人平均有86.9%的时间在室内度过。因此人类健康和生活质量在很大程度上取决于湿度、温度、空气质量以及其他更多的室内条件，这些因素与暖通空调系统（Heating, Ventilation and Air-Conditioning (HVAC) system）的安全可靠运行密切相关。

HVAC系统是由大量相互连接的部件组成的复杂机械，随着系统的连续运行，其传感器、电线、风机、阀门、泵等机电设备的故障难以避免。智能故障诊断算法可分为两类：数据驱动/数据挖掘和基于模型故障诊断算法。

前一类包括传统的计算智能算法，起源于机器学习和模式识别。数据驱动方法通常需要历史数据（即传感器数据）来训练故障决策规则。目前主要的数据驱动方法包括主成分分析、支持向量机、神经网络、遗传算法、模糊逻辑模型等。

对区域间的传热进行建模会产生非线性、非Lispschitz动态项，可创建更真实的模型，从而降低保守的故障检测阈值，提高算法的可检测性。然而，处理硬非线性会给设计分析带来挑战。

IEEE和IFAC Fellow、塞浦路斯大学Marios M. Polycarpou教授等在IEEE/CAA Journal of Automatica Sinica最新发表“Scalable Distributed Sensor Fault Diagnosis for Smart Buildings” 一文，研究考虑互连建筑区域，设计了一种基于可扩展分布式模型的大型HVAC系统的多传感器故障诊断方法。

根据暖通空调系统和建筑分区的拓扑结构，将整个系统划分为相互连接的子系统。传感器组 S(i)收集每个子系统的测量值，局部传感器故障诊断代理M(i)用于监视相应的传感器组，并利用本地信息和从其相邻代理（如，控制输入、传感器测量）发送的信息获得的本地状态估计来检测和隔离单个和多个传感器故障，如图1所示。

图1 智能建筑分布式传感器故障诊断体系

每个专用传感器故障诊断代理M(i)由分布式传感器故障检测模块和分布式传感器故障隔离模块组成。前者负责检测被监测子系统和/或其相邻互连子系统的传感器故障，通过比较残差和相应的自适应阈值生成局部检测信号。基于局部状态估计，每个智能体可检测影响局部或相邻子系统的传感器故障。考虑分布式代理的连通性，基于本地检测决策激活的分布式传感器故障隔离模块构造了故障特征矩阵，以精确定位传感器故障位置。

在由83个建筑区域组成的大型暖通空调系统的多传感器故障情况下，评估了该方法的鲁棒性、故障检测性和可扩展性等，并通过修改传感器噪声方差的多个仿真场景对该方法的灵敏度进行了评估，结果表明了该方法的有效性。

注：文章导读由JAS编辑整理摘译，如有疏漏欢迎指正

2. 文章信息     

Panayiotis M. Papadopoulos, Vasso Reppa, Marios M. Polycarpou, and Christos G. Panayiotou, "Scalable Distributed Sensor Fault Diagnosis for Smart Buildings," IEEE/CAA J. Autom. Sinica, vol. 7, no. 3, pp. 638-655, May 2020.

3. 全文阅读获取

1）点击文题在线阅读、获取全文PDF；

2）识别下方二维码畅读；