اطلاعات پایان نامه
شماره شناسایی : 39302652
نام و نام خانوادگی : اتنا منتظري
عنوان پایان نامه : تشخیص و شناسایی عیب های موجود در هواساز با استفاده از روش های مبتنی بر داده
رشته تحصیلی : مهندسي برق كنترل
مقطع تحصیلی : كارشناسي ارشد
استاد راهنما : سيدمحمد كارگر دهنوي
استاد مشاور :
چکیده : امروزه در جهت بهبود کیفیت محیط داخلی ساختمان¬ها اعم از دما و رطوبت مناسب، سیستم¬های بسیاری از جمله سیستم¬های گرمایش، سرمایش و تهویه مطبوع و هواسازها طراحی، تولید و توسعه داده شده¬است. عملکرد صحیح این سیستم¬ها به توانایی اندازه¬گیری¬ها از محیط وابسته است؛ تنظیم و کنترل اجزا با توجه به اختلاف داده¬های اندازه¬ گرفته با داده¬های مطلوب انجام می¬پذیرد. چالشی که همواره باعث کاهش راندمان سیستم¬ها می¬شود، بروز عیب در سیستم است. عیب می¬تواند به مرور زمان یا بصورت ناگهانی در قسمت¬های مختلف سیستم رخ دهد. یکی از مسائلی که امروزه مطرح است، حفظ حداکثر عملکرد و راندمان ممکن در سیستم¬ها در زمان وقوع عیب و پس از آن است. برای رسیدن به این مهم، نیاز به تشخیص و شناسایی به موقع و مناسب عیب و جداسازی آن می¬باشد. در این پایان¬نامه یک مدل هواساز در نرم¬افزارHVACSIM+، در زمان¬ عملکرد معمول و زمان¬هایی که چندین عیب رخ می¬دهد، مدل¬سازی شده و داده¬های حاصل از این مدل¬سازی بصورت ماتریس در متلب جهت تشخیص و شناسایی عیب فراخوانده شده¬اند. لازم بذکر است تجهیزات مدل شده در این نرم¬افزار توسط مؤسسه NIST و مدل¬ها توسط سازمان ASHREA معتبر شناخته شده¬اند. با داشتن داده¬های فراوان و ماهیت غیرخطی آن¬ها از روش ماشین¬های برداری پشتیبان برای تشخیص عیب و شبکه عصبی برای شناسایی عیب استفاده شد. علاوه بر روش شبکه عصبی از روش آنالیز مؤلفه¬ها اصلی به دلیل امکان کاهش ابعاد داده¬ها و روش آنالیز مؤلفه¬ها اصلی کرنل که تعمیم یافته غیر خطی روش آنالیز مؤلفه¬ها اصلی است، جهت شناسایی استفاده گردید.
کلمات کلیدی : عیب, تشخیص و شناسایی عیب, هواساز, نرم¬افزار HVACSIM+, روش ماشین¬های برداری پشتیبان, آنالیز مؤلفه¬های اصلی, آنالیز مؤلفه¬های اصلی کرنل, شبکه عصبی تابع مبنای شعاعی.
تاریخ دفاع : 1397/11/08
دانلود فایل چکیده

About Proposal
Title : Faults detection and diagnosis of an air handling unit using data driven methods
Abstract : Today, in order to improve the quality of the indoor environment, such as temperature and humidity, many systems, including heating, cooling and air-conditioning systems (HVAC), and air handling units (AHU), have been designed, manufactured and developed. The correct functioning of these systems depends on the ability of measurements from the environment. Adjustment and control of the members is done according to the difference in the measured data with the desired data. A challenge that always lowers system efficiency is a system fault. Fault can occur over time or suddenly in different parts of the system. One of the issues that arises today is maintaining maximum performance and efficiency in systems at the time of the fault and after. To achieve this, it is necessary to fault detection and diagnosis and isolates. The typical operating time and when several HVACSIM + simulation program are performed in this dissertation is a model of an AHU in the faulty software. The data obtained from this modeling are called MATLAB matrices for fault detection and identification (FDD). It should be noted that the equipment modeled in this simulation program is recognized by the ASHREA and models by NIST. Given their abundant data and their non-linear nature, they use the Support Vector Machines (SVM) for fault detection and neural network (NN) was used to fault diagnosis .In addition to the neural network method, the main principle component analysis (PCA) method was used to identify the main components due to the possibility of reducing the dimensions of the data and the kernel PCA (KPCA), which is nonlinear generalized analysis of PCA was used for diagnosis.
Keywords : Fault, detection and diagnosis(FDD), Air handling Unit(AHU), HVACSIM+, Support Vector Machines(SVM), Radian Basis Function Neural network(RBFNN), principle Component Analysis(PCA), Kernel principle Analysis(KPCA).
Download Abstract File