CN101048626A - 基于距离故障分类器的故障诊断和预测 - Google Patents

Abstract

本发明涉及一种用于检测故障的数学方法，它能够使已知的数据驱动技术与对采暖、通风和空调(HVAC)系统的物理理解相一致，从而提供模型参数和实际系统量之间的直接联系，以得出易于解释、校准和执行的分类规则。所关注的故障模式是较低系统制冷剂充填和空气过滤器堵塞。在无故障和全故障的状态下分析来自标准传感器的系统数据。对数据进行筛选，以揭示所研究故障在传感器数据中显露的模式，分析这些模式并使它们与现有的物理系统信息相结合，以研究出将故障与所测得的传感器响应联系起来的基本原理。这些原理接着被转换成联机算法，以进行故障检测。

Description

基于距离故障分类器的故障诊断和预测

本申请要求享有于2004年8月27日提交的美国临时申请No.60/605,080以及2004年12月13日提交的美国临时申请No.60/635,523的优先权。

                     发明背景

本发明涉及采暖、通风和空调(HVAC)系统，更具体地涉及与HVAC系统中的早期检测和故障隔离有关的故障诊断。

由于日常运行过程中所发生的故障，HVAC系统往往不能象预期的那样工作。虽然这些故障表示出某种故障模式，但是，许多故障并不会导致系统立即停止运转或造成非常严重的损坏。然而，大多数故障如果长期不被注意的话，会对系统性能、使用寿命和生命周期成本造成不利影响。

诊断指的是故障的检测和隔离，而预测一般来说指的是在故障发生之前的预报。然而，在许多应用中，早期检测和诊断可以起到与预测同样的目的。当以相当低的速度发生故障扩大时，就是这样的情况。系统参数的微小变化一般来说在开始时不会造成十分不利的影响。因此，检测到一个或多个系统参数发生微小变化的故障的准确预测时间，对于系统全面损坏或停止运转并不是关键的。举例来说，对HVAC系统制冷剂充填泄漏和空气过滤器堵塞的检测是故障模式早期检测的实例，它们可提供足够的信息，以及时采取维护措施。

诊断方法可以分成两大类。其中一类对所监测的量进行直接测量，而另一类将传感技术与数学算法结合起来。这些方法中的技术重点是用于测量关键系统参数的专用传感器的研制。尽管这样的方法可能比较精确，但是它们一般来说成本很高，因为对于所研究的每一种故障模式，都需要增加专用硬件。在组合方法中，算法起到了主要作用，因为它们使得能够从传感器提供的间接测量值推断系统的健康情况。由于增加新的传感器成本很高而且制造更加困难，因此，只是加入了算法，以利用为某种控制用途而设计的现有传感器。

故障检测和诊断算法的设计已经成为很多研究领域的对象，这些研究领域的范围从统计方法和评价到源自于人工智能和推论、图论以及键合图的技术。一些诊断技术已经被应用于处理冷冻装置和HVAC的故障隔离。在已知的方法当中，“黑盒”或数据驱动技术(比如神经网络)最为引人关注。这类方法非常适合于有大量数据但缺乏对现象物理认识的领域。然而，这类方法的一个问题是，即使系统变化很小，重新校准黑盒模型的参数一般来说需要重新作出大量的实验，因为在模型参数和实际系统量之间没有直接联系。

因此，需要有这样一种检测故障的分析方法，它能够使已知数据驱动技术的结果与对HVAC系统的物理理解相一致，从而提供在模型参数和实际系统量之间的直接联系，以得出易于解释、校准和执行的分类规则。

                     发明概要

本发明涉及一种用于检测故障的分析方法，它能够使已知的数据驱动技术与对HVAC系统的物理理解相一致，从而提供模型参数和实际系统量之间的直接联系，以得出易于解释、校准和执行的分类规则。

本发明专注于多模块拼合式(multi-modular split)HVAC系统所遇到的最为常见的两个问题，即检测较低制冷剂充填状态和空气过滤器堵塞的问题。在此公开了一种用于制冷剂充填泄漏检测的方法，它依赖于系统化的技术如对实验数据的分析、故障特征的提取、故障检测准则的制定、以及诊断算法的开发和实施。在这里还公开了一种检测空气过滤器堵塞的方法，它依赖于换热器中减少了的基于物理的关系，以估计流经换热器的空气质量流量。

这两种方法都采用数据过滤技术，以确定数据的哪些部分带有与潜在故障最为有关的信息，根据现有的传感器进行变量次选择(sub-selection)，计算故障数据组和正常数据组之间的距离，并根据过滤参数和变量次选择使这一距离达到最大。接着用分类技术处理次选择变量以生成易于解释和易于执行的分类规则。

通过下面的说明和附图可以更透彻地理解本发明的这些和其它的特征，其中对附图的简要说明如下。

                     附图简介

图1是根据本发明的示例性HVAC系统的示意图；

图2是曲线图，示出了数据过滤如何被用来根据基准信号的瞬态响应对数据进行放大；

图3是流程图，详细示出了充填泄漏计算的一个实例；

图4是流程图，详细示出了空气过滤器堵塞计算的一个实例；

图5示出了对第一个示例性多模块拼合式(MMS)系统中所引发的较低系统制冷剂充填状态的算法响应曲线；

图6示出了对第二个示例性多模块拼合式系统中所引发的较低系统制冷剂充填状态的算法响应曲线；

图7是曲线图，示出了对于低充填检测算法的接收器工作特性(ROC)；

图8示出了对高壁式多模块拼合式系统中所引发的空气过滤器堵塞状态的算法响应曲线；

图9示出了对四通多模块拼合式系统中所引发的空气过滤器堵塞状态的算法响应曲线；和

图10是曲线图，示出了对于空气过滤器堵塞检测算法的接收器工作特性。

                  具体实施方式

图1是根据本发明的示例性HVAC系统10的示意图。在此实例中，HVAC系统10是被称作多模块拼合式系统(MMS)的无风管式热泵系统。多模块拼合式系统10包括一个室外单元12和两个室内单元14A和14B，它们在炎热季节时工作在制冷模式下，以提供冷空气至内部空间，而在寒冷季节时工作在供热模式下，以提供热空气至内部空间。

室外单元12包括一对并行的可变速的压缩机16，用于在制冷模式时控制过冷，以及在供热模式时控制过热的室外膨胀阀18，在制冷模式中起冷凝器作用而在供热模式中起蒸发器作用的室外热交换器20，以及室外风扇22。

两个室内单元14A和14B中的每一个都包括用于在制冷模式中控制过冷和在供热模式中控制过热的室内膨胀阀24、在制冷模式中起蒸发器作用而在供热模式中起冷凝器作用的室内热交换器26、以及室内风扇28。

四通阀门30控制工作模式从制冷模式到供热模式，反之亦然。多模块拼合式系统10还包括用于储存制冷剂充填物的接受槽32，它可根据情况改变所循环的制冷剂充填量。

压缩机16和室内风扇28的速度是根据室内温度与设定值之间的偏差来调整的。还可以调整压缩机16的速度，以符合总的制冷或供热要求。

在整个多模块拼合式系统10中设有膨胀阀。在所示实例中，膨胀阀是通过脉冲调制进行促动的脉冲调制阀门34。脉冲调制阀门34是由促动信号控制的，它调节脉冲调制阀门34的开启，以控制制冷剂在多模块拼合式系统10中的流动。脉冲调制阀门34A和34B串联布置在室内热交换器26附近。一对脉冲调制阀门35串联地布置在盘管36和接受槽32之间。

在整个多模块拼合式系统10中还设有多个传感器。在所示实例中，传感器包括若干个制冷剂侧温度传感器38、空气侧温度传感器40和压力传感器42。

制冷剂侧温度传感器38A-38D靠近每个室内热交换器26的每一端布置。制冷剂侧温度传感器38E和38F靠近每个压缩机16的其中一端布置。制冷剂侧温度传感器38G布置在四通阀门30和蓄集器(accumulator)44之间。制冷剂侧温度传感器38H布置在一对脉冲调制阀门35和接受槽32之间。制冷剂侧传感器38I布置在室外换热器20和盘管36之间。

空气侧温度传感器40A和40B布置在室内风扇28和室内换热器26之间，而空气侧温度传感器40C靠近室外风扇20布置。

压力传感器42A靠近蓄集器44布置，而压力传感器42B布置在压缩机16和油分离器46之间。

本发明致力于研制利用现有的系统传感器和数据来检测多模块拼合式系统10内故障的算法。在此公开了一种利用现有的系统传感器来诊断至少一种系统故障的分析方法。这种分析方法包括识别给定系统内可用的传感器，对于每个可用的传感器根据无故障数据和全故障数据之间的最大分离/最小重叠分析传感器数据以确定这些可用传感器中的哪一个产生表示系统故障的数据，根据分析确定故障关系，将至少一个测得的系统特性与故障关系进行比较，并在识别出系统故障时产生至少一个表示故障模式的故障代码。然而，所识别的系统故障不一定是由生成所分析数据的传感器直接监测的系统特性。举例来说，传感器可以生成与系统内的压力有关的数据，但是，所生成的故障代码却可以表示出较低系统制冷剂充填状态或空气过滤器堵塞状态。

下面介绍了根据本发明的较低系统制冷剂充填指标(indicator)和空气过滤器堵塞指标的推导。

较低系统制冷剂充填指标的推导

多模块拼合式系统的总的制冷剂充填量大致上与任意给定时间点所充满液态制冷剂的总体积成正比。较低系统制冷剂充填在总的系统液体体积下降时发生。当多模块拼合式系统10工作在制冷模式时，总的多模块拼合式系统制冷剂质量下降而总的多模块拼合式系统体积增大，导致气态制冷剂的体积总体上比液态制冷剂的体积增大更多。多模块拼合式系统体积的总体增加使得当制冷剂处于气态时离开室内和室外换热器20和26的制冷剂的温度升高到制冷剂沸点以上的温度，或者当制冷剂处于液态时离开室内和室外换热器20和26的制冷剂的温度降低到制冷剂沸点以下的温度。这些现象分别被称作过热和过冷。在这些情况下，多模块拼合式系统10将倾向于增加饱和温度下的蒸气质量，从而控制过热。

在大多数系统中，过热是通过促动膨胀阀控制的。过热的增加要求膨胀阀打开更大，以允许更多的制冷剂流经室内和室外换热器20和26以维持所要求的过热。在所示实例中，膨胀阀34是一种脉冲调制阀门(PMV)，脉冲调制阀门的促动是通过脉冲调制控制的。因此，过热的增加转化为更高的脉冲促动，而这又与较低系统制冷剂充填相关。而且，较低系统制冷剂充填还与更低的系统吸入压力有关。

虽然本发明专注于制冷模式，但是所介绍的原理并不限于制冷模式而是还可以推广到供热模式。

本发明包括一种用于识别较低系统制冷剂充填的故障检测准则，它可以概述如下：

在压缩机转速(每分钟转数)超过某个阈值(比如为其最大每分钟转数的40％-50％)之后，在最初的若干分钟(例如10-20分钟)内，低制冷剂充填指标在室内单元中采用更大的脉冲调制阀门平均开启程度或较小的吸入压力值，这不包括最初0-2分钟的瞬态数据。

这种故障检测准则是用于低制冷剂充填检测的故障识别原理和决策规则的系统化方法的结果。如下所述，这种方法将一些统计分类技术应用于预处理过的现场试验数据。预处理涉及数据过滤处理的应用，其目的是要放大带有与所关注故障事件最为有关信息的数据部分。

数据过滤处理将时间轴分解为时间间隔，在这些间隔中发生“所关注”的瞬态或稳态行为。在时刻t用v(t)表示的压缩机转速(每分钟转数)被用作过滤的基准信号。基准信号是其时间行为被用来分解时间轴的信号，如下面所要更详细介绍。

数据过滤处理中的主要步骤是将时间轴分解为一系列间隔F＝{I_k}，这种分解是三个过滤参数κ≥0，Δ≥0， ν≥0的函数，即F＝F(κ，Δ， ν)，其中 ν是一个阈值，κ是预定的时间周期，在此周期内由传感器测得的实际值在故障可以发生之前必须保持在阈值ν以上，而Δ限定了起动时间周期，在此期间所收集的数据不予考虑。F＝{I_k}是由另一个序列{I’_k}构成的。每个元素I’_k是闭合的时间间隔，具有以下三个特性：(1)长度I’_k大于或等于κ，(2)对于I’_k中的所有t，v(t)≥ ν，(3)I’_k是具有前两个特性的所有其它重叠封闭间隔的超集。而且，对于k≠j，I’_k∩I’_j＝。序列{I’_k}，k＝1，2，3，...是以这样的方式排序的，使得所有属于I’_k的t的上限用e(I’_k)表示，小于所有属于I’_k+1的t的下限，用b(I’_k+1)表示。{I_k}是通过让b(I_k)＝b(I’_k)而e(I_k)＝最大值(e(I’_k)，b(I_k)+Δ)构成的。

如图2中所示，下面的实例示出了数据过滤如何被用来根据基准信号的瞬态响应对数据进行放大：

1.HP(Δ， ν)＝F(0，Δ， ν)其中Δ小到中，构成了高通滤波器。点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，构成了带通滤波器。间隔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，构成了低通滤波器。间隔F由LP(4，100％)分段。

还注意到，如果图2中的数据以取样间隔1取样，那么由互斥组HP(0，100％)、BP(1，2，100％)和LP(4，100％)分段的间隔之并集就覆盖了基准信号100％处于其全部工作范围的所有数据点。举例来说，假设数据是以取样间隔ΔT取样的。互斥组HP(i×ΔT， ν)、BP((i+1)×(ΔT+1)，j×ΔT， ν)和LP((i+j+2)×ΔT， ν)之并集就覆盖了所有基准信号大于或等于 ν的数据点，其中，i，j是整数。Φ一般被用来指由过滤器拾取的所有时间间隔之并集。

为了推导故障检测准则，时间轴被重复地分解成三个不相交的间隔组，它们分别处于高通、带通和低通状态，并把基准压缩机的平均速度作为基准信号和各种过滤参数。每次过滤导致与图2中所示类似的时间分解。对于过滤处理的每一次重复来说，根据一组统计技术对三个不相交的数据组合进行分析，所述统计技术包括传感器(变量)选择、无故障和全故障数据组之间距离的计算、以及故障模式(pattern)的发现。数据过滤处理使得能够选择脉冲调制阀门的开启程度以及吸入压力，因为这些变量带有与系统制冷剂充填泄漏最为有关的信息。最佳的过滤器被发现是BP(κ，Δ， ν)，其中κ≤2，10≤Δ≤20，且 ν≈最大压缩机转速的50％。将这些结果组合在一起，就得出上述较低系统制冷剂充填的故障检测准则。

用于较低系统制冷剂充填的故障检测准则被转换成用于较低系统制冷剂充填检测的算法，并通过在固定长度的数据批上计算较低系统制冷剂充填指标来实施。数据批包括已经通过过滤器的最新数据点一直到由其固定长度确定的点。当有更多的数据点时，它们替换掉最旧的数据点，使数据批的长度保持固定。

为了说明，重新参见图2。假设计算中所用的过滤器是BP(1，2，100％)，分割间隔C和E。还假设取样时间为1且固定数据长度是3。对于这一实例来说，按日期顺序排列的数据批将是{9，10，15}、{10，15，16}和{15，16，17}。作为这批成分点平均(或中间)时间计算出来的时间被分配给每个数据批。在此实例中，利用在数据批的时间点上求平均值，与{9，10，15}、{10，15，16}和{15，16，17}相关的时间将分别是11.3、13.7和16。每一批内的低系统充填指标是通过找出该批内脉冲调制阀门开启大于某一阈值或吸入压力低于某一阈值的点的分数来计算的。所计算的低系统充填指标被分配给与该批有关的时间。

图3是一流程图，详细示出了充填泄漏计算的一个实例。在此流程图中：

Φ(t)是假设为1或0的二进位指标。Φ(t)只有在t属于所关注的分析周期、由所设计过滤器拾取的全部间隔组、以及在制冷模式工作状态(不包括压缩机保护状态)下的时候才等于1。

数据批B，其总是使最近的时间点保持Φ(t)＝1。批中的固定点数NB由用户设定。对于多模块拼合式系统应用来说，其典型值为24×60或12×60。

表示B元素的数目。

δ表示取样时间。δ应当大于数据收集取样时间(在多模块拼合式系统中为1分钟)，但是可以选得更大，以加快计算。

空气过滤器堵塞指标的推导

空气过滤器堵塞算法利用简单的物理关系式来估计通过每个换热器的空气质量流量。由于缺乏足够的空气侧测量值，这些关系式基于如下面所要介绍的一些简化假设：

对数平均温度和能量平衡方程被用来估计换热器中空气的质量流量。

空气的质量流量与空气过滤阻力成反比。

换热器中制冷剂过热的那一部分具有大的UA。

制冷剂流量与脉冲调制阀门的开启程度成正比。

空气潜冷却(latent cooling)可以忽略。

基于这些假设，每个换热器中的空气质量流量的倒数由下面的公式估计：

如图1中所示，T_a是室内空气温度，T_cj是室内盘管温度(测量换热器中制冷剂的饱和温度)的中间值，T_cl是流出室内单元换热器26的过热制冷剂的温度，而PMV是脉冲调制膨胀阀34A和34B的促动信号。

在图1中，对于室内单元14A来说，测量点T_a、T_cl、T_cj分别被标记/编号为TA-A、TC1-A和11，而对于室内单元14B来说分别标为TA-B、TC1-B和13。

由于这些假设忽略了某些可变源比如潜冷却，所以分析是在较长的周期上进行，以“求出”可能的未知影响的平均数。与上述较低系统制冷剂充填指标的研究类似，可对数据批进行处理，以用于空气过滤器堵塞指标的计算。从这个角度来说，对于某一尺寸的数据批，其算法与较低系统制冷剂充填指标的计算是一样的。

由于空气过滤器堵塞算法在室内风扇28以各种速度运转时估计每个室内换热器26中空气质量流量的倒数，所以对于每个风扇转速，最好分别计算空气过滤器堵塞指标并与阈值进行比较。尽管风扇转速数据不能直接得到，但是转速设定值(FANTAP)是可以得到的，并可作为风扇转速的代表。

用于计算空气过滤器堵塞指标的数据过滤处理比用于计算较低系统制冷剂充填指标的数据过滤处理简单很多。空气过滤器堵塞指标的计算包括，获取能够满足制冷工作模式下应用对数平均温度和能量平衡所需的基本规律性原理的传感器数据。如果T_a＞T_cj，T_cl＞T_cj，脉冲调制阀门大于某个阈值(大约为100的值是适当的)，且FANTAP等于其中进行计算的模式，则过滤器Φ在每个时间点被设置为1。

图4是一流程图，详细示出了空气过滤器堵塞计算的一个实例。在此流程图中：

Φ(t)是表现为1或0的二进位指标。Φ(t)只有在t属于所关注的分析周期、由所设计过滤器拾取的全部间隔组、以及在制冷模式工作状态(不包括压缩机保护状态)下的时候才等于1。

数据批B，总是使最近的时间点保持Φ(t)＝1。批中的固定点数NB由用户设定。对于多模块拼合式系统应用来说，其典型值为24×60或12×60。

表示B元素的数目。

δ表示取样时间，δ应当大于数据收集取样时间(在多模块拼合式系统中为1分钟)，但是可以选得更大，以加快计算。

图5和图6分别示出了对第一个示例性多模块拼合式系统和第二个示例性多模块拼合式系统中所引发的较低系统制冷剂充填状态的算法响应曲线。这两个实例中的多模块拼合式系统都包括一个室外单元和五个室内单元，它被设计成能够满足两个办公室和两个会议室的制冷和供热需求。在计算结果时，按第一系统进行优化的阈值被直接应用于第二系统的数据组，而不需要进行任何更进一步的调整。换句话说，第一系统数据组用于“算法训练”，而第二系统数据用于验证。

就较低系统制冷剂充填而言，图5和图6中的曲线示出了作为用算法处理的数据批号之函数的较低系统制冷剂充填指标的值。数据批按顺序排列。每个数据批的较低系统制冷剂充填指标是通过找出该数据批内的其中脉冲调制阀门的开启大于预定阈值或吸入压力小于预定阈值时的数据点的百分比来计算的。曲线强度的变化表示在数据批中所有点上求平均值的实测充填。举例来说，如果数据批内有40％的点具有30％的充填损失而其余点是满充填(0％的充填损失)的，那么该数据批的平均实测充填损失将是12％，它被称作平均实测故障(AAF)。从这一曲线可以推出，大于10-15％的指标值将标志着低充填状态(＞25％的AAF)。

图7画出了较低系统制冷剂充填检测算法的接收器工作特性(ROC)。ROC是广泛使用的与检测阈无关的用于评价检测算法性能的工具。ROC画出了作为算法所产生误报警(假肯定率)函数的算法检出率(命中率)。检出率或命中率用来测量如果故障事件实际发生的话较低系统制冷剂充填指标发出警报的概率。误报警或假肯定率用来测量当没有故障实际存在时指示有故障的概率。理想的ROC曲线对于任何正误报警将具有100％的检出率。

从概念上讲，可以通过将检测阈从它的最小可能值变为最大可能值，对每个选择的检测阈计算误报警-检出率对，然后画出所计算的对，来计算ROC。换句话说，ROC曲线上的每一个点与一个阈值有关。当生成图7中的ROC时，数据批故障状态的存在被定义为用于该数据批的AAF＞15％。该数据批故障的不存在被定义为AAF＜5％。

图8和图9分别示出了对高壁单元和四通单元中所引发的空气过滤器堵塞的算法响应曲线。所给出的结果基于在风扇高转速下从第一系统中收集的数据。附图示出了作为用算法处理的数据批号(顺序排列)之函数的空气过滤器堵塞指标值。曲线强度的变化表示平均实测故障(AAF)，其定义与上面的类似。举例来说，如果数据批内有40％的点具有50％的堵塞而其余点没有堵塞(0％的堵塞)，那么该数据批的平均实测故障将是20％。从这一曲线可以推出，大于15的空气过滤器堵塞指标值将标志着堵塞状态。

图10画出了用于空气过滤器堵塞检测算法的接收器工作特性(ROC)。当生成图10中的ROC时，数据批故障状态的存在被定义为AAF＞25％。数据批故障的不存在被定义为AAF＜5％。

虽然已经公开了本发明的一些优选实施例，但是本领域中的普通技术人员应当认识到，在本发明范围之内可以进行某些修改。因此，所附权利要求用于限定本发明的真实范围和内容。

Claims (20)

1.一种用于诊断至少一种系统故障的方法，包括以下步骤：

(a)识别系统内可用的传感器，其中，所识别的传感器产生与系统工作特性有关的传感器数据；

(b)分析所述传感器数据以识别表示至少一种故障模式的模式；

(c)根据所识别的模式确定故障关系；

(d)将至少一种系统工作特性与所述故障关系进行比较，以识别系统故障；和

(e)当在步骤(d)中识别出系统故障时，产生至少一个表示所述至少一种故障模式的故障代码。

2.根据权利要求1所述的诊断至少一种系统故障的方法，其特征在于，步骤(b)还包括以下步骤：

(f)从每个所述被识别的传感器中，生成全故障数据组和无故障数据组；

(g)将来自每个所述被识别的传感器的所述全故障数据组与来自同一个被识别的传感器的所述无故障数据组进行比较；

(h)对于每个被识别的传感器，识别所述全故障数据组和所述无故障数据组之间的最大分离；

(i)选择与所述全故障数据组和所述无故障数据组之间的最大分离中的最大者相关的所述被识别的传感器；和

(j)根据步骤(i)中所述选择的被识别的传感器，来识别步骤d)中的所述至少一种系统特性。

3.根据权利要求1所述的诊断至少一种系统故障的方法，其特征在于，步骤(c)还包括以下步骤：

(k)确定与所述至少一种系统特性有关的阈值；

(l)监测与所述至少一种系统特性有关的实际值；以及

其中，步骤(e)还包括，基于所述实际值与所述阈值的比较，来产生所述至少一个故障代码。

4.根据权利要求3所述的诊断至少一种系统故障的方法，其特征在于，步骤(k)还包括以下步骤：

(m)针对与所述最大分离相关的所述选择的被识别的传感器，来计算所述全故障数据组和所述无故障数据组之间的距离；以及

(n)根据过滤参数和变量次选择，使所述距离最大化。

5.根据权利要求3所述的诊断至少一种系统故障的方法，其特征在于，步骤(e)还包括以下步骤：

(o)识别未由任何一个所述被识别的传感器监测的至少一个其它系统特性，其中，所述至少一个其它系统特性表示与所述至少一个故障代码有关的所述至少一种系统故障模式。

6.根据权利要求5所述的诊断至少一种系统故障的方法，其特征在于，步骤(e)还包括以下步骤：

(p)对于给定的取样时间，计算与所述至少一个其它系统特性有关的平均值；以及

(q)监测与所述至少一个其它系统特性有关的实际值。

7.根据权利要求6所述的诊断至少一种系统故障的方法，其特征在于，步骤(e)还包括，当与所述至少一种系统特性有关的所述实际值超过所述阈值、并且与所述至少一个其它系统特性有关的所述实际值超过所述平均值时，生成所述至少一个故障代码。

8.根据权利要求7所述的诊断至少一种系统故障的方法，其特征在于，所述至少一种系统特性与所述系统内至少一个控制阀的促动程度有关。

9.根据权利要求6所述的诊断至少一种系统故障的方法，其特征在于，步骤(e)还包括，当与所述至少一种系统特性有关的所述实际值低于所述阈值、并且与所述至少一个其它系统特性有关的所述实际值超过所述平均值时，生成所述至少一个故障代码。

10.根据权利要求9所述的诊断至少一种系统故障的方法，其特征在于，所述至少一种系统特性是与压缩机有关的吸入压力。

11.根据权利要求1所述的诊断至少一种系统故障的方法，其特征在于，步骤(c)还包括以下步骤：

(r)分析所述被识别的模式；和

(s)将所述被识别的模式与可得到的物理系统信息结合起来，以确定所述故障关系。

12.根据权利要求1所述的诊断至少一种系统故障的方法，还包括以下步骤：

(t)确定与步骤(d)中的所述至少一种系统工作特性有关的阈值；

(u)估计第二种系统工作特性；和

(v)测量第三种系统工作特性，其中，所述阈值和所述第二种系统工作特性是分别根据所述第三种系统工作特性来计算和估计的。

13.根据权利要求12所述的诊断至少一种系统故障的方法，其特征在于，所述第二种系统工作特性表示与所述至少一个故障代码有关的所述至少一种系统故障模式。

14.根据权利要求13所述的诊断至少一种系统故障的方法，其特征在于，步骤(e)还包括以下步骤：

(v)对于给定的取样时间，计算与所述第二种系统工作特性有关的平均值；以及

(w)监测所述第二种系统工作特性的实际值。

15.根据权利要求14所述的诊断至少一种系统故障的方法，其特征在于，步骤(e)还包括，当与所述至少一种系统工作特性有关的所述实际值超过所述阈值、并且所述第二种系统工作特性的所述实际值超过所述平均值时，生成所述至少一个故障代码。

16.根据权利要求1所述的诊断至少一种系统故障的方法，其特征在于，所述系统是蒸汽压缩系统。

17.根据权利要求16所述的诊断至少一种系统故障的方法，其特征在于，所述蒸汽压缩系统中被识别的传感器包括至少一个压力传感器、至少一个温度传感器和至少一个阀门传感器。

18.一种蒸汽压缩系统，包括：

至少一个室内单元，其包括至少一个室内传感器和至少一个室内阀门；

至少一个室外单元，其与所述至少一个室内单元连通，并包括至少一个室外传感器和至少一个室外阀门；

用于控制所述至少一个室内单元和所述至少一个室外单元的控制装置，其中，所述控制装置还包括：

控制器，其用于收集和解释来自所述至少一个室内传感器和所述至少一个室外传感器的数据，并基于所述数据生成至少一个故障代码。

19.根据权利要求18所述的系统，其特征在于，所述控制器将所述数据与来自所述至少一个室内单元和所述至少一个室外单元的可得到的系统信息结合起来，以生成所述至少一个故障代码。

20.根据权利要求18所述的系统，其特征在于，所述控制器接收与多个系统工作特性有关的多个数据输入，根据所述多个系统工作特性来计算指标，并基于所述指标与阈值的比较来生成所述至少一个故障代码。

Images