Als eine der Methoden zur multidimensionalen Datenanalyse wird die Hauptkomponentenanalyse (PCA) weit verbreitet zur Diagnose von Sensorfehlern in Kühl- und Klimaanlagen eingesetzt. In diesem Artikel werden zunächst die thermische Bilanz und die Steuerlogik für den Mehrgerätbetrieb kombiniert, um 18 häufig verwendete Sensorsignale im System auszuwählen und ein Diagnosemodell für Fehlererkennung und -diagnose (FDD) von VRF-Sensoren zu erstellen. Anschließend wird basierend auf den algorithmischen Prinzipien der PCA ein Prozess zur Fehlererkennung und -diagnose von Sensoren unter Verwendung der Q-Statistik und des Q-Beitrags als Prüfmaßstäbe vorgestellt. Die Validierung erfolgt mit Messdaten, wobei verschiedene Typen und Schweregrade von Sensorsensorfehlern eingeführt werden, um die Eigenschaften der Fehlererkennung und -diagnose unter verschiedenen Fehlerbedingungen zu analysieren. Die Ergebnisse zeigen, dass die Anwendung der PCA im Prozess der Fehlererkennung und -diagnose von Mehrgerätesensoren insgesamt zuverlässig ist. Die spezifischen Merkmale sind: Deutliche Unterschiede in der Fehlererkennungseffizienz verschiedener Sensortypen bei unterschiedlichen Fehlerarten und -graden; bei kleinen Fehlerabweichungen ist die Fehlererkennungseffizienz der PCA-basierten Methode gering, und bei einzelnen Sensoren ist die Gesamteffizienz niedrig. Da die Fehlerdiagnose auf den Ergebnissen der Fehlererkennung basiert, spielt die oben genannte Fehlererkennungsmethode eine wichtige Rolle im FDD-Prozess.

Hauptkomponentenanalyse;Fehlererkennung und -diagnose;Q-Statistik;Q-Beitrag;Sensor;Mehrgerätekühlanlage