Como um dos métodos de análise de dados multivariados, a análise de componentes principais (PCA) é amplamente utilizada para diagnóstico de falhas em sensores de sistemas de refrigeração e ar condicionado. Este artigo combina inicialmente o princípio do equilíbrio térmico e a lógica de controle de operação de sistemas multi-split para selecionar 18 variáveis comuns de sensores no sistema, estabelecendo um modelo de diagnóstico de falhas (FDD) para sensores multi-split (VRF). Em seguida, combinando os princípios algorítmicos do PCA, apresenta um processo de detecção e diagnóstico de falhas de sensores baseado nas estatísticas Q e na contribuição Q como critérios de teste. Depois, são realizados trabalhos de validação com dados medidos, introduzindo diferentes tipos e graus de falhas de sensores para analisar as características de detecção e diagnóstico sob diferentes condições de falha. Os resultados indicam que, de modo geral, a aplicação da PCA no processo de detecção e diagnóstico de falhas em sensores multi-split é confiável. Suas características específicas incluem: diferenças significativas na eficácia da detecção de falhas para diferentes tipos de sensores em diferentes tipos e graus de falha; sob condições de falhas com pequenos desvios, a eficiência da detecção de falhas baseada no PCA é baixa e, para sensores individuais, a eficiência geral da detecção é baixa. Considerando que o diagnóstico de falhas é baseado nos resultados da detecção, o método de detecção acima desempenhará papel importante no processo FDD.

análise de componentes principais;detecção e diagnóstico de falhas;estatística Q;contribuição Q;sensor;sistemas de ar condicionado multi-split