1、“.....选取决的不可重构方差最小时的主成 分数为最优主成分 数。此时的最优的主成分数是，因此用个主成分建立模型。 为了比较四种类型故障，选用同个传感器建筑供水温度传感器进行故障检测和诊断，随机误差 。无任何故障时的测量信号见图，正常条件下的故障检测情况见图。从图中可以 看出，没有超出极限值，说明数据正常。 图正常数据的检测 正常建筑供水温度数据信号正常数据的检测结果 偏差故障 选，由文献式计算了出这时的故障测量值。图是这时的正常数据与故障数据的 比较。图是这时的故障数据检测结果，值超过了限，检测出故障。指数监测结果见图 。 漂移故障 选取，由文献式计算出这时的故障测量值。图是这时的正常数据与故障数据的 比较。图是这时的故障数据检测结果，在故障发生段时间后，值超过了限，检测出故障。 指数监测结果见图。由图可以看出，由于故障大小是逐渐增加的......”。

2、“.....故障很小，不能 被检测出。随着时间的推移，故障不断增大，指数也不断在增加，故障被检测出来。 图偏差故障检测与诊断 图漂移故障检测与诊断 正常数据与故障数据比较故障检测故障鉴别 图精度等级下降的检测与诊断 图完全故障检测与诊断 正常数据与故障数据比较故障检测故障鉴别 精度等级下降 选取∽由文献式计算出这时的故障测量值。图是这时的正常数据与故障 数据的比较。图是这时的故障数据检测结果，图是指数监控结果。从图中可以看出， 指数的波动很大，有时很大，而有时又很小，甚至不能被检测到，但多数情况超过了极限。这主要是由于 故障类似于噪声的原因造成的。指数也是如此。因此，对于这类故障，如果较小时，很容易被人认为是自由噪声而难于被检测出 完全故障 选取，图是这时的正常数据与故障数据的比较。图是这时的故障数据检测结果， 值远远超过了限，指数很大......”。

3、“.....完全故障与偏差故障表现很相似，但完全故障 的远偏差故障大。 结语 本文利用主成分分析法对空调系统传感器四种故障进行诊断。指数和指感器故障检测与诊断 空调系统中保证各类传感器的读数正确，及时发现传感器故障，是空调系统最估运行的重要保证。我 们已经给出了空调系统的传感器故障类型，本文将用主成分分析法对空调系统中传感器的这些类型的故 障进行诊断，以便及时辨别出故障类型，做出正确决策，及时恢复测量，使系统可靠正常运行。 主成分分析法及故障检测识别方法 系统或过程传感器测量值之间并不是孤立的，它们之间具有高度的相关性，在正常情况下，这种 相关性是由物理化学等基本规律所控制的，如质量守恒能量守恒等。而当些传感器出现故障时， 就会打破这种测量值之间的相关性。主成分分析法能充分反映这种相关性，因此，我们采用方法进 行故障检测与诊断......”。

4、“.....是测量样本数。的每列都进行了零平均 化，可以分解为 其中测量的可模部分，测量的残差部分，在正常情况下，主要是自由噪声。 根据的方法，和可分别表示为 式中得分矩阵 荷载矩阵，。 其中，为模型所包含的主成分数，后面将介绍如何确定它。的列向量分别是的协方差阵 的前个最大特征值所对应的特征向量。的例则分别是剩下的个特征微量。根据统计学原理， 的协方差阵可以用下式进行估计 对于每个测量样本，其可表示成为 式中， 是是在主成分子空间内的投影，而是在残差子空 间内的投影。 故障检测 在正常情况下，测量样本向量在残差子空间内的投影应当很小，主要是自由噪声。当故障发生时， 这个投影就会显著地增加。因此，可以通过检测测量数据在内的投影大小来检测故障是否发生。 通常使用的统计量是平方预测误差，如式所示 当时......”。

5、“.....而当时，就认为系统出现故障。为 的置信限。可用下式计算。 式中模型的主成分数 置信能充分反映这种相关性，因此，我们采用方法进 行故障检测与诊断。 建模 设测量矩阵其中是测量变量数，是测量样本数。的每列都进行了零平均 化，可以分解为 其中测量的可模部分，测量的残差部分，在正常情况下，主要是自由噪声。 根据的方法，和可分别表示为 式中得分矩阵 荷载矩阵，。 其中，为模型所包含的主成分数，后面将介绍如何确定它。的列向量分别是的协方差阵 的前个最大特征值所对应的特征向量。的例则分别是剩下的个特征微量。根据统计学原理， 的协方差阵可以用下式进行估计 对于每个测量样本，其可表示成为 式中， 是是在主成分子空间内的投影，而是在残差子空 间内的投影。 故障检测 在正常情况下......”。

6、“.....主要是自由噪声。当故障发生时， 这个投影就会显著地。计算不同的主成分数时总的不可重构方差，选取决的不可重构方差最小时的主成 分数为最优主成分 数。此时的最优的主成分数是，因此用个主成分建立模型。 为了比较四种类型故障，选用同个传感器建筑供水温度传感器进行故障检测和诊断，随机误差 。无任何故障时的测量信号见图，正常条件下的故障检测情况见图。从图中可以 看出，没有超出极限值，说明数据正常。 图正常数据的检测 正常建筑供水温度数据信号正常数据的检测结果 偏差故障 选，由文献式计算了出这时的故障测量值。图是这时的正常数据与故障数据的 比较。图是这时的故障数据检测结果，值超过了限，检测出故障。指数监测结果见图 。 漂移故障 选取，由文献式计算出这时的故障测量值。图是这时的正常数据与故障数据的 比较。图是这时的故障数据检测结果......”。

7、“.....值超过了限，检测出故障。 指数监测结果见图阵，。 其中，为模型所包含的主成分数，后面将介绍如何确定它。的列向量分别是的协方差阵 的前个最大特征值所对应的特征向量。的例则分别是剩下的个特征微量。根据统计学原理， 的协方差阵可以用下式进行估计 对于每个测量样本，其可表示成为 式中， 是是在主成分子空间内的投影，而是在残差子空 间内的投影。 故障检测 在正常情况下，测量样本向量在残差子空间内的投影应当很小，主要是自由噪声。当故障发生时， 这个投影就会显著地。计算不同的主成分数时总的不可重构方差，选取决的不可重构方差最小时的主成 分数为最优主成分 数。此时的最优的主成分数是，因此用个主成分建立模型。 为了比较四种类型故障，选用同个传感器建筑供水温度传感器进行故障检测和诊断，随机误差 。无任何故障时的测量信号见图......”。

8、“.....从图中可以 看出，没有超出极限值，说明数据正常。 图正常数据的检测 正常建筑供水温度数据信号正常数据的检测结果 偏差故障 选，由文献式计算了出这时的故障测量值。图是这时的正常数据与故障数据的 比较。图是这时的故障数据检测结果，值超过了限，检测出故障。指数监测结果见图 。 漂移故障 选取，由文献式计算出这时的故障测量值。图是这时的正常数据与故障数据的 比较。图是这时的故障数据检测结果，在故障发生段时间后，值超过了限，检测出故障。 指数监测结果见图。由图可以看出，由于故障大小是逐渐增加的，在刚开始，故障很小，不能 被检测出。随着时间的推移，故障不断增大，指数也不断在增加，故障被检测出来......”。

9、“.....它们之间具有高度的相关性，在正常情况下，这种 相关性是由物理化学等基本规律所控制的，如质量守恒能量守恒等。而当些传感器出现故障时， 就会打破这种测量值之间的相关性。主成分分析法能充分反映这种相关性，因此，我们采用方法进 行故障检测与诊断。 建模 设测量矩阵其中是测量变量数，是测量样本数。的每列都进行了零平均 化，可以分解为 其中测量的可模部分，测量的残差部分，在正常情况下，主要是自由噪声。 根据的方法，和可分别表示为 式中得分矩阵 荷载矩阵，。 其中，为模型所包含的主成分数，后面将介绍如何确定它。的列向量分别是的协方差阵 的前个最大特征值所对应的特征向量。的例则分别是剩下的个特征微量。根据统计学原理， 的协方差阵可以用下式进行估计 对于每个测量样本，其可表示成为 式中......”。