地铁因其便利、安全、高速、载客量大等特点,在当今社会得到迅速的发展。通风空调系统作为地铁系统环境中极其重要的组成部分,是良好出行环境的直接保障。而冷水机组是通风空调系统的核心组件,其为整个地铁环境提供唯一的冷源。由于其长期在变工况、变负荷条件下运行,很容易发生故障。如果故障不能及时排除,势必会导致地铁环境的恶化,还会增加系统的能耗,缩短设备的寿命,因此,面对复杂多变的冷水机组,如何高效的对设备故障进行检测,预防事故的发生,已成为当下面临的重要议题。本文以地铁站冷水机组为研究对象,对其常见的典型故障进行深入分析,同时针对过程数据的线性不可分性、非高斯性以及数据采集中的异常点问题,探究核独立成分分析算法(Kernel Indpendent Component Analysis,KICA)在冷水机组故障检测中的应用。(1)研究基于KICA的冷水机组故障检测方法通过对美国采暖、制冷与空调工程师学会(American Society of Heating,Refrigerating and Air-Conditioning Engineers.Inc,ASHRAE)数据的分析,发现冷水机组变量之间是线性不可分的,且具有很强的非高斯性。核独立成分分析针对数据这些特征,有非常突出的表现。因此,本文首先运用KICA对数据进行处理,然后构造I~2,SPE统计量进行检测。实验结果表明,基于KICA故障检测模型在故障检测的准确率上明显优于传统的ICA、PCA,可以提高故障检测的准确率。(2)研究一种基于离群点剔除的故障检测模型针对数据中存在的异常点问题,本文研究一种离群点自动剔除的故障检测模型,相比于传统的基于距离的方法,本文方法不需要人为设定阈值,增加了算法的可靠性。通过对数据的处理分析表明,本文方法得到的数据更加聚集,选取相同独立成分个数的情况下,负熵值更大。并且,通过对比发现,剔除离群点后,算法的鲁棒性更强,故障检测的准确率也得到一定的提高。(3)研究基于粒子群优化的KICA-SVDD的故障检测方法核独立成分分析假设过程变量服从非高斯分布,而传统的基于马氏距离构造的监控统计量不能满足这一假设,并且算法在实现过程中面临参数选择的盲目性。针对以上问题,本文提出一种基于粒子群优化KICA-SVDD的故障检测方法。该方法首先运行核技巧将数据映射到高维核空间,在核空间中建立一个最优分类超平面,该平面通过最大化正常数据与故障数据之间的距离,同时最小化正常数据和故障数据内部的离散度,解决参数选择问题;随后,引入支持向量数据描述(Support Vector Data Description,SVDD)构造R统计量,克服了传统统计量的不足。通过ASHRAE 1043-RP数据对该方法进行验证,结果显示本文方法优于传统方法,提高了故障检测的准确率。(4)现场故障模拟实验分析与研究将课题的研究内容运用到北京某高校的地铁实训平台来验证本文方法的有效性。结果表明,本课题所提方法与传统方法相比,可以提高故障检测率。特别是在针对一些早期比较小的软故障,检测效果有明显提高。通过对本文方法的应用,有助于及早发现故障,防止设备不正常的停机,并且可以延长设备使用寿命,减少设备能耗等。