暖通空调系统故障检测与诊断技术研究进展

赵友军

（北京京投兴檀房地产有限公司 北京 101502）

在楼宇项目中，中央空调故障的出现可以通过及时查找，降低20%～50%。因此一定要把故障的诊断方式运用至中央空调系统中，这样才能够快速且精准地找到故障所在区域，降低相关设备的检修时长，确保设备的正常运行，减少其能耗，优化节约能源的效果。

1 中央空调系统的常见故障

当下伴随着人们对于生活质量的要求越来越高，中央空调系统在各类型的楼宇项目中被广泛地应用，这样可以满足不同建筑和室内人们对于空气及温度的不同需求，但是由于中央空调系统自身是根据流体流动的驱动部件，并由各种热交换器、设备、管路等一同构造，因此，要把中央空调故障细分为3 类，包括传感器的故障、执行部分的故障、被控制部分的故障。

因中央空调的系统自身的特点是非线性质、繁杂多变、众多子系统，以及相关数据控制一同构造，所以当下构建起相对完善且通用于各类型空调的系统问题诊断方式是不太容易实现的，本文着重分析中央空调系统中的核心设备部分，提出故障的诊断措施［1］。

2 中央空调系统关键设备的故障分析——冷水机组

2.1 冷水机组故障分析

因为冷水机组其自身非常繁杂，导致其出现故障的频率很多，故障的问题种类也很多，依据相关故障的特征，可以把所有的故障细分成两种，即硬性问题与软性问题。硬性问题包括冷水机组中，压缩设备出现问题、PLC 的问题、电气构件的问题，这些属于突发问题的故障情况，如果出现硬性问题，机组中部分数据会马上出现偏离的问题，并迅速蔓延，造成冷水机组的设备无法作业，但是这种问题很容易被找到，所以不会发展得太严重。但是，冷水机组的软性问题就不一样了，软性问题一般情况下是不容易被马上找到的，因为在冷水机组出现软性问题时，其总体依旧可以正常运行，不会出现马上停机的情况。软性问题大多数都是使冷水机组发生整体的故障，本文所探讨的核心便是冷水机组的软性故障类型，利用可靠的方式，解决软性问题，减少冷水机组的总体能耗，同时优化机组的总体制冷效率［2］。如果冷却水泵出现运转失误、冷凝装置发生结垢，或者冷却水的阀门部位出现破损，都会造成冷却水的流量出现问题。由于冷却水的端口，其水的温度变得不稳定，就会造成冷凝器出现故障。

使用适量的润滑油，能够确保压缩设备的正常运行工作，并且确保其使用的时间。可是，一旦使用过多的润滑剂，就会难以控制，多出来的润滑剂极有可能进入气道中，之后再进入压缩设备的气缸中，就会出现液击的问题；还容易进入蒸汽设备与冷凝设备中，在其设备中形成污渍，之后会对其换热的作业带来负面的影响，最后会造成压缩的功率浪费问题。

本文所分析的冷水机组设备软性问题，使用的是自模拟数据的方法，实施机组问题的仿真模拟，并依据试验的成果，进一步证明故障分析方式的使用性能。

2.2 冷水机组故障特征变量

基于上文所述，从故障的分析内容可知冷水机组的问题故障因素是多种多样的，一旦出现软性问题，就会导致很多的故障随之出现。例如，冷冻水的运行出现问题，造成蒸发设备的压力程度不够，导致温度的减少；同理可知，这样一个类型的情况发生，就等于涵盖了很多的故障根源，如空调设备的功率被无效消耗，这种问题的根源可能是由于冷水机组里存在无法凝固的气体，也可能是由于润滑剂的不慎进入。这样一来，伴随软性问题的出现，故障也在不断增加。所以，在选择特征变量环节，需要切实参考故障之间的特点，分析其之间的关系［3］。

3 中央空调系统关键设备故障诊断方法与仿真

3.1 冷水机组故障与特征变量

综合上一部分中，冷水机组软性问题的种类及特点变化的叙述，此环节对于软性问题实施有关模拟，本文选取的冷水机组模拟故障，是假设冷却水量出现问题，冷冻水的流量也不够，制冷剂出现泄漏的情况，还有润滑油出现过多的问题，相对选择的冷水机组，其特性的变化是冷凝设备在进水时的温度（TCI）、冷凝设备排水环节的温度（TCO）、蒸发设备输水阶段温度（TEI）、蒸发设备排水环节温度（TEO）、压缩设备（To-sump）这5个温度情况。冷水机组故障类型与特征变量之间的关系详见表1。

表1 冷水机组故障类型与特征变量之间的关系

为精简故障的环节，这里不参考问题之间的耦合情况，只是单独对于某一类问题的出现，便于实施冷水机组的问题诊断模拟分析。这里把冷水机组其特征变量正常及故障状况下的温度区域设定相关的参数，详见表2。

表2 中采用变量的E代表冷却水的进出端，其水的温度变化TCO-TCI；变量F代表冷冻水的进出端，其水的温度变化TEI-TEO；变量G代表蒸发设备，其水的温度变化TEO；变量H代表的压缩设备，底部的油温变化To-sump［4］。

表2 冷水机组特征变量正常与故障状况下温度范围

3.2 基于神经网络的故障模式识别

构建基于BP网络的冷水机组设备，其故障的模拟情况，设计BP网络的隐含层神经元，其数目是20，网络训练的预估偏差值假设为0.001，作业的速率取值0.01，最强的训练次数取值为1000，最终的冷水设备问题诊断成果，详见图1［5］。

根据图1（a）可知，BP网络的训练数据与实际的参数很接近，只在润滑油的输出环节中（输出数据为4），有一些明显的偏差，总体训练成果是很好的，并且进行训练的时长不多，只是训练的步长是3的环节，网络的相关训练就结束了［6］。根据图1（b），冷水机组的问题诊断，在作业正常的时候，预测的误差数据可能会更大一些，在别的状况中，预测的数据都与实际的数据相对吻合。这个时候，BP 网络的模拟成果，其平均的误差数据是0.0405。同时，根据图1（c）分析，BP 网络的总体参数，其回归的模式很大，并没发生特别明显的误差问题，这可以证明BP网络能够用于冷水机组的问题诊断作业中［7］。

图1 冷水设备在基于BP 网络的问题判断成果

4 结语

综上所述，本文对中央空调系统中，冷水机组设备的软性问题故障，实施了有关的研究分析，进行基于神经网络的问题判定实验。把这种方式实施模拟实验，基于BP网络，冷水机组的问题判断，做了仿真的验证，其实验的成果，证明神经网络可以应用于冷水机设备，软性问题的判断、问题的测试成果、相关的误差不明显，达到了设定的网络目标误差，进一步为基于大数据背景的空调故障诊断提供了新思路。