基于贝叶斯网络的中央空调系统故障检测与诊断方法研究

A typical central air-conditioning system is usually a complex thermodynamic system with various kinds of heat and/or mass transfer processes and heat-work conversion processes. It is easy to suffer from various kinds of faults which would lead to low energy efficiency or safe problems. There is still a lack of efficient automatic fault detection and diagnosis methods. This study aims to propose a Bayesian network-based method with the following improvements: Firstly, a data-mining-based method will be proposed to extract hidden fault symptoms, to find the statistical robust relationships among the measurements in the heat and/or mass transfer processes as well as the cooling/heating energy transfer processes. This method would be useful to diagnose faults such like performance degradation and refrigeration leaking. Secondly, a proactive fault detection and diagnosis method will be proposed. It aims to introduce the specific operating conditions or disturbances into the system to observe specific fault symptoms. This method would be useful to diagnose faults such like sensor fault and valve stuck. In the end, a Bayesian network-based method will be proposed to integrate all above fault symptoms as well as expert knowledge and prior knowledge. Comprehensive evaluations will be made using real-system data and simulated data. To sum up, this study will make contributions in developing new fault detection and diagnosis methods. It will be significant to energy savings in central air-condition systems.

中央空调系统是一种存在多种热/热质交换和功热转换形式的复杂热力系统，容易产生各类故障导致性能下降或运行安全问题，目前尚缺少成熟的自动故障检测诊断理论方法。本项目尝试提出一种基于贝叶斯网络的方法，做出如下理论创新：首先，提出基于数据挖掘技术的隐性故障征兆的提取方法，探寻在热/热质交换和冷/热量传输过程中变量间统计学意义上的关联规律，并建立故障征兆模型，来辅助诊断换热性能下降和制冷剂泄露等难以诊断的性能相关故障；其次，研究主动获取额外故障征兆的方法，在对正常运行影响较小的前提下，针对具体故障制造出特定的热质交换过程、能量传输过程或特定的扰动，来辅助诊断传感器读值漂移和阀门卡死等类型的故障；最后，提出一种融合以上多源诊断信息和专家先验知识的贝叶斯网络故障检测诊断方法，并在仿真平台和实际系统中验证。本研究在引入丰富的故障诊断信息和概率推理方面提出了新思路，对中央空调系统高效运行和节能有积极意义。

在大数据时代，中央空调系统自动故障检测诊断算法研发和推广对我国建筑领域节能减排具有重要意义。本项目致力于开发高效通用故障检测诊断算法，重点解决制约算法大规模工程推广的核心理论问题，形成如下理论创新：第一，提出了基于关联规则挖掘的运行数据分析方法，自动挖掘变量间统计学意义上的关联规律，并进一步生成隐性故障征兆集合；第二，研发了一种通过主动制造短暂扰动来获取额外故障诊断信息的方法，有效克服了中央空调领域普遍存在的传感器数量不足导致诊断信息不充分的问题；第三，融合以上多源故障征兆构建故障检测诊断贝叶斯网络单元，创新开发了一种通用的贝叶斯网络自主生成算法，通过类似于积木拼接的方法基于贝叶斯网络单元自动为实际系统生成针对性贝叶斯诊断模型，从本质上有利于克服本领域通用性理论难题。.除以上既定研究内容外，本项目在研究过程中发现制约当下及以后本领域故障诊断和人工智能算法研究的一个重要障碍是缺少充分故障样本数据，以及缺少类似于AlphaGo棋盘那样能够极低成本互动及实时引入故障的虚拟中央空调系统。因此，本项目额外开发了一个通用型中央空调系统仿真平台。相比同类软件，它额外具备高精度快速压力场流量差和温度场求解算法，能够更真实地仿真故障在系统中的瞬态迁移影响。它内置了空调系统所有典型故障，可以指定或者随机引入故障。后续本平台将开放相应功能给学术界共同使用，为进一步深度探讨人工智能在该领域应用奠定数据基础。.本项目超额完成既定目标，共发表论文14篇，授权发明专利4项，开发仿真云平台1项和故障检测诊断平台1项，代码总量逾百万行。以上研究成果在华为数据中心，某烟厂大型空调系统和中芬合作区域供冷供热项目上验证和推广，取得了满意的效果。本项目研究成果为引入人工智能和大数据技术解决建筑节能减排问题提供了新思路，对我国发展建筑领域节能技术，助力“2030碳达峰”具有开拓意义。