核電通風(fēng)空調(diào)系統(tǒng)故障檢測與診斷

宋園園，劉林頂，吳明宇，宋德寬

（中國原子能科學(xué)研究院，北京 102413）

核電廠房的通風(fēng)空調(diào)對確保設(shè)備正常運(yùn)行和職業(yè)人員人身安全具有重要意義。通風(fēng)空調(diào)系統(tǒng)的運(yùn)行過程具有滯后性、時變性、高耦合性等特征，現(xiàn)有通風(fēng)空調(diào)采用“定期檢修+報警搶修”方式，導(dǎo)致系統(tǒng)無法滿足溫濕度需求，造成能源浪費(fèi)嚴(yán)重、設(shè)備壽命縮短，增大人力和時間成本，甚至引發(fā)安全問題，已有研究表明喪失通風(fēng)系統(tǒng)的故障風(fēng)險對核電廠堆芯損壞頻率的貢獻(xiàn)高達(dá)25%[1]。針對通風(fēng)空調(diào)的故障問題進(jìn)行及時的檢測與診斷并進(jìn)行針對性的排查，可降低5%～30%的空調(diào)能耗，因此，實現(xiàn)暖通空調(diào)系統(tǒng)的節(jié)能運(yùn)行，是低碳轉(zhuǎn)型的重要內(nèi)容，也是實現(xiàn)“碳達(dá)峰、碳中和”戰(zhàn)略目標(biāo)的關(guān)鍵。

隨著人們對反應(yīng)堆安全性要求的日益提高，對放射性氣體排放的要求更加嚴(yán)格，自控系統(tǒng)和數(shù)字化技術(shù)的高速發(fā)展，降低了核電廠房對運(yùn)行維護(hù)管理人員專業(yè)素養(yǎng)的依賴程度，為實現(xiàn)快速、準(zhǔn)確地識別通風(fēng)空調(diào)系統(tǒng)中存在的故障提供了新思路。

1 核電通風(fēng)空調(diào)系統(tǒng)的典型故障

通風(fēng)空調(diào)按照故障程度可以劃分為硬故障和軟故障2 類。硬故障指的是系統(tǒng)部件完全失效無法工作，常見的有傳感器完全失效，閥門卡死等。該類故障直接影響到空調(diào)的運(yùn)行，破壞性強(qiáng)，但由于其表征明顯，診斷該類故障的難度并不高。而軟故障指的是隨著時間發(fā)展，系統(tǒng)部件出現(xiàn)磨損老化從而使機(jī)組性能表現(xiàn)逐漸降低的故障，如傳感器的偏差，制冷劑泄漏等。由于初始的故障程度不高且空調(diào)機(jī)組仍能運(yùn)行，因此常常被人忽略，導(dǎo)致通風(fēng)空調(diào)能耗增加10%～20%[2]。由于其內(nèi)部結(jié)構(gòu)比較復(fù)雜，因此需要將復(fù)雜的系統(tǒng)層層分解為更小的單元，從名稱、類型、功能和所屬設(shè)備等維度自上而下地分析可能導(dǎo)致故障的各種成因總結(jié)如圖1 所示。

圖1 通風(fēng)空調(diào)系統(tǒng)典型故障

2 通風(fēng)空調(diào)系統(tǒng)故障檢測與診斷主要研究方法

通風(fēng)空調(diào)領(lǐng)域內(nèi)的故障檢測和診斷的應(yīng)用研究起步相對較晚，最早開始于20 世紀(jì)80 年代[3]?，F(xiàn)代信息化的普及促進(jìn)了故障診斷的發(fā)展，為進(jìn)行故障檢測和診斷提供了便利，通風(fēng)空調(diào)故障診斷的方法可以分為數(shù)據(jù)驅(qū)動方法和知識驅(qū)動方法。數(shù)字驅(qū)動意味著收集、分析、使用數(shù)據(jù)來為關(guān)鍵決策提供信息，故障檢測診斷方法包括無監(jiān)督分析法和有監(jiān)督分析法，無監(jiān)督分析法通過提取數(shù)據(jù)的統(tǒng)計學(xué)特征判斷故障發(fā)生，主要包括主成分分析法和聚類分析的方法，有監(jiān)督分析法可以通過回歸和分類對故障進(jìn)行檢測或判斷，主要包括人工神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法和深度學(xué)習(xí)的方法，表1 介紹了各個故障檢測與診斷方法的特點(diǎn)及缺點(diǎn)。

表1 通風(fēng)空調(diào)系統(tǒng)故障檢測診斷方法

知識驅(qū)動側(cè)重引入理論知識，通過知識網(wǎng)絡(luò)構(gòu)圖和計算機(jī)學(xué)習(xí)的有機(jī)結(jié)合，豐富故障與信息直接的關(guān)聯(lián)，進(jìn)而將數(shù)據(jù)轉(zhuǎn)換成更為直觀的知識，增強(qiáng)數(shù)據(jù)的可解釋性。主要包括基于專家規(guī)則法、物理模型法、貝葉斯網(wǎng)絡(luò)法和故障樹分析法。

主成分分析法通過矩陣運(yùn)算對高維變量空間的原始數(shù)據(jù)進(jìn)行分析變換，利用相關(guān)性提取相互無關(guān)變量實現(xiàn)數(shù)據(jù)降維，主成分分析法將測量空間劃分為2 個正交子空間，分別產(chǎn)生正常數(shù)據(jù)變換的主成分空間和產(chǎn)生故障變化的殘差空間，當(dāng)殘差超過一定的閾值時，即可判斷故障是否發(fā)生，主成分分析法可用于冷機(jī)、空氣源熱泵機(jī)組、空調(diào)系統(tǒng)和空調(diào)系統(tǒng)傳感器的檢測[4-5]。但該方法的本質(zhì)是提取和分析動態(tài)數(shù)據(jù)實現(xiàn)故障檢測，難以確定子故障類型，且故障和工況變化會導(dǎo)致殘差向量異常，在實際情況下會產(chǎn)生誤警。

聚類分析法根據(jù)數(shù)據(jù)之間的幾何距離分為幾個類別，分別代表正常工況和幾個不同故障的類別，實現(xiàn)對故障的診斷和判斷。Luo 等[6]基于K-means 聚類的方法對冷機(jī)傳感器進(jìn)行了冷機(jī)傳感器的故障診斷。Zhang 等[7]基于幾何差分聚類和K-means 聚類的方法對水源熱泵的故障進(jìn)行檢測和診斷。但該方法需要從大量數(shù)據(jù)中心發(fā)現(xiàn)統(tǒng)計規(guī)律，并需要人工對其逐一核驗。

人工神經(jīng)網(wǎng)絡(luò)（ANN）的故障檢測方法以特征變量作為輸入層，故障類型作為輸出層，利用輸入層和輸出層之間的映射函數(shù)進(jìn)行訓(xùn)練得到故障診斷的結(jié)果。Fan等基于半監(jiān)督神經(jīng)網(wǎng)絡(luò)提出了空氣處理機(jī)組的故障檢測和診斷方法，該模型可以基于標(biāo)簽數(shù)據(jù)和未標(biāo)簽的數(shù)據(jù)完成模型的構(gòu)建。張琪等將遺傳算法與人工神經(jīng)網(wǎng)絡(luò)方法結(jié)合對模型進(jìn)行了簡化，并應(yīng)用到了制冷系統(tǒng)故障診斷中，減少了模型的訓(xùn)練時間且提高了模型的精度。人工神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練雖然具有強(qiáng)大的學(xué)習(xí)能力，但該模型依賴于訓(xùn)練樣板的數(shù)量和質(zhì)量，缺少解釋性和廣泛應(yīng)用的能力，致使該算法難以應(yīng)用于實際的工程項目當(dāng)中。

支持向量機(jī)是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其決策邊界是對學(xué)習(xí)樣本求解的最大邊距超平面。利用支持向量機(jī)的方法可以根據(jù)實測數(shù)據(jù)進(jìn)行分類，進(jìn)而實現(xiàn)故障的檢測。該方法多應(yīng)用于冷機(jī)和制冷空調(diào)系統(tǒng)，具有精度高的特點(diǎn)。為提高支持向量法的應(yīng)用性能。Ha 在基于支持向量機(jī)的算法中引入主成分分析法對基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理，提高了故障診斷模型的預(yù)測精度和效率。王少華等[8]提出的支持向量機(jī)法、隨機(jī)森林混合故障檢測和診斷方法成功地診斷出8 種不同類型的空調(diào)故障，整體準(zhǔn)確率高達(dá)95%。支持向量機(jī)法具有能夠?qū)崿F(xiàn)小樣本模型訓(xùn)練的優(yōu)勢，但該方法的泛化能力依賴于核函數(shù)，不同數(shù)據(jù)集所依賴的核函數(shù)并不一樣，因此,該方法對數(shù)據(jù)較為敏感且應(yīng)用于其他設(shè)備或系統(tǒng)的遷移能力較差。

基于專家規(guī)則的方法從暖通空調(diào)系統(tǒng)的運(yùn)行特性出發(fā)，分析故障的傳播途徑和影響機(jī)制，建立規(guī)則集合以描述特征變量和故障變量之間的條件關(guān)系。Jone 等[9]建立了一套面向空氣處理機(jī)組故障檢測與診斷的專家規(guī)則，并分別在仿真模型和實驗數(shù)據(jù)中加以驗證。Schein 等通過實驗證明了專家規(guī)則適用于不同工況，能夠檢測和診斷典型故障的發(fā)生。Schein 等[10]提出了一種基于專家規(guī)則的方法，用以檢測空氣處理機(jī)組中的溫度傳感器故障。Schein 等[11]開發(fā)了一個基于專家規(guī)則的多層次故障檢測與診斷算法，用以診斷空調(diào)系統(tǒng)中存在的設(shè)備故障和系統(tǒng)故障。雖然專家規(guī)則的方法可以有效檢測到通風(fēng)空調(diào)系統(tǒng)的多數(shù)故障，但是專家規(guī)則具有不唯一性，不適用于無經(jīng)驗的故障診斷。

物理模型法通過計算模型預(yù)測值和實際測量值的偏離程度進(jìn)行故障檢測，常見的物理建模方法可分為白箱模型和灰箱模型。遲金磊[12]搭建了在線回歸的空調(diào)系統(tǒng)的灰箱模型，進(jìn)而提出了基于聚類算法的故障診斷方法。Yoshida 等[13]利用自回歸模型對變風(fēng)量空調(diào)系統(tǒng)的風(fēng)閥進(jìn)行了故障檢測，并與傳統(tǒng)檢測方法相比具有更高的精度和可靠性。雖然物理模型法能夠預(yù)測系統(tǒng)的模型和性能，但暖通空調(diào)的實際運(yùn)行過程具有非線性、強(qiáng)耦合、時變性，并且需要依賴大量的傳感器搜集數(shù)據(jù)，而傳感器和測量模型之間的誤差在實際情況中容易導(dǎo)致模型產(chǎn)生誤警。

貝葉斯網(wǎng)絡(luò)法將故障和征兆變量抽象成節(jié)點(diǎn)，用有向邊來描述故障和征兆之間多因多果的關(guān)聯(lián)關(guān)系，用條件概率來表達(dá)關(guān)系強(qiáng)度。以征兆節(jié)點(diǎn)的狀態(tài)為輸入，貝葉斯網(wǎng)絡(luò)通過概率推理計算故障節(jié)點(diǎn)的后驗概率分布實現(xiàn)故障檢測與診斷。Zhao 等[14]利用了設(shè)備老化程度、系統(tǒng)運(yùn)維頻率、系統(tǒng)維修記錄等額外附加信息提出了基于“附加信息-故障-征兆”3 層節(jié)點(diǎn)貝葉斯網(wǎng)絡(luò)的故障檢測與診斷框架，實現(xiàn)了診斷信息不確定、不完整甚至信息沖突情況下的故障檢測與診斷。Liu 等[15]提出一種基于反向傳播神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)的太陽能輔助熱泵故障檢測與診斷方法，該方法利用神經(jīng)網(wǎng)絡(luò)和最大似然估計對缺失的訓(xùn)練信息進(jìn)行估算。在暖通空調(diào)系統(tǒng)故障檢測與診斷領(lǐng)域，貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和先驗參數(shù)大多依賴領(lǐng)域?qū)＜业慕?jīng)驗知識進(jìn)行確定，因此，基于實際項目中獲取的小樣本數(shù)據(jù)或不完備數(shù)據(jù)對貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行優(yōu)化成為亟待解決的研究難點(diǎn)[16]。

3 通風(fēng)空調(diào)系統(tǒng)故障診斷方法對比

從方法角度來看，基于數(shù)據(jù)驅(qū)動的方法除監(jiān)督學(xué)習(xí)外，可應(yīng)用全部場景，建模工作不要求專業(yè)知識和設(shè)計施工信息，因此，模型解釋性較差?；谥R驅(qū)動的方法通常不依賴于故障數(shù)據(jù)，可以應(yīng)用于全部場景，專家規(guī)則法和貝葉斯網(wǎng)絡(luò)法需要使用故障數(shù)據(jù)或工程經(jīng)驗，其故障數(shù)據(jù)不一定來自目標(biāo)系統(tǒng)，而是可能來自其他建筑物的歷史數(shù)據(jù)、實驗、專家知識和以前的經(jīng)驗[17]，使該方法更具備解釋性和可遷移性，對專業(yè)知識和設(shè)計施工信息有一定的要求。

基于知識驅(qū)動和基于數(shù)據(jù)驅(qū)動方法的對比見表2，從數(shù)據(jù)的角度來看，基于數(shù)據(jù)驅(qū)動的大多數(shù)提出的方法對特征數(shù)據(jù)的數(shù)量和訓(xùn)練數(shù)據(jù)要求較高，訓(xùn)練數(shù)據(jù)的大小通常在數(shù)千到數(shù)萬的數(shù)量級，而所需的特征數(shù)據(jù)集從幾個到20 多個，在數(shù)據(jù)預(yù)處理方面，還需要完成通風(fēng)空調(diào)系統(tǒng)運(yùn)行模式的識別、異常值去除、穩(wěn)態(tài)檢測、信號分解和歸一化，以提高故障檢測中數(shù)據(jù)驅(qū)動方法的算法能力，并確保算法在應(yīng)用中的魯棒性?；谥R驅(qū)動的方法通常不依賴于故障數(shù)據(jù)，僅需要無故障數(shù)據(jù)來建立和校準(zhǔn)基線模型，這些模型在隨后的過程中與具有閾值的規(guī)則相結(jié)合。

表2 基于知識驅(qū)動和基于數(shù)據(jù)驅(qū)動方法的對比

4 總結(jié)與展望

本文總結(jié)了核電通風(fēng)空調(diào)系統(tǒng)的典型故障，并對通風(fēng)空調(diào)故障診斷的方法進(jìn)行了總結(jié)和評價。簡而言之，通風(fēng)空調(diào)故障檢測與診斷的關(guān)鍵在于引入更多的故障信息及數(shù)據(jù)，并選擇合適的故障檢測與診斷方法。在實際運(yùn)行中，通風(fēng)空調(diào)系統(tǒng)的運(yùn)行工況較多，獲取到的不同工況下的運(yùn)行數(shù)據(jù)量較少，因此，故障數(shù)據(jù)和模型的選擇對故障診斷研究具有較大的影響。對于通風(fēng)空調(diào)系統(tǒng)故障檢測與診斷的未來研究展望如下。

4.1 數(shù)據(jù)的大小和范圍

提供足夠數(shù)量的正常運(yùn)行和故障數(shù)據(jù)保證故障診斷技術(shù)在實踐中的魯棒性和適用性。對于數(shù)據(jù)驅(qū)動方法，如果訓(xùn)練數(shù)據(jù)量不夠大，無法提取有意義的模型或無法覆蓋所有操作環(huán)境以避免在實際應(yīng)用中進(jìn)行外推，則預(yù)計算法性能會顯著下降。對于知識驅(qū)動的方法，在通風(fēng)空調(diào)故障檢測中選擇合適的閾值數(shù)據(jù)也十分重要，因此在后續(xù)需要在數(shù)據(jù)的大小和范圍的選擇中加強(qiáng)研究。

4.2 方法的集成

數(shù)據(jù)驅(qū)動法在實際應(yīng)用中存在一定局限性，暖通空調(diào)系統(tǒng)故障種類較多，在設(shè)備或系統(tǒng)上引入各種故障費(fèi)時費(fèi)力且存在安全風(fēng)險。另一方面，暖通空調(diào)系統(tǒng)運(yùn)行工況寬廣，獲取覆蓋這些運(yùn)行工況的故障數(shù)據(jù)需要高昂的時間成本。而基于知識的方法在初始信息不足的情況下具有強(qiáng)大的復(fù)制和專家診斷推理的能力，考慮將數(shù)據(jù)驅(qū)動法和知識驅(qū)動法這2 種方法的集成可以顯著提高為通風(fēng)空調(diào)系統(tǒng)故障檢測的可靠性、準(zhǔn)確性、通用性。

4.3 故障分級診斷

通風(fēng)空調(diào)故障按照其故障的嚴(yán)重性可以分為嚴(yán)重故障和一般故障，不同故障情況下的空調(diào)系統(tǒng)運(yùn)行模式和對空調(diào)系統(tǒng)造成的影響均不同[18]，即使是微小的故障也可能導(dǎo)致極大的偏離，未來還需要加強(qiáng)對評估函數(shù)融合的研究，設(shè)計出的多級故障診斷框架將有利于實現(xiàn)對空調(diào)系統(tǒng)故障檢測的有效性，提升對微小故障的識別率。

4.4 傳感器的數(shù)量及安裝位置

通風(fēng)空調(diào)系統(tǒng)所涉及到的設(shè)備及構(gòu)建較多，考慮到故障檢測與診斷的可行性和經(jīng)濟(jì)性，必須考慮傳感器的數(shù)量、傳感器類型及傳感器的安裝位置。在傳感器較少及運(yùn)行數(shù)據(jù)信息不充足的條件下，引入專家規(guī)則和特殊的推理方法增強(qiáng)故障檢測與診斷方法的通用性。