暖通空调系统智能化故障检测诊断研究综述与展望

【摘要】暖通空调系统智能化化故障检测与诊断对提高运维水平和能源效率具有重要意义。本文总结了暖通空调故障检测与诊断领域近二十多年来的研究历程，探讨了基于规则、基于模型和基于数据等三类主流方法的优劣，深入剖析了暖通空调系统故障检测与诊断研究中的关键问题，并对未来该领域的发展方向进行了展望。

【关键词】空调系统故障检测故障诊断节能

1 引言

供热、供燃气、通风和空调（暖通）系统广泛应用于建筑、数据机房、工业生产和集中供热等领域，其消耗着大量的能源，如建筑暖通空调系统的能源消耗通常占建筑总能耗的50%~60% [1]。由于暖通空调系统设备多且系统复杂，容易产生各类故障，种类可达上百种之多，例如：采用集中供蒸汽系统驱动的溴化锂制冷能源站的各种故障。这些故障不仅会导致暖通空调系统难以满足温湿度控制要求、浪费大量能源、缩短设备寿命，甚至会引发安全事故。

在实际运行中，一般只有设备或系统出现故障报警或不能正常运行时，才会引起运维人员的注意。但是，大部分暖通空调系统故障发展缓慢，从产生到具有明显征兆或故障报警，通常需要相当长的时间，在此过程中常常已经浪费了大量的能源或已造成了设备损坏。此外，很多对系统能耗和安全影响严重的故障甚至是隐性的，只有细致地实测和理论分析才能发现。然而，单纯依靠人工现场检测和诊断故障往往费时费力、效率低下，且对运维人员专业理论水平要求较高。自控系统在暖通空调领域的逐渐普及为实时检测诊断暖通空调系统的故障创造了条件。这将能够实时发现运行异常和早期故障，并及时提示运维人员进行有针对性的排查和移除，不仅可以大幅度提高故障检测诊断效率，还可以提高能源效率。暖通空调系统智能化故障检测诊断算法工具的研发与应用，将有助于缓解我国目前建筑等领域普遍存在的，由于暖通空调系统运维和管理水平偏低而造成的能源浪费问题，对于促进暖通空调系统的节能和推动我国节能减排事业发展具有重要现实意义。

2 国内外研究现状

暖通空调领域故障检测诊断的研究始于上个世纪九十年代，随着自控系统，尤其是建筑能源管理系统的逐渐普及，以及近年来工业化与信息化深度融合的快速发展，该研究领域的热度在逐渐增加 [2,3]，但是，目前该领域的理论研究仍然尚不成熟。相比发电厂等其他热力系统，暖通空调系统故障检测诊断的问题特点在于：传感器数量甚少且质量不高，多种热质交换和功热转换形式并存，系统复杂且内部耦合度高，负荷动态变化及运行工况范围广。

典型的暖通空调系统包括冷却水系统、冷源/热源、冷冻水/热水系统、空气处理单元、变风量送风末端装置/风机盘管等，其中有空气-水、水-制冷剂、制冷剂-水和水-空气等多种热或热质交换过程。出于经济因素的考虑，暖通空调系统通常只安装满足其基本控制和监控所必需的传感器。传感器数量甚少且质量不高是导致大部分暖通空调系统故障检测诊断难度较高的直接或间接根源问题之一。

基于数学本质和物理意义的区别，在目前可知的相关文献的基础上，暖通空调系统故障检测方法与诊断方法可以分别详尽地归纳为如图 1 和图 2 所示。
在这里插入图片描述

在实际研究中，故障检测方法和诊断方法往往是耦合在一起。根据对传感器数量的依赖程度，主流传统的暖通空调故障检测诊断方法可以分为如下三个大类[2,3]：

第一类，基于专家规则的方法。此方法是根据物理意义，建立描述基于变量或变量之间 If-Then 条件关系的规则集合，多应用于传感器数量较少的对象，例如空气处理单元和变风量末端等设备。例如，House 等[4]和 Yang 等[5]开发了基于专家规则的空气处理单元传感器故障检测方法。Bruton 等[6]基于同类思想开发了基于云端的空气处理单元故障检测诊断平台。河南工业大学王海涛等[7]开发了基于专家规则的变风量末端的故障检测诊断方法。该方法的优点是简单易用，对故障征兆明显的故障能够有效检测，但对复杂故障的检测与推理能力较弱。

第二类，基于模型的方法。此方法是通过建立一系列对特定故障敏感且具有物理意义的指标模型，如物理模型或黑箱模型，并利用受诊对象的期望指标数值与实际指标数值之间的偏差来检测诊断故障。此类方法多应用于传感器相对较多的对象，例如冷水机组等。在研究早期，Bendapudi 等开发了基于详细物理模型的冷水机组故障检测诊断方法[8]，但是需要待定或测量大量参数。进而基于简化的半经验模型方法研究增多，Wang 等[9]开发了面向故障检测诊断的简化表冷器物理模型。香港理工大学赵阳等开发了基于参数自待定模型的离心式冷水机组故障检测诊断方法[10]，可以基于少量厂家数据训练半经验物理模型。近些年来，基于黑箱拟合模型的方法因其训练简单逐渐成为主流。香港理工大学赵阳等提出了基于支持向量拟合（SVR）的黑箱模型和指数加权移动平均值控制图（EWMA）检测系统层面故障的方法[11,12]，故障探测精度明显提高。湖南大学姜长亮等提出了基于 Kriging 插值的方法，在对冷水机组故障指标的预测达到了更高的精度[13]。基于模型的方法往往依赖较大数量的传感器，且难以考虑传感器故障。大部分研究假设不存在传感器故障，但是在实际中传感器故障较为常见，传感器故障会导致其得到错误的诊断结论。

第三类，基于数据驱动的方法。此方法是通过使用机器学习算法对正常运行情况下的历史数据特征进行提取，通过判断当前数据与历史数据特征的一致性来检测诊断故障。这是近些年来暖通空调故障检测诊断领域新兴的方法，在有较多训练数据的情况下更为适用。香港理工大学王盛卫等[14]提出了基于主元分析（PCA）的空气处理单元传感器故障检测诊断方法。天津大学李晟[15]研究了 PCA 方法在定风量空调系统传感器故障诊断中的应用。上海交通大学杜志敏等[16]进一步提出了基于 PCA 和联合角度分析的变风量通风系统故障检测与诊断方法，并且尝试将此方法用于暖通空调系统传感器故障的检测诊断[17]。华中科技大学胡云鹏等对 PCA 在冷水机组传感器故障检测效率开展了研究[18]。以上方法对传感器故障的检测精度均远超过基于专家规则和模型的方法。但是只考虑传感器故障，假设硬件故障不存在。上海交通大学谷波等[19,20]提出了基于支持向量机多类分类器（SVM）方法的冷水机组故障检测诊断方法。香港理工大学赵阳等提出了基于支持向量单类分类器（SVDD）的冷水机组故障检测诊断方法[21,22]。华中科技大学陈焕新等[23]结合 PCA 与 SVDD 方法研究了对冷水机组早期故障的检测与诊断。但是，以上方法需要大量的故障数据，这些数据在实际应用中往往无法获得或成本代价较高[21]。总体而言，基于数据驱动方法的最大优势在于灵敏度高，例如其对对冷水机组轻度故障的诊断率可达到 95% 以上，而传统基于模型方法的检测率仅为 10%左右[10，19，21]。不过，此类方法也有明显不足，需要大量的无故障和/或故障数据，其只在原始训练数据集所涉及的运行工况范围内有效，由于灵敏度过高会在动态扰动运行中造成大量的错误报警。

3 未来研究展望

过去二十多年间的研究提出了如图 1 和图 2 所示的种类丰富的检测与诊断方法，但是依旧没有能够达到可以在实际中普遍应用的程度。其根本理论难题在于传感器的数量相比于系统的复杂度而言太少，导致难以甚至无法进行详尽的建模和推理。

近些年来，以深度学习为代表的人工智能领域获得了突飞猛进的发展。一个值得该领域探讨的问题是，深度学习等算法可否为暖通空调系统的故障检测与诊断带来突破。从算法本质而言，目前阶段的深度学习等算法是在巨量数据的基础上学习得到强大的识别效果，对于暖通空调系统而言明显有本质背离。首先，暖通空调系统的运行工况范围宽广，均摊到各种工况下的数据量并不大；其次，暖通空调系统全面的故障数据几乎不可能获得，实际中一般不允许引入故障，且故障种类太多无法逐一引入。最为关键的是，几乎不可能让每一个故障在各种工况下存在获取全面的数据；最后，每个项目的暖通空调系统都是个性化的，不可能每个项目都获取故障数据，且在一个项目中获取的数据角度的"知识"在目前的人工智能发展水平下无法迁移到其他项目中。因此，只有在深度学习等基于机器学习的方法具备完善小样本学习和迁移学习能力时候，才可以为暖通空调系统故障检测诊断的理论突破做出贡献。

在实际工程项目中，面对同样传感器数量甚少且质量不高的问题，经验丰富的暖通空调故障诊断工程师往往能够更有效地发现和诊断故障，在可靠性和通用性方面经常远超该领域近二三十年以来研究得出的理论方法。毫无疑问，他们的诊断思维事实上遵循了正确有效的理论方法。受此启发，如果能够把具有丰富经验工程师的诊断思维过程研究清楚，“拷贝”他们的知识和实际经验，“学习”他们的诊断推理思维，并上升到理论高度，经过归纳总结，形成具有通用性的理论解决方案，将是本领域十分具有前途的发展方向。相比于本领域的传统研究方法，经验丰富的暖通空调故障检测诊断工程师往往引入更多的诊断信息：

第一，对于传感器少和诊断信息少的情况，他们大量使用专家经验和先验知识等统计意义上，而非严格物理公式推导的结论来填补现场信息的不足[21]；

第二，对实时和历史数据的信息挖掘程度更广、更深，人工归纳出在历史数据中隐性故障征兆，并结合对相关设备之间关联性强弱的估计，综合诊断故障[22]；

第三，在诊断信息不足，难以诊断当前故障的情况下，通过主动调整空调系统或单个设备的运行模式来获取更多信息，以做出进一步诊断；

第四，整合所有收集到的诊断信息，综合处理各种诊断信息间的一致性和矛盾冲突，通过模糊或概率估计得到故障发生的后验概率。这种特殊的推理方法在缺失信息情况下依然能够有效进行，克服了传统方法通用性较差的问题。

简而言之，领域专家能够高效检测诊断故障的关键在于：（1）引入了更多的先验信息和隐性故障征兆；（2）使用了模糊或概率估计的方法推断和处理诊断信息。而传统的基于物理意义的方法（包括基于规则方法和基于模型方法等）在上述两方面十分欠缺，导致难以在性能上有理论突破。暖通空调系统故障检测与诊断的完善解决方案应该是体现了类似领域专家诊断思维，融合此前研究中的故障征兆模型和故障机理研究成果，能够有效克服不确定性问题和信息缺失问题。

香港理工大学赵阳等尝试引入贝叶斯网络方法来模拟专家思维，相比传统基于专家规则和基于模型的方法，其能够恰当地表达概率性的诊断知识与故障间的相互关系，并提供概率推理能力；相比传统数据驱动的故障诊断方法，此方法的结构和参数具有明确的物理意义，可以进行人工修改。基于这个思路，分别建立了冷水机组故障检测诊断贝叶斯网络，变风量末端故障检测诊断贝叶斯网络以及空气处理单元故障检测诊断贝叶斯网络[24-27]。与传统方法相比，贝叶斯网络方法明显提高了故障检测诊断能力和诊断结果的可靠性，在传感器缺失情况下同样能够有效运行，还可以同时考虑传感器故障和硬件故障，因此具有突出优势，适合用来模拟暖通空调专家诊断思维。该研究证明了模拟专家思维在解决暖通空调领域故障检测诊断问题的可行性和优越性。

鉴于此，并总结过去二三十年的研究成果，对于暖通空调系统故障检测与诊断的未来研究展望如下：

（1）借鉴人类专家引入更多诊断信息的思路，从数据中挖掘出暖通空调系统在统计意义上高度相关且稳定可靠的关系。暖通空调系统传感器安装数量较少，通常难以对热力过程进行完整系统的物理描述。但由于暖通空调系统往往有一些固定的运行模式，实际上某些未测量变量的数值基本保持不变或者有规律可循，因此可以进行统计描述基于数据驱动的方法在本质上遵循了相似性的原则，描述了变量之间的关系强度，因而在灵敏度上远超传统方法；但是，其数据处理过程没有物理意义，无法在数据模型里植入诊断逻辑等先验知识。而基于数据挖掘技术提取到的是点对点的统计意义上的关联性，可以方便地融入在人工设置的诊断逻辑中，因此可以同时具备基于数据驱动方法的优点。

（2）在当前信息不足以诊断故障的情况下，通过在现有控制系统中调整控制策略，主动且有针对性地制造正常运行条件下不具备的特定运行模式或扰动，来获取更多的诊断信息。从数学角度而言，特定运行模式的基本原理是制造出某些变量或影响因素可以消除或忽略的情况，简化问题的复杂程度，类似于特解的意义。例如，在空气处理单元中将排风阀和新风阀关闭，回风直接作为送风，在此情况下回风和混风的温湿度传感器测量的数值应该是相同的。特定的扰动对于一些传感器读值冻结或者阀门卡死的情况会特别有效。例如，如果不能完全确定表冷器阀门卡死的故障是否存在，可以主动地发出关闭阀门的信号，进而观察出风温度是否发生相应的变化，从而有效辅助诊断。

（3）融合人工智能领域的先进工具，将以上经验知识、模糊知识、概率知识和物理准则等诊断信息融合在同一个故障检测诊断框架中。暖通空调系统故障检测与诊断的最终完善方案应该具备暖通空调专家的知识迁移能力来解决通用性问题，并具备强大的信息缺失下的概率推理能力。