基于混合模型的数据中心空调系统虚拟制冷剂充注量传感器

2019-03-19陈志杰朱旭黄小清杜志敏

制冷技术 2019年6期

陈志杰，朱旭，黄小清，杜志敏

（上海交通大学制冷与低温工程研究所，上海 200240）

0 引言

对数据中心空调系统而言，其运行的可靠性对电子设备热舒适性的保障具有重要意义。在实际应用中，数据中心通常采用硬件冗余的方式，确保空调系统的可靠性。硬件冗余的方式对系统的突发故障具有较好效果，但无法解决缓变故障导致的系统能效下降和电子设备所处温控环境的热舒适性下降等问题。实际上，数据中心对室内温湿度要求严苛，当空调系统发生制冷剂泄漏故障时，系统制冷量降低，导致数据中心局部温度过高。制冷剂的泄漏还可能导致系统的能耗增加[1]。若无法及时识别和排除故障，可能造成电子器件失效甚至产生宕机的危险，造成巨大的经济损失。另一方面，制冷剂泄漏故障在实际系统中是普遍存在的问题。研究表明，高达34%的制冷系统中存在制冷剂泄漏的问题[1]。因此，及时发现制冷剂泄漏故障和准确诊断泄漏量，对于数据中心空调系统的运行可靠性具有重要的研究意义和应用价值。

故障检测和诊断（Fault Detection and Diagnosis，FDD）作为系统管理控制的一环，上世纪70年代一经 ANDOW[2]和 ISERMANN[3]提出，就在核工程、航空航天和军事领域等获得了迅速的应用。近年来，FDD也逐步地应用于冷水机组[4-5]、冷却盘管[5]和暖通空调系统[7-8]及其楼宇。

在空调系统故障诊断的研究成果中，制冷剂泄漏故障得到了较多的关注。LI等[9]提出了一种基于过冷度和过热度的制冷剂充注量虚拟传感器，这种虚拟传感器实际是关于过冷度和过热度的关联式，只需要4个温度传感器就能实现制冷剂质量的估计。KIM等[10]改进了模型，将蒸发器进口干度和压缩机排气过热度跟过冷度和过热度结合起来，提出两种新的制冷剂充注量估计模型。但该模型在低环境温度的应用时误差较大。OTAKI等[11]建立了一种家用分体式空调制冷剂充注量评估模型。VJACHESLAV等[12]对制冷剂充注量的研究表明，系统运行效率与制冷剂充注量密切相关。HARMS等[13]通过研究不同空泡系数模型，建立了一种提高制冷剂充注量模型准确性的仿真模型。除了基于灰箱模型的故障诊断方法，还有一些学者提出了基于机器学习的制冷剂充注量故障诊断方法[14-17]。

本文以某数据中心空调系统为研究对象，建立了虚拟制冷剂充注量传感器模型并进行验证与分析。根据数据中心空调系统的特点，对原有的虚拟制冷剂充注量传感器模型进行优化，并结合机器学习方法改进模型，提出诊断精确度更高的基于混合模型的制冷剂泄漏故障诊断方法。最后，根据实验数据对上述几种故障诊断模型进行了对比分析。

1 研究对象

图 1所示为实验系统原理，该系统由压缩机、冷凝器、膨胀阀、蒸发器和各管路组成。压缩机将低温低压气体制冷剂压缩成高温高压的制冷剂蒸气后进入冷凝器，通过室外冷凝风机的冷却，将制冷剂冷却为高压中温的制冷剂液体，制冷剂液体经过电子膨胀阀，转换成低温低压的气液两相制冷剂，后进入蒸发器与室内空气进行热交换，带走室内空气的热量，降低室内空气的温度。最后，制冷剂转化为气体，被压缩机重新吸入，进行下一循环。

图1 实验系统原理

实验系统在焓差实验室内搭建完成，空调系统额定制冷量为 25 kW，采用变频压缩机和电子膨胀阀，使用R410A制冷剂。由于数据中心的面积一般较大，因此空调系统各部件之间的连管较长。表 1所示为空调系统各部件间连管管径及长度。

表1 空调系统各部件间连管管径及长度

2 制冷剂泄漏故障诊断模型

2.1 灰箱模型

LI等[9]提出了一种空调系统制冷剂充注量计算虚拟传感器（Virtual Refrigerant Charge Sensor，VRCS），这是一种关于系统关键参数的灰箱模型。这种VRCS灰箱模型只需要测过冷度和过热度，通过数据的最小二乘法，即可拟合出灰箱模型中的经验系数。该灰箱模型形式简单，通过4个温度传感器实现对系统制冷剂充注量水平的估计。但是 LI等[9]验证的空调系统中使用的是热力膨胀阀和定频压缩机。KIM等[10]针对VRCS-Ⅰ模型没有考虑到的这两个因素进行了模型的修正，提出了两个改进的VRCS模型，即VRCS-Ⅱ模型和VRCS-Ⅲ模型。

VRCS-Ⅰ模型：

式（1）～式（3）的左侧即为制冷剂泄漏的故障等级（Fault Impact，FI），mtotal为系统中制冷剂总质量，kg。等式右侧代表实际系统的泄漏量比例，Tsc和Tsh为实际工况下的冷凝器出口过冷度和蒸发器出口过热度，K；xevap,in为蒸发器入口的制冷剂干度；Tdsh为压缩机出口处的制冷剂过热度，K；下标r为名义工况下对应的参数；kch、ksh/sc、kx/sc和kdsh/sc这4个参数是模型在正常充注量情况下，由空调运行数据拟合得到[18]。

机房空调中冷凝器出口至EEV入口的液管长度为7.5 m，且液管内的制冷剂以液态形式存在[19]。液管内制冷剂的质量对系统总充注量至关重要。因此，本文考虑将液管内的压降△pliqpipe加入 VRCS-II，对模型进行改进，改进后的灰箱模型：

此模型称为改进型灰箱模型（Improved Virtual Refrigerant Charge Sensor，IVRCS）。

2.2 灰箱-神经网络混合模型

灰箱模型有着确定的表达形式，可以通过已知的实验数据进行经验参数的拟合。但是在实际的操作中，有时候无法得知系统的输入与输出的确定关系。正如在使用上述建立的灰箱模型对空调系统制冷剂充注量进行估计时，难免存在一些由于灰箱模型不够精确或其他因素造成的误差。为了进一步提高模型的诊断效果，需要进行黑箱模型建模。黑箱模型是一种在工程预测应用较多的模型，它根据输入和输出建立关系，该模型无法表述过程，只反映输入-输出间笼统的因果关系[20-21]。本文使用的黑箱模型为反馈（Back Propagation，BP）人工神经网络模型[14,17]，其信号流向如图2所示。

图2 BP算法信号流向

本文将改进型灰箱模型IVRCS和BP神经网络结合起来，建立 IVRCS-BP混合模型。IVRCS-BP混合模型的训练和计算流程如图 3和图 4所示。IVRCS和 BP神经网络模型的输入均为 Tsc、Tsh、Xevap,in和Δpliqipe。训练中，先用IVRCS模型计算系统制冷剂质量，并将计算结果与模型真实值的差值作为 BP神经网络的输出，用 BP神经网络来弥补IVRCS模型的计算偏差，提高整体的计算精度。按照以上的建模思路建立了IVRCS-BP混合模型。

图3 IVRCS-BP模型训练流程

图4 IVRCS-BP模型计算流程

3 实验及验证

3.1 实验工况

系统的名义工况为：Tid=37.8 ℃；Tod=35.0 ℃。无故障的实验工况参数如表2所示，室外干球温度控制在15.0～37.8 ℃之间，室内回风干球温度控制在25.0～40.0 ℃之间。

表2 无故障运行工况参数

制冷剂泄漏故障（Undercharge，UC）的实验工况及其对应的故障强度如表3所示，实验工况主要包括5种工况，其中，室内温度（Tid）控制在30.0 ℃左右，室外温度（Tod）包括了高温、中温和低温这3种情况，低温为15.0 ℃，中温为20.0 ℃，高温为37.0 ℃。在不同的实验工况下，将系统从名义充注量下依次抽出10%、15%、20%、30%和40%的制冷剂，以模拟10%、15%、20%、30%和40%的制冷剂充注故障强度，不同的实验工况对应了不同的故障强度，具体见表3。

表3 制冷剂泄漏故障运行工况

3.2 故障诊断结果及分析

通过实验数据分析,可以得到灰箱模型名义工况参数：mtotal,rated=11.4 kg，Tsc,rated=6 ℃，Tsh,rated=12 ℃，Xevap,in=0.194，Tdsh,rated=30 ℃，△pliqipe,rated=0.8 kPa。

本文在正常充注量下，4种模型系统运行参数数值运用最小二乘法拟合得出，如表4所示。

表4 各模型对应参数拟合值

本文利用名义充注量，泄漏故障强度分别为10%、15%、20%、30%和40%，6种充注量水平下的不同工况，不同压缩机转速的每组12组，共计72组稳态实验数据，对已经建立 4种虚拟制冷剂充注量传感器模型和灰箱-神经网络混合模型进行验证，验证结果如图5～图8所示。

由图 5～图 8可知，VRCS模型的最大误差为40.78%，平均误差为15.13%，误差较大，特别是在充注量水平为 60%时，平均误差达到 25.8%。这种仅由冷凝器出口过冷度和蒸发器出口过热度两个参数进行控制的灰箱模型无法满足精度的要求。相比于两系数的VRCS模型，虽然VRCS-II的最大误差也达到38.18%，但是平均误差减小为9.31%。说明增加蒸发器入口干度，模型精度提高。但是，当制冷剂泄漏较多时，VRCS-II的平均误差依然较高，为22.39%，模型的精度还需要进一步提高。与VRCS-II和VRCS-III相比，VRCS的平均误差基本没有提升，最大误差为35.69%，平均误差为9.24%，在制冷剂泄漏40%时，VRCS模型计算误差达到22.96%。

从VRCS-II和VRCS-III模型的结果对比可以看出，压缩机排气过热度与制冷剂充注量关系不大。而在灰箱模型中增加液管压降这一项后，改进的灰箱模型诊断效果提高显著。相比于VRCS-II，IVRCS的最大误差为24.11%，平均误差为7.23%，整体计算精度有较大的提升。

图5 VRCS-Ⅰ模型计算误差

图6 VRCS-Ⅱ模型计算误差

图7 VRCS-Ⅲ模型计算精度

图8 IVRCS模型计算精度

当制冷剂泄漏故障强度较大为30%和40%时，IVRCS模型的计算偏差仍然比较大，计算结果如图9所示。由图9可知，当环境温度较高为35 ℃时，模型的计算精度较好，但是当环境温度较低为15 ℃时，IVRCS模型的计算误差较大，改进的IVRCS模型虽然减小了模型的整体误差，但是在低环境温度下，模型的精度仍不理想。而灰箱-神经网络混合模型在这方面有了很好的改进。

图9 故障强度较大时，IVRCS模型在不同工况下计算情况

图10所示为IVRCS-BP混合模型的故障诊断精度，图11所示为IVRCS-BP模型在故障强度较大时的误差。由图10～图11可知，模型最大误差10.05%，平均误差为2.73%。相比于单独的IVRCS神经网络模型，IVRCS-BP混合模型的最大误差和平均误差均有提升，模型计算精度良好。而在泄漏 30%或室外温度为15 ℃的工况下，IVRCS-BP混合模型的计算结果依然较好，大部分误差控制在 5%以内。因此，IVRCS-BP混合模型具有较好的精度和稳定性。

图10 IVRCS-BP混合模型计算精度

图11 IVRCS-BP模型在故障强度较大时的误差

图12所示为VRCS、IVRCS和IVRCS-BP三种模型在系统不同充注量水平下的平均误差。由图12可知，在充注量分别为100%、80%、70%和60%时，VRCS模型的平均误差均最大，均高于 15%。在系统泄漏量为40%的故障下，VRCS误差甚至达到27%。对于改进型灰箱模型 IVRCS，增加液体管路压降可有效提高模型计算精度。与VRCS模型相比，在各充注量水平下的计算误差均有大幅度降低。IVRCS-BP混合模型计算精度最好，各种充注情况下均能达到误差5%以下，为最优模型。