基于大数据技术的暖通空调系统软故障预诊

2021-04-04李奕序

信息记录材料 2021年2期

李奕序

（太原学院环工系山西太原 030032）

1 大数据技术概述

根据我国现有的大数据技术来看，主要是针对庞大的数据所进行的有效分析及全面统计，从而根据分析结果对系统在之后运行过程中所有可能发生的故障问题进行判断与预测。基于大数据技术预诊系统的故障问题，主要是由纵向和横向数据的两种分析方法。纵向数据分析法，主要是将规模较为庞大的历史数据重新进行严密筛选以及合理的归纳划分，合理有效地得出问题故障发生之前的一些检测数据上的表现情况，然后再利用当前的监测数据与此表现状况进行相互之间的对比，从而判断与预测后期可能发生的问题故障；而横向数据分析法，主要是利用当前监测的数据进行横向对比，并通过与监测数据中较为异常的数据进行对比，判断系统后期可能会出现的故障。纵向数据分析法主要是以历史数据为依据进行分析对比，需要大量的历史数据作支撑，若数据量不足，分析结果会缺乏准确性与有效性；横向数据分析法则是通过当前多台设备同时监测出的数据进行分析对比[1]。基于大数据技术的这两种系统预诊方法优缺点不同，可根据实际情况进行使用。

2 暖通空调系统的故障及其分类

暖通空调系统目前已经普遍使用。但在使用过程中往往会出现各种故障问题，这些故障不仅会影响空调的正常使用，而且可能会引发极其严重的后果。一般而言，暖通空调故障根据诱发原因与分类方法的不同，可以将其类型分为很多种，为了合理有效地规避和应对这种可能发生的故障，有必要对暖通空调系统的故障进行分析。暖通空调的故障主要有三种分类，第一种是自然故障与人为故障，第二种是分为全局故障与局部故障，第三种是分为软故障与硬故障，以下对其进行相应的分析。

其一，自然故障与人为故障。自然故障主要指的是当系统处于正常运行状态下时，系统自身原因引发造成的故障，其中设备自然磨损是最为常见的诱发原因；人为故障则是由于人们在使用过程中的操作不当或使用不当而引发系统出现故障[2]。

其二，全局故障与局部故障。全局故障指的是牵一发而动全身，即无论任何环节出现故障，都会影响到整个系统的运行，对系统影响较大；局部故障指的是系统某个特定部分发生故障的现象，当出现故障问题时，一般不会影响系统其他部分的运行，但若长期未进行维修，则会干扰到新系统其他部分的工作，甚至导致整个系统出现崩溃现象。

其三，硬故障与软故障。这一类故障主要是根据故障程度进行划分。硬故障指的是暖通空调设备或元器件完全失效的故障，此类故障具有突发性与破坏性等特征，检测较为简单，需要对暖通空调系统进行定期检查与维护，确保系统故障发生几率的有效降低；软故障主要是针对暖通空调设备与元器件的逐步失效与故障的发生，主要是由系统的磨损或腐蚀等状况引发的设备故障。软故障在故障检测方面较为难发生，若长时间不对其进行检修或更换，会造成暖通空调系统发生故障的概率大幅度提升。在暖通空调日常运行发生的故障中，软故障占比较重，属于较为日常且常见的故障，发生时对系统不会造成太大的影响。

3 大数据技术在预诊暖通空调系统软故障中的应用概述

3.1 构建故障预诊模型

故障预测模型的主要思路是利用大数据技术对待测数据进行巡检，可以适用于多台设备同时运行的各种系统。由于系统的不同，在特征与原理上都会存在差异性，需要对被监测数据的优先级进行重新分类与划分，根据系统的主要特性与巡检法预诊软故障对暖通空调系统进行故障预诊模型的构建。通过故障预诊模型，加之大量实时监测数据，可以及时有效地消除暖通空调系统软故障，并对系统进行有效预诊[3]。

3.2 软故障特征与预诊方式的确定

大数据技术应用在暖通空调软故障预诊中，主要是依靠大数据技术对大量数据进行定性或定量的分析与统计，进而判断暖通空调可能会发生的故障。近年来，国内许多相关研究对现有的故障诊断方法进行了重新分类和划分，将其分为定性分析和定量分析，这两种方法都是基于大数据技术而产生的分析方法。定量分析方法主要是参考大量数据建立的，是一种根据分析对象的参数进行分析的方法，主要用于对数据量较为庞大的故障问题的诊断，即硬故障。软故障具有一定的固定性，在故障预诊模型建立方面较为困难，因此无法使用定量分析法；定性分析法是参考某领域相关专家多年的研究经验，对具体分析的实施工具进行合理有效的利用，通过对被分析对象过去状态与现代状态的比较，提供全新的状态信息，是判断监测对象各种数值变化趋势的一种有效的定性监测方法，由于该方法的诊断特征与软故障预测的特点较为吻合，因此该方法多用于软故障预诊中[4]。