暖通空调系统故障预测维护研究

2022-06-04丁大伟孔祥伟李胜利韩忠芳曹佩轩

装备制造技术 2022年2期

丁大伟，孔祥伟，李胜利，韩忠芳，曹佩轩

（1.北京昊华能源股份有限公司，北京 102300；2.北京手挽手劳务派遣有限责任公司大兴分公司，北京 102611；3.北京中江伟业消防工程有限公司，北京 102300；4.北京恒业世纪科技股份有限公司，北京 100077；5.北京城建亚泰中天建筑安装工程有限公司，北京 100013）

0 引言

区别于传统空调，HVAC 能够对建筑内部的气体进行处理，以达到调节空气的作用，并且该系统已经广泛应用于建筑业、工业等领域[1]。随着供热逐步南移，供热覆盖面积不断扩大，暖通空调系统不可避免地导致高能耗，而能源的浪费大部分则是由于系统故障不能及时预测和维护而产生的。所以需要加大对暖通空调系统的故障预测与维护问题的关注。其次，传统的对于暖通空调系统设备的管理模式为当系统表现出明显的问题时才会去检修维护，或者已经超过了检修期限但是系统设备未出现问题而没有检修，于是导致了最终大修等问题。因此，自动化管理代替传统的管理模式是势在必行的。本研究针对暖通空调系统的故障预测与维护、设备管理自动化两方面进行深入分析和研究，为管理及其维护人员提供一定的借鉴意义，以保证暖通空调系统维护工作顺利安全地实施。

1 暖通空调系统的故障预测

1.1 HVAC 系统故障预测方法

如图1、图2 所示，赵阳等[2-4]总结了HVAC 系统故障检测方法的分类以及诊断方法的分类。该总结是比较到位的将人工智能通用的方法进行了归类，但是忽略了一个本质的核心问题，就是无论是基于先验知识的还是基于模式识别的方法，都需要大量数据的驱动，而HVAC 系统相关的数据需要利用传感器等硬件进行采集，甚至人工监测记录的数据，这些数据也不足以形成人工智能，特别是神经网络需要的大量数据。一方面就是传感器的数量少且质量不高，另外一方面人工记录成本过高会限制数据的积累。

图1 暖通空调系统故障检测方法

图2 暖通空调系统故障诊断方法

随着人工智能的发展以及深度神经网络架构的快速迭代，如何应用少量数据并利用现有人工智能领域的方法进行HVAC 故障预测以及维护已经不再是幻想。迁移学习（Transfer Learning）已具备了利用少量数据进行学习的能力。本研究重点分析如何利用迁移学习进行设备故障预测与维护。

1.2 基于迁移学习的HVAC 系统故障预测与维护

1.2.1 人工智能迁移学习

迁移学习（Transfer Learning）是一种通过联合学习多个相关的任务用以提高模型泛化性能的机器学习技术。而成功应用迁移学习的关键在于子任务需要是相关的。这里的相关并不意味着任务是相似的，而意味着在一定的抽象层次上这些任务可以共享一部分表征特征。如果任务确实是相似的，由于可以有效地增加每个任务的训练数据量，共同学习多个任务有助于在任务间进行知识的迁移。迁移学习在训练数据集相比模型尺寸要小的时候最有用。

由于在神经网络中，较高层次的表示比较低层次更抽象，即更能代表实际意义，因此，神经网络也非常采用迁移学习进行学习。如图3 所示，展示了迁移学习一般的架构。

图3 迁移学习一般网络架构

1.2.2 基于迁移学习的HVAC 系统故障预测与维护

根据迁移学习的理论，加上HVAC 系统故障预测与维护的理论，本研究基于先验知识的任务与基于模式识别的任务合并同时建模来预测HVAC 系统故障。

在神经网络的输入层，同时输入HVAC 系统故障相关的先验知识与基于模式识别需要的少量数据得来的特有特征，然后利用神经网络隐藏层进行迁移学习，最后在输出层，利用任务标签的不同，分别输出不同任务对应的输出，如图4 所示。基于迁移学习的HVAC 系统故障预测与维护具备一定的可行性，随着先验知识的逐步增多，可利用的信息也逐步增多，神经网络将不断迭代更新学习，HVAC 系统故障的预测也将更准确，维护工作将变得更简单、更方便、更实时、更到位。

图4 基于先验知识与模式识别任务迁移学习的图示

人工智能神经网络迁移学习技术，可以利用各种有关设备故障的数据以及先验知识，来训练更具泛化能力的预测设备故障的神经网络模型，并且可以给用户提供更优质的故障检测方案以及故障维修建议等信息，由此解决机器故障问题，从而大幅度提升服务水平。

2 暖通空调系统设备管理自动化

2.1 基于智能设备的管理自动化

计算机对设备管理的实时检测和分析，使计算机能够根据设备的异常运行状态或特性，对系统的故障概率和设备的故障检测信息进行远程分析和处理。未来，智能设备的管理将更加网络化，这就需要进一步优化的人机通信和多维数据处理能力，而能胜任这一工作的就是迅速发展的人工智能神经网络技术。基于智能设备的管理自动化系统也可优化多个供应商环境中的不同设备应用的服务水平，使得系统的监控以及管理能力可跨平台及地区，真正地做到智能化和自动化。

2.2 基于计算机网络的设备管理自动化

网络设备信息化管理的关键技术是智能管理软件、信息通信技术的开发与集成。它是一个能够实时处理数万个数据的大型系统，具有开放性和集成性，易于集成到不同的应用系统中，通过互联网连接多个城市，并实现不同功能。这类型的系统除了有可靠的设备管理控制中心，也需具备双机甚至多机的冷/热备份冗余形式。一般在主控室常设置智能模拟屏幕以及投影仪，直观地显示实时数据。

通过利用人工智能的神经网络迁移学习技术可以对设备更智能地进行故障方面的检测，然后给用户提供更优质的对策和建议，应用于HVAC 系统中，将更有效地管理各种设备，有效提升工作效率的同时也能降低安全隐患。

3 暖通空调系统故障预测与设备管理系统优化

3.1 基于模拟专家思维贝叶斯网络的系统故障预测

本研究提出的方案，已有部分研究者进行过研究。赵阳等[5-6]认为专家能够高效地诊断检测信息，是因为专家积累了丰富的先验知识，并能将这些先验知识应用到传统的模糊或者概率估计方法中去，推算故障信息。香港理工大学几位研究者[7]使用贝叶斯网络来模拟专家思维，提升了故障检测的准确率，他们基于这个思路，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。本研究所提的迁移学习方案，目的是融合更多的先验知识开展故障检测诊断研究。

3.2 借鉴全局性冗余信息的系统故障预测

杨文等人提出了一种基于能量平衡的HVAC 系统故障检测方法，该方法利用暖通空调系统能量的传递和变换过程，建立起跨多个系统的传感器数据关联关系，将空气处理环节、水处理环节以及配电系统的测量数据有效整合，充分利用全局性的冗余信息，进而能同时针对空调设备故障、传感器故障以及涉及配电等跨系统传播的故障进行检测。

可见这些冗余信息虽然不能单独使用，但是从系统全局性考虑，它却给系统带来了一定的增益。类似于迁移学习中的辅助任务一样，它的加入可以使得系统整体性能的提升。再一次证明了基于迁移学习的HVAC 系统故障预测与维护的可行性。随着技术瓶颈的突破，设备管理自动化也自然形成智能化管理体系。