核电通风空调系统故障检测与诊断

2024-01-17宋园园刘林顶吴明宇宋德宽

科技创新与应用 2024年2期

宋园园，刘林顶，吴明宇，宋德宽

（中国原子能科学研究院，北京 102413）

核电厂房的通风空调对确保设备正常运行和职业人员人身安全具有重要意义。通风空调系统的运行过程具有滞后性、时变性、高耦合性等特征，现有通风空调采用“定期检修+报警抢修”方式，导致系统无法满足温湿度需求，造成能源浪费严重、设备寿命缩短，增大人力和时间成本，甚至引发安全问题，已有研究表明丧失通风系统的故障风险对核电厂堆芯损坏频率的贡献高达25%[1]。针对通风空调的故障问题进行及时的检测与诊断并进行针对性的排查，可降低5%～30%的空调能耗，因此，实现暖通空调系统的节能运行，是低碳转型的重要内容，也是实现“碳达峰、碳中和”战略目标的关键。

随着人们对反应堆安全性要求的日益提高，对放射性气体排放的要求更加严格，自控系统和数字化技术的高速发展，降低了核电厂房对运行维护管理人员专业素养的依赖程度，为实现快速、准确地识别通风空调系统中存在的故障提供了新思路。

1 核电通风空调系统的典型故障

通风空调按照故障程度可以划分为硬故障和软故障2 类。硬故障指的是系统部件完全失效无法工作，常见的有传感器完全失效，阀门卡死等。该类故障直接影响到空调的运行，破坏性强，但由于其表征明显，诊断该类故障的难度并不高。而软故障指的是随着时间发展，系统部件出现磨损老化从而使机组性能表现逐渐降低的故障，如传感器的偏差，制冷剂泄漏等。由于初始的故障程度不高且空调机组仍能运行，因此常常被人忽略，导致通风空调能耗增加10%～20%[2]。由于其内部结构比较复杂，因此需要将复杂的系统层层分解为更小的单元，从名称、类型、功能和所属设备等维度自上而下地分析可能导致故障的各种成因总结如图1 所示。

图1 通风空调系统典型故障

2 通风空调系统故障检测与诊断主要研究方法

通风空调领域内的故障检测和诊断的应用研究起步相对较晚，最早开始于20 世纪80 年代[3]。现代信息化的普及促进了故障诊断的发展，为进行故障检测和诊断提供了便利，通风空调故障诊断的方法可以分为数据驱动方法和知识驱动方法。数字驱动意味着收集、分析、使用数据来为关键决策提供信息，故障检测诊断方法包括无监督分析法和有监督分析法，无监督分析法通过提取数据的统计学特征判断故障发生，主要包括主成分分析法和聚类分析的方法，有监督分析法可以通过回归和分类对故障进行检测或判断，主要包括人工神经网络方法、支持向量机方法和深度学习的方法，表1 介绍了各个故障检测与诊断方法的特点及缺点。

表1 通风空调系统故障检测诊断方法

知识驱动侧重引入理论知识，通过知识网络构图和计算机学习的有机结合，丰富故障与信息直接的关联，进而将数据转换成更为直观的知识，增强数据的可解释性。主要包括基于专家规则法、物理模型法、贝叶斯网络法和故障树分析法。

主成分分析法通过矩阵运算对高维变量空间的原始数据进行分析变换，利用相关性提取相互无关变量实现数据降维，主成分分析法将测量空间划分为2 个正交子空间，分别产生正常数据变换的主成分空间和产生故障变化的残差空间，当残差超过一定的阈值时，即可判断故障是否发生，主成分分析法可用于冷机、空气源热泵机组、空调系统和空调系统传感器的检测[4-5]。但该方法的本质是提取和分析动态数据实现故障检测，难以确定子故障类型，且故障和工况变化会导致残差向量异常，在实际情况下会产生误警。

聚类分析法根据数据之间的几何距离分为几个类别，分别代表正常工况和几个不同故障的类别，实现对故障的诊断和判断。Luo 等[6]基于K-means 聚类的方法对冷机传感器进行了冷机传感器的故障诊断。Zhang 等[7]基于几何差分聚类和K-means 聚类的方法对水源热泵的故障进行检测和诊断。但该方法需要从大量数据中心发现统计规律，并需要人工对其逐一核验。

人工神经网络（ANN）的故障检测方法以特征变量作为输入层，故障类型作为输出层，利用输入层和输出层之间的映射函数进行训练得到故障诊断的结果。Fan等基于半监督神经网络提出了空气处理机组的故障检测和诊断方法，该模型可以基于标签数据和未标签的数据完成模型的构建。张琪等将遗传算法与人工神经网络方法结合对模型进行了简化，并应用到了制冷系统故障诊断中，减少了模型的训练时间且提高了模型的精度。人工神经网络通过训练虽然具有强大的学习能力，但该模型依赖于训练样板的数量和质量，缺少解释性和广泛应用的能力，致使该算法难以应用于实际的工程项目当中。

支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。利用支持向量机的方法可以根据实测数据进行分类，进而实现故障的检测。该方法多应用于冷机和制冷空调系统，具有精度高的特点。为提高支持向量法的应用性能。Ha 在基于支持向量机的算法中引入主成分分析法对基础数据进行预处理，提高了故障诊断模型的预测精度和效率。王少华等[8]提出的支持向量机法、随机森林混合故障检测和诊断方法成功地诊断出8 种不同类型的空调故障，整体准确率高达95%。支持向量机法具有能够实现小样本模型训练的优势，但该方法的泛化能力依赖于核函数，不同数据集所依赖的核函数并不一样，因此,该方法对数据较为敏感且应用于其他设备或系统的迁移能力较差。

基于专家规则的方法从暖通空调系统的运行特性出发，分析故障的传播途径和影响机制，建立规则集合以描述特征变量和故障变量之间的条件关系。Jone 等[9]建立了一套面向空气处理机组故障检测与诊断的专家规则，并分别在仿真模型和实验数据中加以验证。Schein 等通过实验证明了专家规则适用于不同工况，能够检测和诊断典型故障的发生。Schein 等[10]提出了一种基于专家规则的方法，用以检测空气处理机组中的温度传感器故障。Schein 等[11]开发了一个基于专家规则的多层次故障检测与诊断算法，用以诊断空调系统中存在的设备故障和系统故障。虽然专家规则的方法可以有效检测到通风空调系统的多数故障，但是专家规则具有不唯一性，不适用于无经验的故障诊断。

物理模型法通过计算模型预测值和实际测量值的偏离程度进行故障检测，常见的物理建模方法可分为白箱模型和灰箱模型。迟金磊[12]搭建了在线回归的空调系统的灰箱模型，进而提出了基于聚类算法的故障诊断方法。Yoshida 等[13]利用自回归模型对变风量空调系统的风阀进行了故障检测，并与传统检测方法相比具有更高的精度和可靠性。虽然物理模型法能够预测系统的模型和性能，但暖通空调的实际运行过程具有非线性、强耦合、时变性，并且需要依赖大量的传感器搜集数据，而传感器和测量模型之间的误差在实际情况中容易导致模型产生误警。

贝叶斯网络法将故障和征兆变量抽象成节点，用有向边来描述故障和征兆之间多因多果的关联关系，用条件概率来表达关系强度。以征兆节点的状态为输入，贝叶斯网络通过概率推理计算故障节点的后验概率分布实现故障检测与诊断。Zhao 等[14]利用了设备老化程度、系统运维频率、系统维修记录等额外附加信息提出了基于“附加信息-故障-征兆”3 层节点贝叶斯网络的故障检测与诊断框架，实现了诊断信息不确定、不完整甚至信息冲突情况下的故障检测与诊断。Liu 等[15]提出一种基于反向传播神经网络和贝叶斯网络的太阳能辅助热泵故障检测与诊断方法，该方法利用神经网络和最大似然估计对缺失的训练信息进行估算。在暖通空调系统故障检测与诊断领域，贝叶斯网络的结构和先验参数大多依赖领域专家的经验知识进行确定，因此，基于实际项目中获取的小样本数据或不完备数据对贝叶斯网络的结构进行优化成为亟待解决的研究难点[16]。

3 通风空调系统故障诊断方法对比

从方法角度来看，基于数据驱动的方法除监督学习外，可应用全部场景，建模工作不要求专业知识和设计施工信息，因此，模型解释性较差。基于知识驱动的方法通常不依赖于故障数据，可以应用于全部场景，专家规则法和贝叶斯网络法需要使用故障数据或工程经验，其故障数据不一定来自目标系统，而是可能来自其他建筑物的历史数据、实验、专家知识和以前的经验[17]，使该方法更具备解释性和可迁移性，对专业知识和设计施工信息有一定的要求。

基于知识驱动和基于数据驱动方法的对比见表2，从数据的角度来看，基于数据驱动的大多数提出的方法对特征数据的数量和训练数据要求较高，训练数据的大小通常在数千到数万的数量级，而所需的特征数据集从几个到20 多个，在数据预处理方面，还需要完成通风空调系统运行模式的识别、异常值去除、稳态检测、信号分解和归一化，以提高故障检测中数据驱动方法的算法能力，并确保算法在应用中的鲁棒性。基于知识驱动的方法通常不依赖于故障数据，仅需要无故障数据来建立和校准基线模型，这些模型在随后的过程中与具有阈值的规则相结合。

表2 基于知识驱动和基于数据驱动方法的对比

4 总结与展望

本文总结了核电通风空调系统的典型故障，并对通风空调故障诊断的方法进行了总结和评价。简而言之，通风空调故障检测与诊断的关键在于引入更多的故障信息及数据，并选择合适的故障检测与诊断方法。在实际运行中，通风空调系统的运行工况较多，获取到的不同工况下的运行数据量较少，因此，故障数据和模型的选择对故障诊断研究具有较大的影响。对于通风空调系统故障检测与诊断的未来研究展望如下。

4.1 数据的大小和范围

提供足够数量的正常运行和故障数据保证故障诊断技术在实践中的鲁棒性和适用性。对于数据驱动方法，如果训练数据量不够大，无法提取有意义的模型或无法覆盖所有操作环境以避免在实际应用中进行外推，则预计算法性能会显著下降。对于知识驱动的方法，在通风空调故障检测中选择合适的阈值数据也十分重要，因此在后续需要在数据的大小和范围的选择中加强研究。

4.2 方法的集成

数据驱动法在实际应用中存在一定局限性，暖通空调系统故障种类较多，在设备或系统上引入各种故障费时费力且存在安全风险。另一方面，暖通空调系统运行工况宽广，获取覆盖这些运行工况的故障数据需要高昂的时间成本。而基于知识的方法在初始信息不足的情况下具有强大的复制和专家诊断推理的能力，考虑将数据驱动法和知识驱动法这2 种方法的集成可以显著提高为通风空调系统故障检测的可靠性、准确性、通用性。