核電通風空調系統故障檢測與診斷

宋園園，劉林頂，吳明宇，宋德寬

（中國原子能科學研究院，北京 102413）

核電廠房的通風空調對確保設備正常運行和職業人員人身安全具有重要意義。通風空調系統的運行過程具有滯后性、時變性、高耦合性等特征，現有通風空調采用“定期檢修+報警搶修”方式，導致系統無法滿足溫濕度需求，造成能源浪費嚴重、設備壽命縮短，增大人力和時間成本，甚至引發安全問題，已有研究表明喪失通風系統的故障風險對核電廠堆芯損壞頻率的貢獻高達25%[1]。針對通風空調的故障問題進行及時的檢測與診斷并進行針對性的排查，可降低5%～30%的空調能耗，因此，實現暖通空調系統的節能運行，是低碳轉型的重要內容，也是實現“碳達峰、碳中和”戰略目標的關鍵。

隨著人們對反應堆安全性要求的日益提高，對放射性氣體排放的要求更加嚴格，自控系統和數字化技術的高速發展，降低了核電廠房對運行維護管理人員專業素養的依賴程度，為實現快速、準確地識別通風空調系統中存在的故障提供了新思路。

1 核電通風空調系統的典型故障

通風空調按照故障程度可以劃分為硬故障和軟故障2 類。硬故障指的是系統部件完全失效無法工作，常見的有傳感器完全失效，閥門卡死等。該類故障直接影響到空調的運行，破壞性強，但由于其表征明顯，診斷該類故障的難度并不高。而軟故障指的是隨著時間發展，系統部件出現磨損老化從而使機組性能表現逐漸降低的故障，如傳感器的偏差，制冷劑泄漏等。由于初始的故障程度不高且空調機組仍能運行，因此常常被人忽略，導致通風空調能耗增加10%～20%[2]。由于其內部結構比較復雜，因此需要將復雜的系統層層分解為更小的單元，從名稱、類型、功能和所屬設備等維度自上而下地分析可能導致故障的各種成因總結如圖1 所示。

圖1 通風空調系統典型故障

2 通風空調系統故障檢測與診斷主要研究方法

通風空調領域內的故障檢測和診斷的應用研究起步相對較晚，最早開始于20 世紀80 年代[3]。現代信息化的普及促進了故障診斷的發展，為進行故障檢測和診斷提供了便利，通風空調故障診斷的方法可以分為數據驅動方法和知識驅動方法。數字驅動意味著收集、分析、使用數據來為關鍵決策提供信息，故障檢測診斷方法包括無監督分析法和有監督分析法，無監督分析法通過提取數據的統計學特征判斷故障發生，主要包括主成分分析法和聚類分析的方法，有監督分析法可以通過回歸和分類對故障進行檢測或判斷，主要包括人工神經網絡方法、支持向量機方法和深度學習的方法，表1 介紹了各個故障檢測與診斷方法的特點及缺點。

表1 通風空調系統故障檢測診斷方法

知識驅動側重引入理論知識，通過知識網絡構圖和計算機學習的有機結合，豐富故障與信息直接的關聯，進而將數據轉換成更為直觀的知識，增強數據的可解釋性。主要包括基于專家規則法、物理模型法、貝葉斯網絡法和故障樹分析法。

主成分分析法通過矩陣運算對高維變量空間的原始數據進行分析變換，利用相關性提取相互無關變量實現數據降維，主成分分析法將測量空間劃分為2 個正交子空間，分別產生正常數據變換的主成分空間和產生故障變化的殘差空間，當殘差超過一定的閾值時，即可判斷故障是否發生，主成分分析法可用于冷機、空氣源熱泵機組、空調系統和空調系統傳感器的檢測[4-5]。但該方法的本質是提取和分析動態數據實現故障檢測，難以確定子故障類型，且故障和工況變化會導致殘差向量異常，在實際情況下會產生誤警。

聚類分析法根據數據之間的幾何距離分為幾個類別，分別代表正常工況和幾個不同故障的類別，實現對故障的診斷和判斷。Luo 等[6]基于K-means 聚類的方法對冷機傳感器進行了冷機傳感器的故障診斷。Zhang 等[7]基于幾何差分聚類和K-means 聚類的方法對水源熱泵的故障進行檢測和診斷。但該方法需要從大量數據中心發現統計規律，并需要人工對其逐一核驗。

人工神經網絡（ANN）的故障檢測方法以特征變量作為輸入層，故障類型作為輸出層，利用輸入層和輸出層之間的映射函數進行訓練得到故障診斷的結果。Fan等基于半監督神經網絡提出了空氣處理機組的故障檢測和診斷方法，該模型可以基于標簽數據和未標簽的數據完成模型的構建。張琪等將遺傳算法與人工神經網絡方法結合對模型進行了簡化，并應用到了制冷系統故障診斷中，減少了模型的訓練時間且提高了模型的精度。人工神經網絡通過訓練雖然具有強大的學習能力，但該模型依賴于訓練樣板的數量和質量，缺少解釋性和廣泛應用的能力，致使該算法難以應用于實際的工程項目當中。

支持向量機是一類按監督學習方式對數據進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面。利用支持向量機的方法可以根據實測數據進行分類，進而實現故障的檢測。該方法多應用于冷機和制冷空調系統，具有精度高的特點。為提高支持向量法的應用性能。Ha 在基于支持向量機的算法中引入主成分分析法對基礎數據進行預處理，提高了故障診斷模型的預測精度和效率。王少華等[8]提出的支持向量機法、隨機森林混合故障檢測和診斷方法成功地診斷出8 種不同類型的空調故障，整體準確率高達95%。支持向量機法具有能夠實現小樣本模型訓練的優勢，但該方法的泛化能力依賴于核函數，不同數據集所依賴的核函數并不一樣，因此,該方法對數據較為敏感且應用于其他設備或系統的遷移能力較差。

基于專家規則的方法從暖通空調系統的運行特性出發，分析故障的傳播途徑和影響機制，建立規則集合以描述特征變量和故障變量之間的條件關系。Jone 等[9]建立了一套面向空氣處理機組故障檢測與診斷的專家規則，并分別在仿真模型和實驗數據中加以驗證。Schein 等通過實驗證明了專家規則適用于不同工況，能夠檢測和診斷典型故障的發生。Schein 等[10]提出了一種基于專家規則的方法，用以檢測空氣處理機組中的溫度傳感器故障。Schein 等[11]開發了一個基于專家規則的多層次故障檢測與診斷算法，用以診斷空調系統中存在的設備故障和系統故障。雖然專家規則的方法可以有效檢測到通風空調系統的多數故障，但是專家規則具有不唯一性，不適用于無經驗的故障診斷。

物理模型法通過計算模型預測值和實際測量值的偏離程度進行故障檢測，常見的物理建模方法可分為白箱模型和灰箱模型。遲金磊[12]搭建了在線回歸的空調系統的灰箱模型，進而提出了基于聚類算法的故障診斷方法。Yoshida 等[13]利用自回歸模型對變風量空調系統的風閥進行了故障檢測，并與傳統檢測方法相比具有更高的精度和可靠性。雖然物理模型法能夠預測系統的模型和性能，但暖通空調的實際運行過程具有非線性、強耦合、時變性，并且需要依賴大量的傳感器搜集數據，而傳感器和測量模型之間的誤差在實際情況中容易導致模型產生誤警。

貝葉斯網絡法將故障和征兆變量抽象成節點，用有向邊來描述故障和征兆之間多因多果的關聯關系，用條件概率來表達關系強度。以征兆節點的狀態為輸入，貝葉斯網絡通過概率推理計算故障節點的后驗概率分布實現故障檢測與診斷。Zhao 等[14]利用了設備老化程度、系統運維頻率、系統維修記錄等額外附加信息提出了基于“附加信息-故障-征兆”3 層節點貝葉斯網絡的故障檢測與診斷框架，實現了診斷信息不確定、不完整甚至信息沖突情況下的故障檢測與診斷。Liu 等[15]提出一種基于反向傳播神經網絡和貝葉斯網絡的太陽能輔助熱泵故障檢測與診斷方法，該方法利用神經網絡和最大似然估計對缺失的訓練信息進行估算。在暖通空調系統故障檢測與診斷領域，貝葉斯網絡的結構和先驗參數大多依賴領域專家的經驗知識進行確定，因此，基于實際項目中獲取的小樣本數據或不完備數據對貝葉斯網絡的結構進行優化成為亟待解決的研究難點[16]。

3 通風空調系統故障診斷方法對比

從方法角度來看，基于數據驅動的方法除監督學習外，可應用全部場景，建模工作不要求專業知識和設計施工信息，因此，模型解釋性較差。基于知識驅動的方法通常不依賴于故障數據，可以應用于全部場景，專家規則法和貝葉斯網絡法需要使用故障數據或工程經驗，其故障數據不一定來自目標系統，而是可能來自其他建筑物的歷史數據、實驗、專家知識和以前的經驗[17]，使該方法更具備解釋性和可遷移性，對專業知識和設計施工信息有一定的要求。

基于知識驅動和基于數據驅動方法的對比見表2，從數據的角度來看，基于數據驅動的大多數提出的方法對特征數據的數量和訓練數據要求較高，訓練數據的大小通常在數千到數萬的數量級，而所需的特征數據集從幾個到20 多個，在數據預處理方面，還需要完成通風空調系統運行模式的識別、異常值去除、穩態檢測、信號分解和歸一化，以提高故障檢測中數據驅動方法的算法能力，并確保算法在應用中的魯棒性。基于知識驅動的方法通常不依賴于故障數據，僅需要無故障數據來建立和校準基線模型，這些模型在隨后的過程中與具有閾值的規則相結合。

表2 基于知識驅動和基于數據驅動方法的對比

4 總結與展望

本文總結了核電通風空調系統的典型故障，并對通風空調故障診斷的方法進行了總結和評價。簡而言之，通風空調故障檢測與診斷的關鍵在于引入更多的故障信息及數據，并選擇合適的故障檢測與診斷方法。在實際運行中，通風空調系統的運行工況較多，獲取到的不同工況下的運行數據量較少，因此，故障數據和模型的選擇對故障診斷研究具有較大的影響。對于通風空調系統故障檢測與診斷的未來研究展望如下。

4.1 數據的大小和范圍

提供足夠數量的正常運行和故障數據保證故障診斷技術在實踐中的魯棒性和適用性。對于數據驅動方法，如果訓練數據量不夠大，無法提取有意義的模型或無法覆蓋所有操作環境以避免在實際應用中進行外推，則預計算法性能會顯著下降。對于知識驅動的方法，在通風空調故障檢測中選擇合適的閾值數據也十分重要，因此在后續需要在數據的大小和范圍的選擇中加強研究。

4.2 方法的集成

數據驅動法在實際應用中存在一定局限性，暖通空調系統故障種類較多，在設備或系統上引入各種故障費時費力且存在安全風險。另一方面，暖通空調系統運行工況寬廣，獲取覆蓋這些運行工況的故障數據需要高昂的時間成本。而基于知識的方法在初始信息不足的情況下具有強大的復制和專家診斷推理的能力，考慮將數據驅動法和知識驅動法這2 種方法的集成可以顯著提高為通風空調系統故障檢測的可靠性、準確性、通用性。

4.3 故障分級診斷

通風空調故障按照其故障的嚴重性可以分為嚴重故障和一般故障，不同故障情況下的空調系統運行模式和對空調系統造成的影響均不同[18]，即使是微小的故障也可能導致極大的偏離，未來還需要加強對評估函數融合的研究，設計出的多級故障診斷框架將有利于實現對空調系統故障檢測的有效性，提升對微小故障的識別率。

4.4 傳感器的數量及安裝位置

通風空調系統所涉及到的設備及構建較多，考慮到故障檢測與診斷的可行性和經濟性，必須考慮傳感器的數量、傳感器類型及傳感器的安裝位置。在傳感器較少及運行數據信息不充足的條件下，引入專家規則和特殊的推理方法增強故障檢測與診斷方法的通用性。