摘要
泵驱热管/蒸气压缩复合空调系统能够充分利用自然冷源，提高数据中心空调系统的节能效果。然而系统在全年运行中不可避免地会发生故障，及时的故障检测与诊断对于提升系统的运行可靠性至关重。为此，本研究提出了一种基于卷积神经网络（CNN）的复合空调系统故障诊断模型，该模型能够综合利用系统的时序数据和稳定运行特性进行故障诊断。通过将CNN模型的诊断结果与非时序故障诊断模型进行对比，验证了诊断效果的优越性。同时，利用Score-CAM算法对CNN模型的分类依据进行分析，进一步提升了模型的可解释性。
结果表明，CNN模型在各模式下的准确率均超过99%。在泵驱热管模式下，CNN模型相比非时序模型的准确率提高了约8.5%；在蒸气压缩模式下，CNN模型对制冷剂泄漏故障的漏检率较非时序模型降低了超过60%。通过对CNN模型分类可解释性的研究发现，在泵驱热管模式下，环境温度和冷凝器风机频率是故障诊断的关键特征；而在蒸气压缩模式下，环境温度和压缩机频率则是分类的重要依据。
关键词：数据中心；复合空调系统；故障检测诊断；可解释人工智能
泵驱热管/蒸气压缩复合空调系统能够在室外温度较低时利用自然冷源制冷，有效解决数据中心空调系统的高能耗问题。由于该系统全年运行，会不可避免地发生故障，这将对数据中心的安全运行构成威胁，及时诊断故障对提高数据中心的运行可靠性至关重要。当前针对复合空调系统故障诊断的研究仍然缺乏，且面向类似空调系统的故障诊断研究主要集中在利用系统的稳定运行特性，较少考虑故障对系统动态运行特性的影响。本文基于卷积神经网络建立了可考虑系统时序特性的复合空调系统故障诊断模型，比较了该模型与非时序模型诊断效果以评价其性能，并对模型诊断过程中所依据的特征进行了深入研究。
（1）数据中心复合空调系统
（2）故障诊断模型诊断效果
（3）CNN故障诊断模型诊断依据研究
本文基于CNN建立了可考虑系统时序特征的数据中心复合空调系统故障诊断模型，并对该模型的故障诊断依据进行了研究。结果表明与非时序模型相比，CNN可显著提高泵驱热管模式下模型诊断性能，并降低蒸气压缩模式下制冷剂泄漏故障的漏检率。对模型诊断依据的可解释性研究表明，在泵驱热管模式下CNN模型分类的重要依据为室外温度及冷凝器风机频率，蒸气压缩模式下则为室外温度及压缩机频率。
作者
Yiqi Zhang1,2, Fumin Tao1,2, Baoqi Qiu1,2, Xiuming Li1,2, Yixing Chen3, Zongwei Han1,2*
该论文的第一作者是东北大学博士生张义奇，通讯作者为东北大学教授韩宗伟，共同作者包括湖南大学教授陈毅兴，东北大学副教授历秀明和硕士研究生陶富民和邱宝奇。
Zhang Y, Tao F, Qiu B, et al. (2024). Interpretable data-driven fault diagnosis method for data centers with composite air conditioning system. Building Simulation, 17: 965-981.
https://doi.org/10.1007/s12273-024-1124-7
相关阅读：
长按二维码或点击左下角“阅读原文”访问全文
考虑时序特征的数据中心复合空调系统故障诊断方法及其可解释性研究
期刊介绍
Building Simulation 2008年创刊，是世界上第一本有关建筑模拟领域最新研究成果的英文学术期刊，跨多种学科领域，涉及建筑技术、土木工程、建筑学、环境工程、能源及动力工程等，致力于为中外同行提供一个高水平的学术交流平台。被SCI、EI Compendex、Scopus、CSCD等数据库收录。2024年SCI影响因子6.1，在JCR两个学科领域均位于Q1区；位于中科院期刊分区，工程技术类1区。
