CN116593198A - 用于诊断不凝性气体故障的方法、设备和介质 - Google Patents
用于诊断不凝性气体故障的方法、设备和介质 Download PDFInfo
- Publication number
- CN116593198A CN116593198A CN202310869876.9A CN202310869876A CN116593198A CN 116593198 A CN116593198 A CN 116593198A CN 202310869876 A CN202310869876 A CN 202310869876A CN 116593198 A CN116593198 A CN 116593198A
- Authority
- CN
- China
- Prior art keywords
- temperature
- cooling water
- fault
- water
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000000498 cooling water Substances 0.000 claims abstract description 67
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 61
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 239000003507 refrigerant Substances 0.000 claims abstract description 36
- 238000009833 condensation Methods 0.000 claims abstract description 10
- 230000005494 condensation Effects 0.000 claims abstract description 10
- 238000007619 statistical method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 55
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000005057 refrigeration Methods 0.000 description 8
- 238000011282 treatment Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/002—Thermal testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施例涉及用于诊断不凝性气体故障的方法、设备和介质，包括获取冷水机组的当前运行状态以及与运行状态相关联的特征参数，运行状态包括运行、已停机以及正在停机；响应于当前运行状态指示冷水机组处于运行，基于运行状态确定冷凝器温度效率，并且以冷凝器温度效率作为故障诊断的特征参数；响应于当前运行状态指示冷水机组处于已停机或正在停机，以制冷剂冷凝温度与冷却水温度之间的差值作为故障诊断的特征参数；如果冷凝器温度效率小于冷凝器温度阈值，或者制冷剂冷凝温度与冷却水温度之间的差值大于第一冷却水阈值，则确定此时冷水机组存在不凝性气体故障。
Description
技术领域
本公开的实施例总体涉及空调工程技术领域，并且更具体地涉及一种针对空调冷水机组系统中不凝性气体故障的诊断方法。
背景技术
不凝性气体是指混在制冷系统里的空气氮气、氧气、氢气、二氧化碳、碳氢气体、惰性气体以及这些气体的混合气体等。在冷凝器中特定的温度、压力条件下，这些气体始终保持气体状态随制冷剂在制冷系统中循环。
在中央空调的冷水机组系统中，由于低压侧密封不严导致空气渗入、润滑油分解以及制冷剂充注前未充分抽真空等原因，会产生不凝性气体。这些气体不能随制冷剂一起液化，从而聚集在冷凝管壁表面，形成一层气膜，使冷凝管路的传热效果变差，最终导致冷水机组耗功增加，制冷效率降低。不凝性气体的存在还会使冷凝压力增大，压缩机排气压力增大，从而增加压缩机的磨损老化，使制冷机寿命降低。
此外，不凝性气体故障属于隐性故障，是冷水机组在使用过程中因性能劣化、疲劳、腐蚀或磨损等造成的系统参数逐步劣化的故障。这类故障的特点是初期难以发现，也更容易被忽视，长此以往会极大影响设备的寿命和性能。因此，如果能够及时发现冷水机组中存在的不凝性气体，并针对性进行设备维护，可以保持制冷设备长期高效健康运行。
但目前针对不凝性气体故障的检测基本依靠运维人员的经验判断，而大多数机房现场维护人员的水平不足，且受限于时间精力，即使维护人员具备足够识别故障的能力，也无对制冷系统的运行状态参数进行长期跟踪观察，因此很难及时发现问题，发现时一般不凝性气体故障已经发展得较为严重。
当前在对不凝性气体故障进行检测时，通常采用将冷水机组长时间停机静置后，对比冷凝器中的真实冷凝压力与当前冷凝温度对应的冷凝压力是否一致来判断是否存在不凝性气体。但该方法在实际操作中仍至少存在以下缺陷：
1、大多数制冷产品的冷水机组系统只能提供冷凝压力数据，缺少即时的冷凝温度数据，因此无法直接进行对比和判断，实用性差；
2、考虑到制冷产品的应用场景，大多数制冷产品需要保持长期连续运行状态或者仅允许短时间停机，也无法按照上述方法进行不凝性气体故障的诊断，通用性差。
综上，现有的不凝性气体故障诊断方法存在的不足之处在于：故障发现不及时；特征参数要求高；不能实现在线故障诊断。
发明内容
针对上述问题，本公开提供了一种冷水机组不凝性气体故障诊断方法。该方法能够实现在不依赖冷凝温度数据且无需停机的情况下对冷水机组进行不凝性气体故障诊断。
根据本公开的第一方面，提供了一种冷水机组不凝性气体故障诊断方法，包括：获取冷水机组的当前运行状态以及与所述运行状态相关联的特征参数，所述运行状态包括运行、已停机以及正在停机；响应于当前运行状态指示冷水机组处于运行，基于所述运行状态确定冷凝器温度效率，并且以冷凝器温度效率作为故障诊断的特征参数；响应于当前运行状态指示冷水机组处于已停机或正在停机，以制冷剂冷凝温度与冷却水温度之间的差值作为故障诊断的特征参数；以及如果冷凝器温度效率小于冷凝器温度阈值，或者制冷剂冷凝温度与冷却水温度之间的差值大于第一冷却水阈值，则确定此时冷水机组存在不凝性气体故障。
在一个实施例中，获取冷水机组的当前运行状态以及与所述运行状态相关联的特征参数包括：获取稳定状态的以下特征参数：制冷剂冷凝压力、冷却水进水温度和冷却水出水温度；以及基于制冷剂冷凝压力，计算得到对应压力下的制冷剂冷凝温度。
在一个实施例中，基于所述运行状态确定冷凝器温度效率包括：确定冷却水进水温度与冷却水出水温度的第一差值；确定制冷剂冷凝温度与冷却水进水温度的第二差值；以及基于第一差值与第二差值的比值，确定冷凝器温度效率。
在一个实施例中，所述冷却水温度为冷却水进水温度和冷却水出水温度两者间的较大值。
在一个实施例中，获取冷水机组的当前运行状态包括：在冷水机组处于运行时，确定冷水机组处于稳定状态的时间为第一时段；在冷水机组处于已停机时，将冷水机组处于已停机状态并且大于预定第一时间段阈值的时间确定为第二时段；以及在冷水机组处于正在停机时，将冷水机组在冷却水进水温度与冷却水出水温度之间的差值小于第二冷却水阈值且大于或等于第二时间段阈值的时间确定为第三时段。
在一个实施例中，方法还包括：对第一时段或第二时段或第三时段内获取的数据进行统计分析，从而根据所述统计分析的结果获取不凝性气体故障诊断结果；以及对所述不凝性气体故障诊断结果执行大数据分析，从而获取不凝性气体故障情况随时间的变化趋势。
在一个实施例中，对所述不凝性气体故障诊断结果执行大数据分析包括：收集指定时段内的故障诊断结果数据；根据故障诊断结果数据，对故障发生的严重程度进行分级和评分；基于所述故障诊断结果数据，建立故障诊断预测模型；基于所述故障诊断预测模型，预测关于故障的变化状态，从而计算故障达到报警程度的时间；以及根据所计算的故障达到报警程度的时间，确定是否向设备维护人员发出预警。
根据本公开的第二方面，提供了一种计算设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中所述计算机指令用于使计算机执行本公开的第一方面的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现本公开的实施例的冷水机组不凝性气体故障诊断方法中单次诊断过程100的流程图。
图2示出了用于实现本公开的实施例的冷水机组不凝性气体故障诊断方法中大数据分析及预警过程200的流程图。
图3示出了根据本公开的实施例的电子设备300的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如前文所描述，目前在针对不凝性气体故障进行检测时，通常采用将冷水机组长时间停机静置后，对比冷凝器中的真实冷凝压力与当前冷凝温度对应的冷凝压力是否一致来判断是否存在不凝性气体。但该方法在实际操作中仍至少存在以下缺陷：1、大多数制冷产品的冷水机组系统只能提供冷凝压力数据，缺少即时的冷凝温度数据，因此无法直接进行对比和判断，实用性差；2、考虑到制冷产品的应用场景，大多数制冷产品需要保持长期连续运行状态或者仅允许短时间停机，也无法按照上述方法进行不凝性气体故障的诊断，通用性差。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种冷水机组不凝性气体故障诊断方法。本方法针对冷水机组在运行和停机时的不同特点进行机理分析，选取了不同的故障特征参数对不凝性气体故障进行诊断，在冷水机组的各个工况下均能实现对故障的及时诊断。
图1示出了用于实现本公开的实施例的冷水机组不凝性气体故障诊断方法中单次诊断过程100的流程图。应当理解的是，过程100还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤102中，获取冷水机组的当前运行状态以及与所述运行状态相关联的特征参数，所述运行状态包括运行、已停机以及正在停机。
在一些实施例中，冷水机组的运行状态被划分为运行或运行工况、已停机或停机工况状态和正在停机工况。
响应于当前运行状态指示冷水机组处于运行，基于所述运行状态确定冷凝器温度效率，并且以冷凝器温度效率作为故障诊断的特征参数。
在步骤120中，选取冷水机组在最近一段时间即过去t1时段内处于稳定运行状态下的数据。t1时段为冷水机组处于稳定状态的时间为第一时段。
利用此技术特征，可以确保接下来获取的特征参数是基于稳定工况。
在步骤122中，获取制冷剂冷凝压力、冷却水进水温度Tin和冷却水出水温度Tout，同时利用制冷剂冷凝压力计算得到对应压力下的制冷剂冷凝温度Tc。
在步骤124中，确定冷却水进水温度与冷却水出水温度的第一差值（Tout—Tin）；确定制冷剂冷凝温度与冷却水进水温度的第二差值（Tc—Tin）；以及基于第一差值与第二差值的比值，确定冷凝器温度效率C。计算得到当前工况下作为故障诊断的特征参数，冷凝器温度效率C=（Tout—Tin）/（Tc—Tin）。
由于不凝性气体的存在，导致冷凝器中换热效率下降，因此选用冷凝器温度效率参数作为诊断该故障的特征参数。在温度效率的计算公式中体现为，实测冷凝压力所对应的冷凝温度相比于实测温度异常偏高，导致温度效率参数C出现异常变小的情况。
在步骤126中，若冷凝器温度效率C小于阈值D，则判断此时冷水机组存在不凝性气体故障。
冷凝器温度阈值D是综合环境影响、设备型号以及专家经验等因素后设置的。所述冷凝器温度效率C的大小与不凝性气体故障的严重程度呈负相关，即冷凝器温度效率C的值越小，不凝性气体故障越严重。
在步骤128中，对t1时段内获取的数据进行统计分析，根据统计分析的结果得到不凝性气体故障诊断结果。
在一些实施例中，所采用的统计分析手段为常见的数学处理方法，包括但不限于取均值和回归分析等。
利用此技术特征，可以避免少量数据误差导致的误判，提高诊断结果的精准性。
响应于当前运行状态指示冷水机组处于已停机或正在停机，以制冷剂冷凝温度与冷却水温度之间的差值作为故障诊断的特征参数。
如果冷凝器温度效率小于冷凝器温度效率阈值，或者制冷剂冷凝温度与冷却水温度之间的差值大于第一冷却水阈值，则确定此时冷水机组存在不凝性气体故障。
在步骤140中，选取冷水机组在最近一段时间即过去t2时段内处于停机状态下的数据，且停机时长t2大于第一时间段阈值t3。t2时段为冷水机组处于已停机状态并且大于预定第一时间段阈值的时间确定为第二时段。
利用此技术特征，可以确保接下来获取的特征参数是基于稳定工况。
在步骤142中，获取制冷剂冷凝压力、冷却水进水温度Tin和冷却水出水温度Tout，同时利用制冷剂冷凝压力计算得到对应压力下的制冷剂冷凝温度Tc。
在步骤144中，计算得到当前工况下作为故障诊断的特征参数，即制冷剂冷凝温度Tc与冷却水温度之间的差值。
由于冷水机组已经停机，冷凝器停止换热，因此无法继续选用冷凝器温度效率参数作为诊断该故障的特征参数。当停机状态持续足够长时间后，冷凝器中的制冷剂温度与冷却水温度逐渐达到平衡，此时可以用冷却水进水温度Tin或出水温度Tout来代表冷凝器中制冷剂的真实温度，比较实测冷凝温度与利用实测冷凝压力计算得到的冷凝温度Tc，以二者之间的差值作为故障诊断的特征参数，正常情况下两个数值相当，但不凝性气体的存在会导致冷凝温度出现异常偏高的情况，且需要考虑绝对误差。
在一些实施例中，冷却水温度为冷却水进水温度和冷却水出水温度两者间的较大值。具体来说，冷却水温度的计算公式为max（Tin，Tout）。
在步骤146中，制冷剂冷凝温度Tc与冷却水温度之间的差值大于阈值A，则判断此时冷水机组存在不凝性气体故障。
阈值A是综合环境影响、设备型号以及专家经验等因素后设置的。所述制冷剂冷凝温度Tc与冷却水温度之间的差值的大小与不凝性气体故障的严重程度呈正相关，即制冷剂冷凝温度Tc与冷却水温度的差值越大，不凝性气体故障越严重。
在步骤148中，对t2时段内获取的数据进行统计分析，根据统计分析的结果得到不凝性气体故障诊断结果。
在一些实施例中，所采用的统计分析手段为常见的数学处理方法，包括但不限于取均值和回归分析等。
利用此技术特征，可以避免少量数据误差导致的误判，提高诊断结果的精准性。
当冷水机组处于正在停机工况下时：
在步骤160中，安排冷却水泵在停机后继续运行。
当冷水机组停机时，一般要先关闭冷水机组，延时后关闭冷却水泵，而从冷水机组关机一直到冷凝器温度与外界环境温度达到平衡稳定状态，一般需要耗费较长的时间。因此，若此时需要进行不凝性气体故障诊断，可以采用在冷水机组停机后仍然保持水泵运行的方法，以缩短冷水机组达到稳定的时间。
在步骤162中，获取制冷剂冷凝压力、冷却水进水温度Tin和冷却水出水温度Tout，同时利用制冷剂冷凝压力计算得到对应压力下的制冷剂冷凝温度Tc。
在步骤164中，选取冷水机组在接下来处于稳定状态下t4时段内的数据，且稳定状态时长t4大于或等于第二时间段阈值。冷水机组的t4时段为在冷却水进水温度与冷却水出水温度之间的差值小于第二冷却水阈值B且大于或等于第二时间段阈值t5的时间确定为第三时段
在一些实施例中，当冷却水进水温度Tin与冷却水出水温度Tout之间的差值小于阈值B时为稳定状态。阈值B是综合环境影响、设备型号以及专家经验等因素后设置的。
在步骤166中，计算得到当前工况下作为故障诊断的特征参数，即制冷剂冷凝温度Tc与冷却水温度之间的差值。
参照前文，在一些实施例中，冷却水温度的计算公式为max（Tin，Tout）。
在步骤168中，制冷剂冷凝温度Tc与冷却水温度之间的差值大于第一冷却水阈值A，则判断此时冷水机组存在不凝性气体故障。
在步骤1610中，对t4时段内获取的数据进行统计分析，根据统计分析的结果得到不凝性气体故障诊断结果，诊断完成后关闭冷却水泵。
在一些实施例中，所采用的统计分析手段为常见的数学处理方法，包括但不限于取均值和回归分析等。
利用此技术特征，可以避免少量数据误差导致的误判，提高诊断结果的精准性。
本公开选择了冷却水进水温度Tin、冷却水出水温度Tout、真实冷凝压力计算得到的对应冷凝温度Tc三个参数作为故障诊断的关键参数，上述参数不仅可以从冷水机组中直接获得或通过简单计算获得，而且利用冷却水温度代替冷凝温度进行停机状态的诊断，典型且实用，无需增设额外的数据采集装置以及破坏原有设备结构，成本低廉，解决了传统诊断方法的实用性问题。进一步地，本公开全面考虑了冷水机组在“运行状态”、“停机状态”以及“正在停机状态”三种工况下的故障诊断需求，实现在任何情况下及时对不凝性气体故障的诊断，解决了传统诊断方法的通用性问题，且诊断结果均是基于一段时间内数据故障状态的统计分析得到的，避免了单一数据造成的误诊。
图2示出了用于实现本公开的实施例的冷水机组不凝性气体故障诊断方法中大数据分析及预警过程200的流程图。通过应用图1示出的诊断过程，可以在冷水机组不同工况下进行故障情况的诊断，因此可以获得不凝性气体故障情况（严重程度等）随时间变化的丰富数据，通过对这些诊断数据的进一步分析，可以实现对不凝性气体故障的预测。应当理解的是，过程200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤202中，收集某段时间内的故障诊断结果数据。
在步骤204中，根据故障诊断结果，对故障发生的严重程度进行分级和评分。
在步骤206中，基于分级和评分后的数据建立预测模型。
在步骤208中，利用预测模型对未来故障情况的变化进行预测，推测出故障达到报警程度的时间。
在步骤210中，根据推测出的故障达到报警程度的时间，选择是否向设备维护人员发出预警。
在一些实施例中，可根据需要设置距离推测出的故障达到报警程度的时间的期限，例如一周内或者三天内等，若在该期限内不凝性气体故障就会恶化到报警程度，则选择向设备维护人员发出预警，反之则认为不凝性气体故障的严重程度尚在安全线以内，不发出预警。
本公开基于对连续时间内大量故障诊断结果的分析，通过数据建模的手段对故障严重程度的变化趋势进行预测，能够对不凝性气体故障发生加速变化时做到提前预警，有利于兼顾制冷设备作业时的安全性和连续性。
图3示出了可以用来实施本公开内容的实施例的示例电子设备300的示意性框图。例如，如图1所示的故障诊断设备110可以由电子设备300来实施。如图所示，电子设备300包括中央处理单元（CPU）301，其可以根据存储在只读存储器（ROM）302中的计算机程序指令或者从存储单元308加载到随机存取存储器（RAM）303中的计算机程序指令，来执行各种适当的动作和处理。在随机存取存储器303中，还可存储电子设备300操作所需的各种程序和数据。中央处理单元301、只读存储器302以及随机存取存储器303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
电子设备300中的多个部件连接至输入/输出接口305，包括：输入单元306，例如键盘、鼠标、麦克风等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200，可由中央处理单元301执行。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序被加载到随机存取存储器303并由中央处理单元301执行时，可以执行上文描述的方法200的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种用于诊断冷水机组的不凝性气体故障的方法，其特征在于，包括：
获取冷水机组的当前运行状态以及与所述运行状态相关联的特征参数，所述运行状态包括运行、已停机以及正在停机；
响应于当前运行状态指示冷水机组处于运行，基于所述运行状态确定冷凝器温度效率，并且以冷凝器温度效率作为故障诊断的特征参数；
响应于当前运行状态指示冷水机组处于已停机或正在停机，以制冷剂冷凝温度与冷却水温度之间的差值作为故障诊断的特征参数；以及
如果冷凝器温度效率小于冷凝器温度阈值，或者制冷剂冷凝温度与冷却水温度之间的差值大于第一冷却水阈值，则确定此时冷水机组存在不凝性气体故障。
2. 根据权利要求1所述的方法，其特征在于，获取冷水机组的当前运行状态以及与所述运行状态相关联的特征参数包括：
获取稳定状态的以下特征参数：制冷剂冷凝压力、冷却水进水温度和冷却水出水温度；以及
基于制冷剂冷凝压力，计算得到对应压力下的制冷剂冷凝温度。
3.根据权利要求2所述的方法，其中基于所述运行状态确定冷凝器温度效率包括：
确定冷却水进水温度与冷却水出水温度的第一差值；
确定制冷剂冷凝温度与冷却水进水温度的第二差值；以及
基于第一差值与第二差值的比值，确定冷凝器温度效率。
4.根据权利要求3所述的方法，其特征在于，所述冷却水温度为冷却水进水温度和冷却水出水温度两者间的较大值。
5.根据权利要求4所述的方法，其特征在于，获取冷水机组的当前运行状态包括：
在冷水机组处于运行时，确定冷水机组处于稳定状态的时间为第一时段；
在冷水机组处于已停机时，将冷水机组处于已停机状态并且大于预定第一时间段阈值的时间确定为第二时段；以及
在冷水机组处于正在停机时，将冷水机组在冷却水进水温度与冷却水出水温度之间的差值小于第二冷却水阈值且大于或等于第二时间段阈值的时间确定为第三时段。
6.根据权利要求5所述的方法，其特征在于，还包括：
对第一时段或第二时段或第三时段内获取的数据进行统计分析，从而根据所述统计分析的结果获取不凝性气体故障诊断结果；以及
对所述不凝性气体故障诊断结果执行大数据分析，从而获取不凝性气体故障情况随时间的变化趋势。
7.根据权利要求6所述的方法，其特征在于，对所述不凝性气体故障诊断结果执行大数据分析包括：
收集指定时段内的故障诊断结果数据；
根据故障诊断结果数据，对故障发生的严重程度进行分级和评分；
基于所述故障诊断结果数据，建立故障诊断预测模型；
基于所述故障诊断预测模型，预测关于故障的变化状态，从而计算故障达到报警程度的时间；以及
根据所计算的故障达到报警程度的时间，确定是否向设备维护人员发出预警。
8.一种计算设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310869876.9A CN116593198B (zh) | 2023-07-17 | 2023-07-17 | 用于诊断不凝性气体故障的方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310869876.9A CN116593198B (zh) | 2023-07-17 | 2023-07-17 | 用于诊断不凝性气体故障的方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116593198A true CN116593198A (zh) | 2023-08-15 |
| CN116593198B CN116593198B (zh) | 2023-09-22 |
Family
ID=87608314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310869876.9A Active CN116593198B (zh) | 2023-07-17 | 2023-07-17 | 用于诊断不凝性气体故障的方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116593198B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0573476U (ja) * | 1992-03-05 | 1993-10-08 | 矢崎総業株式会社 | 不凝縮ガス検出装置 |
| JPH10141818A (ja) * | 1996-11-11 | 1998-05-29 | Hitachi Bill Shisetsu Eng Kk | 吸収冷凍機の潜在的故障自動診断方法および同自動診断装置 |
| JP2019002639A (ja) * | 2017-06-16 | 2019-01-10 | 日立ジョンソンコントロールズ空調株式会社 | 空気調和機の冷媒漏洩検知方法、および、空気調和機 |
| CN109543221A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种用于空调冷水机组现场故障诊断方法 |
| CN110046662A (zh) * | 2019-04-10 | 2019-07-23 | 河南科技大学 | 基于模型与数据融合的冷水机组复合故障诊断方法及系统 |
| CN110986407A (zh) * | 2019-11-08 | 2020-04-10 | 杭州电子科技大学 | 一种离心式冷水机组故障诊断方法 |
| CN111504673A (zh) * | 2020-03-27 | 2020-08-07 | 青岛海信日立空调系统有限公司 | 一种冷水机组故障诊断方法、系统及空调器 |
| CN114396704A (zh) * | 2021-12-02 | 2022-04-26 | 珠海横琴能源发展有限公司 | 一种基于大数据分析的冷水机组健康性诊断方法及系统 |
| CN217483572U (zh) * | 2022-04-26 | 2022-09-23 | 广州特种承压设备检测研究院 | 冷水机组监测装置和冷水机组监测系统 |
| CN115127194A (zh) * | 2022-08-25 | 2022-09-30 | 蘑菇物联技术（深圳）有限公司 | 用于检测中央空调冷水机组故障的方法、设备和介质 |
| CN115325736A (zh) * | 2022-10-17 | 2022-11-11 | 杭州长川科技股份有限公司 | 制冷系统泄漏类型的确定方法、装置、制冷模块及系统 |
-
2023
- 2023-07-17 CN CN202310869876.9A patent/CN116593198B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0573476U (ja) * | 1992-03-05 | 1993-10-08 | 矢崎総業株式会社 | 不凝縮ガス検出装置 |
| JPH10141818A (ja) * | 1996-11-11 | 1998-05-29 | Hitachi Bill Shisetsu Eng Kk | 吸収冷凍機の潜在的故障自動診断方法および同自動診断装置 |
| JP2019002639A (ja) * | 2017-06-16 | 2019-01-10 | 日立ジョンソンコントロールズ空調株式会社 | 空気調和機の冷媒漏洩検知方法、および、空気調和機 |
| CN109543221A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种用于空调冷水机组现场故障诊断方法 |
| CN110046662A (zh) * | 2019-04-10 | 2019-07-23 | 河南科技大学 | 基于模型与数据融合的冷水机组复合故障诊断方法及系统 |
| CN110986407A (zh) * | 2019-11-08 | 2020-04-10 | 杭州电子科技大学 | 一种离心式冷水机组故障诊断方法 |
| CN111504673A (zh) * | 2020-03-27 | 2020-08-07 | 青岛海信日立空调系统有限公司 | 一种冷水机组故障诊断方法、系统及空调器 |
| CN114396704A (zh) * | 2021-12-02 | 2022-04-26 | 珠海横琴能源发展有限公司 | 一种基于大数据分析的冷水机组健康性诊断方法及系统 |
| CN217483572U (zh) * | 2022-04-26 | 2022-09-23 | 广州特种承压设备检测研究院 | 冷水机组监测装置和冷水机组监测系统 |
| CN115127194A (zh) * | 2022-08-25 | 2022-09-30 | 蘑菇物联技术（深圳）有限公司 | 用于检测中央空调冷水机组故障的方法、设备和介质 |
| CN115325736A (zh) * | 2022-10-17 | 2022-11-11 | 杭州长川科技股份有限公司 | 制冷系统泄漏类型的确定方法、装置、制冷模块及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈友明;姜长亮;陈霆英俊;: "基于Kriging模型的冷水机组故障检测与诊断方法", 《湖南大学学报(自然科学版)》, vol. 43, no. 9, pages 151 - 156 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116593198B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2013206635B2 (en) | Diagnosis control method of air conditioner | |
| EP3553426B1 (en) | Data processing method for refrigerant leakage detection | |
| US11079300B2 (en) | Air cooling heat pump system, refrigerant leakage detection method and detection system air cooling heat pump system thereof | |
| CN114353854B (zh) | 用于在线定位异常传感器的方法、设备和介质 | |
| US20220253050A1 (en) | Apparatus for assisting maintenance work, method of assisting maintenance work, and program for assisting maintenance work | |
| US11635242B2 (en) | Monitoring method of cooling system and monitoring device thereof | |
| CN114893936B (zh) | 制冰系统进出水控制系统与控制方法 | |
| CN109344983A (zh) | 故障检测方法、装置及计算机可读存储介质 | |
| Yang et al. | HVAC equipment, unitary: Fault detection and diagnosis | |
| JP4341779B2 (ja) | 空調機の異常検知装置及び異常検知方法 | |
| CN115127194A (zh) | 用于检测中央空调冷水机组故障的方法、设备和介质 | |
| CN116593198B (zh) | 用于诊断不凝性气体故障的方法、设备和介质 | |
| Liu et al. | An efficient sensor and thermal coupling fault diagnosis methodology for building energy systems | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| Chang et al. | Reliability evaluation of scroll compressor for system air conditioner | |
| CN114646342B (zh) | 用于定位异常传感器的方法、设备和介质 | |
| CN115307669B (zh) | 用于检测被测系统的异常传感器的方法、设备和介质 | |
| CN109323361B (zh) | 空调的运行能力检测方法及系统 | |
| KR101499728B1 (ko) | 설비고장 예측방법 | |
| CN115096363A (zh) | 一种高炉设备故障检测方法、装置、电子设备及存储介质 | |
| JP2020128856A (ja) | 予兆検出装置、予兆検出方法、予兆検出プログラムおよび予兆検出システム | |
| JP2018106566A (ja) | 建築設備のフォルト検出システム及びそれを適用した建築設備の管理システム | |
| Guo et al. | Fault detection and diagnosis of electric bus air conditioning systems incorporating domain knowledge and probabilistic artificial intelligence | |
| Kareem et al. | A condition based model for maintenance planning on critical equipment in the petrochemical industry | |
| CN118224792B (zh) | 加热制冷循环系统故障预警方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: China Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: China |