范雨强，崔晓钰，韩 华，武 浩，徐 玲

（上海理工大学 能源与动力工程学院，上海 200093）

随着机器学习及人工智能的发展，越来越多的学者开始将智能方法运用到大型冷水机组的故障检测与诊断上。但是现有的研究只停留在理论上，并没有将故障检测与诊断方法应用到大型冷水机组的现场运行中。传感器参数的缺乏和现场数据的不确定性都会对故障检测与诊断方法的应用造成一定的影响，所以现场传感器参数在故障检测与诊断的应用中至关重要，对诊断方法的推广具有重要作用。

美国采暖、制冷与空调工程师学会（ASHRAE）在1999 年进行了一项完善的离心式冷水机组模拟故障实验［1］。在该实验中共获得64 个参数，但是这64 个参数并未全部安装到现场冷水机组上。后来采用ASHRAE 数据库建立诊断模型的学者在选择特征参数时都优先考虑诊断性能，而忽略了传感器的安装情况。Zhou 等［2］选择6 个特征参数进行故障诊断，其中冷凝器下游液体管路制冷剂过冷度（TRC_sub）在现场运行数据中较难获得。Zhao 等［3］和Tran 等［4］都采用计算参数冷凝器对数平均温度（LMTDcd）和过冷段传热效率（εsc），这两个参数配合使用可以很好地诊断出制冷剂泄漏和冷凝器结垢故障。但是，εsc需要采用过冷度进行计算，在现场冷水机组不易获得。Cui 等［5］和Wang 等［6］完全采用计算参数进行故障诊断，采用的参数中有制冷剂质量流量（Mref）。现场冷水机组采用该方法时，为了节省成本，较少安装制冷剂质量流量传感器，所以所选参数不利于在现场冷水机组的故障检测和诊断中应用。……