基于机器学习的二氟甲烷制冷系统故障诊断研究及其在可持续发展目标中的应用

针对制冷系统能效下降与寿命缩短问题，研究人员采用Na?ve Bayes、GLM、Decision Tree和Random Forest四种ML模型，基于R32制冷剂系统的1,998组合成数据，实现了对制冷剂泄漏和滤网堵塞的高精度诊断（准确率>96%），其中Na?ve Bayes达100%。该研究为实时故障监测提供AI解决方案，助力SDG 7、9、12目标达成。

　　

制冷系统是工业和家庭冷却的核心设备，但制冷剂泄漏和滤网堵塞等故障会导致能耗激增、效率骤降，甚至引发压缩机报废。据统计，全球制冷设备年耗电量高达1.8万亿千瓦时，位列耗电设备前三甲。更棘手的是，传统人工检测常误判R32（二氟甲烷）系统的故障——这种制冷剂虽因全球变暖潜能值(GWP)较低被广泛采用，但其系统故障特征易被忽视。如何实现精准、快速的故障预警，成为实现联合国可持续发展目标（SDG 7清洁能源、SDG 9工业创新、SDG 12负责任消费）的关键技术瓶颈。

针对这一挑战，研究人员开展了一项创新性研究。他们构建了包含1,998组样本的合成数据集，模拟R32制冷系统在正常、泄漏和滤网堵塞三种状态下的运行数据，重点监测吸气压力、过热度、过冷度和冷凝压力四个关键热力学参数。通过Altair AI Studio平台，团队系统评估了四种经典机器学习(ML)模型的诊断性能：Na?ve Bayes以100%准确率居首但存在过拟合风险；Random Forest和Decision Tree分别以97.4%和97.9%的准确率展现出最优泛化能力，尤其擅长区分复合故障。特征工程和统计可视化技术的应用，使得模型能敏锐捕捉到吸气压力骤降、过热度异常等故障特征。这项研究为制冷系统智能运维提供了高性价比解决方案，相关成果发表在《Sustainable Chemistry One World》上。

关键技术方法包括：基于Python的合成数据生成（模拟R32系统三种工况）、Altair AI Studio平台建模（集成Na?ve Bayes/GLM/Random Forest/Decision Tree）、特征工程（筛选吸气压力等4个热力学参数）、统计可视化分析（直方图/箱线图诊断数据分布）。

【数据可视化】
通过直方图分析发现，吸气压力呈均匀分布，而过热度数据右偏，暗示滤网堵塞时过热现象加剧。箱线图则揭示冷凝压力在泄漏工况下存在显著离群值，为模型特征选择提供依据。

【结论】
Random Forest模型凭借集成学习优势，在有限合成数据条件下仍保持97.4%的准确率，且能有效识别复合故障模式。该技术可部署至实时监测系统，提前预警故障，预计将制冷设备能效提升15%以上，直接支持SDG 7目标的实现。

【讨论】
研究首次验证了经典ML模型在R32系统诊断中的普适性，但合成数据与真实场景的差异仍需通过实际传感器数据验证。未来可结合Transformer等时序处理算法提升动态故障捕捉能力。Ha Manh Bui和Tue Duy Nguyen的研究为制冷行业智能化转型提供了可复用的技术框架。