基于动态贝叶斯网络的空气处理机组故障诊断：传感器配置影响的实验研究

《Energy and Buildings》：Fault detection and diagnosis for heat recovery ventilation using 4S3F method: impact of diverse sensor configurations

本研究针对空气处理机组（AHU）故障诊断中传感器配置影响不明确的问题，开展了基于动态贝叶斯网络（DBN）的多传感器配置诊断研究。通过实验验证了三种传感器配置（丰富/标准/有限）下DBN的诊断性能，结果表明传感器可用性显著影响诊断准确率（丰富配置达88.2%）。该研究为AHU故障诊断系统的传感器优化部署提供了实践指导。

　　

在现代建筑能源管理中，暖通空调（HVAC）系统的空气处理机组（AHU）如同建筑的"肺部"，负责调节室内空气质量与温度。然而，这些复杂系统常因传感器故障、部件老化或控制失调而"生病"，导致能耗激增、舒适度下降。传统故障诊断方法往往面临两大难题：一是实际建筑中传感器配置差异巨大，从密集到稀疏不等；二是多故障症状交织时难以精准定位根源。尽管基于动态贝叶斯网络（DBN）的智能诊断方法被寄予厚望，但传感器配置如何影响诊断精度始终是悬而未解的实践困境。

荷兰研究团队在《Energy and Buildings》发表的最新研究，通过真实建筑中的故障注入实验，首次系统揭示了传感器配置与DBN诊断性能的量化关系。研究人员在一座办公建筑的AHU上设计了17种典型故障场景，包括热回收轮卡滞、送风机故障、传感器漂移等，对比分析了传感器丰富（20个测量点）、标准（13个测量点）和有限（8个测量点）三种配置下DBN的诊断表现。研究发现，传感器配置如同诊断医生的"听诊器"——配置越完备，诊断越精准。在传感器丰富配置下，DBN的诊断准确率高达88.2%，而有限配置时骤降至23.5%。更有趣的是，某些关键传感器（如送风静压传感器）的缺失会导致特定故障（如热回收轮故障）完全无法识别，这揭示了传感器部署中的"短板效应"。

关键技术方法包括：1）基于ASHRAE Guideline 36和荷兰ISSO Publication 31的传感器需求分析；2）多场景故障注入实验设计（涵盖部件故障、传感器偏差、设定点错误等）；3）基于历史数据的预测模型构建（如XGBoost、多项式回归）；4）动态贝叶斯网络结构与参数优化；5）采用症状聚合策略的推理机制。实验数据来自真实办公建筑AHU系统，采集频率为1分钟/次，覆盖2023-2024年供暖季。

传感器配置与诊断能力映射

通过分析18个实际AHU的管道仪表图（P&ID），研究发现现有建筑传感器部署与指南建议存在显著差距。例如，14个AHU缺少关键传感器（如线圈流量计、回水温度传感器），这直接限制了故障诊断能力。研究人员据此定义了三种典型配置：丰富配置包含空气品质、湿度等高级传感器；标准配置保留核心控制传感器；有限配置仅含基本安全监测点。

症状检测效能分析

研究构建了19种故障症状的逻辑检测规则，发现症状检测率与故障严重程度呈正相关。例如热回收轮完全卡滞（HRW-Stuck-0）时，热回收效率低下症状（S₁₀）检出率达100%；而轻微卡滞（HRW-Stuck-30）时检出率仅11%。预测模型类症状（如S₄、S₆）表现出跨故障类型的通用性，但阈值设置对灵敏度影响显著。

诊断性能对比

在传感器丰富配置下，DBN成功识别了15种故障，包括热回收轮卡滞（后验概率0.95）、送风机故障（0.95）等。但在传感器有限配置下，仅能识别4种故障，且出现误诊案例——如热回收轮故障被误判为加热盘管阀故障。这表明传感器减少不仅降低检测能力，更会引入诊断歧义。

诊断策略优化启示

研究对比三种诊断采样策略发现，症状聚合策略（Scenario 2）在准确性与计算效率间取得最佳平衡（准确率88.2%，执行时间0.83秒）。而直接传感器数据聚合（Scenario 1）会丢失瞬态故障特征，实时推理策略（Scenario 3）虽精度高但计算成本倍增。

这项研究的重要意义在于首次通过实验数据验证了传感器配置与诊断性能的量化关系，为建筑业主提供了传感器投资的决策依据。对于新建建筑，建议按"丰富配置"部署传感器以最大化诊断收益；对于既有建筑改造，则可依据"标准配置"优先补装关键传感器。研究者特别指出，送风静压、送风温度等核心传感器的诊断贡献度最高，应作为优化部署的优先选项。该成果为智能建筑运维提供了从"感知层优化"到"诊断层精准"的全链条技术路径，对实现建筑碳中和目标具有实践指导价值。