来源：中国制冷学会杂志2026年6月  第三期 文章编号: ISSN1005 - 9180 (2026) 03 - 0037 - 05

王美琳，李冰，刘敏，李宁，陈月

(建科公共设施运营管理有限公司，北京)

[摘要] 针对我国大量的老旧定频离心式冷水机组因缺乏能效优化算法、实时状态监测及预测性维护功能而导致的故障率高、能耗上升及运维成本增加等问题，本文以软故障诊断为核心，研究其故障特征识别与状态映射关系，以提升系统能效与运行稳定性。通过理论分析与数学建模相结合的方法，梳理冷水机组运维过程中的故障状态特征参数，简化故障识别流程，并建立特征参数与故障类型的映射关系。以某品牌冷水机组为研究对象进行故障辨识应用，结果表明，基于贝叶斯理论的故障识别模型准确率可达95%以上，显著提升了诊断可靠性。研究可为老旧冷水机组的智能化改造提供理论支持，对提升能源利用效率、保障设备稳定性及促进建筑领域节能减排具有重要作用。

[关键词] 定频离心式冷水机组;软故障诊断;贝叶斯理论;故障映射

[中图分类号] TB657  [文献标志码] B  doi: 10.3969/J.ISSN.1005-9180.2026.03.0009

Fault Early Warning and Diagnosis for Aging Fixed-Speed Centrifugal Chiller Units

WANG Meilin, LIBing, LIU Min, LINing, CHEN Yue

(1. Jianke Public Facility Operation Management Co., Ltd, Beijing, 100032, China)

Abstract: This paper addresses the high failure rates, increased energy consumption, and rising operational and maintenance costs associated with a large number of aging fixed-speed centrifugal chiller units in China, which are primarily caused by the lack of energy efficiency optimization algorithms, real-time condition monitoring, and predictive maintenance capabilities. Focusing on soft fault diagnosis, this study investigates fault feature identification and the mapping relationship between system states to enhance overall system efficiency and operational stability. By integrating theoretical analysis with mathematical modeling, the research identifies key fault characteristic parameters during chiller unit operation and maintenance, simplifies the fault recognition process, and establishes a mapping relationship between these features and specific fault types. A case study using a branded chiller unit demonstrates that the fault identification model based on Bayesian theory achieves an accuracy rate exceeding 95%, significantly improving diagnostic reliability.The findings provide theoretical support for intelligent retrofitting of aging chiller units and play a crucial role in enhancing energy utilization efficiency, ensuring equipment stability, and promoting energy conservation and emissions reduction in the building sector

Key words: Fixed-speed Centrifugal Chiller; Soft Fault Diagnosis; Bayesian Theory; Fault Mapping

当前我国建筑能耗约占总能耗的35%^[1]，公共建筑运行能耗约占总民用建筑运行能耗的39%^[2]，其中空调系统能耗占比约为30~50%^[3]。建筑领域的降耗减排是我国“双碳”目标的实现的重要抓手，其中提升公共建筑中暖通空调系统的能效水平是节能减排的关键措施，可有效减少不必要的能源浪费和温室气体的排放。

然而，暖通空调系统运行环境复杂、部件多样且工况多变，在其运行过程中，可能发生软故障从而使设备性能下降、能耗增加。Liang等人研究发现空调系统故障和能耗之间成正比关系^[4]，据统计由故障而引起的能耗增加高达30%^[5-7]暖通空调系统的能耗主要来源于冷水机组等关键设备，在运维中的故障主要为造成设备性能下降的软故障，如冷凝器结垢等典型故障会导致机组服务资源和维修费用增加46%和26%^[8]，但一般因其隐蔽性不易识别。因此，对冷机进行软故障预警诊断不仅有助于降低运行能耗^[9,10]，还可以提高系统的风险防控能力，增强设备系统连续运行的稳定性^[11]。

当前，冷水机组向着智能化、数字化方向升级，多数变频冷水机组可利用大数据分析提前识别潜在故障，从而降低运维成本并延长设备寿命;但我国仍有大量老旧定频离心式冷水机组在运行，因缺乏能效优化算法、实时状态监测和预测性维护功能，导致运维成本不断增加。同时冷水机组故障预测研究存在数据质量要求较高，模型泛化性有限，物理机理融合难的问题，限制了

在实践领域的具体应用。本文针对老旧定频离心式冷水机组在运维过程中因软故障难以准确识别而导致系统运行不畅、寿命下降的问题，采用理论分析和数学分析相结合的方法，分析冷水机组的故障特征，梳理冷水机组在运维过程中故障状态特征参数，简化故障识别方式;确定冷水机组故障状态特征及对应的故障类型，故障状态特征参数与故障类型的映射关系。研究旨在提高冷水机组故障预警准确性，对提升能源利用效率、保障设备可靠性和降低碳排放具有重要意义，助力碳达峰目标的实现。

1 冷水机组典型软故障及特征参数

1.1   冷水机组典型软故障及分析

通过对170份离心式冷水机组的维修记录进行分析^[12-13]，其中发生频率和维修费用较高的软故障共包括6种，具体包括:

(1)冷却水量减少(RedCdW，fwe)

(2)冷冻水量减少(RedEvW，fwve)

(3)制冷剂泄漏/充注不足(RefLeak，Hl)

(4)制冷剂充注过量(RefOver，ro)

(5)冷凝器结垢(CdFoul，cf)

(6)非凝性气体存在(Ncg，nc)

1.2   冷水机组典型软故障特征清单

基于冷水机组实际运行中的故障类型，结合文献调研，筛选出7个现场普遍可获取的特征参数，如表1-1所示。这些参数的选择不仅充分考虑了冷水机组的故障特性，还兼顾了传感器的可用性和经济性，聚焦于当前广泛安装的传感器所能获取的数据，避免额外的设备投入，降低实施成本，确保特征参数的适用性。

表1-1特征参数清单

2 贝叶斯理论

贝叶斯网络运用概率论构建推理模型，理论雏形最早由Bernoulli提出，后经Bayes和Laplace等数学家的奠基性工作逐步完善，适用于冷水机组故障辨识(FDD)^[14] 。

2.1 贝叶斯定理

贝叶斯理论的基本概率公式如式2-1，2-2所示，涉及两个基本事件A和B，其中P(A)表示事件A发生的先验概率，P(B)代表事件B的边缘概率。P(AB)表示它们同时发生的概率。P(AIB)表示在事件B发生的条件下事件A发生的概率。

P(AB)= P(A)P(BIA)(2-1)

P(AB)= P(B)P(A|B)(2-2)

在基于贝叶斯方法的概率推理中，设B，B2，...，B,为一组互斥且完备的随机事件集合，这些事件需要满足以下基本条件:

2.2冷水机组贝叶斯网络

 通过文献调研^[15]，构建三层冷水机组贝叶斯网络，确定特征参数与故障之间的相关关系。网络的第一层是信息层，第二层是故障层，第三层为特征参数层。信息层输入机组日常检修和维护信息，故障层为冷机典型的六类软故障，节点表示为各故障可能会引起变化的物理量，结构如图2-2所示。

图2-2三层贝叶斯网络结构

3 数据收集与分析

3.1 运行数据采集

对某项目某品牌定频3,164kW离心式冷水机组在2024年7月和8月期间进行了24组运行数据采集，剔除不完整数据后，最终保留了23组有效数据进行分析。

3.2 故障数据模拟

由于无法进行破坏性实验，故障工况数据采用EES软件进行模型方程求解。根据输入特征参数及相关运行参数，建立冷水机组系统半经验模型，模拟冷水机组运行状态，输出故障工况的特征参数。

3.3 模型验证

本文评价指标采用平均绝对百分比误差(MAPE)和相关性系数(R²)，如式3-1和式3-2所示，其中P_i为预测值，M_i为实测值:

MAPE越小，R²越大，误差小，模型的准确性高。功耗仿真模型的MAPE为3.63%，R²为0.874，说明仿真模型具有一定的准确度^[16]。

图3-1、图3-2分别为冷水机组功耗、冷凝温度的仿真模拟结果与实测数据对比图。可见模拟结果与实测数据之间一致性较强，所建模型与算法可靠。

图3-1功耗实测值与模拟值对比

图3-2冷凝温度实测值与模拟值对比

3.4数据库扩展

在原有数据基础上，模拟27组运行工况的软故障并采集状态参数，并将蒸发器和冷凝器进、出水温度进行条件组合，展开675组工况仿真模拟，其中，正常工况27组，故障工况648组。

4 故障预警

4.1先验概率

根据第2节内容，结合文献^[15]资料，冷水机组贝叶斯网络第一、二层网络间的条件概率为先验概率，分布如表4-1至4-5。其中，CompRS、RefCS和WT代表冷水机组的服务，通常可从设施管理记录中获取。CondWS和ChWS分别代表冷凝水泵系统和冷冻水泵系统的健康状态。

1) CompRS: Component repairing service (组件维修服务)

2) RefCS: Refrigerant charging service (制冷剂加注服务)

3) WT:Water treatment service (水处理服务)

4) CondWS: The health status of the condensingwater pump system(冷凝水水泵系统健康状态)

5) ChWS: The health status of the chilled waterpump system(冷冻水水泵系统健康状态)

表4-1RefCS、CompRS与Neg、RefLeak的条件概率表

表4-2RefCS与RefOver的条件概率表

4.2后验概率

冷水机组贝叶斯网络中第二、三层网络间的条件概率为后验概率，由冷水机组的多工况仿真结果进行概率统计之后得出，如表4-6所示。

表4-6故障条件概率矩阵

4.3 故障预警

将样本数据随机分成四组，每组500个数据，四组故障诊断结果的混淆矩阵如图4-1至图4-4所示。其中第一组、第二组、第三组和第四组数据故障识别准确率分别为98.69%、97.84%、96.83%和98.12%，均达到了95%以上。

根据故障预警提供的故障概率及诊断建议，对冷水机组进行针对性检查与休整，同时可通过现场数据复核反向增强贝叶斯网络后验概率的有效性，验证了故障预警模型的实际价值。

5 结论

针对老旧离心式冷水机组软故障难以准确识别的问题，开展冷水机组故障预警研究，得到结论如下:

1)通过对文献以及现场可获取参数的调研，选取冷凝温度、蒸发温度、冷却水进出口温差、冷冻水进出口温差、过冷度、功耗作为故障识别的特征参数。

2)归纳总结几种常见故障类型与故障特征参数的映射关系，形成冷水机组的运行故障预警清单，见表1-1;构建冷水机组半经验模型，R为0.874，证明了模型的可靠性。

3)基于贝叶斯理论搭建故障识别模型，对某品牌冷水机组进行故障诊断。经验证，本研究提出的方法故障识别准确率可以达到95%以上。

本研究简化运维过程中冷水机组的故障状态预警诊断，优化故障识别方式，明确常见故障类型与故障特征参数的映射关系，搭建故障识别模型，为老旧定频离心式冷水机组的故障预警提供技术支持。

参考文献:

[1]傅启明等.一种基于迁移深度强化学习的建筑能耗预测方法[J].计算机应用研究,2020,37(S1):92-94.

[2]《中国建筑能耗与碳排放研究报告(2022)》

[3]伍小亭.暖通空调系统节能设计思考[J].暖通空调，2012,42(7):1-11.

[4] Liang Y, Meng Q, Chang S. Fault diagnosis and energy consumption analysis forvariable air volume air conditioning system: a case study. Procedia Engineering.2017.205:834-841.

[5] Srinivas Katipamula, Michael R. Brambley. Methods forfault detection, diagnostics, and prognosties for buildingsystems-a review, Part I[ J]. HVAC&R Research,2005,11 (1):3-25.

[6] Srinivas Katipamula, Mike Brambley. Automated diagnostics improving building system and equipment performance[J]. Energy user news, 1998, 23 (4):545-551.

[7] J.M Gordon, Kim Choon Ng, Hui Chua. Centrifugal chillers: thermodynamic modelling and a diagnostic casestudy [J] . International Journal of Refrigeration, 1995,18 (4):253-257.

[8] Yuebin Yu;,Denchai Woradechjumroen;;Daihong Yu.A review of fault detection and diagnosis methodologies on air-handling units [J] . Energy & Buildings, 2014, 82.

[9] D. Westphalen, K.W. Roth, J. Brodrick. System & component diagnostics [J. ASHRAE Journal, 2003, 45 (4):58-59.

[10] Piette M A, Kinney S K, Haves P. Analysis of an information monitoring and diagnostic system to improve building operations [J] . Energy and Buildings, 2001, 33 (8):783-791.

[11] Li Haorong, Braun James E. Economic Evaluation of Benefits Associated with Automated Fault Detection andDiagnosis in Rooftop Air Conditioners [J]. ASHRAETransactions, 2007, 113 (2): 200-210.

[12] Mathew C. Comstock, James E. Braun. Development ofAnalysis Tools for the Evaluation of Fault Detection andDiagnostics for Chillers [R]. ASHRAE ResearchProject 1043-RP, HL 99-20, Report #4036-3, 1999.

[13] Comstock M C, Braun J E, Groll E A. A survey ofcommon faults for chillers [J]. ASHRAE Transactions,2002,108:819-825.

[14]胡敏.基于贝叶斯网络的冷水机组故障诊断及其关联规则优化[D].武汉:华中科技大学，2017.

[15] Zhao Y, Xiao F, Wang S. An intelligent chiller faultdetection and diagnosis methodology using Bayesianbelief network [J]. Energy and Buildings, 2013, 57 (2):278 - 288.

[16]李前舸等.基于纵横交叉支持向量机的制冷剂充注量故障诊断[J].制冷技术,2021,41(1):23-28.