一座商業建築的空調系統平均有 5–15% 的能耗浪費源自未被發現的設備故障與運轉偏差。當冰水主機的冷凝器結垢使效能下降 10%，或者空調箱的外氣風門卡在半開位置——這些「軟故障」不會觸發傳統警報，卻日復一日地消耗能源與縮短設備壽命。本篇為系列第二篇，在數據基礎之上，探討 AI 如何偵測這些隱性故障。

AI × 冷凍空調 系列探討
  1. 數據基礎：從感測器到機器學習模型
  2. 故障偵測與預測性維護（本篇）
  3. 冰水主機群最佳化：MPC 到深度強化學習
  4. 未來願景：數位孿生、生成式 AI 與邊緣智慧

一、故障的代價：看不見的能耗黑洞

Katipamula 與 Brambley（2005）在其經典綜述論文中指出，美國商業建築中空調系統的運維問題每年造成超過 150 億美元的能源浪費[1]。這些問題涵蓋：

  • 硬故障（Hard Faults）：設備停機、壓縮機跳脫、馬達燒毀——傳統 BMS 警報可即時偵測
  • 軟故障（Soft Faults）：感測器漂移、閥門洩漏、熱交換器結垢、控制邏輯偏差——不觸發警報，但累積損害巨大
  • 效能衰退（Performance Degradation）：設備老化導致的漸進式效能下降，難以與負載變化區分

傳統的維護策略——定期巡檢加上故障後搶修——對軟故障的偵測效率極低。一個冰水主機的冷凝壓力偏高 5%，可能在數月後才被資深技師在巡檢中察覺，而這段期間已累積可觀的額外電費。

二、ASHRAE FDD 框架：標準化的起點

ASHRAE 對故障偵測與診斷（Fault Detection and Diagnostics, FDD）的研究已有二十餘年的歷史。Guideline 36 的第 5.16 節[2]明確定義了空調箱（AHU）的 FDD 規則，包括：

  • 送風溫度故障：當送風溫度偏離設定點超過容許範圍且持續一定時間
  • 混合風溫度故障：混合風溫度超出回風與外氣溫度的物理限制
  • 風門控制故障：外氣風門的實際位置與指令信號不一致
  • 能源效率故障：設備在可使用自然冷卻時仍運轉機械冷卻

ASHRAE Research Project RP-1312 進一步將 FDD 規則擴展至冰水主機系統與冷卻水塔。這些規則式 FDD 方法的優勢在於直觀、可解釋且易於部署，但其局限也很明顯：規則需要針對每一種可能的故障模式預先定義，對於複雜的多故障交互場景捕捉能力有限。

三、規則式 FDD：工程師直覺的形式化

規則式 FDD 的核心思想是將資深空調技師的診斷經驗編碼為「如果…則…」的邏輯規則。例如：

  • 如果冰水主機的冷凝壓力高於正常值 15%，且冷卻水流量正常，則可能是冷凝器結垢
  • 如果空調箱的過濾器壓差超過初始值的 2 倍，則需要更換濾網
  • 如果送風溫度持續高於設定點 2°C 達 30 分鐘以上，且冰水閥已全開，則可能是冰水流量不足或盤管結垢

Li 與 Braun（2007）在 Purdue 大學的研究中開發了一套系統化的冰水主機 FDD 方法[3]，利用穩態運轉條件下的殘差分析來偵測冷媒洩漏、壓縮機效能衰退與熱交換器結垢等常見故障。這些方法已被多家 BMS 廠商整合至其產品中，成為業界的基準方案。

四、AI FDD：超越規則的極限

AI 驅動的 FDD 方法不需要預先定義所有可能的故障規則，而是從數據中學習「正常」運轉的模式，將偏離正常模式的情況標記為潛在故障。ASHRAE HVAC Applications Handbook 第 43 章對此有系統性的探討[4]。

監督式學習方法

當有標記的故障數據可用時，監督式分類模型（如隨機森林、支持向量機、神經網路）可直接學習從感測器數據到故障類型的映射。然而，實務上取得大量真實故障數據是最大的挑戰——空調系統多數時間處於正常或接近正常的運轉狀態，故障樣本極度稀少且類型不均衡。

非監督式學習方法

非監督式方法特別適合 FDD 應用，因為它們只需要正常運轉的數據就能建立基準模型。主成分分析（PCA）可建立正常運轉的多變量統計模型，當系統運轉偏離此模型時，T² 統計量與 Q 殘差將同時上升。自編碼器（Autoencoder）以重建誤差作為異常指標——對正常數據重建良好，對異常數據則重建誤差飆升。

時間序列異常偵測

空調系統的故障往往具有時間演進特性：冷凝器結垢是漸進的，壓縮機的異常振動可能呈現間歇性模式。LSTM 自編碼器與 Transformer 架構可捕捉這些時序特徵，偵測傳統方法難以察覺的緩慢衰退型故障。O'Neill（2019）在 LBNL 的研究中展示了深度學習模型在大型商業建築 FDD 中的潛力[5]。

五、預測性維護：從偵測到預防

故障偵測解決「現在哪裡壞了」的問題，預測性維護則回答「什麼時候會壞」——也就是剩餘使用壽命（Remaining Useful Life, RUL）的估算。

RUL 預測方法

  • 物理退化模型：基於設備退化的物理機制（如壓縮機閥片磨損率）建立壽命模型，需要深入的設備知識
  • 數據驅動模型：利用歷史故障數據訓練 ML 模型預測 RUL，需要多台同型設備的全生命週期數據
  • 混合模型：結合物理約束與數據驅動的方法，以物理模型提供先驗知識，數據驅動模型進行校正

對空調系統而言，壓縮機、水泵與風車馬達的軸承劣化是最常見的預測性維護標的。振動分析配合 ML 模型，可在軸承失效前數週至數月發出預警，讓維護團隊在計劃性停機時更換零件，避免突發故障造成的停機損失。

六、台灣空調 FDD 實踐的機會與挑戰

在台灣推動 AI FDD 的落地，需要面對幾個實務層面的考量：

  • 數據積累不足：多數台灣建築的 BMS 歷史數據保存期間有限，且數據品質參差不齊，如系列首篇所述的數據基礎問題在此更為凸顯
  • 維護文化轉型：從「壞了再修」到「預測先修」需要管理層的觀念轉變與初期投資承諾
  • 投資效益量化：FDD 系統的效益（避免的能耗浪費、延長的設備壽命、減少的停機時間）需要可量化的 ROI 分析才能說服決策者
  • 高溫高濕環境：台灣的氣候條件使冷凝器結垢、冷卻塔生物膜等問題更為頻繁，FDD 規則需要針對亞熱帶環境進行校調

LBNL 的 Granderson 團隊（2021）在最新研究中提出了 FDD 工具評估框架[6]，為業主選擇與評估 FDD 產品提供了方法論基礎。台灣的空調工程團隊可借鑑此框架，建立適合本地市場的 FDD 評估標準。

結語

AI FDD 正在將空調系統維護從「經驗驅動」推向「數據驅動」，從「被動搶修」推向「預測先行」。但技術的成功落地需要三個支柱：高品質的數據基礎（如本系列首篇所述）、適切的演算法選擇，以及工程團隊對 AI 工具的信任與採納。在下一篇中，我們將進一步探討 AI 如何最佳化冰水主機群的運轉策略——從模型預測控制到深度強化學習。