Die Verwendung datengetriebener Fehlerdiagnosemodelle für Klimaanlagen in Rechenzentren kann deren Betriebssicherheit effektiv verbessern. Solche Modelle fehlen jedoch in der Regel die diagnostische Grundlage, was ihre breite Anwendung einschränkt. Es wurde ein kombiniertes Fehlerdiagnosemodell für Klimaanlagen basierend auf typischen Maschinenlernalgorithmen entwickelt, die Diagnostikleistung der Modelle verglichen und eine erklärbare Untersuchung des Diagnosemodells basierend auf der SHAP-Methode (Shapley Additive Explanation) durchgeführt. Die Ergebnisse zeigen: Das auf dem konvolutionalen neuronalen Netzwerk (CNN) basierende Fehlerdiagnosemodell ist im Heatpipe- und Dampfkompressionsmodus jeweils am besten und erreicht in allen Klassen F-1-Werte über 0,999. Im Heatpipe-Modus basieren die hauptsächlichen Merkmale der CNN-Diagnose auf der Kondensatorlüfterfrequenz, der Außentemperatur und dem Stromverbrauch der Kältemittelpumpe; im Dampfkompressionsmodus sind dies die Außentemperatur, die Kompressorfrequenz und die Unterkühlung.

Rechenzentrum;Kombinierte Klimaanlage;Fehlerdiagnose;Erklärungsstudie