O uso de modelos de diagnóstico de falhas orientados por dados para sistemas de ar-condicionado em data centers pode aumentar efetivamente a confiabilidade operacional. No entanto, esses modelos geralmente carecem de fundamentos diagnósticos, limitando sua ampla aplicação. Foi desenvolvido um modelo composto de diagnóstico de falhas para sistemas de ar-condicionado com base em algoritmos típicos de aprendizado de máquina, comparando o desempenho diagnóstico de cada modelo e realizando um estudo interpretativo do modelo diagnóstico baseado no método SHAP (shapley additive explanation). Os resultados mostram que o modelo de diagnóstico baseado em rede neural convolucional (CNN) apresenta desempenho ideal nos modos de tubo de calor e compressão a vapor, com valores F-1 superiores a 0,999 em todas as categorias. No modo tubo de calor, as principais características nas quais o modelo CNN se baseia para diagnóstico são a frequência do ventilador do condensador, a temperatura externa e o consumo de energia da bomba de refrigerante; no modo compressão a vapor, são a temperatura externa, a frequência do compressor e o sobre-resfriamento.

Data center;Sistema de ar-condicionado composto;Diagnóstico de falhas;Estudo interpretativo