El uso de modelos de diagnóstico de fallas basados en datos para sistemas de aire acondicionado en centros de datos puede mejorar eficazmente su confiabilidad operativa. Sin embargo, dichos modelos generalmente carecen de fundamentos diagnósticos, lo que limita su aplicación amplia. Se estableció un modelo compuesto de diagnóstico de fallas para sistemas de aire acondicionado basado en algoritmos típicos de aprendizaje automático, se comparó el rendimiento diagnóstico de cada modelo, y se realizó un estudio interpretativo del modelo diagnóstico basado en el método SHAP (shapley additive explanation). Los resultados muestran que el modelo de diagnóstico basado en redes neuronales convolucionales (CNN) es óptimo en los modos de tubo térmico y compresión de vapor, con valores F-1 superiores a 0.999 en cada categoría. En modo tubo térmico, las características principales en las que se basa el diagnóstico del modelo CNN son la frecuencia del ventilador del condensador, la temperatura exterior y el consumo de energía de la bomba de refrigerante; en el modo de compresión de vapor, son la temperatura exterior, la frecuencia del compresor y el sobreenfriamiento.

Centro de datos;Sistema de aire acondicionado compuesto;Diagnóstico de fallas;Estudio interpretativo