為什麼需要預測性維護？

空調系統的異常，往往不是突然發生。感測器漂移、盤管髒污、風機效率下降等問題，早期可能只出現細微變化，等到觸發告警時，問題可能已經持續一段時間。

早期預警會持續分析感測器與系統運轉資料，透過人工智慧找出目前狀態和正常運轉模式之間的差異。這些變化不一定已經超過警報門檻，卻可能是設備性能開始偏離正常狀態的訊號。

研究指出，超過 20% 的 HVAC 系統可能處於早期的漸進性故障狀態，並因此造成超過 15% 的能源浪費。

同時，空調系統每天都會受到負載、天氣和運轉模式影響。只看固定數值，很難分辨正常變化和真正的異常，因此需要先了解系統平常怎麼運轉，再持續觀察是否出現不尋常的偏離。

Airflow One 如何提早發現異常？

  • 01 先了解系統平常怎麼運轉

    根據過去的運轉資料，找出系統在正常情況下通常會呈現什麼狀態，作為後續判斷的參考。

    例如，空調箱的外氣風閥可能出現卡住的情況，冷熱水盤管閥也可能發生卡住或洩漏。設備會持續或頻繁地受到監控，以確保即時擷取運轉資料，並盡可能提早偵測這些異常。

  • 02 找出不尋常的變化

    在這裡，我們會透過機器學習 (ML) 和其他進階 AI 演算法分析資料，以偵測與已建立的基準或模式的偏差。ML 和這些演算法透過分析歷史資料，並將資料與已知故障建立關聯，進而建置預測模型。

  • 03 及時發出預警

    預測模型會根據目前和過去的資料模式，預測設備可能發生故障的時機。系統則會根據未來的分析內容，建立主動式維護排程。分析結果會透過儀表板呈現，提醒維護團隊即將發生的潛在故障或緊急異常狀況。隨著貴組織漸漸執行維護並收集更多資料，預測模型會變得更加準確可靠。

預測性維護有哪些優勢？

降低非預期故障的影響

等到空調設備故障後才進行維修，往往會打亂原本的維運安排。透過持續觀察設備狀態與性能變化，可以更早發現可能正在劣化的設備，讓工程人員有更多時間安排檢查與維護。

例如，研究已有利用既有樓宇自動化系統資料，估算空調箱及其元件剩餘使用壽命的做法，作為判斷後續維護時機的參考。

減少不必要的維護

固定週期維護雖然容易安排，但設備實際劣化速度並不完全相同。有些設備可能還在正常狀態，有些則已經開始出現性能下降。

透過持續追蹤設備表現，可以依照實際狀態安排維護，而不是只看時間表。例如，以熱泵的性能下降作為維護依據，並透過性能係數等指標觀察設備效率是否開始劣化。

更完整掌握系統狀況

空調系統不是由單一設備獨立運轉。冷凍主機、泵浦、空調箱、感測器與控制設備彼此相互影響，一個地方出現問題，也可能反映在其他設備的運轉狀態上。

因此，預測性維護不只是看某一台設備有沒有故障，而是持續掌握整套系統的變化，讓工程人員更容易判斷問題發生在哪裡，以及可能影響哪些設備。HVAC 研究也逐漸從單一設備診斷延伸到考慮不同設備之間相互關係的系統層級診斷。

空調系統中，哪些問題值得提早注意？

冷凍主機

冷媒洩漏、冷凝器髒污、冷凝水流量不足等問題，可能從較輕微的狀態逐步影響設備效率。這些為常見的冷凍主機漸進性故障。

空調箱

常見的異常包括外氣風閥卡住、冷熱水盤管閥卡住或洩漏，以及室外空氣溫度感測器偏差。

感測器與設備性能

有些異常會慢慢發生，例如溫度感測器漂移、盤管髒污、風管洩漏或風機效率下降。這些問題早期未必會明顯影響系統，但長期可能增加能源消耗與維護成本。

空調系統中的預測性維護案例

案例1: 冷凍主機故障預測準確率達 98.5%，較既有 BMS 提升 27%

2023 年一項大學建築冰水系統的實際導入研究，將預測性維護模型應用於冷凍主機、冷卻水塔、泵浦與末端設備，透過決策樹模型分析歷史資料與即時運轉數據，提前辨識設備可能發生的故障。

其中，冷凍主機的故障預測準確率達 98.5%，較原有 BMS 的故障預測能力提升 27%。研究期間辨識出的常見異常，也包括冷媒洩漏等問題。¹

案例2: 依濾網實際劣化狀態安排更換，總成本最高降低 10%

濾網通常按照固定週期更換，但實際劣化速度會隨運轉時間、風量與環境條件改變，因此固定保養週期未必能反映設備的真實狀態。

一項空調系統數位孿生研究，整合風機運轉、濾網壓降、熱交換器及其他設備資料，建立濾網狀態模型，據此判斷較適合的更換時間。

研究結果顯示，當濾網更換從固定週期改為依設備實際狀態安排後，整體維護成本最高可降低 10%。²

案例3: 空調箱可依設備狀態預測維護日期，並自動建立工單

2024 年，SPIE 在 ARENA2036 執行預測性維護專案，透過溫度、濕度、振動、電流與濾網差壓等感測資料，持續掌握空調箱的運轉狀態。

系統會依設備最新運轉資料持續更新預測結果，估算下一次適合的維護日期；達到維護條件後，還可進一步串接設施管理系統，自動建立維護工單。³

這套方法後續在荷蘭 59 台空調箱進行驗證。結果顯示，系統可延長設備維護與濾網更換間隔，同時降低材料及人工成本，整體投資回收期約為 3 至 4 年。³

案例4: 辨識空調箱運轉故障並安排維護，估計每年可節省數千美元能源成本

另一項空調箱數位孿生與預測性維護研究，將設備運轉資料、建築資訊模型、設施維護紀錄與物聯網感測資料整合，用於預測空調箱元件未來的運轉狀態與維護需求。

研究納入設備特徵、運轉模式、感測資料、送回風條件、流量、控制參數與歷史故障等 16 類因素，建立設備狀態與故障預測模型。

實際場域測試結果顯示，透過模型辨識並修正空調箱的運轉異常後，單一場域每年可望減少 數千美元的能源成本。²

我們如何協助您達成預測性維護需求？

傳統空調設備維護通常依照固定週期進行檢查，或是在警報與故障發生後再進一步處理。

透過持續分析設備的運轉資料、性能變化與異常趨勢，預測性維護可以協助工程人員更早辨識需要關注的設備，判斷哪些項目需要優先檢查，並依照設備實際狀態安排後續維護。

讓維護工作從固定週期與故障後處理，逐步轉向以設備實際運轉狀況為依據。

與我們聯繫