[0001] 本发明是关于一种性能检测方法，详而言之，是一种高准确度的空调设备的性能特性检测方法。

[0002] 近年来，随着经济的起飞与产业的快速发展，用电量与用电需求也随着大幅增加。但是由于发电容易产生环境污染(例如：二氧化碳的排放所造成气候变暖)、电厂的土地取得不易，且电力来源的开发速度与输配电系统的建设脚步并无法满足日益增加的用电量与用电需求，以致供电量常常发生不足，而导致了在尖峰用电时段需要限制用电量的措施。因此，如何有效地节约电能来避免供电量不足，遂成为社会各界努力的目标。

[0003] 根据统计，各种用电设备中通常又以空调设备所占的用电比例最大，举例而言，实际的半导体厂房中的用电设备有制造方法设备、测试设备和/或空调设备，而空调设备(例如：恒温水槽、空调系统、冷水机等)通常占了该半导体厂房用电总量的百分之二十七以上，因此可以合理推知，从提高空调设备的使用效率为主要目标来着手，即为一种有效的节约电能的方法。

[0004] 而若欲提高空调设备的使用效率，除了依据不同的使用环境来选择性能最适合的空调设备之外，也必须准确、即时地得知该空调设备的性能特性，进而得以依据该空调设备的性能特性调整该空调设备的使用方式。或者是提前维修性能状况出问题的空调设备，以避免电能无形中的耗损或者是空调设备临时发生故障。然而，现有的空调设备的性能检测方法，大多是依据空调设备供应商在出厂时所测试的运转参数(例如：冷冻能力等)，配合空调设备的维护人员的经验来予以分析及检测以得知该空调设备的性能特性。

[0005] 但是，现今实际的空调设备大多使用在多变量的使用环境中，且大多的空调设备(例如冷水机)在出厂前所作的检测信息，仅在特定的测试环境具有参考价值。再者，空调设备的运转特性，也会随着设计架构、运转时间以及保养状况等因素而有所改变，例如会随着运转时数、维护保养品质、冷水机的效率、周边设备的变化或工作班次而跟着改变。当然，空调设备的系统运作情形也会随着环境之外气因素，例如气候、温度、湿度、季节性循环等因素而有所变化。

[0006] 因此，若利用现有的检测方式来检测空调设备的性能特性(例如人为、历史经验法则)，不但准确度不高，也无法即时、有效地掌握空调设备的运作情形，且无法弹性地调整空调设备的使用方式，也无法提供相关的维修或保养人员弹性地调整空调设备的保养排程。

[0007] 因此，如何提供一种应用于空调设备的性能检测方法，能即时、准确、有效地掌握空调设备的性能特性，以弹性地调整空调设备的使用方式和/或保养排程、降低空调设备发生临时故障的机率，进而避免成本的损耗与电能的浪费，成为各界亟待解决的课题。

[0023] 以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效。本发明也可通过其他不同的具体实施例加以施行或应用。

[0024] 一般常见的空调设备，其主要可分为产出物质系统与冷却物质系统，而该空调设备通过产出物质系统与冷却物质系统之间的热交换作用，不断产出适合的产出物质，例如冷水、冷气等。举例而言，冷气机、中央空调系统与冷水机，皆为一般常见的空调设备。

[0025] 请参考图1，其清楚示意出冷水机1，且该冷水机1包含产出物质系统10与冷却物质系统11。

[0026] 如图所示，该冷水机1通过产出物质系统10与冷却物质系统11之间的热交换作用，将高温冷水降温以输出低温冷水，因此，即可利用该低温冷水提供后续相关的制造方法或厂务设施予以利用(利用该低温冷水予以降温)。当然，也可使用相关的量测设备量测出该冷水机1的外气温度、外气相对湿度、冷媒水质、高温冷水温度、冷媒入水温度、冷媒出水温度以及低温冷水温度等运转参数。

[0027] 请参阅图2，其绘示本发明的性能检测方法的步骤流程示意图，且该性能检测方法可应用于空调设备上。

[0028] 在步骤S21中，在该空调设备标准的、日常的运转状态时，采集多个空调设备的标准运转参数，并可予以储存。该空调设备可为冷气机、中央空调系统和/或冷水机(如图1所示)。而该标准运转参数可为该空调设备在标准的运转状态下的耗电比例(Power Rate)、平均耗电量、能源效率比值(Energy Efficiency Rate)、性能系数(Coefficient of Performance)、冷冻负荷(Part Load Ratio)、每冷冻吨所消耗的电功率、冷却水出回水温度、冷却水流量、冷水出回水温度、冷水流量、冷媒压力和/或外气温湿度等。在本发明的一个较佳实施例中，该步骤S21可长时间地以定期、持续的方式，并通过相关的参数采集装置(未图示)来采集该空调设备的标准运转参数，并可将该标准运转参数予以储存。此外，在步骤S21中也可设定说明信息的步骤，该说明信息包括异常情形、造成该异常情形的原因，以及该异常情形的处理措施和/或相关的保养说明，并可予以储存(例如：可以表格的形式储存在相关的信息库中)。接着进至步骤S22。

[0029] 在步骤S22中，依据多个该空调设备的标准运转参数，产生该空调设备在正常运转状态下的性能模型(如以下图3及图4所示)。详而言之，可利用所采集到的多个该空调设备的标准运转参数其中至少两个，加以整理与归纳以形成该空调设备在正常运转状态下的性能模型(例如数学模型与趋势函数)。较佳地，该性能模型可以趋势图或曲线图的形式来予以呈现，且可将该性能模型予以储存。接着进至步骤S23。

[0030] 在步骤S23中，在该空调设备实际的运转状态下，采集多个该空调设备的实际运转参数。该实际运转参数可为该空调设备在实际的运转状态下的耗电比例、平均耗电量、能源效率比值、性能系数、冷冻负荷、每冷冻吨所消耗的电功率、冷却水出回水温度、冷却水流量、冷水出回水温度、冷水流量、冷媒压力和/或外气温湿度等。较佳地，该步骤S23可以持续、定期的方式，或者是随机启动的方式，并通过相关的参数采集装置来采集该空调设备在实际运转状态下的实际运转参数，并可将所采集到的该实际运转参数予以储存。接着进至步骤S24。

[0031] 在步骤S24中，依据该性能模型来对所采集到的实际运转参数进行分析，进而可判断出该空调设备的性能特性和/或运作情形是否发生异常。因此，若判断出该空调设备的性能特性和/或运作情形发生异常状况时，进至步骤S25；若判断出该空调设备的性能特性为正常时，则返回步骤S23进而持续地进行检测的步骤。

[0032] 根据本发明的较佳实施例，可以落点分析法来对所采集到的实际运转参数进行分析。而落点分析可包括单一数值落点分析与数值间关联落点分析。举例而言，利用单一数值落点分析可分析出外气温度、外气相对湿度、冷水入水温度、冷水出水温度、冷媒入水温度以及冷媒出水温度等运转参数是否偏高或偏低，以及偏高或偏低的权重数值。而利用数值间关联落点分析可通过比对过去相似的状况下的外气温度与冷媒出水温度，进而得知外气温度与冷媒出水温度的关联性是否偏高或偏低，以及偏高或偏低的权重数值。接着，再利用人工智能、基因算法和/或类神经网络即可判断出该性能特性发生了异常状况，进一步也可利用人工智能、基因算法和/或类神经网络，得知性能特性发生异常的原因(如下表1、2所列示)。值得一提的是，在得知性能特性发生异常的原因后，还可将其原因归纳在相关的信息库(未图示)中，以利后续进行设备诊断、信息库判断，进而预防更严重的问题发生。

[0033] 表1(单一数值落点分析)

[0034]外气温度 外气相对湿度 冷媒水质 冷水入水温度
正常(权重0) 正常(权重0) 正常(权重0) 正常(权重0)
冷媒入水温度 冷媒出水温度 冷水出水温度
偏高(权重+1) 偏高(权重+1) 正常(权重0)

[0035] 表2(数值间落点分析)

[0036]冷媒入水温度 外气相对湿度
偏高(权重+1) 正常(权重0)

[0037] 再者，根据本发明的另一较佳实施例，在步骤S24中也可利用回归分析、关联性分析和/或树状图分析等方式，来对所采集到的实际运转参数进行分析，并可以人工智能、基因算法和/或类神经网络等方式来判断该空调设备的性能特性和/或运作情形是否发生异常，进而判断出发生异常的原因，或者是提早得知且避免发生更严重的异常情形。当然，在得知性能特性发生异常的原因后，也可将其原因归纳于相关的信息库中，以利后续进行设备诊断及知识库判断等措施。

[0038] 在步骤S25中，若判断出该空调设备的性能特性和/或运作情形发生异常状况时，则可提出警示(例如：警报、短信等)。举例而言，若判断出该空调设备的性能特性或运作情形、状况持续变差时，即可提出警示。较佳地，当提出警示的同时，也可分析出可能的异常原因，且依据该前述所提供的相关的异常情形、造成异常的原因，以及预定的故障处理措施和/或相关的保养步骤，建议较佳的处理对策。详而言之，可以类神经算法和/或基因算法，自动地筛选出最有可能的异常情形与造成异常的原因，进而建议较佳的故障处理措施和/或保养步骤，以利相关的维修人员或保养人员进行检测、维修或保养。如下表3所列示。

[0039] 表3

[0040]

[0041]

[0042] 请参阅图3清楚绘示出该空调设备在标准的运转状态下，以相关的参数采集装置长时间地、定期、持续地采集该空调设备的标准运转参数(耗电比例与冷冻负荷)后，再经过整理与归纳后所产生的性能模型(数学模型)。如图所示，该性能模型即为一性能趋势2
图，所示的(y＝0.167x2+0.7659x+0.0222)即为图中趋势线的趋势函数，而(R ＝0.8756)为该性能模型的y轴(耗电比例)与x轴(冷冻负荷)的关联系数。一般而言，关联系数的数值越高即代表性能模型的y轴(耗电比例)与x轴(冷冻负荷)的关联性越高。较佳地，性能模型的关联系数大于0.75具有较佳的参考价值。

[0043] 请参阅图4清楚绘示出该空调设备在标准的运转状态下，以相关的参数采集装置长时间且定期、持续地采集该空调设备的标准运转参数(性能系数与冷冻负荷)后，经过整理与归纳后所产生的性能模型。如图所示，该性能模型即为空调设备的性能曲线图，且由此性能曲线图即可清楚得知，若将该空调设备的耗电比例设定于百分之七十二时，该空调设备的运转效率始为最佳(性能系数＝1.775)，因此，即可提供相关的维修人员或保养人员弹性地调整该空调设备的使用方式。

[0044] 请参阅图5清楚绘示出利用如图3所示的该空调设备的性能模型，来对所采集到的实际运转参数进行分析(落点分析)的分析方式，并请同时参阅图2的步骤S24。如图所示，所采集到的实际运转参数(测量表现值)落点在该性能模型的趋势线的下方。而在耗电比例(y轴)与冷冻负荷(X轴)所构成的性能模型的趋势图中，若实际运转参数的落点(测量表现值)位于该趋势线的下方区域，通常即代表该空调设备的性能特性与运转状况越来越佳，因此，即可判断出空调设备的性能特性或运作情形可能发生异常(例如：可利用类神经算法和/或基因算法来予以判断)。反之，若实际运转参数的落点(测量表现值)位于该趋势线的上方区域，通常即代表该空调设备的性能特性与运转状况越来越差。当然，也可利用回归分析和/或关联性等分析方式，来分析该空调设备的实际运转参数与标准运转参数之间的关系。

[0045] 请参阅图6清楚绘示出利用如图4所示的该空调设备的性能模型，来对采集到的实际运转参数进行分析(落点分析)的分析方式，并请同时参阅图2的步骤S24。如图所示，该实际运转参数的落点(即测量表现值)并非位于较佳区域中，因此，即可判断出该空调设备的性能特性、运作情形或运转状况可能发生了异常情形。当然，也可利用回归分析和/或关联性分析等分析方式，以分析该空调设备的实际运转参数与标准运转参数之间的关系。值得一提的是，在性能系数(y轴)与冷冻负荷(X轴)所构成的性能曲线中，曲线的波峰区域即为该空调设备的性能特性的较佳表现区域。

[0046] 综上所述，本发明的性能检测方法具有以下优点：

[0047] (1)高准确度。可通过自动化与规范化的检测程序，提高检测的准确度。

[0048] (2)预先警示。通过分析可判断出空调设备的性能特性或运作情形是否发生异常，或者是是否即将发生更严重的故障。因此，即可弹性地调整不适当的使用方式与调整维修排程，进而节省电能的损耗与避免空调设备发生临时故障或更严重的故障的情形。

[0049] (3)快速处理。可快速协助相关的维修人员或保养人员快速厘清可能故障的原因，进而自动提供至少一种较佳的建议处理对策。

[0050] 据此，不但可解决一般现有技术中检测结果准确度不高的问题，也可即时、准确、有效地掌握空调设备的性能特性、运作情形与运转状况，并据此弹性地调整空调设备的使用方式和/或保养排程，以及降低空调设备发生临时故障的机率，进而避免成本的损耗与电能的浪费。

[0051] 但是，上述实施例仅为例示性说明本发明的原理及其功效，而非用于限制本发明。本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与变化。