冷媒溫度 + 壓力 + AWS：自動計算過熱度與過冷度｜從「低效冷卻」到「精準控制」的制冷系統智能升級
冷媒溫度 + 壓力 + AWS：自動計算過熱度與過冷度｜從「低效冷卻」到「精準控制」的制冷系統智能升級
台灣 31 年工業儀錶製造商 ATLANTIS 深度剖析｜為什麼有些數據中心的冷卻系統「耗電量比競爭對手高 40%」？因為他們只監控「溫度」，沒有監控「冷媒的過熱度和過冷度」——這兩個數據，決定了冷卻效率的 80%。
📊 市場現況：制冷行業的「隱形浪費」
你的冷卻系統現在可能面臨這個困境：冷媒在循環中「運行不暢」。表現為：
- ❌ 壓縮機耗電量逐年增加（「設備在老化」的假象）
- ❌ 實際冷卻溫度達不到設定（「需要更大的冷卻機」的假象）
- ❌ 冷媒管路結冰或過熱（「需要加冷媒」的假象）
- ❌ 無法預測「何時需要大修」（老闆說「修了也沒用，就是效率低」）
而對面的競爭對手，卻有一套「溫度 + 壓力 + AWS 自動控制系統」。系統實時計算：
- ✅ 冷媒在蒸發器的「過熱度」（應該保持在 5～8°C）
- ✅ 冷媒在冷凝器的「過冷度」（應該保持在 3～5°C）
- ✅ AWS 自動調節「膨脹閥開度」維持最佳過熱度和過冷度
- ✅ 結果：能耗下降 30～40%，冷卻效率提升 25~35%
差異就在：只監控「絕對溫度」 vs「相對熱力狀態」。
🔴 你面臨的「三大困境」
困境 #1：「調低溫度」和「調節過熱度」混淆導致的低效率
傳統做法：冷卻不夠時，廠商會說「把冷媒溫度調低」。結果是什麼？
- ❌ 壓縮機運行時間更長（因為要把冷媒壓得更低）
- ❌ 耗電量反而增加 15～25%（適得其反）
- ❌ 冷媒流速下降（因為冷凝溫度太低，管路結冰）
- ❌ 最後還是冷不夠（惡性循環）
正確做法：不是調溫度，而是「調過熱度」。例如：
- ✅ 冷媒蒸發溫度 -5°C，過熱度設定 6°C → 過熱後溫度 +1°C（理想）
- ✅ 這樣壓縮機輕鬆運轉，耗電量最低，冷卻效率最高
差異一個「概念理解」而已，卻影響能耗 30～40%。
困境 #2：膨脹閥「手動調節」無法跟上負載變化
背景：
- 日間負載（10:00～18:00）：倉庫進出頻繁，冷卻需求大
- 夜間負載（20:00～06:00）：倉庫關閉，冷卻需求小（只需維持溫度）
問題： 膨脹閥由「一名技工」手動管理，調節邏輯是「一日四季」式的模糊判斷：
- 10:00：「感覺很熱，打開膨脹閥」 → 過熱度變成 12°C（過高，壓力波動）
- 12:00：「還是很熱，再打開」 → 過熱度 15°C（極度過高，冷卻效率崩潰）
- 16:00：「有點冷了，關一點」 → 過熱度 3°C（太低，冷媒流速不足，管路結冰）
- 20:00：「夜間應該關起來」 → 過熱度 -2°C（負值！冷媒進入液態，故障）
能源成本分析（月度）：
- 日間冷卻耗電：400 小時 × 100kW = 40,000 kWh（因為過熱度過高，壓縮機運行更頻繁）
- 夜間「維持溫度」耗電：10 小時 × 80kW = 800 kWh（本應只需 20kW，卻因為過冷度過低導致冷卻機反覆啟停）
- 總耗電：40,800 kWh × 3 元/kWh = 122,400 元/月
如果有 AWS 自動控制：
- ✅ 日間：AWS 根據「實時進出頻率」自動調節膨脹閥，維持過熱度 6～8°C（最優）
- ✅ 夜間：AWS 偵測負載下降，自動調節膨脹閥，維持過熱度 4°C（低負載最優）
- ✅ 日間冷卻耗電：400 小時 × 75kW = 30,000 kWh（下降 25%）
- ✅ 夜間維持溫度：10 小時 × 15kW = 150 kWh（下降 81%）
- ✅ 總耗電：30,150 kWh × 3 元/kWh = 90,450 元/月
- ✅ 月度節省：32,000 元（年省 384,000 元）
投資成本：
- 溫度感測器 × 4 個：4 萬（蒸發器進出、冷凝器進出）
- 壓力感測器 × 4 個：3.5 萬（同上位置）
- AWS IoT 邊緣閘道 + 膨脹閥控制器：8 萬
- 安裝調試：2 萬
- 年度雲端成本：1 萬
- 初期投資：17.5 萬，年度成本 1 萬
ROI： 年省 38.4 萬，投資 17.5 萬 → 4.6 個月回本
困境 #3：「過熱度和過冷度」的最佳範圍沒人知道
95% 的冷凍技工是「靠經驗和感覺」調膨脹閥的。但「最佳過熱度」取決於：
- 冷媒類型（R410A vs R134a vs R32，各有不同範圍）
- 蒸發器設計（板式 vs 管式，過熱度最優值不同）
- 系統負載（輕載時需要低過熱度，重載時需要高過熱度）
- 環境溫度（季節變化影響最優點）
傳統技工的做法：「我調了 20 年冷媒，就是靠感覺。」結果是「永遠不夠優」。而 AWS + 感測器方案，每次都能算出「此時此刻的最佳過熱度」，精確到 0.5°C。
✅ ATLANTIS 溫度+壓力感測器 + AWS 膨脹閥自動控制方案
核心架構：四點測量 + 實時計算
| 測量點 | 感測器類型 | 測定用途 | AWS 計算邏輯 |
|---|---|---|---|
| 蒸發器進口 | 温度 + 壓力感測器 | 冷媒「液態」的狀態 | 查表得「飽和溫度」 |
| 蒸發器出口 | 温度感測器 | 冷媒「氣態過熱」的溫度 | 過熱度 = 出口溫度 - 飽和溫度 |
| 冷凝器進口 | 温度 + 壓力感測器 | 冷媒「高溫高壓氣態」的狀態 | 計算冷凝工作（制冷量） |
| 冷凝器出口 | 温度感測器 | 冷媒「液態過冷」的溫度 | 過冷度 = 飽和溫度 - 出口溫度 |
AWS Lambda 控制邏輯（簽僽版本）
IF 過熱度 > 8°C THEN:
冷媒流量不足 → 開啟膨脹閥（增加流量）
IF 過熱度 < 4°C THEN:
冷媒流量過多 → 關閉膨脹閥（減少流量）
IF 過冷度 < 2°C THEN:
液態冷媒不足 → 開啟膨脹閥（多供應液體）
IF 過冷度 > 6°C THEN:
液態冷媒過多 → 關閉膨脹閥（少供應液體）
OPTIMAL_STATE:
過熱度 = 6°C ± 1°C
過冷度 = 4°C ± 1°C
→ 系統效率最高，能耗最低
推薦產品組合
DPS-2.5SPD3 多功能壓力開關（用於偵測冷媒高低側壓力）
型號組合：ATLANTIS 溫度+壓力整合感測方案
組件配置：
- ✅ 蒸發器進/出口：LTPT-410RS（溫度+液位感測，可改裝為溫度+壓力雙測）
- ✅ 冷凝器進/出口：DPS-2.5SPD3（壓力開關）+ RTD-907A（温度計）
- ✅ 膨脹閥控制：AWS IoT + 伺服馬達控制器（自動調節膨脹閥開度）
- ✅ 數據採集：Timestream 存儲 + Lambda 實時計算
- ✅ 人機介面：QuickSight 儀表板（實時顯示過熱度/過冷度 + 能耗）
📈 成功案例：從「低效能」到「高效能」的系統優化
背景：
- 冷卻需求：24/7 冷卻 500 台 GPU 伺服器
- 原能耗：月度電費 350 萬（冷卻占 60%）
- 原方法：膨脹閥由巡檢人員「每 8 小時調一次」
系統導入前的問題：
- GPU 溫度波動 35°C～55°C（不穩定）
- 壓縮機運行時間 > 18 小時/天（過度運行）
- 月度冷卻電費 210 萬（占總電費的 60%）
ATLANTIS 自動控制系統導入：
- 4 個温度感測器（蒸發器進/出、冷凝器進/出）
- 4 個壓力感測器（同位置）
- AWS Lambda 實時計算過熱度和過冷度
- 伺服馬達膨脹閥自動調節（每 30 秒調整一次）
成效對比（導入後 6 個月）：
| 指標 | 導入前 | 導入後 | 改善幅度 |
|---|---|---|---|
| 冷卻電費/月 | 210 萬 | 130 萬 | ↓ 38%（年省 960 萬） |
| 壓縮機運行時間 | 18.5 小時/天 | 12.3 小時/天 | ↓ 33% |
| GPU 溫度穩定性 | 35°C～55°C（波幅 20°C） | 42°C～46°C（波幅 4°C） | ↓ 80%（更穩定） |
| 冷媒過熱度 | 2°C～18°C（波動大） | 6°C ± 1°C（恆定最優） | ✅ 自動維持最佳點 |
| 冷媒過冷度 | 1°C～7°C（不穩定） | 4°C ± 0.5°C（精準控制） | ✅ 自動維持最佳點 |
| 系統投資 | 0 | 40 萬（感測器 + 控制器） | 年省 960 萬 → ROI < 2 個月 |
額外效果：
- ✅ GPU 壽命延長（穩定溫度減少熱疲勞）
- ✅ 計算效率提升 12%（穩定溫度下性能更好）
- ✅ 維護工作量下降 80%（不需人工調節）
- ✅ 緊急停機次數：0（原本平均 1.5 次/月）
客戶評價：
「以前冷卻成本是『黑箱』，只知道每月要花 210 萬。現在 AWS 系統告訴我『過熱度為什麼要是 6°C』，電費怎麼就省了 40%。這種『可預測、可控制、可優化』的感覺，才是現代工業該有的樣子。」—— 某大型 AI 中心廠長
💰 成本分析：為什麼「自動控制」比「人工調節」省錢 40%？
情景 A：傳統人工調節
- 膨脹閥調節頻次：每 8 小時一次
- 調節精度：±3～5°C（人工判斷誤差大）
- 結果：過熱度 2～18°C（波動）→ 能耗高
- 年度冷卻電費：2,500 萬（按標準能耗）
- 系統成本：0 + 人工巡檢 4 萬/年
- 年度總成本：2,504 萬
情景 B：AWS 自動控制
- 膨脹閥調節頻次：每 30 秒自動調整
- 調節精度：±0.5°C（AWS 計算精準）
- 結果：過熱度 6°C ± 1°C（恆定最優）→ 能耗低 38%
- 年度冷卻電費：1,550 萬（下降 38%）
- 系統成本：50 萬（一次性） + 10 萬/年（雲端）
- 年度總成本：1,560 萬（含 amortize 投資）
ROI 對比
第 1 年：節省 (2,504 - 1,560) = 944 萬 vs 初期投資 50 萬 → 回本期 20 天
第 2～10 年：年度節省 940 萬 × 9 年 = 8,460 萬
❓ 20 大常見問題 × 專家級解答
1. 「過熱度」和「過冷度」最佳值是多少？會因冷媒類型改變嗎？
標準範圍：
- 過熱度（Superheat）：4～10°C（通常目標 6°C）
- 過冷度（Subcooling）：2～8°C（通常目標 4°C）
冷媒類型的影響：
- R410A（常見）：過熱度 6～8°C，過冷度 3～5°C
- R134a（車用/舊系統）：過熱度 5～7°C，過冷度 2～4°C
- R32（新型高效）：過熱度 4～6°C，過冷度 3～5°C
AWS 的做法： 廠商在「初始設定」時輸入「冷媒類型」，AWS 會自動調整最佳範圍。
2. 若過熱度過高（>10°C），說明什麼問題？
原因分析：
- 膨脹閥開度太小 → 冷媒流量不足
- 蒸發器堵塞 → 冷媒流速下降
- 系統缺冷媒 → 液態冷媒供應不足
後果： 壓縮機吸入「溫度太高的氣態冷媒」→ 效率下降、耗電增加
AWS 的處理： 自動開啟膨脹閥、檢查是否堵塞、如持續異常則警告「可能缺冷媒」
3. 若過冷度過低（<2°C），會導致什麼？
極端情況：過冷度為負（液態冷媒進入氣態）
- 冷凝器無法充分冷卻冷媒 → 壓力異常高
- 膨脹閥後出現「兩相混合」（液+氣混合） → 流量不穩
- 最壞情況：「液態衝擊」→ 壓縮機故障（極度危險）
AWS 的保護： 當過冷度 < 1°C 時，自動降低膨脹閥開度；若低於 0°C，立即警報並限制運行
4. 溫度感測器和壓力感測器都需要嗎？不能只用溫度嗎？
不能。理由如下：
- 溫度 + 壓力結合才能查出「飽和溫度」
- 只用溫度：無法判斷冷媒是「飽和」還是「過熱」
- 只用壓力：無法判斷冷媒的「實際溫度」
工程原理： 冷媒的狀態由「溫度 + 壓力」聯合決定（相圖）。知道其中一個，無法推出另一個。
5. AWS 計算過熱度要多久更新一次？實時嗎？
標準配置： 每 30 秒更新一次（膨脹閥調節一次）
可選配置：
- 高精度應用（液冷 GPU）：每 5 秒
- 一般工業冷卻：每 60 秒
為什麼不更快？ 膨脹閥是「機械調節」，過快調節會導致「振盪」（過度校正），反而效率下降。30 秒是「工程最優」。
6. 若膨脹閥故障（卡住或失效），AWS 能自動切換嗎？
短答案：AWS 無法直接切換，但能早期發現。
- AWS 會偵測「過熱度無法調整」（膨脹閥不動）
- 立即警報「膨脹閥故障」
- 建議方案：配置「備用膨脹閥」和「手動旁通」，技工 30 分鐘內可切換
7. 四點測量（蒸發器進出、冷凝器進出）一定都要嗎？
完整精度（推薦）：4 點感測 → 過熱度、過冷度、制冷量都能精確計算
經濟方案（基礎）：2 點感測
- 蒸發器出口溫度 + 蒸發器進口壓力 → 估算過熱度（誤差 ±0.5°C）
- 缺冷凝器數據，無法精確計算過冷度
- 成本節省 30%，精度損失 20%
ATLANTIS 建議： 新廠用 4 點（投資小，效果最優）；老廠先裝 2 點（快速見效），後續升級至 4 點。
8. 冷媒「季節性」變化（夏熱冬冷）會影響過熱度最佳值嗎？
會。而且影響很大。
- 夏天（室溫 35°C）：冷凝溫度可能 50°C → 過冷度目標偏低（3°C）
- 冬天（室溫 5°C）：冷凝溫度只有 15°C → 過冷度目標偏高（5°C）
AWS 的處理： 配置「環境溫度感測器」，AWS 自動根據季節調整過熱度和過冷度的目標值
9. 數據中心和食品冷庫的過熱度設定是否相同？
完全不同。
- 食品冷庫： 過熱度 5～7°C（重視穩定性，食品不能溫度波動）
- AI 數據中心： 過熱度 4～6°C（重視能耗效率，GPU 可接受小波動）
- 空調系統： 過熱度 8～12°C（負載輕，過低會凍裂）
AWS 設定： 廠商在初始化時選「應用類型」，AWS 自動套用該領域的最佳參數
10. 膨脹閥能自動調節「無限精細」嗎？還是只能 50 級或 100 級？
取決於膨脹閥類型。
- 機械膨脹閥： 無級調節（理論上可連續）
- 電子膨脹閥（EXV）： 分段調節（通常 100～1000 個位置）
- 成本考量： 高級 EXV（1000 級）多 20%，但精度高 5 倍
ATLANTIS 推薦： 數據中心用 500 級以上 EXV（成本 + 精度平衡）；一般工業用 100 級就足夠
11. 壓力感測器的精度要求多高？±0.1 bar 足夠嗎？
足夠。而且推薦配置。
- ±0.1 bar 的壓力誤差 → ±0.3°C 的飽和溫度誤差
- 足以計算「過熱度 ±0.5°C」
- 更高精度（±0.05 bar）邊際收益低，成本多 50%
ATLANTIS DPS-2.5SPD3： 精度 ±0.5%（典型 20 bar 系統 = ±0.1 bar），性價比最優
12. 若 AWS 系統斷網，膨脹閥會保持最後狀態還是自動關閉？
建議配置：保持最後狀態 + 本地備用規則。
- AWS 斷網 → 邊緣閘道啟動「本地 PID 控制器」維持過熱度
- 本地控制精度稍低（±1°C vs AWS ±0.5°C），但系統持續運作
- AWS 恢復後自動同步
關鍵： 冷卻系統不能「寧可不動」— 那樣會導致設備過溫停機。本地備用規則是必須的。
13. 實際案例中，AWS 自動控制能達到「年省 38%」嗎？還是誇大？
不誇大。我們看的數據都是真實案例。
- 某 AI 中心（本文案例）：實際年省 960 萬
- 食品冷庫：年省 24～30%（穩定性提升也減少了食品損耗）
- 商用空調系統：年省 15～25%（系統已較優化）
為什麼差異這麼大？ 決定因素是「原系統有多低效」。若原系統過熱度長期 2～18°C 亂擺，改善空間大；若已調整到 6°C，改善空間只有 5～10%。
14. 與國際「冷媒管理」系統（如 Johnson Controls）比較，ATLANTIS 方案差在哪？
成本和定制性。
- Johnson Controls： 初投資 150～300 萬，年度維護 50～80 萬，功能「全面但固定」
- ATLANTIS + AWS： 初投資 40～60 萬，年度成本 5～10 萬，完全定制
劣勢： ATLANTIS 是「工業級」而非「企業級」（沒有 24/7 現場支援），適合有技術部門的廠商
15. 新建冷卻系統和改造老系統，部署難度差多少？
新建最簡單，老系統可能困難。
- 新建： 感測器一起裝，調試簡單，2 周上線
- 老系統改造： 需在運行中鑽孔裝感測器（可能影響系統壓力），停機時間 1～2 天，調試 3～4 周
風險： 鑽孔過程若用力不當可能損傷管路。建議找「冷媒系統改造專業人士」執行。
16. 若冷媒填充量不對（多或少），AWS 能自動偵測嗎？
可以，但需要「基準數據」。
- AWS 學習「正常狀態」的過熱度和過冷度特徵曲線
- 若實際值離線 > 2°C 持續 10 分鐘 → 警報「可能冷媒不足或過多」
- 廠商需定期「冷媒檢查」確認
限制： AWS 只能說「狀態異常」，無法直接測出「缺了多少克」— 仍需人工測量
17. 膨脹閥「響應延遲」（指令到動作的時間差）會影響 AWS 計算嗎？
會，但可以補償。
- 機械膨脹閥：延遲 2～5 秒
- 電子膨脹閥：延遲 0.5～1 秒
- AWS 邏輯：提前 1～2 秒下達指令（預測性控制），補償延遲
效果： 即使有延遲，系統仍能維持過熱度 ±0.5°C
18. 冷卻系統有「多個蒸發器」（或多個冷凝器），AWS 怎麼同時控制？
需要「每個蒸發器一個膨脹閥」。
- AWS 獨立計算每個蒸發器的過熱度
- 每個膨脹閥獨立調節
- 成本線性增加（4 個蒸發器 = 4 套感測器 + 4 個膨脹閥控制器）
19. 若室外冷凝器「結霜」（冬天），會影響 AWS 的過冷度計算嗎？
會，而且是常見問題。
- 結霜 → 冷凝器效率下降 → 高側壓力異常高 → 過冷度計算異常
- AWS 會偵測「壓力異常高 + 過冷度異常」
- 建議方案：配置「防霜化霜控制」（定期逆轉冷媒循環除霜）
ATLANTIS 做法： 若有除霜系統，AWS 會將「除霜週期」納入控制邏輯
20. 與「直接看壓力表數字」比較，AWS 計算過熱度有什麼好處？
自動化 vs 人工判斷。
- 技工看壓力表 → 查冷媒相圖 → 估算飽和溫度 → 計算過熱度 → 決定是否調膨脹閥（容易出錯）
- AWS 自動做上述全部 → 直接調膨脹閥 → 每 30 秒精確一次（不會疲勞、不會出錯）
效果： 人工最佳表現 vs AWS 平均表現，AWS 勝出 3～5 倍（人工的「最佳」只能持續幾小時，AWS 24/7 精確）
🤔 三分鐘反思
如果答案是「可以」： 你已經明白，冷卻系統的能耗不是「絕對值問題」（冷卻到多少°C），而是「相對狀態問題」（過熱度是否最優）。當你的目標是「年省 40% 電費」時，你會直接選「溫度+壓力+AWS 自動膨脹閥」，而不會問「有沒有更便宜的人工調節方案」。這種決策信心就是「高轉化」的起點。
如果答案是「還是不確定」： 恭喜，這就是 ATLANTIS 存在的原因。免費系統評估：02-2820-3405，我們會用貴公司的冷卻系統規格（冷媒類型、蒸發器數量、年度電費），估算『導入 AWS 自動控制』的實際節省金額。
ATLANTIS 的做法：
- 導入第一年內，若實際節能 < 預估 70%，我們免費優化 AWS 控制邏輯
- 若因為計算失誤導致「膨脹閥過度開啟導致液態衝擊」，我們承擔維修成本的 50%
- 承諾「年度冷卻電費」（例如「原 2,100 萬，優化後不超過 1,500 萬」），不達成則退款
決策型特徵： 「如果你的冷卻電費年超 2,000 萬，直接選『溫度+壓力+AWS 自動膨脹閥』，理由是：自動維持過熱度最優、年省 30～40% 電費、投資回本 < 2 個月…」（讀完就知道該選什麼）
📞 撥電話：02-2820-3405 📧 寄郵件：ian@atlantis.com.tw
業務一部 Ian (分機27) | 業務二部 Nori (分機16) | 台北市北投區致遠一路二段109號