先验知识引导的转导推理框架：信息不完备条件下冷水机组多源故障传感器检测与诊断

本文提出了一种创新的先验知识引导转导推理框架（PITIF），用于解决冷水机组（HVAC系统核心）在多源传感器故障诊断中面临的信息不完备条件（IIC）挑战。该框架通过零样本学习（ZSL）技术，将物理先验知识与转导学习相结合，无需未知故障组合的标注数据即可实现精准诊断。实验基于ASHRAE RP-1043数据集验证，PITIF对已知故障组合的诊断精度持续超过95%，对未知故障组合的精确率和召回率最高达100%，显著提升了暖通空调系统的能效管理与可靠性。

　　

Section snippets

Theoretical background on zero-shot learning

当前冷水机组故障检测与诊断（FDD）模型的研究通常假设待诊断故障已存在于训练数据中，但在实际工程应用中获取全面的FDD数据并不现实。因此，我们将冷水机组中未知故障组合的诊断问题定义为一个新的数学建模挑战——零样本学习（ZSL）诊断。

ZSL通过利用已知类别（训练集）与未知类别（测试集）之间的语义关联性，实现对无真实标签的未知样本集进行分类。这种方法像一位“故障侦探”，仅凭现有知识就能推理出从未见过的故障模式！

Validation installation

为评估所提出的诊断模型，我们基于ASHRAE RP-1043数据集进行了验证。该数据集采集自一台具有代表性的90吨（316 kW）离心式冷水机组，系统使用R134a作为制冷剂。实验重点针对蒸发器与冷凝器的供/回水温度传感器、蒸发器供水流量传感器以及冷凝器供水压力传感器进行FDD分析——这些传感器可是冷水机组内部控制环路的关键“哨兵”哦！由于瞬态数据可能干扰诊断稳定性，本研究仅采用稳态工况数据进行分析。

Micro Result Analysis

本小节通过微观测评指标（详见第3.2节）对PITIF框架进行了细致的分类型效能评估，重点考察其在ZSL场景下对信息不完备条件（IIC）中已知与未知多源故障的识别能力。我们像做“故障指纹鉴定”一样，通过结构化工作流程展开分析：依次对比四种距离度量（欧氏距离、余弦距离、曼哈顿距离、闵可夫斯基距离）的结果，并逐类比较精确率与召回率，从而揭示潜在故障混淆模式。结果显示，PITIF在多数距离度量下均保持稳定表现，尤其对已知故障组合的识别精度如同“精准制导”，而对未知故障的探测能力则随着类别数量减少而显著提升——这充分证明了先验知识引导的转导推理在应对复杂故障耦合时的优势！

Conclusion

基于先前对冷水机组传感器故障特征的研究，我们开展了信息不完备条件（IIC）下的冷水机组FDD研究。为应对严重IIC下的多源传感器故障挑战，我们提出了名为PITIF的创新诊断方法。通过ASHRAE RP-1043数据集上的三个故障设置案例研究，我们得到以下结论：

首先通过微观指标（即每类精确率与召回率）验证了可行性。在包含三组、两组及单组未知故障组合的场景中，PITIF展现出卓越的适应性——当未知故障组合数量减少时，其诊断性能甚至逼近完美指标！这充分说明该框架在真实工程场景中应对数据稀缺问题的巨大潜力。